Прямо сейчас беспилотные летательные аппараты либо летают в контролируемых условиях, без ветра, либо управляются людьми с помощью пульта дистанционного управления. Дроны иметь Их учили летать в строю в открытом небе, но эти полеты обычно проводятся в идеальных условиях.

Однако для того, чтобы дроны могли автономно выполнять необходимые, но обыденные задачи, такие как доставка посылок или эвакуация по воздуху пострадавших водителей из дорожно-транспортного происшествия, дроны должны быть способны адаптироваться к условиям ветра в режиме реального времени - с точки зрения метеорологии, они должны двигаться в такт ударам.

Чтобы справиться с этой задачей, команда инженеров из Калифорнийского технологического института разработала Neural-Fly, метод глубокого обучения, который может помочь дронам справляться с новыми и неизвестными условиями ветра в режиме реального времени, просто обновив несколько ключевых параметров.

Нейронная муха описана в исследовании, опубликованном 4 мая в Научная робототехника. Автором-корреспондентом является Сун Чжо Чунг, профессор аэрокосмической промышленности, систем управления и динамических систем Брен и научный сотрудник лаборатории реактивного движения. Аспиранты Калифорнийского технологического института Майкл О'Коннелл (MS '18) и Гуанья Ши являются соавторами.

Neural-Fly был протестирован в Центре автономных систем и технологий Калифорнийского технологического института (CAST) с использованием аэродинамической трубы Real Weather, изготовленной на заказ 10 на 10 футов, состоящей из более чем 1200 крошечных вентиляторов с компьютерным управлением, что позволяет инженерам моделировать все, от легкого порыва до шторма.

"Проблема в том, что прямое и специфическое влияние различных условий ветра на динамику, летные характеристики и устойчивость самолета не может быть точно охарактеризовано с помощью простой математической модели", - говорит Чанг. "Вместо того, чтобы пытаться квалифицировать и количественно оценить каждое влияние турбулентных и непредсказуемых условий ветра, с которыми мы часто сталкиваемся во время авиаперелетов, мы вместо этого используем комбинированный подход глубокого обучения и адаптивного управления, который позволяет самолету извлекать уроки из предыдущего опыта и адаптироваться к новым условиям на лету с гарантиями стабильности и надежности."

О'Коннелл добавляет: "У нас есть много различных моделей, основанных на гидромеханике, но добиться правильной точности модели и настроить ее для каждого транспортного средства, условий ветра и режима работы непросто. С другой стороны, существующие методы машинного обучения требуют огромных объемов данных для обучения, но не соответствуют современным летным характеристикам, достигнутым с использованием методов, основанных на классической физике. Более того, адаптация всей глубокой нейронной сети в режиме реального времени - огромная, если не невозможная в настоящее время задача".

Исследователи говорят, что Neural-Fly решает эти проблемы, используя так называемую стратегию разделения, с помощью которой только несколько параметров нейронной сети должны обновляться в режиме реального времени.

"Это достигается с помощью нашего нового алгоритма мета-обучения, который предварительно обучает нейронную сеть так, что только эти ключевые параметры должны быть обновлены, чтобы эффективно отражать меняющуюся среду", - говорит Ши.

После получения данных о полете всего за 12 минут автономные беспилотные летательные аппараты quadrotor, оснащенные Neural-Fly, научились так хорошо реагировать на сильный ветер, что их производительность значительно улучшилась (измеряемая их способностью точно следовать траектории полета). Частота ошибок при следовании по этой траектории полета примерно в 2,5-4 раза меньше по сравнению с современными беспилотными летательными аппаратами, оснащенными аналогичными адаптивными алгоритмами управления, которые идентифицируют аэродинамические эффекты и реагируют на них, но без глубоких нейронных сетей.

Neural-Fly, который был разработан в сотрудничестве с Исонгом Юэ из Калифорнийского технологического института, профессором вычислительной техники и математических наук, и Анимой Анандкумар, профессором вычислительной техники и математических наук Bren, основан на более ранних системах, известных как Neural-Lander и Neural-Swarm. Neural-Lander также использовал метод глубокого обучения для отслеживания положения и скорости дрона при посадке и изменения траектории его посадки и скорости вращения ротора, чтобы компенсировать обратную промывку роторов от земли и добиться максимально плавной посадки; Neural-Swarm научил дронов летать автономно в непосредственной близости друг от друга. другое.

Хотя посадка может показаться более сложной, чем полет, Neural-Fly, в отличие от более ранних систем, может обучаться в режиме реального времени. Таким образом, он может реагировать на изменения ветра на лету, и его не требуется настраивать постфактум. Neural-Fly показал такие же хорошие результаты в летных испытаниях, проведенных за пределами завода CAST, как и в аэродинамической трубе. Кроме того, команда показала, что данные о полете, собранные отдельным дроном, могут быть переданы другому дрону, создавая пул знаний для автономных транспортных средств.

В аэродинамической трубе CAST Real Weather испытательным дронам было поручено выполнить полет по заранее описанной схеме восьмерки, в то время как на них обрушивался ветер со скоростью до 12,1 метра в секунду - примерно 27 миль в час, или шесть баллов по шкале скоростей ветра Бофорта. Это классифицируется как "сильный ветер", при котором было бы трудно пользоваться зонтиком. Он находится чуть ниже "умеренного шторма", при котором было бы трудно двигаться и целые деревья раскачивались бы. Эта скорость ветра в два раза превышает скорости, с которыми сталкивается беспилотник во время обучения нейронной сети, что говорит о том, что Neural-Fly может хорошо экстраполировать и обобщать на невидимую и более суровую погоду.

Дроны были оснащены стандартным готовым компьютером управления полетом, который обычно используется сообществом исследователей дронов и любителей. Neural-Fly был реализован в бортовом компьютере Raspberry Pi 4, который размером с кредитную карту и продается примерно за 20 долларов.