经过人工智能训练的车辆可以随时适应极端湍流

Josiah02

在自然界中，飞行动物能够感知周围环境的变化，包括突然出现的湍流，并迅速调整以保证安全。设计飞机的工程师希望他们的飞行器也具有同样的能力，能够预测即将到来的干扰并做出适当的反应。
事实上，如果飞机具备这样的自动感知和预测能力，并结合稳定飞行器的机制，那么今年 5 月新加坡航空公司发生的致命航班事故（飞机遭遇严重湍流，造成 100 多名乘客受伤）是可以避免的。
现在，加州理工学院自主系统和技术中心 (CAST) 和 Nvidia 的研究人员团队朝着实现此类能力迈出了重要一步。在npj Robotics杂志的一篇新论文中，该团队描述了他们为无人驾驶飞行器 (UAV) 开发的一种控制策略，称为 FALCON（傅立叶自适应学习和控制）。
该策略使用人工智能的一种形式——强化学习，自适应地学习湍流风如何随时间变化，然后利用这些知识根据实时经历的情况来控制无人机。
“自发湍流对从民用飞机到无人机等所有事物都会产生重大影响。随着气候变化，导致此类湍流的极端天气事件正在增加，”汉斯·W·利普曼航空和医学工程教授、CAST 的 Booth-Kresa 领导主席、新论文作者 Mory Gharib 表示。
“极端湍流也会出现于两种不同剪切流的交界处——例如，当高速风遇到高层建筑周围的停滞时。因此，城市环境中的无人机需要能够补偿这种突然的变化。FALCON 让这些飞行器能够了解即将来临的湍流并做出必要的调整。”
FALCON 并不是第一个使用强化学习的无人机控制策略。然而，以前的策略并没有尝试学习真正代表湍流风如何运作的底层模型。相反，它们都是无模型方法。这类方法专注于最大化奖励函数，而这些函数无法用于处理不同的设置，例如不同的风况或车辆配置，因为它们只关注一种环境，所以需要重新训练。
这段慢动作视频是为便于观察而拍摄的，烟雾在加州理工学院真实天气风洞系统中拍摄，拍摄时的气流速度明显低于实际实验。图片来源：加州理工学院
“这在物理世界中并不好，因为我们知道情况可能会发生剧烈而迅速的变化，”加州理工学院布伦计算与数学科学教授、新论文作者阿尼玛·阿南德库马尔 (Anima Anandkumar) 表示。“我们需要人工智能很好地学习湍流的底层模型，以便它能够根据它认为的风向变化采取行动。”
“基础人工智能的进步将改变航空业的面貌，提高一系列平台（包括客机、无人机和运载机）的安全性、效率和性能。这些创新有望使航空旅行和运营更加智能、安全和精简，”Nvidia 的合著者 Kamyar Azizzadenesheli 表示。
正如 FALCON 的缩写所言，该策略基于傅立叶方法，这意味着它依赖于使用正弦波或周期波来表示信号（这里指的是风况）。这些波可以很好地近似标准风运动，从而将所需的计算量降至最低。在这些波中，当出现极端湍流时，不稳定性会以频率的明显变化表现出来。
“如果你能学会如何预测这些频率，那么我们的方法就可以让你预测出接下来会发生什么，”加州理工学院研究生航空航天实验室主任 Gharib 说道。
“傅里叶方法在这里效果很好，因为湍流波在频率方面更易于建模，其大部分能量都位于低频，”共同主要作者 Sahin Lale 说道，他现在是 Neural Propulsion Systems, Inc. 的高级研究员，在加州理工学院期间完成了这项工作。“利用这些先验知识可以简化湍流动力学的学习和控制，即使信息量有限。”
为了测试 FALCON 策略的有效性，研究人员在加州理工学院的 John W. Lucas 风洞中创建了一个极具挑战性的测试装置。他们使用装备齐全的翼型机翼系统作为代表性无人机，为其配备压力传感器和控制面，可以在线调整系统的高度和偏航等。然后，他们在风洞中放置了一个带有可移动附件的大型圆柱体。当风吹过圆柱体时，到达翼型的风会产生随机的大幅波动。
“在物理湍流环境中训练强化学习算法会带来各种独特的挑战，”该论文的共同主要作者、现任 Virtu Financial 量化策略师的 Peter I. Renn 表示。“我们不能依赖完全清晰的信号或简化的流动模拟，一切都必须实时完成。”
经过大约九分钟的学习，FALCON 辅助系统能够在这种极端环境中自我稳定。
阿南德库马尔说：“随着每次新的观察，该程序会变得更好，因为它拥有更多的信息。”
“未来真的取决于软件在需要越来越少的培训方面有多强大，”加里布说。“快速适应将是一个挑战，我们会不断努力。”
展望未来，他补充说，研究人员设想让无人机甚至客机能够相互分享感知和学习到的状况信息。这种飞机间传感器测量值和基于人工智能的学习共享，尤其是在干扰附近时，可以帮助确保飞机的安全。
“我相信这会发生，”加里布说。“否则，随着极端天气事件发生频率的增加，情况将变得非常危险。”