在自然界中，飞行动物会感觉到周围环境即将发生的变化，包括突然发生的湍流，并迅速进行调整以保持安全。设计飞机的工程师希望赋予他们的车辆同样的能力来预测传入的干扰并做出适当的响应。

事实上，如果飞机具有这种自动传感和预测能力，并结合稳定飞行器的机制，那么诸如今年5月新加坡航空航班因严重颠簸导致100多名乘客受伤的致命灾难是可以避免的。

现在，来自加州理工学院自主系统与技术中心 (CAST) 和 Nvidia 的研究团队在实现此类功能方面迈出了重要一步。在一个新的纸在日记中npj机器人公司，该团队描述了他们为无人机开发的控制策略，称为 FALCON（傅里叶自适应学习和控制）。

该策略使用强化学习是人工智能的一种形式，能够自适应地学习湍流风如何随时间变化，然后利用这些知识根据无人机的实时体验来控制无人机。

“自发湍流会对从民用航班到无人机的一切事物产生重大影响。气候变化，引起这种类型湍流的极端天气事件正在增加，”航空和医学工程汉斯·W·利普曼教授、中国科协布斯-克雷萨领导主席、这篇新论文的作者莫里·加里布（Mory Gharib）说。

“两种不同剪切流之间的交界处也会出现极端的湍流，例如，当高速风在高层建筑周围遇到停滞时。因此，城市环境中的无人机需要能够补偿这种突然的变化。FALCON 给出了这些车辆了解即将到来的湍流并做出必要调整的一种方式。”

FALCON并不是第一个使用强化学习的无人机控制策略。然而，以前的策略并没有尝试学习真正代表湍流风如何运作的基础模型。相反，它们都是无模型方法。此类方法侧重于最大化奖励函数，该函数不能用于处理不同的设置，例如不同的风力条件或车辆配置，而无需重新训练，因为它们只关注一种环境。

加州理工学院计算与数学科学布伦教授、这篇新论文的作者阿尼玛·阿南德库马尔 (Anima Anandkumar) 表示：“在物理世界中，情况不太好，我们知道情况可能会迅速发生巨大变化。”“我们需要人工智能很好地学习湍流的基本模型，以便它能够根据它认为风向变化的方式采取行动。”

“基础人工智能的进步将改变航空业的面貌，提高包括客机、无人机和舰载机在内的一系列平台的安全性、效率和性能。这些创新有望使航空旅行和运营更加智能、安全、并且更加精简”，来自 Nvidia 的合著者 Kamyar Azizzadenesheli 说道。

正如 FALCON 缩写所示，该策略基于傅里叶方法，这意味着它依赖于使用正弦曲线或周期波来表示信号（此处为风况）。这些波浪很好地近似了标准风运动，从而将所需的计算量降至最低。在这些波浪中，当出现极端湍流时，不稳定会表现为频率的明显变化。

“如果你能学会如何预测这些频率，那么我们的方法就可以为你提供一些预测，”加里布说，他也是加州理工学院研究生航空航天实验室的主任。

“傅里叶方法在这里效果很好，因为湍流波可以更好地根据频率进行建模，其大部分能量都位于低频，”共同主要作者 Sahin Lale 说，他现在是 Neural Propulsion Systems, Inc. 的高级研究工程师。他在加州理工学院期间完成了这项工作。“即使信息量有限，使用这些先验知识也可以简化湍流动力学的学习和控制。”

为了测试 FALCON 策略的有效性，研究人员在加州理工学院的约翰·W·卢卡斯风洞中创建了一个极具挑战性的测试装置。他们使用装备齐全的翼型机翼系统作为其代表性无人机，为其配备压力传感器和控制面，可以在线调整系统的高度和偏航等参数。然后，他们将一个带有可移动附件的大圆柱体放置在风洞中。当风吹过圆柱体时，会产生随机的、较大的波动风到达机翼。“在物理湍流环境中训练强化学习算法会带来各种独特的挑战，”该论文的联合主要作者、现任 Virtu Financial 的量化策略师 Peter I. Renn 说道。

“我们不能依赖完全干净的信号或简化的流量模拟，一切都必须实时完成。”

经过大约九分钟的学习，FALCON辅助系统能够在这种极端环境中稳定下来。

“随着每一个新的观察，程序都会变得更好，因为它有更多的信息，”阿南德库马尔说。

加里布说：“未来实际上取决于软件在需要越来越少的培训方面变得多么强大。”“快速适应将成为挑战，我们将努力、努力、再努力。”

展望未来，他补充说，研究人员设想让无人机甚至客机能够相互共享感知到的和学到的有关状况的信息。这种飞机间共享传感器测量值和基于人工智能的学习，尤其是在干扰附近时，可以帮助保证飞机的安全。

“我相信这将会发生，”加里布说。“否则，事情会变得非常危险，因为极端天气事件频率增加。”

更多信息：Sahin Lale 等人，FALCON：极端湍流下的傅立叶自适应学习和抗扰控制，npj机器人公司（2024）。DOI：10.1038/s44182-024-00013-0