لقد هزم الذكاء الاصطناعي مرة أخرى البطل البشري
هذه المرة في مجال سباق الطائرات بدون طيار.
قام فريق بقيادة الدكتور إيليا كوفمان من مجموعة الروبوتات والإدراك في جامعة زيورخ وفريق إنتل بتصميم نظام قيادة ذاتي يسمى سويفت، والذي يمكنه قيادة الطائرات بدون طيار بشكل أفضل من المنافسين البشر في مباريات البطولة واحد على واحد.
وقد تم نشر هذا البحث الرائد مؤخراً كمقالة رئيسية في العدد الأخير من مجلة Nature.
في مقالة إخبارية وآراء نُشرت في نفس الوقت في مجلة Nature، كتب جويدو دي كرون، أستاذ في معهد التكنولوجيا بجامعة دلفت للتكنولوجيا، "إن بحث كوفمان وآخرين هو مثال جيد لكيفية تمكن علماء الروبوتات من التغلب على الفجوات في العالم الحقيقي. وعلى الرغم من تدريب سويفت باستخدام مزيج ذكي من تقنيات التعلم بالذكاء الاصطناعي وخوارزميات الهندسة التقليدية، فيجب تطوير النظام بشكل أكبر في بيئة أكثر واقعية وتنوعًا لإطلاق العنان لإمكانات هذه التكنولوجيا بالكامل".
ومع ذلك، أشار فريق البحث إلى أن الدراسة تمثل علامة فارقة في مجال الروبوتات المتنقلة والذكاء الآلي، أو قد تلهم نشر حلول تعتمد على التعلم المختلط في أنظمة مادية أخرى، مثل المركبات الأرضية ذاتية القيادة، والمركبات الطائرة، والروبوتات الشخصية.
التدريب الذكي يجمع بين الذكاء الاصطناعي وخوارزميات الهندسة وفي الوقت الحاضر، تفوقت أنظمة الذكاء الاصطناعي القائمة على التعلم التعزيزي العميق على الأبطال البشريين في ألعاب مثل ألعاب أتاري، والشطرنج، وستار كرافت، وغران توريزمو، ولكن كل هذه الإنجازات حدثت في بيئات افتراضية، وليس في العالم الحقيقي.
تشكل سباقات الطائرات بدون طيار تحديًا للطيارين المتمرسين والذكاء الاصطناعي، ولكنها أكثر تحديًا للذكاء الاصطناعي. في البيئات الافتراضية، تكون الموارد بلا حدود تقريبًا، لكن التحول إلى العالم الحقيقي يعني الاضطرار إلى استخدام موارد محدودة. وينطبق هذا بشكل خاص على الطائرات بدون طيار، حيث يجب حمل أجهزة الاستشعار ومعدات الحوسبة التي تحل محل الطيارين البشريين في الهواء.
وعلاوة على ذلك، فإن العالم الحقيقي أقل قابلية للتنبؤ من العالم الافتراضي. ففي حين يمكن لطائرة بدون طيار محاكاة أن تتبع مسارًا مبرمجًا مسبقًا بشكل مثالي، فإن الأمر الواحد لطائرة بدون طيار في العالم الحقيقي يمكن أن يكون له تأثيرات متعددة، مع عواقب لا يمكن التنبؤ بها، وخاصة بالنسبة للطائرات بدون طيار المدربة بواسطة الذكاء الاصطناعي.
إن طرق التعلم التقليدية الشاملة من الصعب أن تنقل الخرائط من البيئات الافتراضية إلى العالم الحقيقي، حيث أن هناك فجوة حقيقية بين الاثنين، وهذه الفجوة الحقيقية تشكل أحد التحديات الرئيسية في مجال الروبوتات.
في هذه الدراسة، نجح نظام سويفت في تحقيق تدريب ذكي من خلال دمج تقنية التعلم بالذكاء الاصطناعي مع خوارزميات الهندسة التقليدية. أولاً، يعالج النظام الصور الملتقطة بواسطة كاميرا الطائرة بدون طيار باستخدام شبكة عصبية للكشف بدقة عن زاوية الباب. ثم يستخدم برنامج الرؤية الثنائية لحساب سرعة الطائرة بدون طيار.
