在自然界中，飛行動物會感覺到周圍環境即將發生的變化，包括突然發生的湍流，並迅速調整以保持安全。設計飛機的工程師希望賦予他們的車輛相同的能力來預測傳入的干擾並做出適當的回應。

事實上，如果飛機具有這種自動感測和預測能力，並結合穩定飛行器的機制，那麼諸如今年5月新加坡航空航班因嚴重顛簸導致100多名乘客受傷的致命災難是可以避免的。

現在，來自加州理工學院自主系統與技術中心 (CAST) 和 Nvidia 的研究團隊在實現此類功能方面邁出了重要一步。在一個新的紙在日記中npj機器人公司，該團隊描述了他們為無人機開發的控制策略，稱為 FALCON（傅立葉自適應學習和控制）。

該策略使用強化學習是人工智慧的一種形式，能夠自適應地學習湍流風如何隨時間變化，然後利用這些知識根據無人機的即時體驗來控制無人機。

「自發湍流會對從民用航班到無人機的一切事物產生重大影響。氣候變遷，引起這種類型湍流的極端天氣事件正在增加，」航空和醫學工程漢斯·W·利普曼教授、中國科協布斯-克雷薩領導主席、這篇新論文的作者莫里·加里布（Mory Gharib）說。

「兩種不同剪切流之間的交界處也會出現極端的湍流，例如，當高速風在高層建築周圍遇到停滯時。因此，城市環境中的無人機需要能夠補償這種突然的變化。

FALCON並不是第一個使用強化學習的無人機控制策略。然而，先前的策略並沒有嘗試學習真正代表湍流風如何運作的基礎模式。相反，它們都是無模型方法。此類方法著重於最大化獎勵函數，該函數不能用於處理不同的設置，例如不同的風力條件或車輛配置，而無需重新訓練，因為它們只專注於一種環境。

加州理工學院計算與數學科學布倫教授、這篇新論文的作者阿尼瑪·阿南德庫馬爾(Anima Anandkumar) 表示：「在物理世界中，情況不太好，我們知道情況可能會迅速發生巨大變化。“我們需要人工智慧很好地學習湍流的基本模型，以便它能夠根據它認為風向變化的方式採取行動。”

「基礎人工智慧的進步將改變航空業的面貌，提高包括客機、無人機和艦載機在內的一系列平台的安全性、效率和性能。這些創新有望使航空旅行和營運更加智慧、安全、並且更加精簡”，來自 Nvidia 的合著者 Kamyar Azizzadenesheli 說道。

正如 FALCON 縮寫所示，該策略基於傅立葉方法，這意味著它依賴使用正弦曲線或週期波來表示訊號（此處為風況）。這些波浪很好地近似了標準風運動，從而將所需的計算量降至最低。在這些波浪中，當出現極端湍流時，不穩定性會表現為頻率的明顯變化。

「如果你能學會如何預測這些頻率，那麼我們的方法就可以為你提供一些預測，」加里布說，他也是加州理工學院研究生航空航天實驗室的主任。

「傅立葉方法在這裡效果很好，因為湍流波可以更好地根據頻率進行建模，其大部分能量都位於低頻，」共同主要作者Sahin Lale 說，他現在是Neural Propulsion Systems, Inc. 的高級研究工程師。“即使資訊量有限，使用這些先驗知識也可以簡化湍流動力學的學習和控制。”

為了測試 FALCON 策略的有效性，研究人員在加州理工學院的約翰·W·盧卡斯風洞中創建了一個極具挑戰性的測試裝置。他們使用裝備齊全的翼型機翼系統作為其代表性無人機，為其配備壓力感測器和控制面，可以在線上調整系統的高度和偏航等參數。然後，他們將一個帶有可移動附件的大圓柱體放置在風洞中。當風吹過圓柱體時，會產生隨機的、較大的波動風到達機翼。「在物理湍流環境中訓練強化學習演算法會帶來各種獨特的挑戰，」該論文的聯合主要作者、現任 Virtu Financial 的量化策略師 Peter I. Renn 說。

“我們不能依賴完全乾淨的信號或簡化的流量模擬，一切都必須實時完成。”

經過大約九分鐘的學習，FALCON輔助系統能夠在這種極端環境中穩定下來。

「隨著每一個新的觀察，程序都會變得更好，因為它有更多的信息，」阿南德庫馬爾說。

加里布說：“未來實際上取決於軟體在需要越來越少的培訓方面變得多麼強大。”“快速適應將成為挑戰，我們將努力、努力、再努力。”

展望未來，他補充說，研究人員設想讓無人機甚至客機能夠相互分享感知到的和學到的有關狀況的資訊。這種飛機間共享感測器測量值和基於人工智慧的學習，尤其是在幹擾附近時，可以幫助確保飛機的安全。

「我相信這將會發生，」加里布說。「否則，事情會變得非常危險，因為極端天氣事件頻率增加。

更多資訊：Sahin Lale 等人，FALCON：極端湍流下的傅立葉自適應學習和抗擾控制，npj機器人公司（2024）。DOI：10.1038/s44182-024-00013-0