TU Delft च्या संशोधकांनी MonoRace ची पद्धत 14 ऑक्टोबर 2026 रोजी Science Robotics मध्ये प्रकाशित केली. पेपरमध्ये स्पष्ट केलेला निकाल आधीचा आहे: ड्रोनने एप्रिल 2025 मध्ये Abu Dhabi Autonomous Drone Racing Competition जिंकली. एक पुढे पाहणारा कॅमेरा, इनर्शियल मेजरमेंट युनिट (IMU) आणि लहान ऑनबोर्ड नियंत्रण नेटवर्क रेसच्या वेगाने एकत्र कसे काम करत होते, याचे पेपरमध्ये तपशीलवार वर्णन आहे.

21 जानेवारी 2026 रोजी सादर केलेल्या लेखकांच्या सहज उपलब्ध प्रीप्रिंटमध्ये इतर स्वायत्त संघांवर आणि तीन मानवी विश्वविजेत्यांवर नॉकआउट स्पर्धेत मिळवलेल्या विजयांची नोंद आहे. बाह्य हालचाल-ट्रॅकिंगशिवाय MonoRace स्पर्धेच्या ट्रॅकवर 100 km/h पर्यंत पोहोचले, असे त्यात म्हटले आहे. TU Delft च्या कॅम्पस प्रकाशनाने एप्रिल 2025 मध्ये विजयाची बातमी दिली. BIG CHANGE ने ही प्रणाली तपासलेली नाही.

मुख्य बदल

  • काय बदलले: ऑक्टोबर 2026 चा पेपर स्पष्ट करतो की धडक किंवा दुरुस्तीनंतर संघाने ऑनबोर्ड उड्डाण-प्रतिमा आणि गेटचे ज्ञात आकार वापरून MonoRace कॅमेऱ्याचे संरेखन पुन्हा कसे जुळवले—बाह्य हालचाल-ट्रॅकिंगशिवाय.
  • हे महत्त्वाचे का: अनेक विमानांचे मूल्यमापन करणाऱ्या ड्रोन-रेसिंग संघांनी टक्कर टाळण्याच्या क्षमतेचे स्वतंत्र मूल्यमापन करणे आवश्यक आहे. ही क्षमता नसल्यामुळे MonoRace अनेक-ड्रोन स्पर्धेत तिसरे आले, जरी त्याने एकेरी आणि मानवांविरुद्धच्या शर्यती जिंकल्या.
  • कशाकडे लक्ष द्यावे: चिन्हांकित मार्गावरील निकाल ट्रॅकबाहेरील विश्वासार्हता, सर्वसाधारण वापराचे नेव्हिगेशन, प्रत्यक्ष वापरातील सुरक्षितता, व्यावसायिक उपलब्धता किंवा इतर रोबोटमध्ये हस्तांतरण सिद्ध करत नाहीत.

गेटच्या प्रतिमेपासून मोटरच्या आदेशापर्यंत

स्पर्धेतील ड्रोनने हालचाल मोजणाऱ्या IMU सोबत एक दृश्य कॅमेरा वापरला. रोलिंग-शटर कॅमेऱ्याने प्रतिमा ऑनबोर्ड संगणकाला पाठवल्या; तिथे न्यूरल नेटवर्कने रेसिंग गेट चिन्हांकित केले. त्यानंतर सॉफ्टवेअरने गेटचे कोपरे शोधले, अपेक्षित दृश्याशी त्यांची तुलना केली आणि दृश्य-आधारित स्थान-अंदाज IMU वाचनांसोबत स्टेट एस्टिमेटरमध्ये एकत्र केला. पेपरच्या पद्धतीनुसार, जोरदार हालचालींमुळे अॅक्सेलरोमीटर मापन-सीमेपलीकडे गेल्यावर ड्रोनच्या गतिकीचे मॉडेल एस्टिमेटरला मदत करत असे.

संशोधकांनी उड्डाण नोंदी वापरून फेऱ्यांमधील कॅलिब्रेशनही सुधारले. ज्ञात आकार आणि मापाचे गेट कॅमेरा प्रतिमेत कुठे दिसायला हवे याची तुलना सेगमेंटेशन प्रणालीने ते कुठे शोधले याच्याशी केली. दुरुस्ती किंवा धडकेनंतर ड्रोनच्या संदर्भात कॅमेऱ्याचे स्थान आणि कोन अधिक अचूक करण्यासाठी हा ऑफलाइन बदल विशेषतः उपयुक्त होता. यात रेसिंग गेटची माहिती वापरली आणि बाह्य हालचाल-ट्रॅकिंगची गरज पडली नाही.

अंदाजित स्थिती फ्लाइट कंट्रोलरवरील लहान न्यूरल मार्गदर्शन-आणि-नियंत्रण नेटवर्ककडे पाठवली जात असे. सिम्युलेशनमध्ये प्रशिक्षित नेटवर्क स्वतंत्र अंतर्गत नियंत्रण-लूप टाळून थेट मोटरना प्रति सेकंद 500 वेळा आदेश पाठवत असे. कॅमेऱ्याच्या प्रतिमांवर ऑनबोर्ड NVIDIA Jetson Orin NX मध्ये प्रक्रिया होत असे; 500 Hz नेटवर्क फ्लाइट कंट्रोलरवर चालत असे. प्रतिमा-प्रोसेसर आणि 500 Hz मोटर-कंट्रोलर ही वेगवेगळी ऑनबोर्ड हार्डवेअर साधने होती.

रेस काय सिद्ध करते

संशोधकांच्या मते MonoRace ने 2025 मध्ये वैयक्तिक Grand Challenge आणि AI विरुद्ध मानव नॉकआउट स्पर्धा जिंकली. अनेक-ड्रोन रेसमध्ये टक्कर टाळण्याची क्षमता नसताना तिसरे स्थान मिळाल्याची नोंदही पेपरमध्ये आहे. दाखवलेला निकाल म्हणजे स्पर्धेच्या परिस्थितीत ज्ञात गेट-मार्गाभोवती वेगाने उड्डाण; सर्व संवेदन आणि नियंत्रण ऑनबोर्ड होते आणि बाह्य हालचाल-ट्रॅकिंग नव्हते. पेपर सर्वसाधारण वापराचे नेव्हिगेशन, प्रत्यक्ष वापरातील सुरक्षिततेची नोंद, व्यावसायिक उपलब्धता किंवा इतर प्रकारच्या रोबोटमध्ये हस्तांतरण सिद्ध करत नाही.

यापूर्वीची Swift प्रणाली रेसदरम्यान ऑनबोर्ड संवेदक वापरून घरातील मार्गावर मानवी विजेते पायलट हरवत असे. तिच्या विकासातील संशोधनात स्टिरिओ दृश्य-जडत्वीय संवेदन आणि मोशन-कॅप्चर डेटा वापरला गेला. MonoRace ची नोंदवलेली प्रगती म्हणजे एका दृश्य कॅमेऱ्यासह ऑनबोर्ड IMU, गेट-आधारित एस्टिमेटर आणि थेट मोटर कंट्रोलर वापरून मिळवलेला स्पर्धेतील निकाल. अभ्यासांत वेगवेगळे ट्रॅक आणि स्पर्धा होत्या, त्यामुळे त्यांच्या वेळांची तुलना करून कोणती प्रणाली वेगवान आहे हे थेट ठरत नाही.

स्रोत आणि पुढील वाचन