盖世汽车讯在自然界中，飞行动物能够感知周围环境的变化，包括突然出现的湍流，并迅速做出调整以确保安全。设计飞机的工程师希望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，如果飞机具有这种自动感知和预测能力，并结合稳定飞行器的机制，就可以避免飞机因湍流而发生的危险。
据外媒报道，来自加州理工学院（Caltech）自动驾驶系统和技术中心（CAST）和英伟达（Nvidia）的研究团队取得新研究突破，为无人驾驶飞行器（UAV）开发的一种控制策略，称为FALCON（Fourier Adaptive Learning and CONtrol，傅立叶自适应学习和控制），并发表于期刊《npj Robotics》。
图片来源：期刊《npj Robotics》
该策略使用强化学习（一种人工智能）来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体验来控制无人机。
“自发湍流对从民用飞机到无人机等所有事物都有重大影响。随着气候变化，导致此类湍流的极端天气事件正在增加，”航空和医学工程汉斯·W·利普曼（Hans W. Liepmann）教授、CAST布斯-克雷萨（Booth-Kresa）领导主席、新论文作者Mory Gharib表示。“极端湍流也出现在两种不同剪切流之间的界面上——例如，当高速风在高层建筑周围遇到停滞时。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为这些飞行器提供了一种了解即将来临的湍流并做出必要调整的方法。”
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。
“这在真实世界中效果并不好，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Bren计算与数学科学教授、新论文作者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，”英伟达的合著者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）。这些波很好地近似了标准风运动，将所需的计算量降至最低。在这些波中，当极端湍流出现时，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，那么我们的方法就能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表示。
“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。“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，研究人员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面临各种独特的挑战，”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。
“随着每次新的观察，程序会变得更好，因为它拥有更多信息，”Anandkumar表示。“未来真的取决于软件在需要越来越少的培训方面变得有多强大，”Gharib表示。“快速适应将是一个挑战，我们会不断努力。”
展望未来，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。
