Autonome flyvende enheder (AAVer) har revolutioneret forskellige brancher, fra logistik til landbrug, ved at muliggøre effektive leveringstjenester og infrastrukturinspektioner. Dog udgør den komplekse opgave med at styre AAVer stadig udfordringer, der kræver præcis koordinering mellem flere controllere og tilpasning til uforudsigelige forstyrrelser.
For at forenkle kontrolprocessen og give en mere generaliseret løsning har forskere udforsket potentialet ved dyb forstærkende læring. Mens denne tilgang viser lovende resultater i computersimuleringer, har det vist sig vanskeligt at overføre det til virkelige scenarier på grund af faktorer som model unøjagtigheder og forstyrrelser.
For nylig har et hold af ingeniører på New York University foreslået en innovativ løsning, der kunne muliggøre pålidelig kontrol af AAVer gennem forstærkningslæring algoritmer. De udviklede et neuralt netværk, der er trænet til direkte at oversætte målingsdata fra sensorer til motorkontrolpolitikker. Overraskende nok viste dette nye system nøjagtige kontrolfærdigheder efter kun 18 sekunders træning på en almindelig bærbar computer. Desuden kunne den trænede algoritme køre i realtid på en lav-effekt mikrokontroller.
Holdet anvendte en “actor-critic” ordning til at træne forstærkningslæringagenten. “Actor” vælger handlinger baseret på den aktuelle tilstand i miljøet, mens “critic” evaluerer disse handlinger og giver feedback. Denne iterative proces gør det muligt for “actor” at forbedre sine beslutningsevner effektivt.
Mens modellen blev trænet i en simuleret miljø, tog forskerne yderligere skridt for at imødegå udfordringerne ved implementering i den virkelige verden. De injicerede støj i målingerne fra sensorer for at tage højde for virkelighedens unøjagtigheder og anvendte Curriculum Learning til at håndtere komplekse scenarier. Ved at give “actor-critic” arkitekturen yderligere information, såsom faktiske motorhastigheder, forbedrede de modellens nøjagtighed.
For at validere deres tilgang implementerede forskerne den trænede model på en Crazyflie Nano Quadcopter med en mikrocontroller om bord. Forstærkningslæring-baseret algoritmen leverede med succes en stabil flyveplan, hvilket demonstrerer dens anvendelighed i virkeligheden.
Forskerne har gjort det fulde kildekode af projektet tilgængeligt for andre forskerhold, med henblik på at videreudvikle AAV-teknologien. Med denne nye tilgang kan styringen af AAVer blive mere strømlinet og tilpasningsdygtig, hvilket åbner op for det fulde potentiale af autonom flyvning.
Ofte stillede spørgsmål (FAQs)
1. Hvad er autonome flyvende enheder (AAVer)?
Autonome flyvende enheder (AAVer) er fly, der kan operere uden menneskelig indgriben. De har revolutioneret forskellige brancher ved at muliggøre effektive leveringstjenester og infrastrukturinspektioner.
2. Hvad er udfordringerne ved at styre AAVer?
At styre AAVer er en kompleks opgave, der kræver præcis koordinering mellem flere controllere og tilpasning til uforudsigelige forstyrrelser. Model unøjagtigheder og forstyrrelser gør implementeringen i den virkelige verden udfordrende.
3. Hvad er dyb forstærkende læring?
Dyb forstærkende læring er en tilgang, der bruger neurale netværk til at træne algoritmer til at træffe beslutninger baseret på feedback fra miljøet. Det har vist sig lovende i computersimuleringer.
4. Hvad foreslog ingeniørerne på New York University som en løsning til at styre AAVer?
Ingeniørerne udviklede et neuralt netværk, der direkte oversætter måledata fra sensorer til motorkontrolpolitikker. De brugte dyb forstærkende læring og en “actor-critic” ordning til at træne systemet.
5. Hvor lang tid tog det at træne det neurale netværk?
Det neurale netværk viste nøjagtige kontrolfærdigheder efter kun 18 sekunders træning på en almindelig bærbar computer.
6. Hvordan håndterede forskerne udfordringerne ved implementering i den virkelige verden?
Forskerne injicerede støj i målingerne fra sensorer for at tage højde for virkelighedens unøjagtigheder og anvendte Curriculum Learning til at håndtere komplekse scenarier. De gav også yderligere information, såsom motorhastigheder, til “actor-critic” modellen for at forbedre nøjagtigheden.
7. Hvordan validerede forskerne deres tilgang?
Forskerne implementerede den trænede model på en Crazyflie Nano Quadcopter med en mikrocontroller om bord. Forstærkningslæring-baserede algoritmen leverede med succes en stabil flyveplan i den virkelige verden.
8. Er kildekoden til projektet tilgængeligt for andre forskerhold?
Ja, forskerne har gjort det fulde kildekode af projektet tilgængeligt for andre forskerhold. Dette sigter mod at videreudvikle AAV-teknologien.
Definitioner:
– Autonome Flyvende Enheder (AAVer): Fly, der kan operere uden menneskelig indgriben.
– Dyb Forstærkende Læring: En tilgang, der bruger neurale netværk til at træne algoritmer til at træffe beslutninger baseret på feedback fra miljøet.
– “Actor-critic” ordning: En træningsmetodologi, hvor en “actor” vælger handlinger baseret på den aktuelle tilstand i miljøet, og en “critic” evaluerer disse handlinger og giver feedback.
Relaterede links:
– New York University
– Crazyflie Nano Quadcopter
The source of the article is from the blog newyorkpostgazette.com