Eine Drohne, die starken Winden standhält? Caltech nutzt 12 Minuten Flugdaten, um Drohnen das Fliegen im Wind beizubringen

Wenn der Wind stark genug ist, um den Regenschirm zu blasen, ist die Drohne stabil, so:

Fliegen im Wind gehört zum Fliegen in der Luft, wenn die Windgeschwindigkeiten steigen können stellen für Piloten eine Herausforderung dar, wenn sie ihr Flugzeug in kleinerem Maßstab landen; auch böige Winde können den Drohnenflug beeinträchtigen.

Derzeit werden Drohnen entweder unter kontrollierten Bedingungen, ohne Wind, geflogen oder von Menschen per Fernbedienung gesteuert. Drohnen werden von Forschern gesteuert, um in Formationen am freien Himmel zu fliegen. Diese Flüge werden jedoch normalerweise unter idealen Bedingungen und Umgebungen durchgeführt.

Damit eine Drohne jedoch autonom notwendige, aber routinemäßige Aufgaben ausführen kann, wie zum Beispiel die Zustellung von Paketen, muss die Drohne in der Lage sein, sich in Echtzeit an die Windverhältnisse anzupassen.

Um Drohnen beim Fliegen im Wind eine bessere Manövrierfähigkeit zu verleihen, hat ein Team von Ingenieuren von Caltech Neural-Fly entwickelt, ein künstliches Intelligenztool, mit dem Drohnen fliegen können. Menschen und Maschinen bleiben bei windigen Bedingungen beweglich, und es werden lediglich einige Schlüssel aktualisiert Parameter können der Drohne helfen, in Echtzeit mit neuen und unbekannten Windbedingungen umzugehen.

Am Anfang des Artikels haben wir bereits die Windwiderstandsfähigkeit von Drohnen gesehen. Unten sehen Sie eine Quadcopter-Drohne, die mit Hilfe der in dieser Forschung entwickelten Werkzeuge die Aufgabe erledigen kann, wenn die Windgeschwindigkeit 27 erreicht Meilen/Stunde. 8-förmiger Shuttle-Betrieb:

Beobachten Sie, wie die Drohne aus einem anderen Winkel im Wind fliegt:

Damit die Drohne bei verschiedenen Windgeschwindigkeiten pendeln kann, sind Daten vorhanden Für die Forschung waren nicht viele Daten erforderlich, und nach nur 12 Minuten Flugdaten lernte eine mit Neural-Fly ausgestattete autonome Quadrocopter-Drohne, wie sie auf starken Wind reagiert. „Die Menge der verwendeten Daten ist sehr gering“, sagte Michael O’Connell, ein Doktorand in der Abteilung für Luft- und Raumfahrt des Caltech und einer der Autoren des Papiers.

Die Forschung wurde am Mittwoch in der Zeitschrift Science Robotics veröffentlicht.

• Papieradresse: https://www.science.org/doi/10.1126/scirobotics.abm6597
• arXiv-Adresse: https://arxiv.org/pdf/2205.06908.pdf

Im Neural-Fly-Experimentaltraining flog die Drohne in einem Windkanal mit sechs verschiedenen Windgeschwindigkeiten, wobei die schnellste 21,4 km/h betrug.

Anhand dieser Daten erstellte das Team ein tiefes neuronales Netzwerk und ermöglichte dann seinem Fahrzeug, geschickt im gleichen Windkanal zu manövrieren, beispielsweise in einem Achtermuster an ein Tor heranzuzoomen oder durch zwei Ovale zu fahren Tore. Die Drohne flog im Test schneller als im Training: etwa 27 Meilen pro Stunde. Dies sei die maximale Windgeschwindigkeit, die der Windkanal erzeugen könne, sagte Guanya Shi, Autorin des Artikels und Doktorandin am Caltech. Die Software benötigt nicht nur eine geringe Datenmenge, sondern läuft auch nur auf einem Raspberry Pi, einem kostengünstigen Computergerät.

Der korrespondierende Autor Soon-Jo Chung, Professor für Luft- und Raumfahrt, Steuerung und dynamische Systeme am Caltech, sagte, die festgestellten Fehlerraten seien besser als die der bestehenden SOTA-Technologie und die Flugleistung von Drohnen, die mit dem neuen System ausgestattet seien, sei besser 2,5 bis 4 Mal.

Das Bild unten von links nach rechts zeigt Shi Guanya, Soon-Jo Chung und Michael O'Connell. Es lohnt sich, zu gratulieren, dass Shi Guanya im September 2023 als Assistenzprofessorin am Robotics Institute der School of Computing der Carnegie Mellon University antreten wird.

Forscher sagten, dass diese Technologie in Zukunft für Drohnenlieferungen oder fliegende Autos eingesetzt werden wird.

Neural-Fly-Technologie im Überblick

Wenn unbemannte Luftfahrzeuge (UAVs) eine nachhaltige Kommerzialisierung erreichen sollen, ist es entscheidend, dass sie sichere und präzise Flugmanöver bei dynamischen Hochgeschwindigkeitswinden durchführen. Es ist jedoch eine Herausforderung, effiziente Robotersteuerungen mit herkömmlichen Steuerungsentwurfsmethoden zu entwerfen, da die Beziehung zwischen verschiedenen Windbedingungen und deren Auswirkungen auf die Manövrierfähigkeit von UAVs nicht eingehend untersucht wurde.

„Neural-Fly“, vorgeschlagen von Forschern am California Institute of Technology, ist eine datengesteuerte Methode als Flugbahnverfolgungssteuerung, die auf Deep Learning basiert und lernen kann, sich schnell an sich schnell ändernde Windbedingungen anzupassen. Abbildung 3(A) unten zeigt den Datenerfassungsprozess; 3(B) zeigt die Eingabe und Beschriftungen der Trainingsdaten bei einer Windgeschwindigkeit von 13,3 km/h (3,7 m/s); Beschriftungen unter verschiedenen Windbedingungen. Verteilung der beschrifteten Daten.

