자연에서 날아다니는 동물은 갑작스런 난기류의 시작을 포함하여 주변 환경에 다가오는 변화를 감지하고 신속하게 적응하여 안전을 유지합니다.항공기를 설계하는 엔지니어는 차량에 들어오는 교란을 예측하고 적절하게 대응할 수 있는 동일한 기능을 제공하고자 합니다.

실제로 지난 5월 비행기가 심한 난기류에 부딪혀 100명 이상의 승객이 부상을 입은 치명적인 싱가포르항공 비행과 같은 재난은 항공기에 이러한 자동 감지 및 예측 기능과 차량 안정화 메커니즘이 결합되어 있다면 피할 수 있습니다.

이제 Caltech의 자율 시스템 및 기술 센터(CAST)와 Nvidia의 연구원 팀은 이러한 기능을 향한 중요한 단계를 밟았습니다.새로운종이일지에npj 로봇 공학, 팀은 FALCON(Fourier Adaptive Learning and CONtrol)이라고 불리는 무인 항공기(UAV)용으로 개발한 제어 전략을 설명합니다.

전략은 다음을 사용합니다.강화 학습인공 지능의 일종인 난류가 시간이 지남에 따라 어떻게 변하는지 적응적으로 학습한 다음 해당 지식을 사용하여 실시간으로 경험하는 내용을 기반으로 UAV를 제어합니다.

"자연스러운 난기류는 민간 비행부터 드론까지 모든 것에 큰 영향을 미칩니다.기후 변화이러한 유형의 난기류를 일으키는 극단적 기상 현상이 증가하고 있습니다."라고 CAST의 Booth-Kresa 리더십 의장이자 새 논문의 저자인 Hans W. Liepmann 항공 및 의료 공학 교수인 Mory Gharib는 말합니다.

"예를 들어 고속 바람이 고층 건물 주변의 정체를 만날 때와 같이 서로 다른 두 전단 흐름 사이의 경계면에서도 극심한 난류가 발생합니다. 따라서 도시 환경의 UAV는 이러한 갑작스러운 변화를 보상할 수 있어야 합니다. FALCON은 다음을 제공합니다.차량은 다가오는 난기류를 이해하고 필요한 조정을 할 수 있는 방법입니다."

FALCON은 강화 학습을 사용하는 최초의 UAV 제어 전략이 아닙니다.그러나 이전 전략에서는 난류가 어떻게 작동하는지를 실제로 나타내는 기본 모델을 배우려고 시도하지 않았습니다.대신, 그들은 모두 모델이 없는 방법이었습니다.이러한 방법은 하나의 환경에만 초점을 맞추기 때문에 재교육 없이 다양한 바람 조건이나 차량 구성과 같은 다양한 설정을 처리하는 데 사용할 수 없는 보상 기능을 극대화하는 데 중점을 둡니다.

Caltech의 Bren 컴퓨터 및 수학 과학 교수이자 새 논문의 저자인 Anima Anandkumar는 "상황이 급격하고 빠르게 변할 수 있다는 것을 알고 있는 물리적 세계에서는 그다지 좋지 않습니다."라고 말했습니다."우리는 바람이 어떻게 변할 것이라고 생각하는지에 따라 조치를 취할 수 있도록 난기류의 기본 모델을 잘 학습하는 AI가 필요합니다."

"기본 AI의 발전은 여객기, UAV, 항공모함을 포함한 다양한 플랫폼에서 안전성, 효율성 및 성능을 향상시켜 항공 산업의 모습을 변화시킬 것입니다. 이러한 혁신은 항공 여행과 운영을 더욱 스마트하고 안전하게 만들 것을 약속합니다.Nvidia의 공동 저자인 Kamyar Azizzadenesheli는 말합니다.

FALCON 약어에서 알 수 있듯이 이 전략은 푸리에 방법을 기반으로 합니다. 즉, 신호, 즉 바람 상태를 표현하기 위해 정현파 또는 주기파를 사용한다는 의미입니다.파도는 표준 바람 움직임에 대한 좋은 근사치를 제공하여 필요한 계산을 최소한으로 유지합니다.이러한 파도 내에서 극심한 난류가 발생하면 불안정성이 눈에 띄는 주파수 변화로 나타납니다.

"만약 이러한 주파수를 예측하는 방법을 배울 수 있다면 우리의 방법을 통해 앞으로 어떤 일이 일어날지 어느 정도 예측할 수 있습니다"라고 Caltech 대학원 항공우주 연구소 소장이기도 한 Gharib는 말합니다.

"푸리에 방법은 여기에서 잘 작동합니다. 난류 파동이 주파수 측면에서 더 잘 모델링되고 대부분의 에너지가 낮은 주파수에 있기 때문입니다."라고 공동 저자이자 현재 Neural Propulsion Systems, Inc.의 선임 연구 엔지니어인 Sahin Lale은 말합니다.Caltech에 있는 동안 작업을 완료한 사람입니다."이러한 사전 지식을 사용하면 제한된 양의 정보로도 난류 역학의 학습과 제어가 모두 단순화됩니다."

FALCON 전략의 효과를 테스트하기 위해 연구원들은 Caltech의 John W. Lucas Wind Tunnel에서 매우 어려운 테스트 설정을 만들었습니다.그들은 완전한 장비를 갖춘 익형 날개 시스템을 대표적인 UAV로 사용했으며 시스템의 고도 및 요와 같은 사항을 온라인으로 조정할 수 있는 압력 센서와 제어 표면을 갖추고 있었습니다.그런 다음 그들은 풍동에 이동식 부착물이 있는 대형 실린더를 배치했습니다.바람이 실린더 위로 흐를 때, 실린더에 불규칙하고 큰 변동이 발생했습니다.바람에어포일에 도달.논문의 공동 저자이자 현재 Virtu Financial의 정량 전략가인 Peter I. Renn은 "물리적 난류 환경에서 강화 학습 알고리즘을 훈련하는 것은 모든 종류의 고유한 과제를 제시합니다."라고 말합니다.

"우리는 완벽하게 깨끗한 신호나 단순화된 흐름 시뮬레이션에 의존할 수 없었으며 모든 작업이 실시간으로 수행되어야 했습니다."

약 9분간의 학습 후에 FALCON 지원 시스템은 이러한 극한 환경에서도 안정화될 수 있었습니다.

"새로운 관찰이 있을 때마다 프로그램은 더 많은 정보를 갖고 있기 때문에 더욱 좋아집니다"라고 Anandkumar는 말합니다.

"미래는 교육이 점점 더 적게 필요하다는 측면에서 소프트웨어가 얼마나 강력해지는가에 달려 있습니다."라고 Gharib는 말합니다."빠른 적응이 어려울 것입니다. 우리는 밀고, 밀고, 밀고 나갈 것입니다."

그는 미래를 내다보며 연구원들이 UAV와 심지어 여객기에도 상태에 대해 감지하고 학습한 정보를 서로 공유할 수 있는 능력을 제공할 수 있을 것이라고 덧붙였습니다.특히 교란 근처에서 센서 측정값과 인공 지능 기반 학습을 평면 간 공유하면 항공기를 안전하게 유지하는 데 도움이 될 수 있습니다.

"저는 그런 일이 일어날 것이라고 믿습니다"라고 Gharib은 말했습니다."그렇지 않으면 상황이 매우 위험해질 것입니다.기상 이변빈도가 높아진다."

추가 정보:Sahin Lale 외, FALCON: 극심한 난류 하에서 외란 제거를 위한 푸리에 적응 학습 및 제어,npj 로봇 공학(2024).DOI: 10.1038/s44182-024-00013-0