سود:
- نقش و محدودیت های هوش مصنوعی در قوانین کنترل پرواز، تجزیه و تحلیل پایداری و معماری سیستم مستقل را درک کنید
- توانایی توضیح با مثال نحوه استفاده از یادگیری تقویتی و کنترل مبتنی بر مدل در استقلال هوانوردی
- امکان تایید خروجی های کنترل از نظر پاکت پرواز، حاشیه پایداری و رفتار ایمن در برابر خرابی
یک هواپیما به تنهایی مستقیم در هوا پرواز نمی کند. دائماً تعادلی را دوباره برقرار می کند که دائماً به هم می خورد. دینامیک پرواز علم این تعادل است: چگونگی حرکت هواپیما تحت نیروها و لحظات، اینکه آیا پس از وزش باد بازیابی می شود (پایداری)، و چگونه به دستورات خلبان یا کامپیوتر پاسخ می دهد را مطالعه می کند. سیستم کنترل مغزی است که این پویایی را به رفتار مورد نظر خم می کند: قوانین کنترل پرواز (الگوریتم هایی که اندازه گیری های حسگر را انجام می دهند و دستوراتی را برای سطوح کنترل ایجاد می کنند) هواپیما را همیشه پایدار و قابل کنترل نگه می دارد.
هوش مصنوعی (AI) در این زمینه چه در مهندسی کلاسیک و چه در سمت خودمختاری نقش دارد. در بخش کلاسیک، تجزیه و تحلیل پایداری، طراحی کنترلر و تنظیم شبیه سازی را تسریع می بخشد. در سمت خودمختاری، روش هایی مانند یادگیری تقویتی (یک رفتار یادگیری عامل بر اساس سیگنال پاداش از طریق آزمون و خطا) سیاست هایی را در وظایف پیچیده ایجاد می کنند. اما کنترل پرواز میدانی است که خطا در آن فوری و غیرقابل برگشت است: یک قانون کنترل ناپایدار می تواند هواپیما را در چند ثانیه از دست بدهد. بنابراین، هیچ دستاورد یا خط مشی کنترلی ایجاد شده توسط هوش مصنوعی بدون تأیید اعتبار از نظر پوشش پرواز، حاشیه پایداری و رفتار ایمن در برابر خرابی، وارد هواپیما نمی شود.
مفاهیم: پاکت پرواز: محدودیت های ضریب سرعت-ارتفاع-بار که در آن هواپیما می تواند ایمن پرواز کند. حاشیه پایداری: حاشیه سود و حاشیه فاز. اندازه گیری فاصله حلقه کنترل از ناپایداری. Fail-safe: هنگامی که یک جزء از کار بیفتد، سیستم وارد حالت ایمن می شود. PID: متناسب-انتگرال-مشتق. رایج ترین ساختار کنترل کننده کلاسیک.
ثبات، قانون کنترل و نقش هوش مصنوعی
اساس طراحی کنترل، درک دینامیک حلقه باز و رساندن حلقه بسته به رفتار مطلوب است. مهندس معادلات حرکت هواپیما را خطی می کند، توابع انتقال را استخراج می کند و یک کنترل کننده طراحی می کند (به عنوان مثال با PID یا بازخورد حالت). هوش مصنوعی مراحل میانی جبری را در این فرآیند یادآوری میکند، به تفسیر منبع ریشه کمک میکند، اسکریپتهایی را با کتابخانههای کنترلی MATLAB/Python مینویسد، و کدی تولید میکند که حاشیههای پایداری یک مجموعه بازده را محاسبه میکند.
نکته مهم این است: عملکرد خوب به معنای حاشیه پایداری خوب نیست. یک مجموعه بهره تهاجمی پیشنهاد شده توسط هوش مصنوعی ممکن است پاسخ بسیار سریع و واضحی را در شبیه سازی داده باشد، اما ممکن است حاشیه بهره را به 2 دسی بل و حاشیه فاز را به 15 درجه کاهش دهد. در هوانوردی، حداقل 6 دسی بل حاشیه افزایش و 45 درجه حاشیه فاز معمولاً هدف قرار می گیرد. زیرا در هواپیماهای واقعی، نویز حسگر، تاخیر محرک و خطاهای مدل سازی این حاشیه را تشکیل می دهند. کنترلکنندهای که فضای کافی برای سر باقی نمیگذارد ممکن است در شبیهسازی بینقص به نظر برسد، اما ممکن است در واقع به سمت ناپایداری (نوسان یا واگرایی سیکل حدی) سوق پیدا کند.
