TU Delft పరిశోధకులు MonoRace వెనుక ఉన్న పద్ధతిని Science Robotics లో 2026 అక్టోబర్ 14న ప్రచురించారు. ఆ పత్రం వివరించే ఫలితం మాత్రం అంతకుముందుది: 2025 ఏప్రిల్‌లో Abu Dhabi Autonomous Drone Racing Competitionలో డ్రోన్ గెలిచింది. ఒక ముందువైపు చూసే కెమెరా, inertial measurement unit (IMU), చిన్న ఆన్‌బోర్డ్ నియంత్రణ నెట్‌వర్క్ రేసింగ్ వేగంలో కలిసి ఎలా పనిచేశాయో పత్రం వివరిస్తుంది.

రచయితల రచయితలు అందుబాటులో ఉంచిన ప్రీప్రింట్ను 2026 జనవరి 21న సమర్పించారు; నాకౌట్ పోటీలో ఇతర స్వయంప్రతిపత్త జట్లను, ముగ్గురు మానవ ప్రపంచ ఛాంపియన్లను ఓడించినట్లు అది చెబుతుంది. బాహ్య చలన ట్రాకింగ్ లేకుండా పోటీ ట్రాక్‌పై MonoRace గంటకు 100 కిమీ వరకు చేరిందని కూడా పేర్కొంటుంది. TU Delft క్యాంపస్ ప్రచురణ ఈ విజయాన్ని నివేదించింది 2025 ఏప్రిల్‌లో. BIG CHANGE ఈ వ్యవస్థను పరీక్షించలేదు.

పెద్ద మార్పు

  • ఏం మారింది: ఢీకొనడం లేదా మరమ్మతుల తర్వాత బాహ్య చలన ట్రాకింగ్ లేకుండా, ఆన్‌బోర్డ్ విమాన చిత్రాలు, తెలిసిన గేట్ ఆకారాలతో MonoRace కెమెరా అమరికను జట్టు ఎలా మళ్లీ సర్దుబాటు చేసిందో 2026 అక్టోబర్ పత్రం వివరిస్తుంది.
  • ఇది ఎందుకు ముఖ్యం: అనేక విమాన పరికరాలను పరిశీలించే డ్రోన్ రేసింగ్ జట్లు ఢీకొనకుండా తప్పుకునే సామర్థ్యాన్ని విడిగా అంచనా వేయాలి. ఆ సామర్థ్యం లేకపోవడంతో, వ్యక్తిగత రేసు మరియు మానవులతో జరిగిన రేసు గెలిచినా, అనేక డ్రోన్ల ఈవెంట్‌లో MonoRace మూడో స్థానంలో నిలిచింది.
  • తర్వాత ఏమి గమనించాలి: గుర్తించిన ట్రాక్‌పై వచ్చిన ఫలితాలు ట్రాక్ వెలుపల విశ్వసనీయత, సాధారణ ప్రయోజనాల నావిగేషన్, వినియోగ భద్రత, వాణిజ్య లభ్యత లేదా ఇతర రోబోట్‌లకు బదిలీని నిరూపించవు.

గేట్ చిత్రంనుంచి మోటార్ ఆదేశం వరకు

పోటీ డ్రోన్ కదలికను కొలిచే IMUతో పాటు ఒక దృశ్య కెమెరాను ఉపయోగించింది. రోలింగ్-షట్టర్ కెమెరా చిత్రాలను ఆన్‌బోర్డ్ కంప్యూటర్‌కు పంపింది; అక్కడ న్యూరల్ నెట్‌వర్క్ రేసింగ్ గేట్లను గుర్తించింది. సాఫ్ట్‌వేర్ గేట్ మూలలను కనుగొని, ఊహించిన దృశ్యంతో పోల్చి, దృశ్య స్థానం అంచనాను IMU కొలతలతో స్థితి అంచనాకారిలో కలిపింది. కఠినమైన మలుపుల్లో యాక్సిలెరోమీటర్ కొలత పరిధి మించిపోయినప్పుడు డ్రోన్ డైనమిక్స్ నమూనా అంచనాకు సహాయపడింది, పత్రంలోని పద్ధతి ప్రకారం.

