強風にも耐えられるドローン？カリフォルニア工科大学は12分間の飛行データを使い、ドローンに風の中での飛行を教える

傘が吹き飛ばされるほど風が強いときでも、ドローンは次のように安定した状態を保ちます。

風に乗ることは、航空飛行の一部です。より大きなスケールでは、風速はパイロットが航空機を着陸させる際に問題となる可能性があります。より小さなスケールでは、突風がドローンの飛行にも影響を与える可能性があります。

現在、ドローンは、風のない制御された条件で飛行するか、リモコンを使用して人間が操作します。ドローンは研究者によって制御され、広い空で編隊飛行しますが、これらの飛行は通常、理想的な条件と状況下で実行されます。

しかし、荷物の配達など、ドローンが必須だが日常的な作業を自律的に実行するには、風の状況にリアルタイムで適応できなければなりません。

風の中で飛行する際のドローンの機動性を高めるため、カリフォルニア工科大学のエンジニアチームはディープニューラルネットワーク「Neural-Fly」を開発した。これは、風の強い状況でもドローンが機敏さを維持できるようにする人工知能ツールで、いくつかの重要なパラメータを更新するだけで、ドローンが新しい未知の風の状況にリアルタイムで対応できるようにする。

記事の冒頭で、ドローンの風に対する抵抗についてすでに少し触れました。以下は、研究で開発されたツールの助けを借りて、時速 27 マイルまでの風の中で 8 の字シャトル飛行を行うことができるクアッドコプター ドローンです。

風に乗って飛ぶドローンを別の角度から見てみましょう:

ドローンがさまざまな風速で飛行するには、データが不可欠です。この研究ではほとんどデータは必要ありませんでした。わずか 12 分間の飛行データを取得した後、Neural-Fly を搭載した自律型クワッドコプターは強風への対応方法を学習しました。 「使用されたデータの量は非常に少ない」と、カリフォルニア工科大学航空宇宙学部の大学院生で論文の著者の一人であるマイケル・オコネル氏は言う。

この研究は水曜日にサイエンス・ロボティクス誌に掲載された。

• 論文アドレス: https://www.science.org/doi/10.1126/scirobotics.abm6597
• arXiv アドレス: https://arxiv.org/pdf/2205.06908.pdf

Neural-Fly の実験訓練では、ドローンは 6 つの異なる風速の風洞内で飛行しました。そのうち最速は時速 13.4 マイルでした。

このデータを基に、チームはディープ ニューラル ネットワークを作成し、これにより、車両が同じ風洞内で、ゲートを 8 の字に通過したり、2 つの楕円形のゲートを通過したりするなど、巧みに操作を実行できるようになりました。ドローンはテストで、訓練で経験したよりも速い速度、時速約27マイルに到達した。これは風洞が作り出せる最大の風速だと、論文の著者でカリフォルニア工科大学の大学院生、グアニャ・シー氏は語った。このソフトウェアは、少量のデータしか必要としないだけでなく、安価なコンピューティング デバイスである Raspberry Pi 上でのみ実行されます。

カリフォルニア工科大学の航空宇宙工学、制御、および動的システムの教授であり、責任著者でもあるスンジョ・チョン氏は、彼らが確認したエラー率は既存のSOTA技術よりも2.5～4倍優れており、新しいシステムを搭載したドローンの飛行性能は2.5～4倍優れていたと述べています。

下の写真の人物は、左から右に、Shi Guanya、Soon-Jo Chung、Michael O'Connell です。 Shi Guanya氏が2023年9月にカーネギーメロン大学コンピューターサイエンス学部のロボット工学研究所に助教授として加わることは祝福に値します。

研究者らは、この技術は将来、ドローンによる配達や空飛ぶ車に利用される可能性があると述べている。

ニューラルフライテクノロジーの概要

動的かつ高速の風の中で安全かつ正確な飛行操作を実行することは、無人航空機 (UAV) の継続的な商業化にとって非常に重要です。しかし、さまざまな風の状態とそれが UAV の操縦性に与える影響との関係が十分に研究されていないため、従来の制御設計方法を使用して効率的なロボット コントローラーを設計することは困難です。

