Наблюдение за тем, как насекомое многократно сталкивается с обычным оконным стеклом, не обязательно свидетельствует о его ошибках в действиях. Весьма вероятно, что перед вами находится миниатюрный робот, оснащенный интеллектуальной системой управления на базе искусственного интеллекта, находящейся в режиме самообучения. Возникает вопрос: каким образом обучить беспилотный летательный аппарат (БПЛА) следовать заданному маршруту и избегать препятствий? Возможно ли обеспечить эффективную навигацию внутри помещений без использования цифровых 3D-карт? Для решения данной задачи применяются различные технологии, включая имитационное обучение. В рамках этого метода «наставник» корректирует действия аппарата при выполнении различных траекторий, пока БПЛА не освоит маршруты полностью.

Однако данный подход ограничен объемом входных данных, так как сопровождение со стороны учителя не может быть бесконечным. В связи с этим в последние годы наблюдается стремительное развитие систем машинного обучения без учителя (self-supervised learning).

Они отлично проявили себя в ряде задач: навигация, хватание предметов (в робототехнике) и задачах «толкать/тянуть» (интуитивная физика). Но способна ли системы самообучения освоить такую сложную задачу как навигация внутри помещений — и преодолеть ограничения имитационного обучения?

Предыдущие исследования показали, что такие системы действительно способны обучаться без учителя в симуляторе, а обученные знания можно переносить в реальный мир. Но на практике более актуален другой вопрос: работает ли самообучение в реальном мире в произвольном помещении, без симулятора и предварительно составленной карты? Ведь именно с такой задачей столкнётся каждый из нас, когда купит робота и привезёт его домой. Тот должен самостоятельно изучить обстановку и начать ориентироваться в любом доме (предварительно лучше убрать из комнат все хрупкие предметы и самому тоже спрятаться).

Исследователи из Университета Карнеги-Меллона (США) поставили максимально сложную задачу, поместив квадрокоптер с нейросетью для самообучения в максимально затруднённое для навигации помещение с большим количеством комнат и мебели. Авторы подчёркивают, что в других исследованиях стараются упростить окружение во избежание столкновений. Они же, наоборот, хотели подтолкнуть БПЛА к максимальному количеству столкновений и аварий, чтобы робот учился именно на этом опыте. Учёные спроектировали систему самообучения, которая учитывает этот отрицательный опыт, а также положительный опыт успешного полёта по траекториям.

Квадрокоптер AR Drone 2.0 под управлением системы машинного обучения прошёл испытания в 20 помещениях дома — и в результате научился эффективно избегать столкновений в каждом из этих помещений. Срок обучения — 40 лётных часов. Исследователи говорят, что стоимость деталей дрона небольшая, и их легко заменить, так что вероятностью катастрофических аварий можно было пренебречь.

Все столкновения были совершенно случайными. БПЛА помещали в произвольную точку пространства — и он летел в случайном направлении. После аварии он возвращался в начальную точку — и снова летел в случайном направлении, пока опять куда-нибудь не врезался.

Группы положительного и отрицательного опыта передавались в качестве входных данных в нейронную сеть, которая научилась делать предсказания, приведёт ли конкретный положительный опыт из текущей траектории к появлению отрицательного опыта из выборки со столкновениями. То есть нейросеть стала предсказывать, куда нужно лететь.

Схема нейронной сети показана на иллюстрации ниже. Веса свёрточных слоёв (серым цветом) рассчитаны заранее по классификации ImageNet, а вот в соединённых слоях (оранжевым) веса выбирались случайно, а наиболее оптимальные значения усваивались в процессе самообучения, полностью на основании данных об авариях. На иллюстрации показаны входные данные — кадры с камеры (слева) и выходные данные нейросети (решение лететь прямо, поворачивать налево или направо).

На следующей схеме показан испытательный полигон — четырёхэтажный дом, где происходило самообучение беспилотника.

На выходе получилась на удивление эффективная система навигации для беспилотников. Достаточно простой подход к самообучению очень эффективен именно для помещений с большим количеством препятствий, в том числе с движущимися препятствиями, такими как люди.

