Чтобы быть по-настоящему полезными, дроны, то есть автономные летательные аппараты, должны научиться ориентироваться в реальных погодных условиях и условиях ветра.

В настоящее время дроны летают либо в контролируемых условиях, без ветра, либо управляются людьми с помощью пультов дистанционного управления. Дроны научились летать строем в открытом небе, но эти полеты обычно проводятся в идеальных условиях и обстоятельствах.

Однако для того, чтобы дроны могли автономно выполнять необходимые, но повседневные задачи, такие как доставка посылок или перевозка по воздуху водителей, пострадавших в дорожно-транспортном происшествии, дроны должны уметь адаптироваться к ветровым условиям в режиме реального времени — с метеорологической точки зрения.

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

Neural-Fly описан в исследовании, опубликованном 4 мая в журнале Science Robotics. Ответственным автором является Сун-Джо Чанг, профессор Брена в области аэрокосмических и динамических систем управления и научный сотрудник Лаборатории реактивного движения. Соавторами являются аспиранты Калифорнийского технологического института Майкл О’Коннелл и Гуанья Ши.

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

«Проблема в том, что прямое и специфическое влияние различных ветровых условий на динамику, летно-технические характеристики и устойчивость самолета нельзя точно охарактеризовать с помощью простой математической модели», — говорит Чанг. «Вместо того, чтобы пытаться квалифицировать и количественно оценивать каждое влияние турбулентных и непредсказуемых ветровых условий, с которыми мы часто сталкиваемся в авиаперелетах, мы вместо этого используем комбинированный подход глубокого обучения и адаптивного управления, который позволяет самолету учиться на предыдущем опыте и адаптироваться к новым условиям. условия на лету с гарантией стабильности и надежности».

О’Коннелл добавляет: «У нас есть много разных моделей, полученных на основе гидромеханики, но достижение правильной точности модели и настройка этой модели для каждого транспортного средства, состояния ветра и режима работы является сложной задачей. С другой стороны, существующие методы машинного обучения требуют огромных усилий. количество данных для обучения, но они 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, задача».

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

«Это достигается с помощью нашего нового алгоритма метаобучения, который предварительно обучает нейронную сеть, так что для эффективного захвата изменяющейся среды необходимо обновлять только эти ключевые параметры», — говорит Ши.

Получив всего 12 минут полетных данных, автономные квадрокоптеры, оснащенные Neural-Fly, настолько хорошо научились реагировать на сильный ветер , что их производительность значительно улучшилась (измеряется их способностью точно следовать траектории полета ). Частота ошибок при следовании по этой траектории полета примерно в 2,5–4 раза меньше по сравнению с нынешними современными дронами, оснащенными аналогичными алгоритмами адаптивного управления, которые выявляют 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 Анима Анандкумар, профессором вычислительной техники и математических наук Бреном, 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 во время его приземления и изменения его посадочной траектории и скорости вращения ротора, чтобы компенсировать обратную струйку роторов от земли и добиться максимально плавной посадки; Neural-Swarm научил дроны автономно летать в непосредственной близости друг от друга.

Хотя приземление может показаться более сложным, 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 не требует настройки постфактум. Neural-Fly показала хорошие результаты как в летных испытаниях, проведенных за пределами центра CAST, так 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 перед испытательными дронами была поставлена ​​задача летать по заранее описанной схеме в виде восьмерки, в то время как они подвергались ветру со скоростью до 12,1 метра в секунду — примерно 27 миль в час, или шесть баллов по шкале Бофорта. скорости ветра. Это классифицируется как «сильный ветер», при котором было бы трудно использовать зонтик. Он стоит чуть ниже «умеренного шторма», при котором было бы трудно двигаться и качались бы целые деревья. Эта скорость ветра в два раза выше, чем скорость, с которой дрон сталкивается во время обучения нейронной сети , что говорит о том, что Neural-Fly может хорошо экстраполировать и обобщать невидимую и более суровую погоду.

Дроны были оснащены стандартным готовым компьютером управления полетом, который обычно используется исследователями и любителями дронов . Neural-Fly был реализован на встроенном компьютере Raspberry Pi 4 размером с кредитную карту и продается по цене около 20 долларов.

Соавторами статьи являются Анандкумар и Юэ, а также Сичен Ши и бывший постдоктор Калифорнийского технологического института Камьяр Азиззаденешели, ныне доцент кафедры компьютерных наук в Университете Пердью.