當(dāng)風(fēng)大到可以把傘吹壞的程度，無人機(jī)卻穩(wěn)穩(wěn)當(dāng)當(dāng)，就像這樣：

御風(fēng)飛行是空中飛行的一部分，從大的層面來講，當(dāng)飛行員駕駛飛機(jī)著陸時，風(fēng)速可能會給他們帶來挑戰(zhàn)；從小的層面來講，陣風(fēng)也會影響無人機(jī)的飛行。

目前來看，無人機(jī)要么在受控條件下飛行，無風(fēng)；要么由人類使用遙控器操作。無人機(jī)被研究者控制在開闊的天空中編隊飛行，但這些飛行通常是在理想的條件和環(huán)境下進(jìn)行的。

然而，要想讓無人機(jī)自主執(zhí)行必要但日常的任務(wù)，例如運(yùn)送包裹，無人機(jī)必須能夠?qū)崟r適應(yīng)風(fēng)況。

為了讓無人機(jī)在風(fēng)中飛行時具有更好的機(jī)動性，來自加州理工學(xué)院的一組工程師開發(fā)了一種深度神經(jīng)網(wǎng)絡(luò) Neural-Fly，即一種人工智能工具，可以讓無人機(jī)在有風(fēng)的情況下保持敏捷，只需更新一些關(guān)鍵參數(shù)，即可幫助無人機(jī)實時應(yīng)對新的和未知的風(fēng)況。

文章開頭我們已經(jīng)初步見識到了無人機(jī)的抗風(fēng)能力，下面展示了一架四旋翼無人機(jī)，借助該研究開發(fā)的工具，它可以在風(fēng)速達(dá)到 27 英里 / 小時的情況下完成 8 字形穿梭操作：

換個角度觀賞一下無人機(jī)御風(fēng)飛行：

為了讓無人機(jī)可以在各種風(fēng)速下穿梭，數(shù)據(jù)是必不可少的，這項研究需要的數(shù)據(jù)不多，在獲得短短 12 分鐘的飛行數(shù)據(jù)后，配備 Neural-Fly 的自動四旋翼無人機(jī)就學(xué)會了如何對強(qiáng)風(fēng)做出響應(yīng)?！赣玫降臄?shù)據(jù)量非常小，」加州理工學(xué)院航空航天系研究生 Michael O’Connell 表示，他是論文作者之一。

這項研究已于周三發(fā)表在《科學(xué) · 機(jī)器人學(xué)》(Science Robotics) 雜志上。

• 論文地址：https://www.science.org/doi/10.1126/scirobotics.abm6597
• arXiv 地址：https://arxiv.org/pdf/2205.06908.pdf

在 Neural-Fly 實驗訓(xùn)練中，無人機(jī)在風(fēng)洞中飛行，有六種不同的風(fēng)速，最快的是 13.4 英里 / 小時。

根據(jù)這些數(shù)據(jù)，該團(tuán)隊創(chuàng)建了深度神經(jīng)網(wǎng)絡(luò)，然后讓他們的飛行器能夠熟練地在同一風(fēng)洞中進(jìn)行機(jī)動，例如以 8 字形圖案放大大門或通過兩個橢圓形大門巡航。無人機(jī)在測試中的速度比它在訓(xùn)練中遇到的更快：大約每小時 27 英里。這是該風(fēng)洞可以產(chǎn)生的最大風(fēng)速，該論文作者、加州理工學(xué)院研究生石冠亞指出。除了只需要少量數(shù)據(jù)外，該軟件僅在 Raspberry Pi 上運(yùn)行，這是一種廉價的計算設(shè)備。

加州理工學(xué)院航空航天、控制和動力學(xué)系統(tǒng)教授、通訊作者 Soon-Jo Chung 表示，他們看到的誤差率與現(xiàn)有的 SOTA 技術(shù)相比，配備新系統(tǒng)的無人機(jī)飛行性能要好 2.5 至 4 倍。

下圖從左到右依次為石冠亞、Soon-Jo Chung 和 Michael O'Connell 。值得祝賀的是，石冠亞將在 2023 年 9 月入職卡內(nèi)基梅隆大學(xué)計算機(jī)學(xué)院機(jī)器人研究所擔(dān)任助理教授。

研究者表示，這項技術(shù)未來將被用于無人機(jī)快遞或飛行汽車。

Neural-Fly 技術(shù)概覽

無人機(jī)（UAV）如果想要實現(xiàn)持續(xù)的商業(yè)化，在動態(tài)高速風(fēng)中執(zhí)行安全和精確的飛行機(jī)動至關(guān)重要。但是，由于不同風(fēng)況之間的關(guān)系以及它們對無人機(jī)機(jī)動性的影響沒有得到深入地研究，因此使用傳統(tǒng)控制設(shè)計方法來設(shè)計高效的機(jī)器人控制器具有挑戰(zhàn)性。

