人工智能控制系统能自动学习适应未知干扰因素，例如阵风。在美内华达山脉执行向山火区域运送水剂任务的自主无人机，可能会遇到威胁其航线的圣塔安娜旋风气流。在飞行中迅速适应此类未知扰动，对无人机的飞行控制系统而言是一项巨大挑战。为此，麻省理工学院（MIT）的研究人员开发了一种基于机器学习的新型自适应控制算法，可在面对阵风等不可预测外力时，最大程度地减少其相对于预定轨迹的偏差。
与标准方法不同，新技术的优势在于无需让给自主无人机编程的人员提前了解任何关于这些不确定干扰的结构信息。相反，该控制系统的人工智能模型仅需从15分钟飞行时间收集的少量观测数据中学习所需的一切知识。重要的是，该技术能自动判定应使用哪种优化算法来适应干扰，从而提升跟踪性能。它会选择最契合当前无人机所面临特定干扰几何特征的算法。研究人员使用一种称为元学习的技术训练其控制系统同时完成这两项任务——该技术教授系统如何适应不同类型的干扰。综合运用上述技术，该自适应控制系统在仿真实验中能将轨迹跟踪误差降低50%，优于基准方法；面对训练中未曾见过的新风速，其表现也更出色。
未来，该自适应控制系统或有助于自主无人机在强风中更高效地运送重型包裹，或更有效地在国家公园火灾易发区域执行监测任务。
“同时学习这些要素是我们的方法强大之处所在。通过利用元学习，我们的控制器能自动做出最有利于快速适应的选择。”纳维德·阿齐赞表示。阿齐赞是麻省理工学院机械工程系和信息与决策系统实验室（LIDS）的埃斯特与哈罗德·E·埃杰顿助理教授（亦隶属于数据、系统与社会研究所，IDSS），也是这篇关于该控制系统论文的通讯作者。
论文的共同作者还包括航空航天系研究生（第一作者）Sunbochen Tang，以及电气工程与计算机科学系研究生Haoyuan Sun。该研究近期在“学习用于动力学与控制大会”上发布。
寻找最优算法
通常，控制系统会包含一个模拟无人机及其环境的函数，其中含有一些关于潜在干扰结构的现有信息。然而，在充满不确定性的现实世界中，往往无法提前手动设计好这个结构。
许多控制系统采用基于流行优化算法（即梯度下降法）的适应方法，来估计问题的未知部分，并决策如何在飞行中使无人机尽可能贴近目标轨迹。然而，梯度下降法只是一个统称为镜像下降的更大算法家族中的一员。
镜像下降是一类通用算法，对于任意给定问题，其中某一种算法可能比其他算法更适合。关键在于如何选择适合特定问题的算法。此方法中实现了这一选择的自动化。
在该研究团队的控制系统中，他们用神经网络模型取代了包含潜在干扰结构信息的函数，该模型通过数据学习来近似这些干扰。这样便无需提前获知无人机可能遭遇的风速结构信息。
该方法在通过数据学习神经网络模型的同时，还使用算法自动选择正确的镜像下降函数，而无需假设用户已预先选定理想函数。研究人员为算法提供了一系列备选函数，它会从中找出最适合当前问题的那个。
选择良好的距离生成函数以构建正确的镜像下降适应策略，对于获得能降低跟踪误差的合适算法至关重要。
学会适应
尽管无人机每次飞行可能遭遇的风速会变化，控制器的神经网络和镜像函数应保持不变，这样无需每次重新计算。为使控制器更具灵活性，研究人员运用元学习，通过在训练期间向系统展示一系列风速族谱来教会它如何适应。
该方法能应对不同目标，因为借助元学习，我们可以有效地从数据中学习到跨不同场景的共享表征。
最终，用户向控制系统输入目标轨迹后，系统会进行实时持续计算，决策无人机应如何产生推力以在适应所遭遇不确定干扰的同时，尽可能贴近该目标轨迹。无论在仿真还是真实世界实验中，研究人员都证明，在他们测试的每一个风速条件下，该方法导致的轨迹跟踪误差均显著低于基准方法。即使风干扰强度远超训练中所见，该技术也显示出成功处理它们的能力。此外，随着风速增强，该方法相对于基准方法的优势幅度也在增大，表明其能适应挑战性环境。
该团队目前正在进行硬件实验，以在真实无人机上测试其控制系统在不同风况及其他干扰下的表现。他们还希望扩展该方法，使其能同时处理来自多源的干扰。例如，变化的风速可能导致无人机载运的包裹重量在飞行中发生偏移，尤其是在运送晃动载荷时。他们也在探索持续学习技术，使无人机无需针对已见过的数据重新训练就能适应新的干扰。
此突破性成果，将元学习与常规自适应控制相结合，从数据中学习非线性特征。其方法的关键在于利用镜像下降技术以前沿技术无法企及的方式，挖掘问题的底层几何特征。该工作对设计需要在复杂和不确定环境中运行的自主系统具有重大贡献。
该研究得到了MathWorks、麻省理工学院-IBM沃森人工智能实验室、麻省理工学院-亚马逊科学中心以及麻省理工学院-谷歌计算创新计划的部分支持。
原文
相关内容
微信扫码咨询专知VIP会员