Deep learning reduces sensor requirements for gust rejection on a small uncrewed aerial vehicle morphing wing

要約

都市内で運用する無人航空機 (UAV) のニーズが高まっています。
しかし、不均一な都市景観と複雑な道路網は大規模な突風を引き起こし、UAV の安全かつ効果的な運用に課題をもたらします。
現在の突風緩和方法は、制御動作を選択するために従来の制御面と計算コストのかかるモデリングに依存しているため、応答が遅くなります。
ここでは、深層強化学習を使用して、キャンバーモーフィング翼用の自律的な突風緩和コントローラーを作成しました。
この方法では、リアルタイムの車載圧力信号から直接突風の影響が 84% 軽減されました。
特に、3 つの圧力タップのみからの信号を使用した突風緩和は、6 つの信号を使用した場合と統計的に区別できないことがわかりました。
このセンサー数を削減したフライバイフィール制御により、これまで操作できなかった場所での UAV ミッションへの扉が開かれます。

要約(オリジナル)

There is a growing need for uncrewed aerial vehicles (UAVs) to operate in cities. However, the uneven urban landscape and complex street systems cause large-scale wind gusts that challenge the safe and effective operation of UAVs. Current gust alleviation methods rely on traditional control surfaces and computationally expensive modeling to select a control action, leading to a slower response. Here, we used deep reinforcement learning to create an autonomous gust alleviation controller for a camber-morphing wing. This method reduced gust impact by 84%, directly from real-time, on-board pressure signals. Notably, we found that gust alleviation using signals from only three pressure taps was statistically indistinguishable from using six signals. This reduced-sensor fly-by-feel control opens the door to UAV missions in previously inoperable locations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google