احتیاط: پاسخ "تمیز" یک کنترلر در شبیه سازی هیچ تضمینی برای دنیای واقعی نیست. شبیه سازی به طور کلی یک محرک ایده آل، یک سنسور بدون تاخیر و یک مدل کامل را فرض می کند. حاشیه ثبات دقیقاً حائل شما در برابر این انحرافات از ایده آل است. عملکردی که آن را قربانی می کند روی کاغذ می ماند.
خودمختاری و کنترل یادگیرنده: مرزها
در سیستمهای خودمختار، هوش مصنوعی عمیقتر وارد بازی میشود: سیاستهای یادگیری در وظایفی مانند برنامهریزی مسیر، اجتناب از موانع، فرود، هماهنگی گله استفاده میشود. یادگیری تقویتی می تواند با انجام میلیون ها آزمایش در یک محیط شبیه سازی، یک خط مشی رفتاری خوب پیدا کند. با این حال، کنترل یادگیری دو چالش اصلی در هوانوردی دارد: توضیح پذیری و اطمینان. چرا یک خط مشی شبکه عصبی این فرمان را نمی توان به راحتی توجیه کرد و نمی توان از نظر ریاضی تضمین کرد که در کل فضای ورودی ایمن رفتار کند.
به همین دلیل است که معماری عملی معمولاً لایهبندی میشود: مؤلفه یادگیری در لایه بیرونی (برنامهریزی، توصیه) عمل میکند، اما در لایه پایین یک «پاکت ایمنی» یا مانیتور ایمنی کلاسیک، قابل تجزیه و تحلیل و تأیید وجود دارد. این کنترلر دستورات لایه یادگیری را با پاکت پرواز و قوانین ایمنی فیلتر می کند. اگر یک نقض مرز ببیند، به رفتار ایمن تغییر می کند. اینگونه است که خلاقیت هوش مصنوعی با اطمینان از کنترل کلاسیک ترکیب می شود.
رویکرد
مزیت
مرز در هوانوردی
PID / کلاسیک
قابل تجزیه و تحلیل است، ثبات ثابت شده است
برای کارهای بسیار پیچیده ناکافی است
کنترل پیش بینی مدل (MPC)
به وضوح محدودیت ها را برطرف می کند
بار محاسباتی، وابستگی مدل
یادگیری تقویتی
سیاست قوی در کار پیچیده
گارانتی/قابلیت توضیح ضعیف است، شکاف در حقیقت
لایه لایه (یادگیر + پاکت ایمنی)
خلاقیت + اطمینان
هزینه طراحی پاکت و تایید
نکته: هنگام ارزیابی یک خط مشی یادگیری، درباره «بدترین رفتار» بپرسید، نه «عملکرد متوسط». اگر یک عامل RL در 9990 سناریو از 10000 سناریو برتر باشد و هواپیما را در 10 سناریو از پاکت خارج کند، آن 10 سناریو در هوانوردی غیرقابل قبول است. ایمنی با بدترین حالت سنجیده می شود نه میانگین.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
یک سود PID خوب برای این پهپاد بدهید.
اعلان قدرتمند:
نقش: شما یک مهندس سیستم های کنترل پرواز هستید. با نظم حیاتی ایمنی مطابقت داشته باشد. زمینه (نمایش): مدل خطی شده [تابع انتقال یا داده جرم/ رانش] برای چرخه ارتفاع یک مولتی کوپتر کوچک. وظیفه: 1) یک مجموعه بهره اولیه PID پیشنهاد کنید و منطق انتخاب را توضیح دهید. حاشیه هدف برای حمل و نقل هوایی (>=6 دسی بل، >=45 درجه)؛ در صورت ناکافی بودن مارجین، چگونه بهره را تنظیم کنم؟ محدودیت: به من یادآوری کنید که تأخیر محرک و نویز حسگر به حاشیه خواهد خورد. نگویید "دقیقا بهترین"، بر لزوم تایید در شبیه سازی و سخت افزار تاکید کنید.
الگوهای اعلان قابل کپی
الگو 1 - اسکریپت محاسبه حاشیه پایداری:
با کنترل پایتون برای تابع انتقال حلقه باز زیر: (الف) نمودار بدنه را رسم کنید. (ب) به صورت عددی حاشیه بهره و حاشیه فاز را محاسبه کنید. (ج) تولید خروجی در مقایسه با اهداف هوایی (>=6 دسی بل، >=45 درجه). اجازه دهید کد نظر داده شود. توضیح دهید که هر مرحله چه کاری انجام می دهد. تابع انتقال: [num/den]
الگو 2 - طراحی کنترلر محدودیت پاکت پرواز:
به من کمک کنید یک منطق مانیتور ایمنی برای یک هواپیمای خودمختار طراحی کنم: فرمان برنامه ریز در هنگام ورود، محدودیت ها [سرعت، ارتفاع، ضریب بار، محدودیت های زمین]. کنترلر چگونه باید فرمان را فیلتر کند، در صورت نقض حد باید به چه رفتار ایمن تغییر کند؟ این را با شبه کد بنویسید و برای هر تصمیم دلیل بیاورید.
