一架自动驾驶的无人机载有水以帮助扑灭内华达山脉的野火，这可能会遇到旋转的圣安娜风，威胁要将其推开。迅速适应这些未知的干扰转移对无人机飞行控制系统提出了巨大的挑战。
为了帮助这样的无人机留在目标上，麻省理工学院的研究人员开发了一种新的，基于机器的自适应控制算法，可以将其偏离其预期轨迹的偏差，面对诸如狂风的风能。
与标准方法不同，新技术不需要对自动驾驶无人机编程的人员提前了解这些不确定干扰的结构。取而代之的是，控制系统的人工智能模型从从15分钟的飞行时间中收集的少量观察数据中学习了所有需要了解的东西。
重要的是，该技术会自动确定应使用哪种优化算法来适应干扰，从而改善了跟踪性能。它选择了最适合该无人机面临的特定干扰几何形状的算法。
研究人员使用称为元学习的技术训练他们的控制系统，以同时完成这两项事情，该技术教授该系统如何适应不同类型的扰动。
综上所述，这些成分使其自适应控制系统比模拟中的基线方法达到50％的轨迹跟踪误差，并且在训练过程中没有看到的新风速更好。
将来，尽管有强风或监测国家公园的火灾区域，但这种自适应控制系统可以帮助自主无人机更有效地提供沉重的包裹。
这些组件的并发学习是使我们的方法的力量。通过利用元学习，我们的控制器可以自动做出最适合快速适应的选择，'Navid Azizan说，他是MIT机械工程系和数据，系统和社会（IDSS）的Esther和Harold E. Edgerton助理教授，有关信息和决策系统的主要研究人员（IDS），以及一名a and Deciption（IDS）的主要研究员（and）纸在此控制系统上。
Azizan由Aeronautics and Actronautics系研究生Sunbochen Tang和首席作者Sunbochen Tang加入，以及电气工程和计算机科学系研究生Haoyuan Sun。该研究最近在Dynamics and Control会议上进行了介绍。
找到正确的算法
通常，控制系统结合了一个对无人机及其环境进行建模的函数，并包含有关潜在干扰结构的一些现有信息。但是，在充满不确定条件的现实世界中，通常不可能事先对这种结构进行设计。
许多控制系统使用基于流行优化算法（称为梯度下降）的适应方法来估计问题的未知部分，并确定如何使无人机在飞行过程中尽可能靠近其目标轨迹。但是，梯度下降只是可供选择的较大算法家族中的一种算法，称为镜下降。
镜像是算法的一般家族，对于任何给定的问题，这些算法之一都比其他算法更适合。游戏的名称是如何选择适合您问题的特定算法。在我们的方法中，我们自动化了这一选择。
在他们的控制系统中，研究人员用神经网络模型替换了包含一些潜在干扰结构的功能，该模型学会了从数据中近似它们。这样，他们就不需要拥有该无人机可能会提前遇到的风速的先验结构。
他们的方法还使用算法在从数据中学习神经网络模型的同时自动选择正确的镜像散文函数，而不是假设用户已经选择了理想的功能。研究人员为该算法提供了一系列可供选择的功能，并且发现最适合当前问题的功能。
Tang补充说，选择一个良好的距离发电函数来构建正确的镜像适应性非常重要，对于获取正确的算法以减少跟踪误差。”
学习适应
尽管无人机可能会遇到的风速可能每次飞行时都会改变，但控制器的神经网络和镜像功能应保持不变，以免每次都需要重新计算它们。
为了使他们的控制器更加灵活，研究人员使用元学习，教给它以适应训练期间的一系列风速家庭。
Tang解释说：`我们的方法可以应付不同的目标，因为使用元学习，我们可以通过数据有效地学习共享表示形式。”
最后，用户为控制系统提供了目标轨迹，并且它可以实时持续重新估算无人机应如何产生推力，以使其尽可能接近该轨迹，同时容纳不确定的干扰。
在模拟和现实世界实验中，研究人员表明，与基线方法相比，在他们测试的每种风速时，他们的方法导致轨迹跟踪误差明显少得多。
Azizan补充说，即使风干扰比我们在训练中看到的要强得多，我们的技术仍然可以成功处理它们。”
此外，随着风速的加剧，其方法优于基线的边距不断增长，表明它可以适应具有挑战性的环境。
该团队现在正在进行硬件实验，以在风险和其他干扰不同的情况下对真实无人机进行控制系统。
他们还想扩展其方法，以便可以立即处理多个来源的干扰。例如，换风速度可能会导致无人机携带的包裹的重量在飞行中移动，尤其是当无人机携带有效载荷时。
他们还想探索持续的学习，因此无人机可以适应新的干扰，而无需在迄今为止看到的数据中重新训练。
NAVID和他的合作者开发了突破性的工作，将元学习与常规自适应控制结合在一起，从数据中学习非线性功能。他们方法的关键是使用镜下降技术，这些技术以先前的艺术无法用的方式利用问题的基本几何形状。他们的工作可以为需要在复杂且不确定的环境中运作的自主系统的设计做出重大贡献。
这项研究部分得到了Mathworks，MIT-IBM Watson AI实验室，MIT-Amazon Science Hub和MIT-Google计算创新计划的支持。