పరుగుల మధ్య కాలిబ్రేషన్ మెరుగుపరచడానికి పరిశోధకులు విమాన రికార్డింగులను కూడా ఉపయోగించారు. తెలిసిన ఆకారం, పరిమాణం గల గేట్లు కెమెరా చిత్రంలో ఎక్కడ కనిపించాలో, సెగ్మెంటేషన్ వ్యవస్థ వాటిని ఎక్కడ గుర్తించిందో పోల్చారు. మరమ్మతు లేదా ఢీకొనడం తర్వాత డ్రోన్‌తో పోలిస్తే కెమెరా స్థానం, కోణాన్ని సరిచేయడానికి ఈ ఆఫ్‌లైన్ సర్దుబాటు ప్రత్యేకంగా ఉపయోగపడింది. దీనికి రేసింగ్ గేట్ల సమాచారం అవసరమైంది, కానీ బాహ్య చలన ట్రాకింగ్ అవసరం లేదు.

అంచనా వేసిన స్థితిని ఫ్లైట్ కంట్రోలర్‌లోని చిన్న న్యూరల్ గైడెన్స్-అండ్-కంట్రోల్ నెట్‌వర్క్‌కు పంపారు. సిమ్యులేషన్‌లో శిక్షణ పొందిన అది, వేరే అంతర్గత నియంత్రణ లూప్‌ను దాటవేసి, సెకనుకు 500 నవీకరణల వేగంతో నేరుగా మోటార్లకు ఆదేశాలు ఇచ్చింది. కెమెరా చిత్రాలు ఆన్‌బోర్డ్ NVIDIA Jetson Orin NXలో ప్రాసెస్ అయ్యాయి; 500 Hz నెట్‌వర్క్ ఫ్లైట్ కంట్రోలర్‌పై నడిచింది. చిత్ర ప్రాసెసర్, 500 Hz మోటార్ కంట్రోలర్ వేర్వేరు ఆన్‌బోర్డ్ హార్డ్‌వేర్‌పై పనిచేశాయి.

రేసు ఏమి నిరూపిస్తుంది

పరిశోధకుల ప్రకారం, 2025లో MonoRace వ్యక్తిగత Grand Challengeను, AI-వర్సెస్-మానవ నాకౌట్ పోటీని గెలిచింది. ఢీకొనడం నివారించే సామర్థ్యం లేని బహుళ-డ్రోన్ రేసులో మూడో స్థానం కూడా పత్రంలో నమోదైంది. చూపిన ఫలితం పోటీ పరిస్థితుల్లో తెలిసిన గేట్ల ట్రాక్‌పై వేగవంతమైన విమానం; గ్రహణం, నియంత్రణ రెండూ ఆన్‌బోర్డ్‌లో జరిగాయి, బాహ్య చలన ట్రాకింగ్ లేదు. సాధారణ నావిగేషన్, వినియోగ భద్రతా రికార్డు, వాణిజ్య లభ్యత లేదా ఇతర రకాల రోబోట్‌లకు బదిలీని పత్రం నిరూపించదు.

ఇంతకుముందు వచ్చిన ఒక వ్యవస్థ, Swift, తన పోటీలలో ఆన్‌బోర్డ్ సెన్సింగ్‌తో ఇండోర్ ట్రాక్‌పై ఛాంపియన్ మానవ పైలట్లను ఓడించింది. దాని పరిశోధన అభివృద్ధి సమయంలో స్టీరియో దృశ్య-జడత్వ సెన్సింగ్, మోషన్-క్యాప్చర్ డేటాను ఉపయోగించింది. MonoRace నివేదించిన ముందడుగు ఒక దృశ్య కెమెరా, ఆన్‌బోర్డ్ IMUతో కూడిన పోటీ విజయం; దానికి గేట్-ఆధారిత అంచనాకారి, నేరుగా మోటార్ నియంత్రణ జతయ్యాయి. రెండు అధ్యయనాలు వేర్వేరు ట్రాక్‌లు, ఈవెంట్‌లను ఉపయోగించాయి; కాబట్టి వాటి సమయాలు ఏ వ్యవస్థ వేగవంతమో నేరుగా పోల్చవు.

మూలాలు, మరింత చదవడానికి