时速40公里的无人机并不罕见
但是，以这个速度在森林里走来走去，你没见过“自己让自己散步”吗
即使是运动障碍物，速度比这个无人机慢也能避免。
这个自律障碍物回避无人机，是苏黎世大学和英特尔共同开发的。
具体来说，你可以看到立体深度相机，无人机自己会看到障碍物，并计划飞行轨迹。
通过更换各自性能的相机，可以自律地完成各自的任务。
例如，避免撞到的篮子。
1对1的无人机障碍物回避学习以往的无人机自律障碍物回避飞行，一般是信息处理-地图制作-路线计划等处理。
但由于搭载的芯片性能有限，如果信息处理延迟，无人机可能会撞上障碍物引发事故。
为了提高信息处理速度，将3个步骤合并为1个步骤，通过机器学习进行输入和输出的映射比较好。
具体来说，通过处理从传感器信息的输入到直接飞行轨迹的输出，可以比以往的方法更快地处理。
如上表所示，与传统的FastPlanner和Reactive路径规划方法相比，该算法的处理时间更短。Reactive的处理速度也很快，但高速飞行会降低性能。
那么，无人机如何将传感器的输出映射到飞行轨迹呢。
这里使用卷积网络进行模拟。
在模拟中的神经网络训练中使用了“专家控制器”，使用3D点云，正确地推定模拟中的环境状态和无人机的四角形转子的状态。
由于模拟没有时间限制，“专家控制器”可以更好地训练您的端到端策略。
并用metropolis-hastings（m-h）算法计算轨迹分布，实现了多模式导航。
此过程中的端到端战略培训如下图所示。
训练结束后的“专家控制器”会告诉你实际上无人机上搭载的“student controller”。
“学生控制器”通过抽象跟随“专家控制器”飞行时使用的传感器输入，模拟现实世界中不正确的环境数据。
通过根据模拟环境抽象处理从传感器输入的实际图像数据，将训练轨迹映射到实际。
在雪地上、脱轨的列车、废墟、茂密的植被、坍塌的建筑等场合，无人机也会自动移动。
无人机还可以轻松处理运动模糊、传感器噪声和其他敏感对象。
征服森林的无人机也有“圣域”，但目前性能还不能说是完美的。
模拟不能直接带入现实世界，现实中会发生预想之外的事情。
例如，在灯光低或影响视觉的环境下，相机的感知受到限制。如果有像雾霾一样透明的表面或反射光的表面，无人机将无法避开障碍物飞行。
专家控制器训练不包括动态避障，因此快速移动的物体仍然对无人机构成巨大威胁。
关于性能的优化，研究人员指出如下。
专家表示，现实世界也可能成为训练无人机的场所。
随着传感器功能和计算机能力的提高，无人机即使在更复杂的环境中，也能很快超过40公里的时速。
参考链接https：//spectrum.ieee.org/racing-dronehttps：//spectrum.ieee.org/ai-powered-drone-extreme-acrobaticshttps：//spectrum。ieee.org/event-camera-helps-drone-dodge-thrown-objects