無人機整機
無人機配件
無人機服務
設備與工具未建模且日益復雜的空氣動力學是精確飛行控制最顯著的挑戰之一。在多風環境中飛行（如圖1所示），由于無人機、誘導氣流和風之間的不穩定空氣動力相互作用，導致更加復雜（煙霧可視化見圖1F）。這些非定常和非線性氣動效應極大地降低了常規無人機控制方法的性能，而這些方法在控制設計中忽略了它們。
圖1 通過狹窄的大門敏捷飛行。
在（A）中， 加州理工學院真實天氣風洞系統、四旋翼無人機和閘門。在我們的飛行測試中，無人機在具有挑戰性的風條件下，通過比無人機本身略寬的狹窄大門，沿著靈活的軌跡飛行。（B和C）閘門試驗所用的軌跡。
在（B）中，無人機在風速為3.1米/秒或隨時間變化的風況下，通過一個閘門遵循圖8。
在（C）中，無人機在水平面上通過兩扇大門沿著一個橢圓形飛行，風速為3.1米/秒（D和E），長曝光照片（曝光時間為5秒），顯示兩項任務中的一圈。（F至I）高速照片（快門速度為1/200秒），顯示無人機通過大門的瞬間以及無人機與風之間的相互作用。
我們提出了一種稱為神經飛行的數據驅動方法，這是一種基于深度學習的軌跡跟蹤控制器，可以學習快速適應快速變化的風況。我們的方法，如圖2所示，對自適應飛行控制和基于深度學習的機器人控制進行了改進并提供了見解。我們的實驗表明，在標準無人機上，神經飛行可以在動態風條件下實現厘米級的位置誤差跟蹤。
圖2：離線元學習和在線自適應控制設計。
（A） 自適應控制器中的在線自適應塊。
（B） 我們的元學習算法DAIML的說明。
（C） 我們的控制方法圖，其中灰色部分對應于（A）。
風況設計
為了為數據收集和實驗生成動態和多樣的風況，我們利用了最先進的加州理工學院真實天氣風洞系統（圖1A）。風洞是一個由1296個獨立可控風扇組成的3米×3米陣列，能夠產生高達43.6公里/小時的風力條件。分布式風扇由基于Python的應用程序編程接口（API）實時控制。為了進行數據收集和飛行試驗，我們設計了兩種類型的風況。對于第一種類型，每個風機具有0到43.6 km/h（12.1 m/s）之間的均勻恒定風速。第二類風在時間上遵循正弦函數，例如30.6+8.6 sin（t）km/h。請注意，培訓數據僅涵蓋高達6.1米/秒的恒定風速。為了可視化風，我們使用了五個煙霧發生器來指示風況的方向和強度（參見圖1）
使用DAIML的離線學習和在線自適應控制開發數據 收集和元學習
數據采集頻率為50 Hz，共有36000個數據點。圖3A顯示了數據收集過程，圖3B顯示了13.3 km/h（3.7 m/s）風速條件下訓練數據的輸入和標簽。圖3C顯示了不同風況下輸入數據（螺距）和標簽數據（氣動力的x分量）的分布。風況的變化會導致輸入域和標簽域的分布變化，這促使DAIML的算法設計。在Intel Aero無人機上重復相同的數據收集過程，以研究學習的表示是否可以推廣到不同的無人機。
圖3 訓練數據收集。
（A） 沿2分鐘隨機軌跡的xyz位置，用于使用加州理工學院真實天氣風洞中的風速為8.3公里/小時（3.7米/秒）。
（B） 我們學習模型的輸入（速度、姿態四元數和電機速度PWM命令）和標簽（氣動殘余力離線計算）的典型10秒軌跡，對應于（A）中突出顯示的部分。
（C） 顯示不同風況下數據分布的直方圖。左：風效應力的x分量分布，fx。這表明空氣動力效應隨風的變化而變化。右圖：音高分布，作為學習模型輸入的狀態組件。這表明風條件的變化會導致輸入的分布變化。
在為我們的定制無人機和Intel Aero無人機收集的數據集上，我們應用DAIML算法學習兩種表示風的影響。學習過程在普通臺式計算機上離線完成，如圖2B所示。圖4顯示了學習過程中線性系數（a*）的演變，其中DAIML學習所有風條件共享的空氣動力效應的表示，線性系數包含風的特定信息。此外，從不同風況下的線性系數很好地分離的意義上可以解釋學習到的表示（見圖4）。
圖4 t-SNE圖顯示了訓練過程中線性權重（a*）的演變。隨著訓練次數的增加，a*的分布變得更加密集，風速簇彼此接近。聚類還有一個物理意義：經過訓練收斂后，右上角對應的風速較高。這表明DAIML成功地學習了基函數由所有風條件共享，風相關信息包含在線性權重中。
軌跡跟蹤性能
當無人機沿著2.5米寬、1.5米高的figure-8彈道飛行，在0公里/小時的恒定均勻風速下，圈速為6.28秒時，我們定量比較了上述控制方法的性能。每個實驗的飛行軌跡如圖5所示，其中包括一個預熱圈和六個6.28秒的圈。非線性基線積分項補償第一圈內的平均模型誤差。隨著風速的增加，空氣動力變化變得更大，我們注意到性能大幅下降。
圖5 然而，在較高的風速下，性能會顯著下降
戶外實驗
我們在微風條件下（風速高達17公里/小時）在室外測試了我們的算法。車載GPS接收機向EKF提供位置信息，狀態估計精度較低，因此空氣動力殘余力估計精度較低。在上述相同的圖8軌跡之后，控制器達到7.5 cm的平均跟蹤誤差，如圖7所示。
圖6 室外飛行設置和性能。左：在室外實驗中，部署了GPS模塊進行狀態估計，氣象站記錄風廓線。試驗期間的最大風速約為17 km/h（4.9 m/s）。右圖：神經蠅的軌跡跟蹤性能。
當在加州理工學院真實天氣風洞產生的具有挑戰性的風況下進行評估時，風速高達43.6公里/小時（12.1米/秒），與最先進的非線性和自適應控制器相比，神經飛行實現了精確的飛行控制，跟蹤誤差大大減小。除了強大的經驗性能外，神經飛行的指數穩定性還保證了魯棒性。最后，我們的控制設計外推到了看不見的風況，結果表明，對于只有機載傳感器的室外飛行是有效的，并且可以在性能退化最小的情況下跨無人機傳輸。
源自：O’Connell et al., Sci. Robot. 7, eabm6597 (2022) 4 May 2022
2022-07-07 11:02
2022-06-15 10:42
2022-06-06 10:10
2022-04-22 11:19
2020-12-04 18:50
2020-11-18 14:48
2020-07-07 16:47
2020-06-24 19:33
2020-06-16 22:14
2020-06-15 14:58
