目前，无人机要么在受控条件下飞行，无风，要么由人类使用遥控器操作。无人机被教导在开阔的天空中编队飞行，但这些飞行通常是在理想的条件和环境下进行的。

然而，要让无人机自主执行必要但日常的任务，例如运送包裹或空运因交通事故而受伤的司机，无人机必须能够实时适应风况——从气象学的角度来看，它是顺风顺水的。

为了应对这一挑战，加州理工学院的一个工程师团队开发了Neural-Fly，这是一种深度学习方法，只需更新一些关键参数，即可帮助无人机实时应对新的和未知的风况。

发表在ScienceRobotics上的一项研究描述了Neural-Fly。通讯作者是航天与控制与动力系统布伦教授、喷气推进实验室研究科学家Soon-JoChung。加州理工学院研究生MichaelO'Connell(MS'18)和GuanyaShi是共同第一作者。

Neural-Fly在加州理工学院自主系统和技术中心(CAST)使用其真实天气风洞进行了测试，这是一个定制的10英尺乘10英尺阵列，由1,200多个微型计算机控制的风扇组成，允许工程师模拟一切从微风到大风。

“问题在于，各种风况对飞机动力学、性能和稳定性的直接和具体影响不能用简单的数学模型来准确描述，”Chung说。“我们没有尝试对我们在航空旅行中经常遇到的湍流和不可预测的风况的每一个影响进行限定和量化，而是采用深度学习和自适应控制相结合的方法，使飞机能够从以前的经验中学习并适应新的具有稳定性和稳健性保证的动态条件。”

O'Connell补充道：“我们有许多源自流体力学的不同模型，但要实现正确的模型保真度并针对每种车辆、风况和操作模式调整模型具有挑战性。另一方面，现有的机器学习方法需要大量数据来训练，但与使用经典物理方法实现的最先进的飞行性能不匹配。此外，实时调整整个深度神经网络是一项艰巨的任务，如果不是目前不可能的话。”

研究人员说，Neural-Fly通过使用所谓的分离策略解决了这些挑战，通过这种策略，只需实时更新神经网络的几个参数。

“这是通过我们新的元学习算法实现的，该算法对神经网络进行预训练，因此只需更新这些关键参数即可有效捕捉不断变化的环境，”Shi说。

在获得短短12分钟的飞行数据后，配备Neural-Fly的自动四旋翼无人机学会了如何对强风做出如此出色的响应，从而显着提高了它们的性能(通过它们精确跟随飞行路径的能力来衡量)。与配备类似自适应控制算法(可识别和响应空气动力学效应但没有深度神经网络)的当前最先进的无人机相比，沿着该飞行路径的错误率大约小2.5到4倍。

Neural-Fly是与加州理工学院计算与数学科学教授YisongYue和Bren计算与数学科学教授AnimaAnandkumar合作开发的，它基于早期的神经着陆器和神经群系统。Neural-Lander还使用深度学习方法来跟踪无人机着陆时的位置和速度，并修改其着陆轨迹和旋翼速度，以补偿旋翼从地面的反冲，实现尽可能平稳的着陆;Neural-Swarm教无人机在彼此靠近的情况下自主飞行。

尽管着陆似乎比飞行更复杂，但与早期系统不同，Neural-Fly可以实时学习。因此，它可以即时响应风的变化，并且不需要事后进行调整。Neural-Fly在CAST设施外进行的飞行测试中的表现与在风洞中的表现一样好。此外，该团队还表明，单个无人机收集的飞行数据可以转移到另一架无人机，从而为自动驾驶汽车建立知识库。

在CAST真实天气风洞中，测试无人机的任务是在风速高达每秒12.1米(大约每小时27英里，或博福特级数为6风速。这被归类为难以使用雨伞的“强风”。它的等级略低于“中等大风”，在这种大风中很难移动，整棵树都会摇晃。这种风速是无人机在神经网络训练期间遇到的速度的两倍，这表明Neural-Fly可以很好地推断和推广到看不见和更恶劣的天气。

这些无人机配备了标准的现成飞行控制计算机，无人机研究和爱好者社区通常使用该计算机。Neural-Fly是在一个信用卡大小的板载RaspberryPi4计算机上实现的，零售价约为20美元。