深度學習方法 十二分鐘教會飛行器全天候飛行

“Neural-Fly較有意思的應用是飛行汽車或城市空中交通。隨著空中交通密度的增大，人類必將需要更精準、更智能、更安全、適應性更強的決策方法?，F(xiàn)在我們正把Neural-Fly應用在四旋翼以外的無人機系統(tǒng)上，尤其是能夠垂直起降的電動無人機。其他應用場景包括無人機運貨、飛行救護車等?！奔磳⒂?023年入職卡內基梅隆大學機器人研究所擔任助理教授的石冠亞表示。

石冠亞在調試位于加州理工學院CAST實驗室的風墻

近日，他研發(fā)出一個名為Neural-Fly的基于深度學習的機器人控制方法。Neural-Fly的方法論和理論部分，并不局限于飛行機器人，而是適用于所有可以由歐拉-拉格朗日方程描述的機器人系統(tǒng)。目前，該團隊正考慮將方法擴展到足式機器人上，并取得了一定進展。

相關論文以《Neural-Fly能夠在強風中快速學習敏捷飛行》為題發(fā)表。石冠亞擔任共同第一作者（首字母順序），加州理工學院工程與應用科學系教授Soon-Jo Chung擔任通訊作者。

相關論文

01 立項動機和研發(fā)過程

這項研究開始于2019年末，最初立項是因為雖然該團隊之前的工作“Neural-Lander”很好解決了單一環(huán)境下學習空氣動力學的問題，但是它并不能在動態(tài)環(huán)境中進行在線自適應。

另一個立項動機是，2017年開始加州理工學院建立了機器人與自動化中心。令石冠亞非常激動的是，該中心引入了可以即時控制風況的風墻。不同于傳統(tǒng)風洞，研究人員能在這個風墻前面飛行無人機，而傳統(tǒng)風洞通常需要把飛行器固定住。

因此，他很自然地產(chǎn)生了如下想法：為什么不能從多個風況中收集數(shù)據(jù)，用深度學習的工具從這些數(shù)據(jù)中“學習規(guī)律”，然后做在線自適應控制呢？……