效果来自苏黎世大学，作者之一Davide Scaramuzza以为，这是国际象棋的深蓝、围棋的AlphaGo之后的又一大打破。

　　这标志着自主移动机器人初次在为人类规划并由人类规划的物理环境体育运动中打败人类冠军。

　　微软高档研讨工程师Shital Shah以为这比AlphaGo更难，也更难取得认可，但仍是历史性的里程碑。

　　赛道由七个方形大门组成，每一圈都有必要按次序经过。要赢得竞赛，参赛者有必要接连抢先对手完结三圈。

　　两台无人机一同动身，正面对决，最高速度可达每小时100公里，一同承受数倍于重力的加速度。

　　对AI来说，要到达专业人类选手的水平十分有挑战性，由于无人机需要在物理极限下飞翔，一同仅经过机载传感器估量速度和方位。

　　其间，感知体系主要是一个VIO（Visual-Inertial Odometry）模块，一同运用视觉和惯性传感器对本身定位和对环境建模。

　　操控战略是一个前馈神经网络，运用无模型的On-policy深度强化学习进行模仿练习，奖赏方针结合了向下一个门的中心行进，和坚持下一个门在摄像机视界内。

　　为了弥合模仿和物理国际之间感知和动力学上的距离，运用了从物理体系中搜集的数据，驱动一个MLP残差模型。

　　在竞赛开端前，人类选手在指定赛道上有一周的操练时刻，赛道包括“Split-S”等高难度机动动作。

　　详细规矩还有：由声学信号(发令枪）敞开竞赛，假如产生磕碰也可以持续竞赛，假如两架无人机都掉落则飞得远的取胜。

　　终究在与三位人类选手的竞赛中，Swift别离拿下了9局5胜，7局4胜，和9局6胜的成果。

　　在Swift输掉的竞赛中，有40%是由于与对手产生磕碰，40%是由于与门产生磕碰，20%是由于速度比人类慢。

　　在累计300圈的数据中，Swift均匀时刻更短，方差更低，代表AI每圈都安稳寻求更快圈速。

　　而人类则会在自己抢先时坚持一个较慢的速度，下降磕碰的危险，表现出更大的方差。

　　这也体现出当时的Swift体系无法得知对手的状况，在抢先时不行稳，落后时又不行浪。

　　但反而是人类在这一个项目上没办法运用前庭体系，由于他们不随无人机一同移动，感触不到加速度。

　　别的，Swift的传感器推迟更低为40毫秒，专业人类选手均匀能做到220毫秒。

　　但Swift的摄像头刷新率有限，只需30Hz，人类运用的摄像头则120Hz。

　　比方即便在全速坠机了只需设备没坏就能持续竞赛，但Swift没有承受磕碰后康复的练习。

　　作者以为，这项研讨可能会激起在其他物理体系（例如无人驾驶轿车、飞机和机器人）中跨大范围的使用布置根据混合学习的解决方案。