Online-Anpassung + Offline-Meta-Lernen

Abbildung 2 unten ist eine Übersicht über die Neural-Fly-Methode und zeigt ihre Fortschritte bei der adaptiven Flugsteuerung und der auf Deep Learning basierenden Robotersteuerung. Neural-Fly ermöglicht die Positionsfehlerverfolgung auf Zentimeterebene für flexible und anspruchsvolle Flugbahnen unter dynamischen Windbedingungen für Standard-UAVs. Konkret besteht diese Methode hauptsächlich aus zwei Teilen, nämlich der Offline-Lernphase und der adaptiven Online-Kontrollphase für Echtzeit-Online-Lernen.

Für die

Offline-Lernphase entwickelten die Forscher Domain Adversarially Invariant Meta-Learning (DAIML), das Aerodynamik und Windbedingungen auf dateneffiziente Weise lernt und eine unabhängige tiefe neuronale Netzwerkdarstellung (DNN) darstellt. Die Darstellung passt sich an unterschiedliche Windbedingungen an, indem ein Satz linearer Koeffizienten aktualisiert wird, die von einem hybriden tiefen neuronalen Netzwerk ausgegeben werden.

DAIML ist außerdem dateneffizient, da

nur insgesamt 12 Minuten Flugdaten unter 6 verschiedenen Windbedingungen verwendet werden, um das tiefe neuronale Netzwerk zu trainieren. DAIML enthält mehrere Schlüsselfunktionen, die nicht nur die Dateneffizienz verbessern, sondern auch durch nachgeschaltete adaptive Online-Steuerungsstufen informiert werden können.

Es ist erwähnenswert, dass DAIML die spektrale Normalisierung verwendet, um die Lipschitz-Eigenschaft tiefer neuronaler Netze zu steuern, um die Generalisierung auf unsichtbare Daten zu verbessern und Stabilität und Robustheit im geschlossenen Regelkreis bereitzustellen. Darüber hinaus nutzt DAIML ein diskriminierendes Netzwerk, um sicherzustellen, dass die erlernte Darstellung windinvariant ist und windbezogene Informationen nur in den linearen Koeffizienten enthalten sind, die an die Online-Kontrollstufe angepasst werden.

Für die

Online-Adaptive-Kontrollphase entwickelten die Forscher ein reguliertes zusammengesetztes Adaptiv-Kontrollgesetz, das auf einem grundlegenden Verständnis der Interaktion erlernter Darstellungen mit Regelsystemen basiert und eine strenge theoretische Unterstützung bietet.

Konkret verwendet das adaptive Gesetz eine Kombination aus dem Positionsverfolgungsfehlerterm und dem aerodynamischen Vorhersagefehlerterm, um die linearen Koeffizienten in Bezug auf den Wind zu aktualisieren. Dieser Ansatz garantiert effektiv eine stabile und schnelle Anpassung an alle Windbedingungen und Robustheit gegenüber unvollständigem Lernen. Obwohl dieses adaptive Kontrollgesetz mit vielen erlernten Modellen verwendet werden kann, trägt die von DAIML erlernte präzise Darstellung dazu bei, die Geschwindigkeit der Anpassung weiter zu verbessern.

Experimentelle Ergebnisse

In Bezug auf die Wirkung von Neural-Fly ist es im Durchschnitt 66 % besser als der nichtlineare Tracking-Controller, 42 % besser als der adaptive L_1-Controller und 42 % besser als der inkrementelle nichtlineare Dynamischer Inversionsregler (INDI) um 35 % erhöht. Alle diese Ergebnisse wurden mit Standard-Quadrocopter-Hardware erzielt, während die standardmäßig abgestimmte Lageregelung des PX4 ausgeführt wurde.

Die Tracking-Leistung von Neural-Fly ist konkurrenzfähig, selbst im Vergleich zu verwandten Arbeiten, bei denen keine externen Windstörungen auftreten und komplexere Hardware verwendet wird, wie z. B. integrierte optische Sensoren, die das Zehnfache der Steuerfrequenz erfordern und eine Drehzahlrückmeldung des Gleichstrommotors verwenden.

Tabelle 1 unten zeigt die Fehlerverfolgungsstatistiken verschiedener Methoden unter verschiedenen Windbedingungen.

Die Forscher verglichen Neural-Fly mit zwei Varianten, nämlich Neural-Fly-Transfer und Neural-Fly-Constant. Unter anderem verwendet NF-Transfer Darstellungen, die durch Training mit Daten verschiedener Drohnen gelernt wurden, während NF-Constant nur adaptive Kontrollgesetze mit trivialer Nicht-Lernbasis verwendet.

Neural-Fly-Transfer zeigt Robustheit gegenüber UAV-Konfigurationsänderungen und Modellfehlanpassungen. NF-Constant-, L_1- und INDI-Methoden passen sich alle direkt an unbekannte Dynamiken an, ohne die zugrunde liegende physikalische Struktur anzunehmen, sie haben eine ähnliche Leistung.

Schließlich zeigten die Forscher, dass Neural-Fly eine Reihe von Funktionen implementieren kann, die es der Drohne ermöglichen, einer Flugbahn zu folgen und bei starkem Wind flink durch Türen in geringer Höhe zu fliegen, wie in Abbildung 1 unten dargestellt.

Das obige ist der detaillierte Inhalt vonEine Drohne, die starken Winden standhält? Caltech nutzt 12 Minuten Flugdaten, um Drohnen das Fliegen im Wind beizubringen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!