文|陈根
近年来无人机市场飞速增长,避障技术作为增加无人机安全飞行的保障,也随着技术的发展日新月异。无人机在飞行过程中,通过其传感器收集周边环境的信息,测量距离从而做出相对应的动作指令,从而达到避障的作用。
当无人机快速飞行时,空气动力学会变得复杂且难以预测,无人机本身也会变得不稳定,导致出现无法有效躲避障碍物的情况。为此,麻省理工学院(MIT)的航空工程师们设计了一种算法,其飞过简单的障碍跑道的速度比用传统规划算法训练的无人机快20%。
新算法训练的无人机,可以帮助无人机找到绕过障碍物的最快路线,而不会坠毁。其结合了模拟和实验,能够最小化识别快速和安全飞行路径所需的实验数量。此外,新算法下的无人机并不是在整个过程中都领先于竞争对手。某些情况下,它会让无人机减速以应对复杂的弯道,或者节省无人机的能量,然后加速并超越对手。
在过去,为了了解空气动力学如何影响高速飞行中的无人机,研究人员必须进行多次实验,将无人机设置成不同的速度与飞行轨迹,查看哪种飞行模式既快速又安全。但这一过程昂贵且复杂,并且经常发生无人机坠毁事件。
因此,麻省理工学院的研究人员提出了一个多保真(multi-fidelity)Bayesian优化框架,基于解析模拟和真实世界的飞行实验对飞行的可行性进行建模,评估每种飞行可能,优化飞行轨迹和飞行时间,大大降低了所要进行的实验次数。
可以说,新算法下,训练的无人机几乎“赢得”了每一场比赛,也比传统训练的无人机使用了更短的时间飞完全程。或许,这是因为传统训练的无人机没有进行这种微妙的调整,它的轨迹仅仅基于模拟,不能完全解释团队在现实世界中实验揭示的空气动力学效应。
目前,该论文《用时最优的四旋翼飞行器机动性的多保真黑箱优化(Multi-fidelity black-box optimization for time-optimal quadrotor maneuvers)》,发表在《国际机器人研究杂志》The International Journal of Robotics Research上。
未来,研究人员计划进行更多的飞行实验,以更快的速度,通过更复杂的环境,进一步改进算法。