Сравнительное тестирование показало, что эта система навигации в 2-10 раз эффективнее, чем системы самообучения с монокулярной оценкой расстояния. Особенно разница проявляется рядом со стеклянными стенами и стенами без опознавательных знаков, которые традиционно осложняют работу последних.

Научная работа опубликована 19 апреля 2017 года на сайте препринтов arXiv.org (arXiv:1704.05588v2).

Для любознательных

Современные технологии быстро развиваются, и сегодня уже не фантастика — беспилотник, способный самостоятельно летать в помещении, ориентируясь без GPS и человеческого управления. Такие дроны могут использоваться на складах, в промышленных цехах, для инспекции помещений или даже в поисково-спасательных операциях. Но как же научить квадрокоптер «видеть» и «думать» внутри здания?

Почему GPS не работает внутри помещений

Сигналы спутниковой навигации слишком слабы, чтобы проникать сквозь стены и перекрытия. Поэтому дрон, запущенный в помещении, не может определить своё местоположение с помощью GPS. Вместо этого он должен полагаться на локальные источники данных, такие как визуальные ориентиры, инфракрасные датчики или ультразвук.

Как работает ИИ в навигации дрона

Исследователи из Японии разработали алгоритм машинного зрения, позволяющий дрону автономно ориентироваться в помещении. Главная «хитрость» — использование одной камеры, направленной вниз, и распознавание контрольных точек на кафельном полу.

Камера с низким разрешением (всего 80×80 пикселей) делает снимки пола, а алгоритм обрабатывает их, преобразуя в чёрно-белую сетку. По изменению положения линий плитки дрон определяет своё движение вдоль осей X и Y, а также угол поворота. Это позволяет ему строить траекторию и избегать столкновений со стенами.

Преимущества такой системы

• Низкая стоимость: используется недорогая камера и микропроцессор, например, Raspberry Pi 3.
• Малый вес: система не требует тяжёлых лазерных дальномеров.
• Простота обработки: алгоритм работает быстро, что критично для реального времени.

Ограничения технологии

На данный момент система работает только на поверхностях с чёткой структурой, например, на кафельном полу с предсказуемым узором. На ковре, линолеуме без рисунка или деревянном полу алгоритм может «потеряться».

Перспективы развития

Учёные уже рассматривают следующие шаги:

• Использование инфракрасных камер — для полётов в полной темноте.
• Добавление второй камеры — для определения высоты и объёмной навигации.
• Адаптация под разные типы покрытий — с помощью более сложных нейросетей.

Где это может применяться?

• Склады и логистические центры: дроны могут автоматически проверять наличие товаров, сканировать штрих-коды.
• Промышленные объекты: осмотр труб, вентиляции, потолков без привлечения людей.
• Поиск и спасение: в задымлённых или заваленных помещениях, где опасно находиться человеку.

Как обучить дрон: пошагово

1. Выберите платформу — например, лёгкий дрон с возможностью подключения камеры и микрокомпьютера.
2. Установите камеру, направленную вниз.
3. Загрузите алгоритм обработки изображений — можно использовать OpenCV и нейросетевые модели (например, YOLO или CNN).
4. Настройте алгоритм распознавания узлов — углов плитки, линий швов.
5. Реализуйте систему управления движением — чтобы дрон мог корректировать курс на основе анализа.
6. Протестируйте в контролируемой среде — начните с простого кафельного пола.

Прототипы квадрокоптеров с ИИ для полётов внутри помещений (на 2026 год)

На сегодняшний день технологии автономных дронов, способных летать внутри зданий без GPS, вышли за пределы лабораторий и активно внедряются в промышленность и логистику. Ниже — обзор реальных прототипов и коммерческих решений, существующих на настоящее время.

1. NTRobotics (Россия)

Российская компания NTRobotics разработала коммерческий квадрокоптер, способный автономно летать в трёхмерном пространстве только за счёт компьютерного зрения.

