فرود هواپیماهای بدون سرنشین چند روتور هموار است. تلاطم پیچیده با جریان هوا از هر روتور که از زمین بلند می شود ایجاد می شود زیرا زمین در هنگام نزول نزدیک تر می شود. این آشفتگی به خوبی درک نشده است و جبران آن به راحتی برای هواپیماهای بدون سرنشین مستقل آسان نیست. به همین دلیل برخاستن و فرود اغلب دو سخت ترین قسمت هواپیمای بدون سرنشین است. هواپیماهای بدون سرنشین معمولاً به آرامی به سمت فرود می چرخند و سرانجام قطع می شوند و فاصله باقی مانده را به زمین می اندازند.
در مرکز سیستم ها و فناوری های خودمختاری Caltech (CAST) ، کارشناسان هوش مصنوعی با کارشناسان کنترل همکاری کرده اند تا سیستمی را تولید کنند که از یک شبکه عصبی عمیق برای کمک به هواپیماهای بدون سرنشین خودمختار "یاد بگیرد" چگونه با ایمن تر و سریع تر فرود بیایند ، در حالی که دست کم می گیرند. قدرت. سیستمی که آنها ایجاد کرده اند ، با نام "لاندر عصبی" ، یک کنترلر مبتنی بر یادگیری است که موقعیت و سرعت هواپیمای بدون سرنشین را ردیابی می کند ، و مسیر فرود و سرعت روتور آن را براساس آن اصلاح می کند تا به نرم ترین سطح فرود برسد.
Soon-Jo Chung ، استاد برن ، هوافضا در این زمینه می گوید: "این پروژه توانایی کمک به هواپیماهای بدون سرنشین را به راحتی و با خیال راحت پرواز می کند ، به خصوص در صورت وجود بادگیرهای غیرقابل پیش بینی ، و باتری کمتری مصرف کنید زیرا هواپیماهای بدون سرنشین می توانند سریعتر فرود بیایند." بخش مهندسی و علوم کاربردی (EAS) و دانشمند تحقیق در JPL ، که Caltech مدیریت ناسا را بر عهده دارد. این پروژه همکاری بین متخصصان هوش مصنوعی چونگ و کالتک (AI) آنیما آناندکومار ، استاد برن استاد محاسبات و علوم ریاضی و ییسونگ یو ، استادیار محاسبات و علوم ریاضی است.
مقاله ای که توصیف Lander Landing (عصب عصبی) است ، در تاریخ 22 ماه مه در کنفرانس بین المللی مهندسین برق و الکترونیک (IEEE) کنفرانس بین المللی رباتیک و اتوماسیون ارائه شد. تحقیقات به طور مشترک توسط چونگ و یو ، و همچنین شیخن شی و مایکل او "کانل ، که دانشجویان دکتری گروه کنترل و رباتیک هوافضا در چانگ هستند نظارت می شود.
اعتبار: موسسه فناوری کالیفرنیا
شبکه های عصبی عمیق (DNNs) سیستم های AI هستند که از سیستم های بیولوژیکی مانند مغز الهام می گیرند. قسمت "عمیق" این نام به این واقعیت اشاره دارد که ورودی داده ها از طریق چندین لایه مجذوب می شوند ، که هر یک از اطلاعات ورودی را به روشی متفاوت برای فریب جزئیات پیچیده پردازش می کنند. DNN ها قادر به یادگیری خودکار هستند ، که باعث می شود آنها برای کارهای تکراری مناسب باشند.
برای اطمینان از اینکه عملکرد پمپ وکیوم هواپیمای بدون سرنشین تحت هدایت DNN پرواز می کند ، این تیم از تکنیکی موسوم به عادی سازی طیفی استفاده کرده است ، که خروجی های شبکه عصبی را هموار می کند به طوری که پیش بینی های مختلفی با تغییر در ورودی ها یا شرایط ایجاد نمی کند. پیشرفت در فرود با بررسی انحراف از مسیر ایده آل در فضای 3 بعدی اندازه گیری شد. سه نوع آزمایش انجام شد: یک فرود عمودی. فرود قوس نزولی؛ و پرواز که در آن هواپیمای بدون سرنشین از سطح شکسته عبور می کند - مانند لبه یک جدول - که در آن تأثیر تلاطم از سطح زمین به شدت متفاوت خواهد بود.
