- 您好，
- 歡迎訪(fǎng)問(wèn)無(wú)人機(jī)網(wǎng)（www.hldxsj.cn)!
-
- 消息0
- 請(qǐng)登錄
- 免費(fèi)注冊(cè)
-
微信號(hào):youuav
關(guān)注官方微信
m.youuav.com手機(jī)掃碼看新聞
-
- 銷(xiāo)售
- 發(fā)布產(chǎn)品
- 管理產(chǎn)品
- 求購(gòu)
- 發(fā)布求購(gòu)
- 管理求購(gòu)
- 添加收藏
- 關(guān)于我們
無(wú)人機(jī)整機(jī)
無(wú)人機(jī)配件
無(wú)人機(jī)服務(wù)
設(shè)備與工具未建模且日益復(fù)雜的空氣動(dòng)力學(xué)是精確飛行控制最顯著的挑戰(zhàn)之一。在多風(fēng)環(huán)境中飛行（如圖1所示），由于無(wú)人機(jī)、誘導(dǎo)氣流和風(fēng)之間的不穩(wěn)定空氣動(dòng)力相互作用，導(dǎo)致更加復(fù)雜（煙霧可視化見(jiàn)圖1F）。這些非定常和非線(xiàn)性氣動(dòng)效應(yīng)極大地降低了常規(guī)無(wú)人機(jī)控制方法的性能，而這些方法在控制設(shè)計(jì)中忽略了它們。
圖1 通過(guò)狹窄的大門(mén)敏捷飛行。
在（A）中， 加州理工學(xué)院真實(shí)天氣風(fēng)洞系統(tǒng)、四旋翼無(wú)人機(jī)和閘門(mén)。在我們的飛行測(cè)試中，無(wú)人機(jī)在具有挑戰(zhàn)性的風(fēng)條件下，通過(guò)比無(wú)人機(jī)本身略寬的狹窄大門(mén)，沿著靈活的軌跡飛行。（B和C）閘門(mén)試驗(yàn)所用的軌跡。
在（B）中，無(wú)人機(jī)在風(fēng)速為3.1米/秒或隨時(shí)間變化的風(fēng)況下，通過(guò)一個(gè)閘門(mén)遵循圖8。
在（C）中，無(wú)人機(jī)在水平面上通過(guò)兩扇大門(mén)沿著一個(gè)橢圓形飛行，風(fēng)速為3.1米/秒（D和E），長(zhǎng)曝光照片（曝光時(shí)間為5秒），顯示兩項(xiàng)任務(wù)中的一圈。（F至I）高速照片（快門(mén)速度為1/200秒），顯示無(wú)人機(jī)通過(guò)大門(mén)的瞬間以及無(wú)人機(jī)與風(fēng)之間的相互作用。
我們提出了一種稱(chēng)為神經(jīng)飛行的數(shù)據(jù)驅(qū)動(dòng)方法，這是一種基于深度學(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。我們的方法，如圖2所示，對(duì)自適應(yīng)飛行控制和基于深度學(xué)習(xí)的機(jī)器人控制進(jìn)行了改進(jìn)并提供了見(jiàn)解。我們的實(shí)驗(yàn)表明，在標(biāo)準(zhǔn)無(wú)人機(jī)上，神經(jīng)飛行可以在動(dòng)態(tài)風(fēng)條件下實(shí)現(xiàn)厘米級(jí)的位置誤差跟蹤。
圖2：離線(xiàn)元學(xué)習(xí)和在線(xiàn)自適應(yīng)控制設(shè)計(jì)。
（A） 自適應(yīng)控制器中的在線(xiàn)自適應(yīng)塊。
（B） 我們的元學(xué)習(xí)算法DAIML的說(shuō)明。
（C） 我們的控制方法圖，其中灰色部分對(duì)應(yīng)于（A）。
風(fēng)況設(shè)計(jì)
