近日，一架自动无人机正在内华达山脉协助扑灭野火，但可能遭遇圣安娜旋风等未知干扰，这对无人机的飞行控制系统构成巨大挑战。为应对这一难题，麻省理工学院的研究人员开发了一种基于机器学习的自适应控制算法，旨在帮助无人机在飞行中快速适应不可预测的力量，如阵风，从而最大限度地减少与预定轨迹的偏差。

该研究发表在arXiv预印本服务器上，并已在“动力学与控制学习”会议上展示。与标准方法不同，新技术无需编程人员提前了解干扰结构，而是通过收集15分钟飞行时间的少量观察数据来学习所需信息。该技术能自动确定应使用的优化算法，以适应特定干扰几何形状，从而提高跟踪性能。

麻省理工学院的研究团队利用元学习技术，训练控制系统适应不同类型的干扰。通过这种方法，他们的自适应控制系统在模拟中实现了比基线方法少50%的轨迹跟踪误差，且在训练期间未见过的新风速下表现更佳。Navid Azizan教授表示：“这些组件的并发学习是我们方法的优势所在。通过元学习，控制器可以自动做出最适合快速适应的选择。”

未来，这种自适应控制系统有望帮助自主无人机在强风条件下更有效地运送重型包裹，或监控国家公园的火灾多发区域。研究人员指出，选择正确的算法对于减少跟踪误差至关重要，而他们的方法通过自动化选择镜像下降函数，实现了这一目标的自动化。

在模拟和真实世界实验中，研究人员均表明，他们的方法在各种风速下均比基线方法产生更小的轨迹跟踪误差。随着风速的增强，他们的方法优势愈发明显，显示出其适应挑战性环境的能力。

目前，研究团队正在进行硬件实验，以在真实无人机上测试他们的控制系统，并希望扩展该方法以处理来自多个来源的干扰。他们还希望探索持续学习，使无人机能够适应新的干扰，而无需重新训练。

更多信息： Sunbochen Tang 等，《基于自动镜像下降的自适应控制元学习》，arXiv (2024)。期刊信息： arXiv