Att landa multi-rotor drönare smidigt är svårt. Komplex turbulens skapas av luftflödet från varje rotor som studsar från marken när marken växer sig allt närmare under en nedstigning. Denna turbulens är inte väl förstådd och är inte lätt att kompensera för, särskilt för autonoma drönare. Det är därför start och landning ofta är de två knepigaste delarna av en drönarflygning. Drönare viftar och tummar vanligtvis mot en landning tills strömmen slutligen bryts, och de tappar det återstående avståndet till marken.

På Caltechs Center for Autonomous Systems and Technologies (CAST), experter på artificiell intelligens har samarbetat med kontrollexperter för att utveckla ett system som använder ett djupt neuralt nätverk för att hjälpa autonoma drönare att "lära sig" hur man landar säkrare och snabbare, samtidigt som du slipper mindre ström. Systemet de har skapat, kallad "Neural Lander, "är en inlärningsbaserad kontroller som spårar position och hastighet för drönaren, och modifierar sin landningsbana och rotorhastighet i enlighet med detta för att uppnå den smidigaste landningen.

"Detta projekt har potential att hjälpa drönare att flyga smidigare och säkrare, särskilt i närvaro av oförutsägbara vindbyar, och äter upp mindre batterikraft eftersom drönare kan landa snabbare, "säger Soon-Jo Chung, Bren professor i rymdindustrin vid avdelningen för teknik och tillämpad vetenskap (EAS) och forskare vid JPL, som Caltech hanterar för NASA. Projektet är ett samarbete mellan experter från Chung och Caltech artificiell intelligens (AI) Anima Anandkumar, Bren professor i datavetenskap och matematisk vetenskap, och Yisong Yue, biträdande professor i datavetenskap och matematik.

Ett papper som beskriver Neural Lander presenterades vid Institute of Electrical and Electronics Engineers (IEEE) International Conference on Robotics and Automation den 22 maj. Medförfattare till uppsatsen är Caltech doktorander Guanya Shi vars doktorsexamen forskning övervakas gemensamt av Chung och Yue, liksom Xichen Shi och Michael O "Connell, vilka är doktoranden studenter i Chungs Aerospace Robotics and Control Group.

Djupa neurala nätverk (DNN) är AI -system som är inspirerade av biologiska system som hjärnan. Den "djupa" delen av namnet hänvisar till det faktum att datainmatningar vänds genom flera lager, var och en behandlar inkommande information på ett annat sätt för att reta ut allt mer komplexa detaljer. DNN kan automatiskt lära sig, vilket gör dem idealiska för repetitiva uppgifter.

För att se till att drönaren flyger smidigt under ledning av DNN, laget använde en teknik som kallas spektral normalisering, som jämnar ut det neurala nätets utgångar så att det inte gör väldigt varierande förutsägelser när ingångar eller förhållanden förändras. Förbättringar i landning mättes genom att undersöka avvikelse från en idealiserad bana i 3D-utrymme. Tre typer av tester genomfördes:en rak vertikal landning; en fallande båglandning; och flygning där drönaren skummar över en trasig yta - till exempel över kanten på ett bord - där effekten av turbulens från marken skulle variera kraftigt.

Det nya systemet minskar vertikala fel med 100 procent, möjliggör kontrollerade landningar, och minskar sidledrift med upp till 90 procent. I deras experiment, det nya systemet uppnår faktisk landning snarare än att fastna cirka 10 till 15 centimeter över marken, som omodifierade konventionella flygkontrollanter ofta gör. Ytterligare, under skumtestet, Neural Lander gav en mycket smidigare övergång när drönaren övergick från att skumma över bordet till att flyga i det fria utrymmet bortom kanten.

"Med mindre fel, Neural Lander kan snabbare, mjukare landning och för att glida mjukt över markytan, "Säger Yue. Det nya systemet testades på CAST:s tre våningar höga flygplats, som kan simulera en nästan obegränsad variation av utomhusvindförhållanden. Öppnade 2018, CAST är en 10, 000 kvadratmeter där forskare från EAS, JPL, och Caltechs division för geologiska och planetära vetenskaper förenas för att skapa nästa generation av autonoma system, samtidigt som man utvecklar områdena med drönareforskning, autonom utforskning, och bioinspirerade system.

"Denna tvärvetenskapliga insats tar med experter från maskininlärning och styrsystem. Vi har knappt börjat utforska de rika kopplingarna mellan de två områdena, "Säger Anandkumar.

Förutom de uppenbara kommersiella tillämpningarna - Chung och hans kollegor har patent på det nya systemet - kan det nya systemet visa sig vara avgörande för projekt som för närvarande är under utveckling på CAST, inklusive en autonom sjukvårdstransport som kan landa på svåråtkomliga platser (till exempel en trafik med nätlås). "Vikten av att kunna landa snabbt och smidigt vid transport av en skadad individ kan inte överskattas, "säger Morteza Gharib, Hans W. Liepmann Professor i luftfart och bioinspirerad teknik; direktör för CAST; och en av de ledande forskarna inom luftambulansprojektet.

Tidningen har titeln "Neural Lander:Stable Drone Landing Control Using Learned Dynamics."