為了為數(shù)據(jù)收集和實(shí)驗(yàn)生成動(dòng)態(tài)和多樣的風(fēng)況，我們利用了最先進(jìn)的加州理工學(xué)院真實(shí)天氣風(fēng)洞系統(tǒng)（圖1A）。風(fēng)洞是一個(gè)由1296個(gè)獨(dú)立可控風(fēng)扇組成的3米×3米陣列，能夠產(chǎn)生高達(dá)43.6公里/小時(shí)的風(fēng)力條件。分布式風(fēng)扇由基于Python的應(yīng)用程序編程接口（API）實(shí)時(shí)控制。為了進(jìn)行數(shù)據(jù)收集和飛行試驗(yàn)，我們?cè)O(shè)計(jì)了兩種類(lèi)型的風(fēng)況。對(duì)于第一種類(lèi)型，每個(gè)風(fēng)機(jī)具有0到43.6 km/h（12.1 m/s）之間的均勻恒定風(fēng)速。第二類(lèi)風(fēng)在時(shí)間上遵循正弦函數(shù)，例如30.6+8.6 sin（t）km/h。請(qǐng)注意，培訓(xùn)數(shù)據(jù)僅涵蓋高達(dá)6.1米/秒的恒定風(fēng)速。為了可視化風(fēng)，我們使用了五個(gè)煙霧發(fā)生器來(lái)指示風(fēng)況的方向和強(qiáng)度（參見(jiàn)圖1）
使用DAIML的離線(xiàn)學(xué)習(xí)和在線(xiàn)自適應(yīng)控制開(kāi)發(fā)數(shù)據(jù) 收集和元學(xué)習(xí)
數(shù)據(jù)采集頻率為50 Hz，共有36000個(gè)數(shù)據(jù)點(diǎn)。圖3A顯示了數(shù)據(jù)收集過(guò)程，圖3B顯示了13.3 km/h（3.7 m/s）風(fēng)速條件下訓(xùn)練數(shù)據(jù)的輸入和標(biāo)簽。圖3C顯示了不同風(fēng)況下輸入數(shù)據(jù)（螺距）和標(biāo)簽數(shù)據(jù)（氣動(dòng)力的x分量）的分布。風(fēng)況的變化會(huì)導(dǎo)致輸入域和標(biāo)簽域的分布變化，這促使DAIML的算法設(shè)計(jì)。在Intel Aero無(wú)人機(jī)上重復(fù)相同的數(shù)據(jù)收集過(guò)程，以研究學(xué)習(xí)的表示是否可以推廣到不同的無(wú)人機(jī)。
圖3 訓(xùn)練數(shù)據(jù)收集。
（A） 沿2分鐘隨機(jī)軌跡的xyz位置，用于使用加州理工學(xué)院真實(shí)天氣風(fēng)洞中的風(fēng)速為8.3公里/小時(shí)（3.7米/秒）。
（B） 我們學(xué)習(xí)模型的輸入（速度、姿態(tài)四元數(shù)和電機(jī)速度PWM命令）和標(biāo)簽（氣動(dòng)殘余力離線(xiàn)計(jì)算）的典型10秒軌跡，對(duì)應(yīng)于（A）中突出顯示的部分。
（C） 顯示不同風(fēng)況下數(shù)據(jù)分布的直方圖。左：風(fēng)效應(yīng)力的x分量分布，fx。這表明空氣動(dòng)力效應(yīng)隨風(fēng)的變化而變化。右圖：音高分布，作為學(xué)習(xí)模型輸入的狀態(tài)組件。這表明風(fēng)條件的變化會(huì)導(dǎo)致輸入的分布變化。
在為我們的定制無(wú)人機(jī)和Intel Aero無(wú)人機(jī)收集的數(shù)據(jù)集上，我們應(yīng)用DAIML算法學(xué)習(xí)兩種表示風(fēng)的影響。學(xué)習(xí)過(guò)程在普通臺(tái)式計(jì)算機(jī)上離線(xiàn)完成，如圖2B所示。圖4顯示了學(xué)習(xí)過(guò)程中線(xiàn)性系數(shù)（a*）的演變，其中DAIML學(xué)習(xí)所有風(fēng)條件共享的空氣動(dòng)力效應(yīng)的表示，線(xiàn)性系數(shù)包含風(fēng)的特定信息。此外，從不同風(fēng)況下的線(xiàn)性系數(shù)很好地分離的意義上可以解釋學(xué)習(xí)到的表示（見(jiàn)圖4）。
