“J’étais si proche du drone autonome que je pouvais sentir ses turbulences en essayant de ne pas le lâcher”, a déclaré Alex Vanover dans l’étude, l’un des trois champions de la discipline recrutés par le Groupe de robotique et perception à l’Université de Zurich pour affronter leur champion.
La course s’est déroulée sur un circuit de 75 mètres composé de sept portes, de grands cadres bleus à franchir dans un certain ordre, et sur trois tours. Avec des machines atteignant facilement 100 km/heure et des accélérations qui laisseraient loin derrière une F1, tout en négociant des virages à 180 degrés.
Équipés d’un casque transmettant les images de leur drone pour le pilotage, les trois hommes, dont un ancien champion du monde de la Drone racing league, ont eu une semaine pour s’entraîner.
Le drone autonome a remporté la majorité de ses courses contre chacun d’entre eux et a effectué le tour le plus rapide du circuit. C’est la première fois qu’un robot autonome mobile atteint une performance au niveau d’un champion du monde dans un sport de compétition dans le monde réel, selon l’étude.
Des drones avaient déjà atteint un niveau “expert”, mais avec l’aide d’un système extérieur de capture de mouvement optimisant leur trajectoire. Un avantage “injuste” pour l’équipe de Zurich qui présente Swift, un système entièrement autonome embarquant ses seuls capteurs et sa puissance de calcul à bord du drone.
“Swift corrige sa course en temps réel, en envoyant 100 nouvelles commandes par seconde au drone”, explique Elia Kaufmann, premier auteur de l’étude.
Le secret de Swift repose sur une technique d’apprentissage par renforcement profond, qui combine le traitement d’un très grand nombre de données à l’observation de règles récompensant les progrès de la machine.
Éviter un crash
Le système a testé des millions de trajectoires combinant la perception de son environnement et sa progression vers la porte suivante. Cela a été une simulation accélérée : “Swift s’est entraîné sur l’équivalent d’environ un mois de temps réel, mais en une heure sur un ordinateur de bureau”, a déclaré M. Kaufmann.
Cette méthode d’apprentissage est au cœur de programmes capables d’affronter un maître du jeu de Go ou d’échecs, ou encore un pro de jeux vidéo tels que StarCraft ou Gran Turismo. Mais hors du monde virtuel, l’humain restait jusqu’à présent maître de la course.
La machine bénéficie d’avantages inhérents, comme une centrale inertielle embarquée qui lui restitue des informations telles que l’accélération, que le pilote humain ne peut ressentir sans embarquer sur son drone. Un autre avantage est un temps de réaction cinq fois plus rapide à une commande que celui reçu par un cerveau humain.
À ce stade, l’humain conserve un avantage dans un environnement dégradé, avec par exemple des changements d’éclairage que Swift pourrait avoir du mal à prendre en compte. L’humain tient également compte de son avance éventuelle sur son adversaire pour ralentir un peu afin d’éviter un crash. La machine, quant à elle, va toujours à fond “en prenant potentiellement trop de risques tout en étant en tête”, remarque l’étude.
L’impact de ces travaux s’étend au-delà des courses de drones, remarque Guido de Croon, expert du sujet et professeur à l’Université technologique néerlandaise de Delft, dans un commentaire accompagnant l’étude dans Nature.
Les avancées dans ce domaine intéressent au plus haut point les militaires, selon lui, mais “ont une étendue d’applications beaucoup plus larges”. Elles facilitent des “missions plus fluides, rapides et de plus grande autonomie”.
Pour Elia Kaufmann, qui travaille aujourd’hui comme ingénieur dans une société de drones destinés à l’industrie, l’enjeu est de répondre à “une faiblesse inhérente aux drones autonomes : une autonomie de vol très limitée”.
L’approche retenue avec Swift, qui permet de replanifier des actions en temps réel sans besoin de recalculer une trajectoire, permettrait ainsi une navigation plus efficace, et donc plus économe en énergie.
#drone #piloté #par #intelligence #artificielle #bat #pour #première #fois #des #champions #humains
publish_date] pt]