加州理工學(xué)院的研究者提出的「Neural-Fly」是一種數(shù)據(jù)驅(qū)動方法，它作為一種基于深度學(xué)習(xí)的軌跡跟蹤控制器，可以學(xué)習(xí)快速適應(yīng)快速變化的風(fēng)況。下圖 3(A) 為數(shù)據(jù)收集過程；3(B) 為風(fēng)速 13.3km/h (3.7m/s) 的情況下，訓(xùn)練數(shù)據(jù)的輸入和標(biāo)簽；3(C) 為不同風(fēng)況下輸入數(shù)據(jù)和標(biāo)簽數(shù)據(jù)的分布。

在線自適應(yīng) + 離線元學(xué)習(xí)

下圖 2 為 Neural-Fly 方法概覽，表明了它在自適應(yīng)飛行控制和基于深度學(xué)習(xí)的機(jī)器人控制方面取得了進(jìn)展。在標(biāo)準(zhǔn) UAV 的動態(tài)風(fēng)況下，Neural-Fly 實現(xiàn)了對靈活且具有挑戰(zhàn)性軌跡的厘米級位置誤差跟蹤。具體來說，該方法主要有兩部分組成，分別是離線學(xué)習(xí)階段和用于實時在線學(xué)習(xí)的在線自適應(yīng)控制階段。

對于離線學(xué)習(xí)階段，研究者開發(fā)了域?qū)共蛔冊獙W(xué)習(xí)（Domain Adversarially Invariant Meta-Learning, DAIML），它以一種數(shù)據(jù)高效的方式學(xué)習(xí)空氣動力學(xué)與風(fēng)況無關(guān)的深度神經(jīng)網(wǎng)絡(luò)（DNN）表示。該表示通過更新一組混合深度神經(jīng)網(wǎng)絡(luò)輸出的線性系數(shù)來適應(yīng)不同的風(fēng)況。

DAIML 還具有數(shù)據(jù)高效性，僅使用 6 種不同風(fēng)況下共計 12 分鐘的飛行數(shù)據(jù)來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。DAIML 包含的幾種關(guān)鍵特性不僅可以提升數(shù)據(jù)效率，而且能夠由下游在線自適應(yīng)控制階段提供信息。

值得注意的是，DAIML 使用譜歸一化來控制深度神經(jīng)網(wǎng)絡(luò)的 Lipschitz 屬性，以提高對未見過數(shù)據(jù)的泛化能力，并提供閉環(huán)穩(wěn)定性和穩(wěn)健性。此外，DAIML 還使用判別式網(wǎng)絡(luò)來確保學(xué)得的表示具有風(fēng)不變形，并且風(fēng)相關(guān)信息僅包含在適應(yīng)在線控制階段的線性系數(shù)中。

對于在線自適應(yīng)控制階段，研究者開發(fā)了一種正則化復(fù)合自適應(yīng)控制律，它是基于對學(xué)得表示如何與閉環(huán)控制系統(tǒng)交互的基本理解中得出的，并具有嚴(yán)格的理論支撐。

具體地，自適應(yīng)律使用位置跟蹤誤差項和氣動力預(yù)測誤差項的組合來對與風(fēng)有關(guān)的線性系數(shù)進(jìn)行更新。這種方法有效地保證了對任何風(fēng)況的穩(wěn)定和快速適應(yīng)以及對不完美學(xué)習(xí)的穩(wěn)健性。盡管這種自適應(yīng)控制律能夠與很多學(xué)得的模型一起使用，但從 DAIML 中學(xué)習(xí)的精確表示有助于進(jìn)一步提升自適應(yīng)速度。

實驗結(jié)果

就 Neural-Fly 的效果而言，它比非線性跟蹤控制器平均提升 66%，比 L_1 自適應(yīng)控制器提升 42%，比增量非線性動態(tài)反演（INDI）控制器提升 35%。所有這些結(jié)果都是使用標(biāo)準(zhǔn)四旋翼無人機(jī)硬件完成的，同時運(yùn)行 PX4 的默認(rèn)調(diào)節(jié)姿態(tài)控制。

即使與沒有外部風(fēng)干擾和使用更復(fù)雜硬件的相關(guān)工作（比如需要 10 倍控制頻率和使用直流電動機(jī)速度反饋的板載光學(xué)傳感器）相比，Neural-Fly 的跟蹤性能也具有競爭力。

下表 1 為不同方法在不同風(fēng)況下的誤差跟蹤統(tǒng)計。

研究者將 Neural-Fly 與兩個變體進(jìn)行了比較，它們分別是 Neural-Fly-Transfer 和 Neural-Fly-Constant。其中，NF-Transfer 使用從不同無人機(jī)的數(shù)據(jù)上訓(xùn)練學(xué)得的表示，而 NF-Constant 僅使用具有 trivial 非學(xué)習(xí)基礎(chǔ)的自適應(yīng)控制律。

Neural-Fly-Transfer 表明了對無人機(jī)配置變化和模型不匹配的穩(wěn)健性，NF-Constant、L_1 和 INDI 方法都直接適應(yīng)未知動力學(xué)，而不假設(shè)底層物理結(jié)構(gòu)，它們具有相似的性能。

最后，研究者證明 Neural-Fly 能夠?qū)崿F(xiàn)一系列功能，允許無人機(jī)在狂風(fēng)條件下遵循軌跡敏捷地飛過低高度門，具體如下圖 1 所示。