圖4 t-SNE圖顯示了訓(xùn)練過(guò)程中線(xiàn)性權(quán)重（a*）的演變。隨著訓(xùn)練次數(shù)的增加，a*的分布變得更加密集，風(fēng)速簇彼此接近。聚類(lèi)還有一個(gè)物理意義：經(jīng)過(guò)訓(xùn)練收斂后，右上角對(duì)應(yīng)的風(fēng)速較高。這表明DAIML成功地學(xué)習(xí)了基函數(shù)由所有風(fēng)條件共享，風(fēng)相關(guān)信息包含在線(xiàn)性權(quán)重中。
軌跡跟蹤性能
當(dāng)無(wú)人機(jī)沿著2.5米寬、1.5米高的figure-8彈道飛行，在0公里/小時(shí)的恒定均勻風(fēng)速下，圈速為6.28秒時(shí)，我們定量比較了上述控制方法的性能。每個(gè)實(shí)驗(yàn)的飛行軌跡如圖5所示，其中包括一個(gè)預(yù)熱圈和六個(gè)6.28秒的圈。非線(xiàn)性基線(xiàn)積分項(xiàng)補(bǔ)償?shù)谝蝗?nèi)的平均模型誤差。隨著風(fēng)速的增加，空氣動(dòng)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(fēng)速下，性能會(huì)顯著下降
戶(hù)外實(shí)驗(yàn)
我們?cè)?a href="http://www.hldxsj.cn/shop/1099/index/" title="微風(fēng)" target="_blank">微風(fēng)條件下（風(fēng)速高達(dá)17公里/小時(shí)）在室外測(cè)試了我們的算法。車(chē)載GPS接收機(jī)向EKF提供位置信息，狀態(tài)估計(jì)精度較低，因此空氣動(dòng)力殘余力估計(jì)精度較低。在上述相同的圖8軌跡之后，控制器達(dá)到7.5 cm的平均跟蹤誤差，如圖7所示。
圖6 室外飛行設(shè)置和性能。左：在室外實(shí)驗(yàn)中，部署了GPS模塊進(jìn)行狀態(tài)估計(jì)，氣象站記錄風(fēng)廓線(xiàn)。試驗(yàn)期間的最大風(fēng)速約為17 km/h（4.9 m/s）。右圖：神經(jīng)蠅的軌跡跟蹤性能。
當(dāng)在加州理工學(xué)院真實(shí)天氣風(fēng)洞產(chǎn)生的具有挑戰(zhàn)性的風(fēng)況下進(jìn)行評(píng)估時(shí)，風(fēng)速高達(dá)43.6公里/小時(shí)（12.1米/秒），與最先進(jìn)的非線(xiàn)性和自適應(yīng)控制器相比，神經(jīng)飛行實(shí)現(xiàn)了精確的飛行控制，跟蹤誤差大大減小。除了強(qiáng)大的經(jīng)驗(yàn)性能外，神經(jīng)飛行的指數(shù)穩(wěn)定性還保證了魯棒性。最后，我們的控制設(shè)計(jì)外推到了看不見(jiàn)的風(fēng)況，結(jié)果表明，對(duì)于只有機(jī)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(wú)人機(jī)傳輸。
源自：O’Connell et al., Sci. Robot. 7, eabm6597 (2022) 4 May 2022
2025-09-04 22:05
2025-09-02 22:07
2025-08-29 10:11
2025-08-25 13:39
2025-08-20 22:05
2025-08-11 22:15
2025-08-09 14:02
2025-08-07 09:24
2022-07-07 11:02
2022-06-15 10:42
