우산을 날릴 정도로 바람이 강하면 드론은 다음과 같이 안정적입니다.
바람을 타고 날아가는 것은 바람의 속도가 큰 수준에서 비행하는 것의 일부입니다. 작은 규모로 항공기를 착륙시킬 때 조종사에게 도전하세요. 돌풍도 드론 비행에 영향을 미칠 수 있습니다.
현재 드론은 바람 없이 통제된 조건에서 비행하거나 사람이 원격 제어를 사용하여 작동합니다. 드론은 연구자들이 개방된 하늘에서 대형을 이루어 비행하도록 제어하지만 이러한 비행은 일반적으로 이상적인 조건과 환경에서 수행됩니다.
그러나 드론이 패키지 배송과 같이 필요하지만 일상적인 작업을 자율적으로 수행하려면 드론이 바람 조건에 실시간으로 적응할 수 있어야 합니다.
바람에 날릴 때 드론의 기동성을 높이기 위해 Caltech의 엔지니어 팀은 드론이 비행할 수 있는 인공 지능 도구인 Neural-Fly를 개발했습니다. 바람이 부는 환경에서도 인간과 기계가 민첩성을 유지하고 몇 가지 핵심 사항만 업데이트하면 됩니다. 매개변수는 드론이 새롭고 알려지지 않은 바람 조건에 실시간으로 대처하는 데 도움이 됩니다.
기사 시작 부분에서 우리는 이미 드론의 바람 저항 능력을 살펴보았습니다. 아래는 이 연구에서 개발된 도구의 도움으로 풍속이 27에 도달하면 작업을 완료할 수 있는 쿼드콥터 드론입니다. 마일/시간. 8자형 셔틀 작동:
다른 각도에서 바람에 날아가는 드론을 관찰하세요.
드론이 다양한 풍속에서 왕복하려면 데이터가 필요합니다. 이 연구에는 많은 데이터가 필요하지 않았으며, 단 12분의 비행 데이터 후에 Neural-Fly가 장착된 자율 쿼드콥터 드론이 강풍에 대응하는 방법을 학습했습니다. Caltech 항공우주학과 대학원생이자 논문 작성자 중 한 명인 Michael O'Connell은 "사용된 데이터의 양은 매우 적습니다."라고 말했습니다.
이 연구는 수요일 Science Robotics 저널에 게재되었습니다.
Neural-Fly 실험 훈련에서 드론은 6가지 서로 다른 풍속으로 풍동에서 비행했으며 가장 빠른 속도는 13.4mph였습니다.
이 데이터를 바탕으로 팀은 심층 신경망을 만든 다음 동일한 풍동에서 차량이 8자 패턴으로 게이트를 확대하거나 두 개의 타원형을 통해 순항하는 등 능숙하게 조종할 수 있도록 했습니다. 게이트. 드론은 훈련에서 경험했던 것보다 테스트에서 더 빠르게 이동했습니다: 시속 약 27마일. 이는 풍동이 생성할 수 있는 최대 풍속이라고 논문 저자이자 Caltech 대학원생인 Guanya Shi가 말했습니다. 소량의 데이터만 필요할 뿐 아니라, 소프트웨어는 저렴한 컴퓨팅 장치인 Raspberry Pi에서만 실행됩니다.
교신저자 정순조 칼텍 항공우주, 제어 및 동적 시스템학과 교수는 기존 SOTA 기술보다 오류율이 더 좋았고, 새로운 시스템을 탑재한 드론의 비행 성능도 더 좋았다고 밝혔습니다. 2.5~4배.
아래 사진은 왼쪽부터 시구안야, 정순조, 마이클 오코넬입니다. Shi Guanya가 2023년 9월에 카네기 멜론 대학교 컴퓨팅 대학 로봇 연구소에 조교수로 합류한 것을 축하할 가치가 있습니다.
연구원들은 이 기술이 앞으로 드론 배송이나 하늘을 나는 자동차에 활용될 것이라고 밝혔습니다.
무인 항공기(UAV)가 지속적인 상용화를 달성하려면 역동적인 고속 바람 속에서 안전하고 정밀한 비행 기동을 수행하는 것이 중요합니다. 그러나 다양한 바람 조건과 UAV 기동성에 미치는 영향 간의 관계가 깊이 연구되지 않았기 때문에 전통적인 제어 설계 방법을 사용하여 효율적인 로봇 컨트롤러를 설계하는 것은 어렵습니다.
