強風にも耐えられるドローン？カリフォルニア工科大学は 12 分間の飛行データを使用して、ドローンに風に乗って飛行するよう教えています

#風が傘を飛ばすほど強いとき、ドローンは次のように安定します。

Windflying は一部です大きなレベルでは、風速は航空機の着陸時にパイロットに困難をもたらす可能性があり、小さなレベルでは、強風もドローンの飛行に影響を与えます。

現在、ドローンは無風の制御された条件下で飛行するか、人間がリモコンを使用して操作します。ドローンは研究者によって制御され、大空で編隊を組んで飛行しますが、これらの飛行は通常、理想的な条件と環境の下で行われます。

ただし、ドローンが荷物の配達など、必要ではあるが日常的なタスクを自律的に実行するには、風の状況にリアルタイムで適応できなければなりません。

風に吹かれて飛行する際のドローンの操縦性を向上させるために、カリフォルニア工科大学のエンジニアのチームは、ドローンの機敏性を維持できる人工知能ツールであるディープ ニューラル ネットワークである Neural-Fly を開発しました。いくつかの重要なパラメータを更新するだけで、ドローンが新しい未知の風況にリアルタイムで対応できるように、風の強い状況を調整します。

記事の冒頭で、UAV の耐風能力について最初に見てきました。以下に 4 ローター UAV を示します。この研究で開発されたツールの助けを借りて、最大風速 27 マイルで 8 の字シャトル操作を完了することができます。

風に乗って飛行するドローンを別の場所から観察角度:

ドローンがさまざまな風速の下で往復するためには、データが不可欠です。この研究では多くのデータは必要ありません。わずか 12 分で取得した飛行データ。Neural-Fly を搭載した自律型クアッドコプター ドローンは、強風への対応方法を学習しました。 「使用されるデータの量は非常に少ないです」とカリフォルニア工科大学航空宇宙学部の大学院生で論文著者の一人であるマイケル・オコンネル氏は言う。

この研究は水曜日、サイエンス・ロボティクス誌に掲載されました。

• 論文アドレス: https://www.science.org/doi/10.1126/scirobotics.abm6597
• arXiv アドレス: https://arxiv.org/pdf/2205.06908.pdf

Neural-Fly 実験訓練では、ドローンが飛行します。風 洞窟内を飛行する場合、風速は 6 段階あり、最も速いのは時速 13.4 マイルです。

このデータに基づいて、チームはディープ ニューラル ネットワークを作成し、同じ風洞内で航空機が巧みに操縦できるようにしました。 8 の字パターンでゲートを通過するか、2 つの楕円形のゲートを通過します。ドローンはテストでは訓練で経験したよりも速く飛行し、時速約44マイルでした。この論文の著者でカリフォルニア工科大学の大学院生であるGuanya Shi氏によると、これは風洞が発生させることができる最大風速だという。少量のデータしか必要としないことに加えて、このソフトウェアは安価なコンピューティング デバイスである Raspberry Pi 上でのみ実行されます。

特派員著者でカリフォルニア工科大学の航空宇宙、制御および動的システムの教授である Soon-Jo Chung 氏は、新しいシステムのドローン飛行を備えた既存の SOTA テクノロジーと比較したエラー率について述べました。パフォーマンスは 2.5 ～ 4 倍向上します。

下の写真は左から右にShi Guanya、Soon-Jo Chung、Michael O'Connellです。 Shi Guanya 氏が 2023 年 9 月にカーネギーメロン大学コンピューティング学部ロボット工学研究所に助教授として着任することは祝福に値します。

# 研究者らは、この技術は将来、ドローン配送や空飛ぶ自動車に使用されるだろうと述べています。

Neural-Fly テクノロジーの概要

無人航空機 (UAV) が持続的な商業化を達成するには、動的高速風下でも動作する必要があります。そして正確な飛行操縦が重要です。しかし、さまざまな風の状態とそれが UAV の操縦性に及ぼす影響との関係は詳しく研究されていないため、従来の制御設計手法を使用して効率的なロボット コントローラーを設計することは困難です。

カリフォルニア工科大学の研究者によって提案された「Neural-Fly」は、深層学習に基づく軌道追跡コントローラーとして機能し、急速に変化する風の状況に素早く適応する方法を学習できるデータ駆動型の手法です。以下の図 3(A) はデータ収集プロセスを示し、図 3(B) は風速 13.3km/h (3.7m/s) でのトレーニング データの入力とラベルを示し、図 3(C) は入力データと異なる風況でのラベル付け ラベル付けされたデータの分布