سیستم جدید خطای عمودی را 100 درصد کاهش می دهد و زمین های کنترل شده را امکان پذیر می کند و رانش جانبی را تا 90 درصد کاهش می دهد. در آزمایشات خود ، سیستم جدید به جای اینکه در حدود 10 تا 15 سانتی متر از سطح زمین گیر کند ، به فرود واقعی می رسد ، همانطور که کنترل کننده های پرواز معمولی اصلاح نشده اغلب انجام می دهند. علاوه بر این ، در طول آزمایش اسکیینگ ، Neural Lander یک انتقال بسیار نرمتر را ایجاد کرد زیرا هواپیمای بدون سرنشین از جابجایی در داخل جدول به پرواز در فضای آزاد فراتر از لبه منتقل شد.
یو می گوید: "با خطای کمتری ، Neural Lander قادر به فرود سریعتر ، روانتر و یکدست شدن در سطح زمین است." این سیستم جدید در آیرودرو سه طبقه بلند CAST مورد آزمایش قرار گرفت که می تواند تنوع تقریباً بی حد و حصر از شرایط باد در فضای بیرونی را شبیه سازی کند. در سال 2018 افتتاح شد ، CAST یک تسهیلات 10000 متر مربعی است که محققان EAS ، JPL و بخش زمین شناسی و سیاره ای Caltech در حال ایجاد اتحادیه برای ایجاد نسل بعدی سیستم های خودمختار هستند و ضمن پیشبرد زمینه های تحقیقات پهپاد ، اکتشافات خود مختار ، و سیستمهای bioinspired.
فرود هواپیماهای بدون سرنشین چند روتور هموار است. تلاطم پیچیده با جریان هوا از هر روتور که از زمین بلند می شود ایجاد می شود زیرا زمین در هنگام نزول نزدیک تر می شود. این آشفتگی به خوبی درک نشده است و جبران آن به راحتی برای هواپیماهای بدون سرنشین مستقل آسان نیست. به همین دلیل برخاستن و فرود اغلب دو سخت ترین قسمت هواپیمای بدون سرنشین است. هواپیماهای بدون سرنشین معمولاً به آرامی به سمت فرود می چرخند و سرانجام قطع می شوند و فاصله باقی مانده را به زمین می اندازند.
در مرکز سیستم ها و فناوری های خودمختاری Caltech (CAST) ، کارشناسان هوش مصنوعی با کارشناسان کنترل همکاری کرده اند تا سیستمی را تولید کنند که از یک شبکه عصبی عمیق برای کمک به هواپیماهای بدون سرنشین خودمختار "یاد بگیرد" چگونه با ایمن تر و سریع تر فرود بیایند ، در حالی که دست کم می گیرند. قدرت. سیستمی که آنها ایجاد کرده اند ، با نام "لاندر عصبی" ، یک کنترلر مبتنی بر یادگیری است که موقعیت و سرعت هواپیمای بدون سرنشین را ردیابی می کند ، و مسیر فرود و سرعت روتور آن را براساس آن اصلاح می کند تا به نرم ترین سطح فرود برسد.
Soon-Jo Chung ، استاد برن ، هوافضا در این زمینه می گوید: "این پروژه توانایی کمک به هواپیماهای بدون سرنشین را به راحتی و با خیال راحت پرواز می کند ، به خصوص در صورت وجود بادگیرهای غیرقابل پیش بینی ، و باتری کمتری مصرف کنید زیرا هواپیماهای بدون سرنشین می توانند سریعتر فرود بیایند." بخش مهندسی و علوم کاربردی (EAS) و دانشمند تحقیق در JPL ، که Caltech مدیریت ناسا را بر عهده دارد. این پروژه همکاری بین متخصصان هوش مصنوعی چونگ و کالتک (AI) آنیما آناندکومار ، استاد برن استاد محاسبات و علوم ریاضی و ییسونگ یو ، استادیار محاسبات و علوم ریاضی است.
