在代尔夫特理工大学的“网络动物园”中，无人机正在进行争分夺秒的竞赛，以测试为下一代太空任务设计的基于神经网络的人工智能控制系统的性能。
这项研究由欧空局先进概念团队和代尔夫特理工大学微型飞行器实验室MAVLab共同开展，详情刊登在最新一期的《科学机器人》杂志上。
欧空局ACT科学协调员达里奥·伊佐指出：“通过长期合作，我们一直在研究使用可训练神经网络来自主监督各种高要求的航天器操作，例如行星际转移、地面着陆和对接。”
“在太空中，必须尽可能高效地利用每一种机载资源——包括推进剂、可用能源、计算资源，通常还有时间。这种神经网络方法可以实现最佳机载操作，提高任务的自主性和稳健性。但在规划实际太空任务之前，我们需要一种方法在现实世界中对其进行测试。
“从那时起，我们就将无人机竞赛作为理想的健身环境，以便在真实的机器人平台上测试端到端的神经结构，以增强对它们未来在太空中使用的信心。”
无人机一直在代尔夫特理工大学CyberZoo的既定路线上展开角逐，争夺最佳时间。CyberZoo是一个10×10米的测试区，由该大学航空航天工程学院维护，该学院是ESA在这项研究中的合作伙伴。由人类驾驶的“微型飞行器”四轴飞行器与采用各种方式训练神经网络的自主飞行器交替进行。
“航天器操作的传统方式是在地面上详细规划，然后上传到航天器上执行，”ACT青年毕业生实习生SebastienOriger解释道。“本质上，当涉及到任务制导和控制时，制导部分发生在地面，而控制部分则由航天器承担。”
然而，太空环境本质上是不可预测的，可能存在各种不可预见的因素和噪音，例如重力变化、大气湍流或与地面模型形状不同的行星体。
无论出于何种原因，只要航天器偏离了预定路径，其控制系统就会将其恢复到设定的轨迹。但问题是，这种方法在资源方面可能非常昂贵，需要一整套强力校正。
Sebastien补充道：“我们的替代端到端制导与控制网络(G&CNets)方法涉及航天器上的所有工作。航天器不再坚持单一的既定路线，而是从当前位置开始不断重新规划其最佳轨迹，事实证明这样做效率更高。”
在计算机模拟中，由相互连接的神经元组成的神经网络(模仿动物大脑的结构)在使用“行为克隆”进行训练时表现良好，这种训练基于长期接触专家示例。但接下来的问题是如何在现实世界中建立对这种方法的信任。此时，研究人员转向了无人机。
达里奥评论道：“尽管无人机飞行的速度更快、噪音更大，但无人机和航天器之间仍有相当多的协同作用。”
“在竞赛中，最主要的稀缺资源显然是时间，但我们可以利用时间替代太空任务可能必须优先考虑的其他变量，例如推进剂质量。卫星CPU非常受限，但我们的G&CNET却出奇地小巧，可能最多可在内存中存储30,000个参数，这仅需几百千字节即可完成，总共涉及不到360个神经元。”
为了达到最佳效果，G&CNet应该能够直接向执行器发送命令。对于航天器来说，这些是推进器，对于无人机来说，这些是螺旋桨。
“我们将G&CNets引入无人机所面临的主要挑战是模拟和现实中的执行器之间的现实差距”，代尔夫特理工大学首席研究员ChristopheDeWagter表示。“我们通过在飞行过程中识别现实差距并教神经网络处理它来解决这个问题。例如，如果螺旋桨的推力小于预期，无人机可以通过其加速度计注意到这一点。然后神经网络将重新生成命令以遵循新的最佳路径。”
“无人机竞赛有整个学术界，一切都取决于赢得比赛，”塞巴斯蒂安说。“对于我们的G&CNets方法而言，使用无人机代表着一种在规划实际太空任务演示之前建立信任、开发坚实的理论框架和建立安全界限的方法。”
标签：
免责声明：本文由用户上传，如有侵权请联系删除！