经过训练的车辆可以实时调整以应对极端湍流

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，并迅速调整以确保安全。设计飞机的工程师希望能够赋予他们的交通工具同样的预测即将到来的干扰并适当响应的能力。

确实，像今年五月发生的新加坡航空公司航班严重事故中那样，由于遭遇强烈气流导致超过一百名乘客受伤的灾难，如果飞机具备自动感应和预测能力并结合稳定车辆的机制，这样的灾害本可以避免。

现在，来自加州理工学院自主系统和技术中心（CAST）和Nvidia的一个研究团队朝着实现这样的能力迈出了重要的一步。在一项新的研究表明：纸张在期刊中npj机器人学该团队描述了他们为无人驾驶飞行器（或称无人机）开发的一种控制策略，称为FALCON（傅里叶自适应学习和控制）。

该策略使用了强化学习一种人工智能形式，能够自适应地学习湍流风随时间变化的规律，并据此实时控制无人机。

"自发性的湍流对从民用航班到无人机的一切都有重大影响。随着"气候变化摩里·加里布（汉斯·W·莱普曼航空学和医学工程教授，CAST的博OTH-克雷斯领导主席，同时也是该新论文的作者）说：“导致这种湍流的极端天气事件正在增加。”

极端湍流也出现在两种不同剪切流之间的界面，例如，当高速风遇到高层建筑周围的滞止区域时。因此，在城市环境中运行的无人机需要能够补偿这种突然的变化。FALCON为这些车辆提供了一种理解即将来临的湍流并作出必要调整的方法。

FALCON并不是第一个使用强化学习的无人机控制策略。然而，之前的策略没有尝试学习真正代表湍流风是如何工作的底层模型。相反，它们都是无模型方法。这些方法专注于最大化一个奖励函数，这个函数在不重新训练的情况下无法用于处理不同的设置，如不同风况或车辆配置，因为它们只关注单一环境。

“在物理世界中，我们知道情况可能会迅速且剧烈地变化，”加州理工学院计算与数学科学布伦教授阿尼玛·安安卡穆尔（Anima Anandkumar）说，“我们需要人工智能能够很好地学习湍流的基本模型，以便它可以根据对风的变化预测采取行动。”

在基本人工智能方面的进步将改变航空业的面貌，通过提高安全、效率和性能来改善各种平台的表现，包括客机、无人机和舰载飞机。这些创新有望使空中旅行和操作变得更智能、更安全、更高效，Nvidia的合著者Kamyar Azizzadenesheli如是说。

正如FALCON首字母缩略词所述，该策略基于傅里叶方法，这意味着它依赖于使用正弦波（或周期性波）来表示信号——在这里是风况。这些波能很好地近似标准风的运动，并将所需的计算量降到最低。在这些波动中，当极端湍流出现时，不稳定性会表现为频率的显著变化。

“如果你能学会预测那些频率，那么我们的方法可以给你一些关于即将发生的事情的预测，”加哈布说，他也是加州理工学院研究生航空航天实验室的主任。

傅里叶方法在这里效果很好，因为湍流波用频率来建模更合适，它们的大部分能量都集中在低频段，论文共同通讯作者Sahin Lale如是说，他现在是Neural Propulsion Systems公司的高级研究员，在加州理工学院完成此项工作时提出了这一观点。“利用这种先验知识可以简化对湍流动力学的学习和控制，即使在信息有限的情况下也是如此。”

为了测试FALCON策略的有效性，研究人员在加州理工学院的约翰·W·卢卡斯风洞中创建了一个极具挑战性的测试环境。他们使用了一套配备完整的翼型机翼系统作为代表性的无人机，并配备了压力传感器和控制面，可以在线调整系统的高度和偏航等参数。然后他们在风洞中放置了一个带有可移动附件的大圆柱体。当风吹过这个圆柱体时，它会制造出随机且剧烈的波动。风到达翼型。

“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，”论文的共同通讯作者Peter I. Renn表示，他现在是Virtu Financial的定量策略师。“我们不能依赖完全干净的信号或简化的流动模拟，并且所有事情都必须实时完成。”

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稳定下来。

“随着每次新的观察，程序会变得更好，因为它有了更多的信息，”阿南德库马尔说。

“未来真的取决于软件在减少训练需求方面变得多么强大，”Gharib说。“快速适应将成为挑战，我们将不断推动这一进程。”

展望未来，他补充说，研究人员设想给无人机甚至客机配备分享感知和学习到的信息的能力。在遇到干扰时，特别是临近区域内的飞机之间共享传感器测量值和基于人工智能的学习成果，有助于保持飞行器的安全。

“我认为那将会发生，”加里布说。“否则事情会变得非常危险。”极端天气事件频率增加。

更多信息：Sahin Lale 等人，FALCON：傅里叶自适应学习和控制在极端湍流下的干扰抑制npj机器人学 (2024). DOI: 10.1038/s44182-024-00013-0