مقاله ای که توصیف Lander Landing (عصب عصبی) است ، در تاریخ 22 ماه مه در کنفرانس بین المللی مهندسین برق و الکترونیک (IEEE) کنفرانس بین المللی رباتیک و اتوماسیون ارائه شد. تحقیقات به طور مشترک توسط چونگ و یو ، و همچنین شیخن شی و مایکل او "کانل ، که دانشجویان دکتری گروه کنترل و رباتیک هوافضا در چانگ هستند نظارت می شود.
اعتبار: موسسه فناوری کالیفرنیا
شبکه های عصبی عمیق (DNNs) سیستم های AI هستند که از سیستم های بیولوژیکی مانند مغز الهام می گیرند. قسمت "عمیق" این نام به این واقعیت اشاره دارد که ورودی داده ها از طریق چندین لایه مجذوب می شوند ، که هر یک از اطلاعات ورودی را به روشی متفاوت برای فریب جزئیات پیچیده پردازش می کنند. DNN ها قادر به یادگیری خودکار هستند ، که باعث می شود آنها برای کارهای تکراری مناسب باشند.
برای اطمینان از اینکه عملکرد پمپ وکیوم هواپیمای بدون سرنشین تحت هدایت DNN پرواز می کند ، این تیم از تکنیکی موسوم به عادی سازی طیفی استفاده کرده است ، که خروجی های شبکه عصبی را هموار می کند به طوری که پیش بینی های مختلفی با تغییر در ورودی ها یا شرایط ایجاد نمی کند. پیشرفت در فرود با بررسی انحراف از مسیر ایده آل در فضای 3 بعدی اندازه گیری شد. سه نوع آزمایش انجام شد: یک فرود عمودی. فرود قوس نزولی؛ و پرواز که در آن هواپیمای بدون سرنشین از سطح شکسته عبور می کند - مانند لبه یک جدول - که در آن تأثیر تلاطم از سطح زمین به شدت متفاوت خواهد بود.
سیستم جدید خطای عمودی را 100 درصد کاهش می دهد و زمین های کنترل شده را امکان پذیر می کند و رانش جانبی را تا 90 درصد کاهش می دهد. در آزمایشات خود ، سیستم جدید به جای اینکه در حدود 10 تا 15 سانتی متر از سطح زمین گیر کند ، به فرود واقعی می رسد ، همانطور که کنترل کننده های پرواز معمولی اصلاح نشده اغلب انجام می دهند. علاوه بر این ، در طول آزمایش اسکیینگ ، Neural Lander یک انتقال بسیار نرمتر را ایجاد کرد زیرا هواپیمای بدون سرنشین از جابجایی در داخل جدول به پرواز در فضای آزاد فراتر از لبه منتقل شد.
یو می گوید: "با خطای کمتری ، Neural Lander قادر به فرود سریعتر ، روانتر و یکدست شدن در سطح زمین است." این سیستم جدید در آیرودرو سه طبقه بلند CAST مورد آزمایش قرار گرفت که می تواند تنوع تقریباً بی حد و حصر از شرایط باد در فضای بیرونی را شبیه سازی کند. در سال 2018 افتتاح شد ، CAST یک تسهیلات 10000 متر مربعی است که محققان EAS ، JPL و بخش زمین شناسی و سیاره ای Caltech در حال ایجاد اتحادیه برای ایجاد نسل بعدی سیستم های خودمختار هستند و ضمن پیشبرد زمینه های تحقیقات پهپاد ، اکتشافات خود مختار ، و سیستمهای bioinspired.
تعویض توربین های بادی در دانمارک تمرکز خود را به ابررساناها معطوف می کند