当风大到可以把伞吹起来时，无人机就稳定了，就像这样：逆风飞行是在空中飞行的一部分,在大规模上，风速可以挑战飞行员在飞机着陆时的挑战；在小范围内，阵风也会影响无人机的飞行。目前，无人机要么在受控条件下无风飞行，要么由人类使用遥控器操作。无人机由研究人员在开阔的天空中编队飞行，但这些飞行通常是在理想的条件和环境下进行的。然而，要让无人机自主执行必要但常规的任务，例如运送包裹，无人机必须能够实时适应风力条件。为了让无人机在风中飞行时更具机动性，来自加州理工学院的工程师团队开发了Neural-Fly，这是一种深度神经网络，这是一种人工智能工具，可以让无人机在大风条件下保持敏捷，只需更新一些关键参数来帮助无人机实时处理新的和未知的风况。文章开头我们已经看到了无人机的抗风能力。下图显示了四旋翼无人机。借助本研究开发的工具，它可以在27英里/小时的风速下完成8字形穿梭作业：换个角度看看无人机逆风飞行：为了让无人机能够行驶在各种风速下，数据是必不可少的。这项研究不需要太多数据。在短短12分钟内获得飞行数据后，一架搭载Neural-Fly的自主四旋翼无人机学会了如何应对强风。“使用的数据量非常小，”加州理工学院航空航天系的研究生、该论文的作者之一迈克尔奥康奈尔说。这项研究周三发表在《科学 · 机器人学》（科学机器人）杂志上。论文地址：https://www.science.org/doi/10.1126/scirobotics.abm6597arXiv地址：https://arxiv.org/pdf/2205.06908.pdf在Neural-Fly实验训练中，无人机在风洞中在飞行中，有六种不同的风速，最快的是13.4mph。根据这些数据，该团队创建了深层神经网络，然后对他们的车辆进行编程，使其能够熟练地通过同一风洞进行机动，例如以8字形图案扩大门或巡航通过两个椭圆形门。无人机在测试中的行进速度比在训练中遇到的要快：大约每小时27英里。这是隧道可以产生的最大风速，该论文的作者和加州理工学院的研究生GuanyaShi说。除了只需要少量数据外，该软件仅在RaspberryPi这种廉价的计算设备上运行。通讯作者、加州理工学院航空航天、控制和动力学系统教授Soon-JoChung表示，他们发现配备新系统的无人机的错误率比现有SOTA技术低2.5到4倍。.下图从左到右分别是石冠亚、钟顺祖和MichaelO'Connell。值得祝贺的是，石冠亚将于2023年9月加入卡耐基梅隆大学计算机学院机器人研究所，担任助理教授。研究人员表示，该技术未来可用于无人机送货或飞行汽车。Neural-Fly技术概述如果无人驾驶飞行器(UAV)要实现持续商业化，那么在动态高速风中执行安全和精确的飞行机动是至关重要的。然而，由于不同风况之间的关系及其对无人机机动性的影响尚未得到很好的研究，因此使用传统的控制设计方法设计高效的机器人控制器具有挑战性。加州理工学院研究人员提出的“Neural-Fly”是一种数据驱动的方法，作为一种基于深度学习的轨迹跟踪控制器，可以学习快速适应快速变化的风况。下图3(A)是数据采集过程；3(B)是风速为13.3km/h(3.7m/s)时训练数据的输入和标签；图3(C)是输入数据和标签在不同风力条件下标签数据的分布。OnlineAdaptation+OfflineMeta-Learning下面的图2概述了Neural-Fly方法，展示了其在自适应飞行控制和基于深度学习的机器人控制方面的进展。在标准无人机的动态风条件下，Neural-Fly在灵活且具有挑战性的轨迹上实现了厘米级的位置误差跟踪。具体来说，该方法主要由两部分组成，离线学习阶段和实时在线学习的在线自适应控制阶段。对于离线学习阶段，研究人员开发了域对抗不变元学习(DAIML)，它以数据高效的方式学习与空气动力学风无关的深度神经网络(DNN)表示。.该表示通过更新混合深度神经网络输出的一组线性系数来适应不同的风力条件。DAIML的数据效率也很高，仅使用6种不同风况下总共12分钟的飞行数据来训练深度神经网络。DAIML包含几个关键特性，不仅可以提高数据效率，还可以被下游在线自适应控制阶段告知。值得注意的是，DAIML使用谱归一化来控制深度神经网络的Lipschitz特性，以改进对未见数据的泛化并提供闭环稳定性和稳健性。此外，DAIML还使用判别网络来确保学习的表示是风不变的，并且与风相关的信息仅包含在适应在线控制阶段的线性系数中。对于在线自适应控制阶段，我们开发了一种正则化复合自适应控制法则，该法则源于对学习表示如何与闭环控制系统相互作用的基本理解，并具有严格的理论基础。具体来说，自适应律使用位置跟踪误差项和空气动力学预测误差项的组合来更新与风相关的线性系数。这种方法有效地保证了对任何风况的稳定和快速适应以及对不完美学习的鲁棒性。尽管这种自适应控制法则可以与许多学习模型一起使用，但从DAIML中学习到的准确表示有助于进一步加快适应速度。实验结果在Neural-Fly的效果方面，它比非线性跟踪控制器平均提高66%，比L_1自适应控制器平均提高42%，比增量非线性动态反演（INDI）控制器平均提高35%。所有这些结果都是在运行PX4默认调谐姿态控制时使用标准四旋翼无人机硬件完成的。即使与没有外部风干扰和使用更复杂硬件（例如需要10倍控制频率并使用直流电机速度反馈的板载光学传感器）的相关工作相比，Neural-Fly的跟踪性能也具有竞争力。下面的表1显示了不同方法在不同风力条件下的误差跟踪统计。研究人员将Neural-Fly与两个变体Neural-Fly-Transfer和Neural-Fly-Constant进行了比较。其中，NF-Transfer使用从不同无人机的数据训练中学习到的表示，而NF-Constant仅使用具有简单非学习基础的自适应控制律。Neural-Fly-Transfer展示了对无人机配置变化和模型不匹配的鲁棒性，NF-Constant、L_1和INDI方法都直接适应未知动力学而不假设底层物理结构，并且它们具有相似的性能。最后，研究人员展示了Neural-Fly可以执行一系列功能，让无人机在大风条件下跟随轨迹，敏捷地飞过低层闸门，如下图1所示。
