本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

時速40公里的無人機，并不稀奇。

但能用這個速度在茂密的森林里穿梭，還是“自己遛自己”的那種，你見過嗎？

如此高超的避障飛行走位，可不是人類用手柄操作出來的，全靠無人機的“自我管理意識”。

就算是遇到運動的障礙物，只要比這個無人機速度慢，它就都可以躲得過去。

這款自主避障無人機，是由蘇黎世大學與英特爾聯合開發。

具體而言，就是以立體深度攝像頭作為眼睛，讓無人機可以自己看得見障礙物，并規劃飛行軌跡。

換上不同性能的相機，它還可以自主完成不同的任務。

比如說躲避迎面砸過來的籃球，像這樣：

完成被稱作無人機雜技的高難度飛行軌跡也不在話下。

如此靈活的無人機，是怎么被教出來的？

一對一的無人機避障學習

傳統的無人機自主避障飛行，一般都是信息處理-制作地圖-規劃路線的處理方式。

但是由于無人機搭載的芯片性能有限，如果信息處理不及時，無人機就可能會撞上障礙物造成事故。

想要提高信息處理速度，不如把三步合并為一步，利用機器學習完成輸入到輸出的映射。

具體來說，就是從傳感器信息輸入直接到飛行軌跡輸出，這種處理方式在速度上要大大優于傳統方法。

如上表所示，和傳統的FastPlanner、Reactive路徑規劃方法相比，這個算法所需的處理時間更短。雖然Reactive的處理速度也很快，但是它在高速飛行中的表現較差。

那么，無人機如何實現從傳感器輸入，直接到飛行軌跡的輸出映射？

這里就用到了卷積網絡來模擬訓練。

模擬中的神經網絡訓練使用了一個“專家控制器”（expert controller），它可以使用3D點云，準確估計出模擬訓練中的環境狀態與無人機四旋翼狀態。

由于模擬訓練沒有時間限制，“專家控制器”可以更充分地自行訓練端到端策略。

控制器還用到了Metropolis-Hastings (M-H) 算法來計算軌跡的分布，獲得多模式導航方案。

在這個過程中，端到端策略訓練如下圖所示：

訓練完成的“專家控制器”，將會去教授現實中無人機上的“學生控制器”（student controller）。

“學生控制器”在跟隨“專家控制器”飛行時，使用的傳感器輸入均做了抽象化處理，以此來模擬現實世界中不精確的環境數據。

傳感器輸入的現實圖像數據，會被抽象處理成與模擬環境一致的數據，以此來完成訓練軌跡在現實中的映射。

在雪地、脫軌火車、廢墟、茂密植被和倒塌的建筑物等場景下，無人機已經實現了自主穿越。

針對運動模糊、傳感器噪聲和其他感知偽影等情況，無人機同樣可以輕松處理。

能征服森林的無人機，也有它的“禁區”

當然了，目前這款無人機的性能還稱不上完美無缺。

模擬系統無法完全照搬到真實世界，現實中總會出現一些模擬不了的意外事件。

比如在低照明及其他影響視覺的環境條件下，相機感知會受到限制。像是霧霾天氣、有透明或反光表面存在的情況，無人機便無法準確避障飛行。

專家控制器的訓練不包括動態障礙物躲避，所以高速移動的物體仍然會是無人機的一大威脅因素。

針對性能的優化，研究人員指出：

只需要使用事件相機代替傳統相機，這些視覺方面的受限因素均可以被克服。

能夠更快處理環境信息的傳感器，將會是未來高速無人機的配置方向。

同時，相關專家也提到，現實世界也將可能成為訓練無人機的場所。

隨著傳感器功能和計算機能力的提升，無人機在更復雜環境中的飛行速度，很快能超過40公里/小時。