Un drone autonome s’éloigne des pilotes

Des chercheurs de l’Université de Zurich ont développé un logiciel qui permet de diriger un quadricoptère sur un parcours de course de drones plus rapidement que les pilotes humains professionnels. C’est la première fois qu’un drone autonome bat des pilotes humains au niveau d’un championnat du monde. Lors d’une compétition internationale il y a quatre ans – l’AlphaPilot Challenge – les meilleurs systèmes autonomes nécessitaient environ deux fois plus de temps que leurs concurrents humains. L’équipe dirigée par Elia Kaufmann de l’Université de Zurich a présenté les détails techniques du système baptisé “Swift” désormais dans “Nature”. Swift a affronté un pilote humain sur un parcours de 75 mètres comportant sept portes carrées. Les trois pilotes humains, qui avaient auparavant été autorisés à s’entraîner sur la piste de course pendant une semaine, ont remporté dix courses sur un total de 25.

Publicité

Dans les courses de drones, les pilotes contrôlent leurs machines équipées de caméras à la première personne. Ce faisant, ils doivent franchir des portes sur un circuit fixe – et peuvent atteindre une vitesse allant jusqu’à 100 km/h. Des chercheurs de l’Université de Zurich dirigés par Davide Scaramuzza, dans le laboratoire duquel Kaufman a également travaillé, ont déjà fait voler des drones à grande vitesse à travers des forêts. Mais les avions n’étaient que deux fois moins rapides.

Gardez un œil sur le prochain objectif

Le système Swift se compose de deux composants : une partie du logiciel est chargée de déterminer la position et la vitesse du drone ainsi que la position des portes à partir des données de la caméra du drone et des signaux des capteurs d’accélération. Une deuxième partie logicielle dérive les prochaines commandes de contrôle à partir de la position et de la vitesse. Cette partie du logiciel a été préalablement entraînée dans une simulation – à l’aide de l’apprentissage par renforcement. Le logiciel exécute des séquences de contrôle – initialement sélectionnées de manière purement aléatoire – et apprend finalement par essais et erreurs comment faire voler le drone à travers la porte la plus proche le plus rapidement possible, tout en gardant un œil sur la porte après la suivante ainsi que possible.

Apprentissage par renforcement s’est avéré être un outil très efficace, notamment dans les jeux informatiques. Cependant, l’agent logiciel à former doit très souvent jouer au jeu pour être appris dans une simulation. Cependant, les simulations diffèrent des environnements réels. En d’autres termes, un logiciel formé pour piloter un drone dans une simulation échoue souvent dans la réalité car les données des capteurs sont bruitées et incomplètes, et la simulation ne considère le comportement de vol du drone que sous une forme idéalisée.

Kaufmann et ses collègues ont résolu ce problème en façonnant le drone sur la piste de course avant l’entraînement avec des caméras de capture de mouvement, puis en évaluant ces données avec les données des capteurs du drone. À partir de l’évaluation combinée, les chercheurs ont pu dériver un modèle du comportement sonore des données des capteurs. Ils ont ensuite utilisé les données de position, désormais artificiellement rendues moins précises, dans la simulation pour entraîner le logiciel de contrôle. Aussi élégante que soit la technique, c’est aussi sa plus grande limite. Parce que cela dépend de l’itinéraire spécifique et du drone utilisé. Pour pouvoir l’adapter à d’autres circonstances, il faudrait laisser l’analyse et la formation se dérouler dans des conditions très différentes.

Publicité

(wst)