الجانب المبتكر لنظام سويفت هو شبكة عصبية اصطناعية أخرى تقوم بربط حالة الطائرة بدون طيار بأوامر لضبط الدفع ومعدل الدوران. وهي تستخدم التعلم التعزيزي لتحسين المكافآت التي يتم الحصول عليها من البيئة من خلال عملية التجربة والخطأ في المحاكاة. في هذه الخوارزمية، يستخدم النظام التعلم التعزيزي، بدلاً من التعلم الشامل، مما يمكنه من سد الفجوة بين الواقع والمحاكاة من خلال المفاهيم المجردة.
نظرًا لأن ترميز الحالة له مستوى تجريدي أعلى من الصورة الأصلية، فإن محاكي التعلم التعزيزي لم يعد بحاجة إلى بيئة بصرية معقدة. يقلل هذا التحسين من الاختلاف بين نظام المحاكاة والنظام الحقيقي ويحسن سرعة المحاكاة، مما يتيح للنظام إكمال التعلم في حوالي 50 دقيقة.
وفقًا للورقة البحثية، يتكون Swift من وحدتين رئيسيتين: سياسة المراقبة وسياسة التحكم. تتكون سياسة المراقبة من مقدر بالقصور الذاتي البصري وكاشف باب يمكنه تحويل المعلومات البصرية والقصور الذاتي عالية الأبعاد إلى ترميز منخفض الأبعاد خاص بالمهمة؛ يتم تمثيل سياسة التحكم بواسطة مُدرك ثنائي الطبقة يمكنه قبول الترميز منخفض الأبعاد وتحويله إلى أوامر للطائرات بدون طيار.
تجاوز سرعة وأداء الطيارين البشريين تم تصميم مضمار السباق لهذه المسابقة من قبل طيار FPV (عرض الشخص الأول) من الطراز العالمي من خارج المنظمة. يتضمن المضمار سبعة بوابات مربعة مرتبة في مساحة 30 × 30 × 8 أمتار، لتشكل مسارًا بطول 75 مترًا.
علاوة على ذلك، يتميز المسار بمناورات مميزة وتحديات، بما في ذلك Split-S. حتى لو حدث تصادم، طالما أن الطائرة بدون طيار يمكنها الاستمرار في الطيران، فلا يزال بإمكان الطيار مواصلة السباق. إذا حدث تصادم وفشلت الطائرتان بدون طيار في إكمال المسار، فإن الطائرة بدون طيار الأبعد عن خط النهاية تفوز.
تنافس سويفت في سباقات متعددة مع أليكس فانوفر (بطل العالم في سباقات الطائرات بدون طيار لعام 2019)، وتوماس بيتماتا (بطل MultiGP لعام 2019)، ومارفن شايبر (بطل سويسرا 3 مرات) من بين آخرين.
على وجه الخصوص، فاز سويفت في 5 من أصل 9 سباقات ضد A. Vanover، و4 من أصل 7 سباقات ضد T. Bitmatta، و6 من أصل 9 سباقات ضد M. Schaepper.
بالإضافة إلى ذلك، تكبد سويفت 10 خسائر، 40% منها ناجمة عن الاصطدام بالخصوم، و40% ناجمة عن الاصطدام بالبوابات، و20% ناجمة عن الطيران بسرعة أبطأ من الطيارين البشر.
بشكل عام، فاز سويفت بأغلب السباقات ضد كل طيار بشري. علاوة على ذلك، حقق سويفت أسرع وقت قياسي في السباق، متغلبًا على أفضل أداء لطيار بشري لـ A. Vanover بنصف ثانية. يمكن ملاحظة ذلك من تحليل البيانات أن سويفت أسرع بشكل عام من جميع الطيارين البشر، وخاصة في الأجزاء الحرجة مثل الإقلاع والانعطافات الطارئة. وقت رد فعل سويفت للإقلاع أقصر، في المتوسط 120 مللي ثانية قبل الطيارين البشر. علاوة على ذلك، يتمتع سويفت بتسارع أكبر، حيث يصل إلى سرعة أعلى عند البوابة الأولى.