オンライン アダプティブ オフライン メタ学習

下の図 2 は、Neural-Fly の概要です。適応飛行制御と深層学習ベースのロボット制御が進歩したことを示すメソッド。 Neural-Fly は、標準的な UAV の動的な風の条件下で、柔軟で困難な軌道を実現するセンチメートルレベルの位置誤差追跡を可能にします。具体的には、この方法は主に オフライン学習段階とリアルタイムオンライン学習のためのオンライン適応制御段階の 2 つの部分で構成されます。

オフライン学習段階のために、研究者たちは空気力学的風を学習するドメイン敵対的不変メタ学習(DAIML)を開発しました。 -データ効率の高い方法での独立したディープ ニューラル ネットワーク (DNN) 表現。この表現は、ハイブリッド ディープ ニューラル ネットワークによって出力される線形係数のセットを更新することで、さまざまな風の状態に適応します。

DAIML はデータ効率も高く、ディープ ニューラル ネットワークをトレーニングするために 6 つの異なる風況下で合計 12 分間の飛行データのみを使用します。 DAIML には、データ効率を向上させるだけでなく、下流のオンライン適応制御ステージからも情報を提供できるいくつかの重要な機能が含まれています。

DAIML はスペクトル正規化を使用してディープ ニューラル ネットワークのリプシッツ特性を制御し、目に見えないデータへの汎化を改善し、閉ループの安定性と堅牢性を提供していることは注目に値します。さらに、DAIML は識別ネットワークを使用して、学習された表現が風によって不変であること、および風関連情報がオンライン制御段階に適応される線形係数にのみ含まれることを保証します。

オンライン適応制御ステージでは、研究者らは、学習された表現が閉ループ制御とどのように相互作用するかに基づいた、正規化された複合適応制御則を開発しました。これはシステム相互作用の基本的な理解に基づいて作成されており、厳密な理論的サポートが備わっています。

具体的には、適応則では、位置追跡誤差項と空力予測誤差項の組み合わせを使用して、風に関連する線形係数を更新します。このアプローチは、あらゆる風の条件に対する安定した迅速な適応と、不完全な学習に対する堅牢性を効果的に保証します。この適応制御則は多くの学習済みモデルで使用できますが、DAIML から学習した正確な表現は適応速度のさらなる向上に役立ちます。

実験結果

Neural-Fly の効果に関しては、非線形トラッキング コントローラーよりも平均で 66% 優れており、適応コントローラは 42% 改善されており、インクリメンタル非線形動的反転 (INDI) コントローラより 35% 高いため、L_1 よりも優れています。これらの結果はすべて、PX4 のデフォルトの調整された姿勢制御を実行しながら、標準的なクアッドコプター ドローン ハードウェアを使用して達成されました。

外部の風の干渉がなく、より複雑なハードウェア (10 倍の制御周波数を必要とし、DC モーター速度フィードバックを使用するオンボード光センサーなど) を使用する関連作業と比較しても、Neural - The Fly のトラッキング性能も競争力があります。

以下の表 1 は、さまざまな風の条件下でのさまざまな方法のエラー追跡統計を示しています。

研究者らは、Neural-Fly を 2 つの亜種、Neural-Fly-Transfer および Neural-Fly-Constant と比較しました。その中で、NF-Transfer はさまざまなドローンからのデータのトレーニングから学習した表現を使用しますが、NF-Constant は自明な非学習根拠を持つ適応制御則のみを使用します。

Neural-Fly-Transfer は、UAV 構成の変更やモデルの不一致に対する堅牢性を実証し、NF-Constant、L_1、および INDI メソッドはすべて、基礎となる物理構造を仮定することなく、未知のダイナミクスに直接適応します。 、同様のパフォーマンスを持っています。

最後に、研究者らは Neural-Fly が一連の機能を実装できることを証明し、ドローンが軌道に従い、強風の状況下でも低空のドアを機敏に通過できるようにしました。以下の図 1 に示されています。

以上が強風にも耐えられるドローン？カリフォルニア工科大学は 12 分間の飛行データを使用して、ドローンに風に乗って飛行するよう教えていますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。