• Особенности:
  • Не использует GPS, лидары или внешние маяки.
  • Ориентируется по визуальным данным с высокочувствительных камер.
  • Может летать как при дневном свете, так и в полной темноте.
  • Время автономного полёта — до 20 минут.
  • На борту — навигационные и инспекционные камеры.
• Применение:
  • Инспекция промышленных объектов.
  • Мониторинг складов.
  • Поиск утечек, повреждений в труднодоступных местах.
• Демонстрация:
  В 2021 году губернатор Томской области запустил дрон в демонстрационный полёт, что подтвердило работоспособность технологии.

На 2026 год NTRobotics продолжает развивать линейку дронов для промышленного применения, включая модификации для работы в агрессивных средах (высокая влажность, задымление).

2. Exyn Technologies (США)

Стартап Exyn Technologies, основанный ветераном робототехники Виджаем Кумаром, создал ИИ, позволяющий дронам автономно перемещаться в сложных внутренних пространствах.

• Особенности:
  • Использует мультисенсорную систему (камеры, лидар, инерциальные датчики).
  • Строит 3D-карту в реальном времени.
  • Работает без предварительного картографирования.
  • Может облетать людей и динамические препятствия.
• Пример работы:
  Дрон получает команду: «Найди ближайшую дверь». Он стартует, строит карту офиса, планирует маршрут и пролетает к цели без вмешательства оператора.
• Применение:
  • Осмотр шахт и подземных рудников.
  • Мониторинг строящихся зданий.
  • Поисково-спасательные операции.

К 2026 году Exyn интегрирует свои решения в системы управления промышленными объектами, включая совместную работу нескольких дронов на одной площадке.

3. DJI + ИИ-модули (Китай / глобально)

Хотя стандартные дроны DJI изначально не автономны, компании по всему миру (включая российские стартапы) адаптируют их под задачи внутренней навигации, добавляя модули ИИ.

• Как это работает:
  • К дрону DJI M300 или Matrice 30 прикрепляется вычислительная платформа (например, NVIDIA Jetson).
  • Подключаются дополнительные камеры и датчики.
  • Загружается ИИ-алгоритм для SLAM (Simultaneous Localization and Mapping).
• Преимущества:
  • Надёжная платформа.
  • Долгое время полёта.
  • Возможность кастомизации.
• Применение:
  • Инспекция трубопроводов.
  • Контроль за строительством.
  • Осмотр вентиляционных шахт.

В 2026 году такие гибридные решения становятся стандартом в промышленной робототехнике — особенно там, где нужна высокая точность и грузоподъёмность.

4. Японские прототипы с камерой 80×80

Исследователи из Японии разработали мини-дрон с одной камерой, ориентирующийся по узорам на кафельном полу.

• Особенности:
  • Камера: 80×80 пикселей — минимальное разрешение для распознавания линий.
  • Процессор: Raspberry Pi 3 — лёгкий и недорогой.
  • Алгоритм: простая обработка изображения → чёрно-белая сетка → определение движения.
• Ограничения:
  • Работает только на поверхностях с чёткой структурой (плитка, решётка).
  • Не определяет высоту — только движение по X и Y.
• Перспективы:
  • Адаптация под инфракрасные камеры — для полётов в темноте.
  • Добавление второй камеры — для 3D-навигации.

Этот прототип — пример того, как можно создать дешёвый и эффективный дрон для массового использования, например, в умных складах.

Общие тенденции на 2026 год

1. Переход от GPS к визуальной навигации — основной тренд.
2. Упрощение «железа» — меньше датчиков, больше ИИ.
3. Снижение стоимости — автономные дроны становятся доступнее.
4. Работа в полной темноте — за счёт ИК-камер и нейросетей.
5. Коллаборация дронов — несколько устройств совместно картографируют и инспектируют объект.

Заключение

Сейчас уже существуют работающие прототипы и коммерческие решения, способные автономно летать внутри помещений. Они используют компьютерное зрение, ИИ и лёгкие вычислительные платформы, чтобы обходиться без GPS.

Будущее — за интеллектуальными, недорогими и универсальными дронами, которые смогут не только летать, но и понимать, что происходит вокруг.

Обучение квадрокоптера автономным полётам внутри помещения — это не просто техническая задача, а шаг к созданию умных роботов будущего. Благодаря ИИ и простым датчикам, даже недорогие дроны могут стать полезными помощниками в повседневной жизни.