بالإضافة إلى ذلك، تظهر الطائرة سويفت إجراءات مناورة أكثر صرامة أثناء المنعطفات الحادة، وقد يكون ذلك لأنها تعمل على تحسين مسارها على مدى زمني أطول. من ناحية أخرى، يميل الطيارون البشر إلى التخطيط للإجراءات على مدى زمني أقصر، مع مراعاة موقع البوابة التالية على الأكثر.
بالإضافة إلى ذلك، حقق سويفت أعلى متوسط سرعة إجماليًا على المضمار، ووجد أقصر مسار للسباق، ونجح في إبقاء الطائرة تحلق بالقرب من الحد الأقصى. وفي تجربة الوقت، تمت مقارنة سويفت بأبطال بشريين، وأظهرت الطائرة بدون طيار ذاتية التشغيل أوقات لفة أعلى باستمرار، مع قيم متوسطة وتباينات أقل، بينما تباين أداء الطيارين البشر بشكل أكثر فردية، مع قيم متوسطة وتباينات أعلى.
يشير التحليل الشامل إلى أن الطائرة بدون طيار Swift قد أظهرت أداءً ممتازًا في المنافسة، ليس فقط من حيث السرعة، ولكن أيضًا من حيث استراتيجيات الطيران الفريدة التي تمكنها من الحفاظ على مستوى عالٍ من الأداء طوال المنافسة.
لا يتعلق الأمر فقط بسباقات الطائرات بدون طيار تستكشف هذه الدراسة سباقات الطائرات بدون طيار المستقلة بناءً على مدخلات الاستشعار الصاخبة وغير المكتملة من البيئة المادية، مما يدل على أن النظام المادي المستقل حقق أداءً على مستوى البطولة في السباق، وفي بعض الأحيان تجاوز بطل العالم في العالم البشري، مما يسلط الضوء على المعنى المهم لتحقيق الروبوتات لأداء على مستوى بطولة العالم في الرياضات الشعبية، وتحقيق معلم مهم في مجال الروبوتات والذكاء الاصطناعي.
ولكن النظام في الدراسة لم يتم تدريبه على التعافي بعد الاصطدامات، مما حد من قدرته على مواصلة الطيران بعد الاصطدام، في حين يمكن للطيارين البشر مواصلة المنافسة حتى مع وجود أضرار في الأجهزة.
وعلاوة على ذلك، بالمقارنة مع الطيارين البشر، فإن نظام سويفت لديه قدرة أضعف على التكيف مع التغيرات البيئية ويستخدم كاميرات ذات معدل تحديث أقل؛ وعلى الرغم من أن الطريقة تعمل بشكل ممتاز في سباقات الطائرات بدون طيار المستقلة، إلا أن قدرتها على التعميم في أنظمة وبيئات حقيقية أخرى لم يتم استكشافها بالكامل.
ومن الواضح أن إنجازات كوفمان وفريقه لا تقتصر على مجال سباق الطائرات بدون طيار، فقد تجد هذه التكنولوجيا مكانها في التطبيقات العسكرية.
وعلاوة على ذلك، يمكن لتكنولوجيتهم أن تجعل الطائرات بدون طيار أكثر استقرارًا وسرعة وأطول مدى، مما يساعد الروبوتات على الاستفادة بشكل أكثر فعالية من الموارد المحدودة في القيادة والتنظيف والتفتيش، وما إلى ذلك. ولكن لتحقيق هذه الأهداف، لا يزال فريق البحث بحاجة إلى التغلب على العديد من التحديات. وكما علق كرون في مقالته المراجعة، "من أجل التغلب على الطيارين البشريين في أي بيئة سباق، يجب أن يكون النظام قادرًا على التعامل مع الاضطرابات الخارجية مثل الرياح وظروف الإضاءة المتغيرة ونقاط الدخول والخروج غير المحددة جيدًا وطائرات السباق الأخرى والعديد من العوامل الأخرى".