California Institute of Technology의 연구진이 제안한 "Neural-Fly"는 데이터 기반 방식으로 딥러닝 기반의 궤적 추적 컨트롤러로 급변하는 바람 조건에 빠르게 적응하는 방법을 학습할 수 있습니다. 아래 그림 3(A)는 데이터 수집 과정을 보여주며, 3(B)는 풍속 13.3km/h(3.7m/s)에서의 훈련 데이터의 입력 및 라벨을 보여줍니다. 다양한 바람 조건에서 라벨을 붙인 데이터의 분포.
아래 그림 2는 Neural-Fly 방법의 개요로, 적응형 비행 제어 및 딥러닝 기반 로봇 제어의 진행 상황을 보여줍니다. Neural-Fly는 표준 UAV의 동적 바람 조건에서 유연하고 까다로운 궤적에 대한 센티미터 수준의 위치 오류 추적을 가능하게 합니다. 구체적으로 이 방법은 주로 오프라인 학습 단계와 실시간 온라인 학습을 위한 온라인 적응 제어 단계의 두 부분으로 구성됩니다.
오프라인 학습 단계에서 연구원들은 데이터 효율적인 방식으로 독립 심층 신경망(DNN) 표현으로 공기 역학 및 바람 조건을 학습하는 DAIML(Domain Adversarially Invariant Meta-Learning)을 개발했습니다. 표현은 하이브리드 심층 신경망에 의해 출력된 선형 계수 세트를 업데이트하여 다양한 바람 조건에 적응합니다.
DAIML은 데이터 효율적이기도 합니다.6가지 바람 조건에서 총 12분의 비행 데이터만 사용하여 심층 신경망을 훈련합니다. DAIML에는 데이터 효율성을 향상시킬 뿐만 아니라 다운스트림 온라인 적응 제어 단계에서 정보를 얻을 수도 있는 몇 가지 주요 기능이 포함되어 있습니다.
DAIML이 스펙트럼 정규화를 사용하여 심층 신경망의 Lipschitz 속성을 제어하여 보이지 않는 데이터에 대한 일반화를 개선하고 폐쇄 루프 안정성과 견고성을 제공한다는 점은 주목할 가치가 있습니다. 또한 DAIML은 학습된 표현이 바람에 불변하고 바람 관련 정보가 온라인 제어 단계에 적용된 선형 계수에만 포함되도록 판별 네트워크를 사용합니다.
온라인 적응 제어 단계에서 연구원들은 학습된 표현이 폐쇄 루프 제어 시스템과 상호 작용하는 방식에 대한 기본적인 이해를 기반으로 하고 엄격한 이론적 지원을 받는 정규화된 복합 적응 제어 법칙을 개발했습니다.
구체적으로 적응법칙은 위치 추적 오차항과 공기역학적 예측 오차항의 조합을 사용하여 바람과 관련된 선형 계수를 업데이트합니다. 이 접근 방식은 모든 바람 조건에 대한 안정적이고 빠른 적응과 불완전한 학습에 대한 견고성을 효과적으로 보장합니다. 이 적응 제어 법칙은 많은 학습된 모델과 함께 사용될 수 있지만 DAIML에서 학습된 정확한 표현은 적응 속도를 더욱 향상시키는 데 도움이 됩니다.실험 결과
Neural-Fly의 추적 성능은 외부 바람 간섭이 없고 10배의 제어 주파수가 필요한 온보드 광학 센서와 DC 모터 속도 피드백을 사용하는 보다 복잡한 하드웨어를 사용하는 관련 작업과 비교해도 경쟁력이 있습니다.
아래 표 1은 다양한 바람 조건에서 다양한 방법의 오류 추적 통계를 보여줍니다.
Neural-Fly-Transfer는 UAV 구성 변경 및 모델 불일치에 대한 견고성을 보여줍니다. NF-Constant, L_1 및 INDI 방법은 모두 기본 물리적 구조를 가정하지 않고 알 수 없는 역학에 직접 적응하며 유사한 성능을 갖습니다.
마지막으로 연구원들은 아래 그림 1과 같이 Neural-Fly가 일련의 기능을 구현하여 드론이 강한 바람 조건에서 궤적을 따라 저고도 문을 빠르게 통과할 수 있음을 입증했습니다.
위 내용은 강풍에도 견딜 수 있는 드론? Caltech는 12분의 비행 데이터를 사용하여 드론이 바람을 타고 비행하도록 가르칩니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
