“通过长期合作,我们一直在研究使用可训练神经网络来实现各种复杂航天器操作的自主监控,例如星际转移、表面着陆和对接。”欧洲航天局的科学协调员伊佐·达里奥表示。
在太空中,每一项机载资源都必须尽可能高效地利用——包括推进剂、可用能量、计算资源,以及时间。这种神经网络方法可以实现最佳的机载操作,增强任务的自主性和鲁棒性。但在规划实际太空任务之前,还需要一种方法在现实世界中测试它。
达里奥说:“那时我们决定将无人机竞速作为理想的测试环境,以在真实的机器人平台上验证端到端神经架构,从而增强对其未来在太空应用的信心。”
在代尔夫特理工大学的Cyber Zoo项目下,无人机正竞相以最佳时间通过一个设定好的赛道,这是一个由该校航空航天工程学院维护的10×10米的测试区域,也是欧洲航天局在此研究中的研究重点。人类操控的“微型飞行器”四旋翼无人机与经过各种方式训练的神经网络自主无人机交替进行比赛。
“传统上,航天器机动操作的方式是,它们在地面被详细规划,然后上传到航天器执行,”ACT项目研究员塞巴斯蒂安·奥里热解释道,“本质上,当涉及任务的制导和控制时,制导部分在地面进行,而控制部分则由航天器完成。”
太空环境本质上具有不可预测性,可能存在各种不可预见的因素和干扰,如引力变化、大气湍流或与地面模型不同的行星形状。
每当航天器因任何原因偏离预定轨道时,其控制系统都会努力将其恢复到设定路径。然而,这种方法在资源方面可能相当昂贵,需要一整套强制性修正措施。
塞巴斯蒂安补充道:“我们的替代端到端制导与控制网络(G&CNets)方法涉及的所有工作都在航天器上进行。航天器不是遵循单一的固定航线,而是从当前位置开始,持续重新规划其最佳轨迹,这被证明要高效得多。”
在计算机模拟中,由相互连接的神经元组成的神经网络——模仿动物大脑的结构——在使用基于长期接触专家示例的“行为克隆”进行训练时表现良好。但接下来是如何在现实世界中建立对这种方法的信任的问题。此时,研究人员转向了无人机。
达里奥指出:“无人机与航天器之间存在许多协同效应,尽管无人机飞行的动力学过程更快且更复杂。谈到比赛,显然最主要稀缺的资源是时间,但我们可以将其作为其他空间任务可能需要优先考虑的变量的替代品,例如推进剂质量。卫星CPU受到相当大的限制,但我们的G&CNETs却出奇地简朴,也许在内存中存储多达30000个参数,这可以通过仅使用几十万字节来实现,总共涉及不到360个神经元。”
为了达到最佳效果,G&CNet应能直接向执行器发送指令。对于航天器,这些执行器是推进器;对于无人机,这些执行器则是螺旋桨。
“将G&CNets应用于无人机的主要挑战在于仿真中的执行器与现实中的执行器之间的现实差距,”德尔夫特理工大学的研究员克里斯托弗·德·瓦格特说道,“我们通过在飞行中识别现实差距并教导神经网络如何应对来解决这一问题。例如,如果螺旋桨提供的推力小于预期,无人机可以通过其加速度计察觉到这一点。然后,神经网络将重新生成命令以遵循新的最佳路径。”
“现在有了一个完整的无人机竞速学术社区,这一切都归结为赢得比赛,”塞巴斯蒂安说,“对于我们的G&CNets方法,在规划实际空间任务演示器之前,无人机的使用代表了一种建立信任、发展坚实的理论框架和确定安全界限的方式。” (航柯)

VIP课程推荐
APP专享直播
热门推荐
收起
24小时滚动播报最新的财经资讯和视频,更多粉丝福利扫描二维码关注(sinafinance)