Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds

要約

ダイナミックな高速風下で安全かつ正確な飛行操縦を実行することは、進行中の無人航空機 (UAV) のコモディティ化にとって重要です。
しかし、さまざまな風の状態とそれが航空機の操縦性に及ぼす影響との関係は十分に理解されていないため、従来の制御設計手法を使用して効果的なロボット コントローラーを設計することは困難です。
私たちは、深層学習を通じて事前訓練された表現を組み込むことで迅速なオンライン適応を可能にする学習ベースのアプローチである Neural-Fly を紹介します。
Neural-Fly は、異なる風の条件における空気力学が共通の表現を共有していること、および風特有の部分が低次元空間に存在するという 2 つの重要な観察に基づいています。
そのために、Neural-Fly は提案された学習アルゴリズムであるドメイン敵対的不変メタ学習 (DAIML) を使用して、12 分間の飛行データのみを使用して共有表現を学習します。
次に、学習した表現を基礎として、Neural-Fly は複合適応則を使用して、基礎要素を混合するための線形係数のセットを更新します。
カリフォルニア工科大学リアルウェザー風洞で発生した最大風速 43.6 キロメートル/時 (12.1 メートル/秒) の厳しい風条件下で評価した場合、Neural-Fly は最新のものよりも大幅に小さい追跡誤差で正確な飛行制御を実現しました。
芸術的な非線形および適応コントローラー。
強力な経験的パフォーマンスに加えて、Neural-Fly の指数関数的な安定性により堅牢性が保証されます。
最後に、当社の制御設計は目に見えない風の状態を推定しており、搭載センサーのみを使用した屋外飛行に効果的であることが示されており、パフォーマンスの低下を最小限に抑えてドローン間で転送できます。

要約(オリジナル)

Executing safe and precise flight maneuvers in dynamic high-speed winds is important for the ongoing commoditization of uninhabited aerial vehicles (UAVs). However, because the relationship between various wind conditions and its effect on aircraft maneuverability is not well understood, it is challenging to design effective robot controllers using traditional control design methods. We present Neural-Fly, a learning-based approach that allows rapid online adaptation by incorporating pretrained representations through deep learning. Neural-Fly builds on two key observations that aerodynamics in different wind conditions share a common representation and that the wind-specific part lies in a low-dimensional space. To that end, Neural-Fly uses a proposed learning algorithm, domain adversarially invariant meta-learning (DAIML), to learn the shared representation, only using 12 minutes of flight data. With the learned representation as a basis, Neural-Fly then uses a composite adaptation law to update a set of linear coefficients for mixing the basis elements. When evaluated under challenging wind conditions generated with the Caltech Real Weather Wind Tunnel, with wind speeds up to 43.6 kilometers/hour (12.1 meters/second), Neural-Fly achieves precise flight control with substantially smaller tracking error than state-of-the-art nonlinear and adaptive controllers. In addition to strong empirical performance, the exponential stability of Neural-Fly results in robustness guarantees. Last, our control design extrapolates to unseen wind conditions, is shown to be effective for outdoor flights with only onboard sensors, and can transfer across drones with minimal performance degradation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google