学会深度学习的无人机,能够在任何天气下飞行


目前,无人机要么在受控条件下飞行,要么由人类使用遥控器操作。无人机被教导在开阔的天空中编队飞行,但这些飞行通常是在理想的条件和环境下进行的。


要让无人机自主执行必要但日常的任务,例如运送包裹或从交通事故中空运受伤的司机,无人机必须能够实时适应风力条件,从气象学的角度来看,它是顺风顺水的。


为了应对这一挑战,加州理工学院的一个工程师团队开发了 Neural-Fly,这是一种深度学习方法,只需更新一些关键参数,即可帮助无人机实时应对新的和未知的风况。



Neural-Fly在加州理工学院自主系统和技术中心(CAST)使用其真实天气风洞进行了测试,这是一个定制的 10 英尺乘 10 英尺阵列,由 1,200 多个微型计算机控制的风扇组成,允许工程师模拟一切从微风到大风。


问题在于,各种风况对飞机动力学、性能和稳定性的直接和具体影响不能用简单的数学模型来准确描述,我们没有尝试对我们在航空旅行中经常遇到的湍流和不可预测的风条件的每一个影响进行限定和量化,而是采用深度学习和自适应控制相结合的方法,使飞机能够从以前的经验中学习并适应新的具有稳定性和稳健性保证的动态条件。


有许多源自流体力学的不同模型,但要针对每种车辆、风况和操作模式实现正确的模型保真度和调整模型具有挑战性。另一方面,现有的机器学习方法需要大量的要训练的数据量与使用经典物理方法实现的更先进的飞行性能不匹配。此外,实时调整整个深度神经 *** 是一项艰巨的任务,如果不是目前不可能的话。


Neural-Fly通过使用所谓的分离策略解决了这些挑战,通过这种策略,只需实时更新神经 *** 的几个参数。


这是通过我们新的元学习算法实现的,该算法对神经 *** 进行了预训练,因此只需要更新这些关键参数即可有效地捕捉不断变化的环境.



在获得短短 12 分钟的飞行数据后,配备 Neural-Fly的自主四旋翼无人机学会了如何对强风做出如此出色的响应,从而显著提高了它们的性能。与配备类似自适应控制算法的当前更先进的无人机相比,该飞行路径的错误率大约小 2.5 倍至 4 倍,这些算法可以识别和响应空气动力学效应,但没有深度神经 *** 。


Neural-Fly是与加州理工学院计算与数学科学教授 Yisong Yue 和 Bren 计算与数学科学教授 Anima Anandkumar 合作开发的,它基于早期的神经着陆器和神经群系统。Neural-Lander 还使用深度学习方法来跟踪无人机着陆时的位置和速度,并修改其着陆轨迹和旋翼速度,以补偿旋翼从地面的反冲,实现尽可能平稳的着陆;Neural-Swarm 教无人机在彼此靠近的情况下自主飞行。


尽管着陆似乎比飞行更复杂,但与早期系统不同,Neural-Fly可以实时学习。因此,它可以即时响应风的变化,并且不需要事后进行调整。Neural-Fly在 CAST 设施外进行的飞行测试中的表现与在风洞中的表现一样好。此外,该团队还表明,单个无人机收集的飞行数据可以转移到另一架无人机,从而为自动驾驶汽车建立知识库。


在 CAST 真实天气风洞中,测试无人机的任务是在风速高达每秒 12.1 米(大约每小时 27 英里,或博福特级数为 6风速。这被归类为“强风”,其中很难使用雨伞。它的等级略低于“中等大风”,在这种大风中很难移动,整棵树都会摇晃。这种风速是无人机在神经 *** 训练期间遇到的速度的两倍,这表明 Neural-Fly可以很好地推断和推广到看不见和更恶劣的天气。


注:文章内的所有配图皆为 *** 转载图片,侵权即删!

  • 评论列表:

添加回复:

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。