カリフォルニア工科大学の研究者らが提案した「Neural-Fly」は、ディープラーニングベースの軌道追跡コントローラーとして、急速に変化する風の状況に素早く適応することを学習できるデータ駆動型のアプローチです。下の図3(A)はデータ収集プロセスを示しています。図3(B)は風速が13.3km/h(3.7m/s)のときのトレーニングデータの入力とラベルを示しています。図3(C)はさまざまな風条件下での入力データとラベルデータの分布を示しています。

オンライン適応 + オフラインメタ学習

下の図 2 は、Neural-Fly アプローチの概要を示しており、適応飛行制御とディープラーニング ベースのロボット制御の進歩を示しています。 Neural-Fly は、標準的な UAV の動的な風の条件下で、柔軟で困難な軌道のセンチメートルレベルの位置誤差追跡を実現します。具体的には、この方法は、オフライン学習フェーズと、リアルタイムオンライン学習のためのオンライン適応制御フェーズの 2 つの部分で構成されます。

オフライン学習フェーズでは、研究者らは、データ効率の高い方法で風に依存しないディープニューラルネットワーク（DNN）による空気力学の表現を学習するドメイン敵対的不変メタ学習（DAIML）を開発しました。この表現は、ハイブリッド ディープ ニューラル ネットワーク出力のセットの線形係数を更新することで、さまざまな風の条件に適応します。

DAIML はデータ効率も高く、 6 つの異なる風条件下での 12 分間の飛行データのみを使用してディープ ニューラル ネットワークをトレーニングします。 DAIML には、データ効率を向上させるだけでなく、下流のオンライン適応制御ステージからの情報も有効にするいくつかの重要な機能が含まれています。

特に、DAIML はスペクトル正規化を使用してディープ ニューラル ネットワークの Lipschitz プロパティを制御し、未知のデータへの一般化を改善し、閉ループの安定性と堅牢性を提供します。さらに、DAIML は識別ネットワークを使用して、学習した表現が風に対して不変であり、風関連の情報が適応オンライン制御段階の線形係数にのみ含まれるようにします。

オンライン適応制御段階では、学習した表現が閉ループ制御システムとどのように相互作用するかについての基本的な理解に基づき、厳密な理論的根拠を持つ正規化された複合適応制御法を開発します。

具体的には、適応法則は位置追跡誤差項と空気力予測誤差項の組み合わせを使用して、風関連の線形係数を更新します。このアプローチは、あらゆる風の状況に対する安定した高速な適応と、不完全な学習に対する堅牢性を効果的に保証します。この適応制御法は多くの学習モデルで使用できますが、DAIML から学習された正確な表現は、適応速度をさらに向上させるのに役立ちます。

実験結果

Neural-Flyの効果は、平均して非線形追跡コントローラよりも66%高く、L_1適応コントローラよりも42%高く、増分非線形動的反転（INDI）コントローラよりも35%高くなります。これらすべての結果は、PX4 のデフォルトの規制姿勢制御を実行しながら、標準のクワッドローター ハードウェアを使用して達成されました。

外部の風の干渉がなく、より複雑なハードウェア（10 倍の制御周波数を必要とし、DC モーター速度フィードバックを使用するオンボード光センサーなど）を使用する関連作業と比較しても、Neural-Fly の追跡パフォーマンスは競争力があります。

以下の表 1 は、さまざまな風条件下でのさまざまな方法のエラー追跡統計を示しています。

研究者らは、Neural-Fly を 2 つの変種、Neural-Fly-Transfer と Neural-Fly-Constant と比較しました。このうち、NF-Transfer はさまざまな UAV のトレーニング データから学習した表現を使用するのに対し、NF-Constant は学習されていない単純な基準を持つ適応制御法則のみを使用します。

Neural-Fly-Transfer は、UAV 構成の変更とモデルの不一致に対する堅牢性を実証しており、NF-Constant、L_1、INDI の各メソッドはすべて、基礎となる物理構造を想定せずに未知のダイナミクスに直接適応し、同様のパフォーマンスを発揮します。

最後に、研究者らは、Neural-Fly が、図 1 に示すように、強風条件下でドローンが軌道をたどり、低高度のゲートを素早く通過できるようにするさまざまな機能を実現できることを実証しました。