装有Neural-Fly的无人机在加州理工学院自主系统和技术中心的真实天气风洞中进行测试。鸣谢:加州理工学院要想真正有用，无人机——也就是自动飞行车辆——需要学会在现实世界的天气和风力条件下导航。现在，无人机要么在无风的受控条件下飞行，要么由人类使用遥控器操作。无人机已经被教会在开放的天空中编队飞行，但这些飞行通常是在理想的条件和环境下进行的。
然而，为了让无人机自主执行必要但日常的任务，如递送包裹或空运交通事故中受伤的司机，无人机必须能够实时适应风力条件——从气象学角度来说，就是随波逐流。
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，只需更新几个关键参数，就可以帮助无人机实时应对新的未知风力条件。
5月4日发表在《科学机器人学》上的一项研究描述了神经蝇。通讯作者是Soon-Jo Chung，Bren航空航天、控制和动力系统教授和喷气推进实验室研究科学家。加州理工学院的研究生迈克尔·奥康奈尔和关亚·施是第一作者。
Neural-Fly在加州理工学院的自主系统和技术中心(CAST)使用其真实天气风洞进行了测试，这是一个由1200多个微型计算机控制的风扇组成的定制10英尺×10英尺阵列，允许工程师模拟从微风到大风的一切。
“问题是，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一个简单的数学模型来准确描述，”钟说。“我们没有试图量化和量化我们在空中旅行中经常遇到的湍流和不可预测的风况的每一种影响，而是采用了深度学习和自适应控制的组合方法，使飞机能够从以前的经验中学习，并在飞行中适应新的条件，同时保证稳定性和鲁棒性。”
O'Connell补充说:“我们有许多来自流体力学的不同模型，但实现正确的模型保真度并针对每辆车、风况和操作模式调整该模型是具有挑战性的。另一方面，现有的机器学习方法需要大量的数据来训练，但无法匹配使用经典的基于物理的方法实现的最先进的飞行性能。此外，实时调整整个深度神经网络是一项巨大的任务——如果不是目前不可能的话。”
研究人员说，Neural-Fly通过使用一种所谓的分离策略来绕过这些挑战，通过这种策略，只有神经网络的一些参数必须实时更新。
“这是通过我们新的元学习算法实现的，该算法预先训练神经网络，因此只有这些关键参数需要更新，以有效地捕捉不断变化的环境，”施说。
延时摄影照片显示，在加州理工学院的真实天气风洞中，一架装有神经苍蝇的无人机在强风中保持8字形航线。鸣谢:加州理工学院在获得了少至12分钟的飞行数据后，配备了Neural-Fly的自主四旋翼无人机学会了如何很好地应对强风，以至于它们的性能显著提高(通过它们精确遵循飞行路径的能力来衡量)。与当前最先进的无人机相比，遵循该飞行路径的错误率大约小2.5倍至4倍，这些无人机配备了类似的自适应控制算法，可以识别和响应空气动力学效应，但没有深度神经网络。
Neural-Fly是由加州理工学院计算与数学科学教授岳和Bren计算与数学科学教授Anima Anandkumar合作开发的，基于早期的神经着陆器和神经群系统。Neural-Lander还使用了一种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，以补偿旋翼对地面的反冲力，实现尽可能平稳的着陆；神经群教会无人机在彼此靠近的情况下自主飞行。
虽然着陆可能看起来比飞行更复杂，但与早期的系统不同，Neural-Fly可以实时学习。因此，它可以对飞行中的风力变化做出反应，并且不需要在事后进行调整。Neural-Fly在CAST设施外进行的飞行测试中的表现和在win d风洞中一样好。此外，该团队还表明，由一架无人机收集的飞行数据可以转移到另一架无人机上，为自动驾驶汽车建立一个知识库。
在CAST Real Weather风洞中，测试无人机的任务是以预先描述的8字形模式飞行，同时它们受到每秒12.1米的风速——大约每小时27英里，即蒲福风速等级的6级。这被归类为“强风”，在这种情况下很难使用雨伞。它仅次于“中度大风”，在这种情况下，人们很难移动，整棵树都会摇摆。这个风速是无人机在神经网络训练期间遇到的速度的两倍，这表明神经苍蝇可以很好地推断和概括未知和更恶劣的天气。
这些无人机配备了一台标准的现成的飞行控制计算机，通常由无人机研究和爱好者社区使用。Neural-Fly是在一台机载Ras pberry Pi 4计算机上实现的，这台计算机有信用卡大小，零售价约为20美元。
论文的合著者包括Anandkumar和Yue，以及Shi和前加州理工学院博士后Kamyar Azizzadenesheli，他现在是普渡大学计算机科学的助理教授。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
