自然界では、空を飛ぶ動物は、突然の乱気流の発生など、周囲の今後の変化を感知し、安全を保つためにすぐに適応します。航空機を設計するエンジニアは、入ってくる外乱を予測し、適切に対応するための同じ機能を車両にも与えたいと考えています。

実際、飛行機が激しい乱気流に遭遇し100人以上の乗客が負傷した今年5月のシンガポール航空墜落事故のような災害は、航空機がこのような自動感知および予測機能と車両を安定させる機構を組み合わせて備えていれば回避できるだろう。

今回、カリフォルニア工科大学自律システム技術センター (CAST) と Nvidia の研究者チームが、そのような機能に向けた重要な一歩を踏み出しました。新しい紙日記でnpjロボティクスで、チームは、FALCON (フーリエ適応学習および制御) と呼ばれる、無人航空機 (UAV) 用に開発した制御戦略について説明しています。

戦略が使用するのは、強化学習人工知能の一種で、乱流が時間の経過とともにどのように変化するかを適応的に学習し、その知識を使用して、リアルタイムで経験していることに基づいて UAV を制御します。

「自然乱気流は、民間航空機からドローンに至るまで、あらゆるものに大きな影響を与えます。気候変動、この種の乱気流を引き起こす異常気象現象は増加傾向にあります」と、航空医療工学のハンス・W・リープマン教授、CASTのブース・クレサ・リーダーシップ・チェアーであり、新しい論文の著者でもあるモリー・ガリブ氏は言う。

「極度の乱流は、2 つの異なるせん断流の境界面でも発生します。たとえば、高速の風が高層ビルの周囲でよどみに遭遇した場合です。したがって、都市環境の UAV は、そのような突然の変化を補償できる必要があります。FALCON はこれらを提供します。車両は、これから起こる乱気流を理解し、必要な調整を行うための方法です。」

FALCON は、強化学習を使用した最初の UAV 制御戦略ではありません。しかし、これまでの戦略では、乱流の仕組みを真に表す基礎となるモデルを学習しようとしていませんでした。代わりに、それらはすべてモデルフリーのメソッドでした。このような方法は、報酬関数を最大化することに重点を置いていますが、1 つの環境のみに焦点を当てているため、再トレーニングせずに、さまざまな風況や車両構成などのさまざまな設定に取り組むために使用することはできません。

「状況が劇的かつ急速に変化する可能性があることが分かっている物理世界では、これはあまり良いことではありません」とカリフォルニア工科大学のコンピューティングおよび数理科学のブレン教授であり、新しい論文の著者であるアニマ・アナンドクマール氏は言う。「風がどのように変化すると考えているかに基づいて行動できるように、AI が乱気流の基礎となるモデルをよく学習する必要があります。」

「基本的な AI の進歩は航空業界の様相を変え、旅客機、UAV、艦載機を含むさまざまなプラットフォームの安全性、効率性、パフォーマンスを向上させます。これらのイノベーションは、航空旅行と運航をよりスマートで安全にすることを約束します。さらに合理化されました」と Nvidia の共著者である Kamyar Azizzadenesheli 氏は言います。

FALCON の頭字語が示すように、この戦略はフーリエ法に基づいています。つまり、信号 (ここでは風の状態) を表すために正弦波、つまり周期波の使用に依存しています。波は標準的な風の動きを適切に近似し、必要な計算を最小限に抑えます。それらの波の中で極端な乱流が発生すると、その不安定さが周波数の顕著な変化として現れます。

「これらの周波数を予測する方法を学ぶことができれば、私たちの方法で何が起こるかを予測することができます」と、カリフォルニア工科大学大学院航空宇宙研究所の所長でもあるガリブ氏は言う。

「ここではフーリエ法がうまく機能します。乱流のエネルギーのほとんどが低周波数にあるため、乱流は周波数に関してより適切にモデル化されるからです」と、共同筆頭著者で現在 Neural Propulsion Systems, Inc. のシニア スタッフ 研究エンジニアである Sahin Lale 氏は述べています。カリフォルニア工科大学在学中にその仕事を完了した人。「この事前知識を使用すると、情報量が限られている場合でも、乱流ダイナミクスの学習と制御の両方が簡素化されます。」

FALCON 戦略の有効性をテストするために、研究者らはカリフォルニア工科大学のジョン W. ルーカス風洞に非常に困難なテスト設定を作成しました。彼らは、代表的な UAV として完全装備の翼型システムを使用し、システムの高度やヨーなどをオンラインで調整できる圧力センサーと操縦翼面を装備しました。次に、可動アタッチメントを備えた大きなシリンダーを風洞内に配置しました。風がシリンダーの上を流れると、シリンダー内にランダムで大きな変動が生じます。風翼に到達。「物理的に乱流の環境で強化学習アルゴリズムをトレーニングするには、あらゆる種類の特有の課題が伴います」と、この論文の共同筆頭著者であり、現在は Virtu Financial の定量ストラテジストである Peter I. Renn 氏は述べています。

「完全にクリーンな信号や単純化された流れシミュレーションに依存することはできず、すべてをリアルタイムで実行する必要がありました。」

約 9 分間の学習後、FALCON 支援システムはこの極限環境でも安定することができました。

「新しい観測が行われるたびに、より多くの情報が得られるため、プログラムは改善されます」とアナンドクマール氏は言います。

「将来は、必要なトレーニングをますます減らしていくという点で、ソフトウェアがどれだけ強力になるかにかかっています」と Gharib 氏は言います。「迅速な適応が課題となるだろうが、我々はプッシュ、プッシュ、プッシュしていくつもりだ。」

同氏は、将来に目を向けて、研究者らは、UAVやさらには旅客機に、状況に関する感知および学習した情報を相互に共有できる機能を提供することを構想していると付け加えた。このようなセンサー測定値と人工知能ベースの学習を飛行機間で共有することは、特に外乱の近くにいる場合に、航空機の安全を保つのに役立つ可能性があります。

「そうなると信じています」とガーリブ氏は言う。「そうしないと、事態は非常に危険なことになります異常気象現象頻度が増えます。」

詳細情報:Sahin Lale 他、FALCON: 極度の乱気流下での外乱除去のためのフーリエ適応学習と制御、npjロボティクス（2024年）。DOI: 10.1038/s44182-024-00013-0