MIT研發AI飛行控制系統 讓無人機在惡劣環境中精準執行任務

想像一下，一架運送滅火用水的無人機正在內華達山脈撲救野火，卻突然遭遇強勁的聖安娜風威脅其飛行路線。這種突發狀況對無人機的飛行控制系統構成巨大挑戰。

為解決這個問題，MIT研究團隊開發出一套基於機器學習的新型適應性控制演演算法。這套系統能在遭遇強風等不可預測外力時，將無人機的軌跡偏差降至最低。相關研究成果已發表於arXiv預印本伺服器。

與傳統方法不同，這項新技術無需程式設計師預先了解任何環境幹擾的結構資訊。控制系統的AI模型僅需15分鐘的飛行觀測資料，就能掌握所需資訊。更關鍵的是，系統能自動選擇最適合當前幹擾幾何特性的最佳化演演算法，大幅提升追蹤效能。

研究團隊運用一種稱為「元學習」的技術，讓控制系統同時學會如何適應各類幹擾。模擬結果顯示，這套適應性控制系統的軌跡追蹤誤差比基準方法減少50%，即使面對訓練時未見過的風速也能表現優異。

未來，這項技術可幫助無人機在強風中更有效率地運送重物，或監控國家公園的火災高風險區域。論文資深作者、MIT機械工程系助理教授Navid Azizan表示：「同時學習這些元件正是我們方法的優勢所在。透過元學習，控制器能自動做出最利於快速適應的選擇。」

傳統控制系統需預先設定無人機環境模型及潛在幹擾結構，但在充滿不確定性的真實世界中，這往往難以實現。多數系統採用梯度下降法來估算未知因素，但這僅是「映象下降」演演算法家族中的一種選擇。

Azizan解釋：「映象下降是一個廣義演演算法家族，針對特定問題，其中一種可能比其他更適合。關鍵在於如何選擇最適合的演演算法，而我們的方法實現了自動化選擇。」

研究團隊以神經網路模型取代傳統的幹擾結構函式，讓系統能從資料中學習估算幹擾，無需預設可能遭遇的風速模型。該方法還能自動選擇合適的映象下降函式，而非假設使用者已選出理想函式。

論文第一作者、航太工程系研究生Sunbochen Tang補充：「選擇合適的距離生成函式來構建映象下降適應，對於減少追蹤誤差至關重要。」

研究團隊運用元學習技術，在訓練時向控制器展示多種風速家族，使其更具適應性。Tang解釋：「我們的方法能處理不同目標，因為透過元學習，我們可以從資料中有效率地學習跨場景的共享表徵。」

實際操作時，使用者只需輸入目標軌跡，系統就能即時計算無人機應產生的推力，在應對未知幹擾的同時保持最佳軌跡追蹤。無論模擬或實測，這套方法在所有測試風速下都顯著優於基準方法。

Azizan強調：「即使風力遠強於訓練時所見，我們的技術仍能成功應對。」隨著風速增強，其效能優勢更加明顯，顯示系統能適應極端環境。

團隊目前正進行硬體實驗，測試系統在不同風況下的實際表現。未來計畫擴充套件系統能力，使其能同時處理多重幹擾源，例如風速變化導致無人機載運的液態貨物晃動等狀況。

未參與此研究的加州理工學院教授Babak Hassibi評價：「Navid及其團隊的突破性工作將元學習與傳統適應控制相結合，從資料中學習非線性特徵。其關鍵在於運用映象下降技術開發問題的幾何特性，這項研究對複雜不確定環境中的自主系統設計貢獻卓著。」

[end]