الگوی 3 — طرح ارزیابی خط مشی RL:
قبل از استقرار یک خط مشی یادگیری تقویتی در هوانوردی، یک طرح ارزیابی ایجاد کنید: (الف) چه مزیتی و چه سناریوهای بدترین حالتی را باید آزمایش کنم. (ب) چگونه می توانم sim-to-realgap را اندازه گیری کنم. (ج) چگونه امنیت بدترین حالت را گزارش کنم، نه متوسط. (د) در این صورت کنترل کننده ایمنی باید فعال شود. بگذارید نتیجه یک چک لیست باشد.
الگوی 4 - حالت شکست و تجزیه و تحلیل بی خطر:
حالتهای خرابی سیستم کنترل زیر [حسگرها، محرکها، واحد حسابداری] را فهرست کنید و برای هر کدام رفتار ایمن از خطا را پیشنهاد دهید: خرابی سنسور، چسبیدن محرک، تاخیر حسابداری، از دست دادن ارتباط. یک روش تشخیص و یک استراتژی انتقال حالت ایمن برای هر شکست بنویسید. به طور خاص یک نقطه شکست را علامت بزنید.
موارد کوچک
مورد 1 - سود سهام خوردن تهاجمی. یک تیم یک مجموعه سود تهاجمی از هوش مصنوعی برای چرخه زمین پهپاد دریافت می کند. زمان افزایش در شبیه سازی در 0.4 ثانیه چشمگیر است. هنگامی که حاشیه توصیه شده توسط AI محاسبه می شود، حاشیه بهره 3.2 دسی بل و حاشیه فاز 22 درجه است. زیر اهداف هوایی (6 دسی بل، 45 درجه). در پرواز واقعی، زمانی که یک تاخیر عملگر 50 میلی ثانیه اضافه می شود، چرخه محدودیت سیستم نوسان می کند. سود تا 40 درصد کاهش می یابد و سهم به سمت هدف کشیده می شود، زمان افزایش به 0.7 ثانیه افزایش می یابد، اما سیستم قوی باقی می ماند. درس: تعادل عملکرد با سهم. شبیه سازی واقعیت را تضمین نمی کند.
مورد 2 - معماری لایه ای هواپیما را نجات می دهد. یک خط مشی RL آموزش دیده برای فرود خودکار در 99.7 درصد از 5000 فرود شبیه سازی شده موفق است. در یک اسکن در بدترین حالت، تیم آزمایش متوجه میشود که در 14 سناریو که بادهای متقابل از یک آستانه خاص فراتر میرود، این سیاست هواپیما را از باند فرودگاه هدایت میکند. یک پاکت ایمنی ساده که در زیر لایه یادگیری قرار داده شده است، در صورت وجود باد مخالف و نقض حد انحراف، فرمان دور زدن را می دهد. همه 14 سناریو با خیال راحت نتیجه می دهند. درس: لایه یادگیری باید با یک شبکه ایمنی کلاسیک همراه باشد.
مورد 3 - خطای یک نقطه نادیده گرفته شده است. در یک طراحی، یک سنسور سرعت هوا هم قانون کنترل و هم سیستم هشدار را تغذیه می کند. تجزیه و تحلیل حالت خرابی هوش مصنوعی نشان می دهد که اگر این سنسور مسدود شود، هر دو کنترل و هشدار به طور همزمان فریب خواهند خورد، یعنی شکست یک نقطه. این تیم یک منبع سرعت مستقل دوم (به عنوان مثال سرعت مبتنی بر GPS یا دومین پیتوت) و تشخیص مغایرت را اضافه می کند. درس: وابستگی به یک منبع واحد ورودی حیاتی امنیتی آسیبپذیری است که باید شناسایی شود.
اشتباهات رایج
- عملکرد اشتباه با ثبات پاسخ سریع به معنای استحکام نیست. حاشیه ناکافی در واقع بی ثباتی ایجاد می کند.
- اشتباه گرفتن شبیه سازی با واقعیت شبیه سازی با فرض محرک/حسگر ایده آل تأخیر و نویز را نادیده می گیرد. تایید در سخت افزار ضروری است.
- با تکیه بر عملکرد متوسط. ایمنی با بدترین حالت سنجیده می شود. سناریوهای نادر اما خطرناک غیرقابل قبول هستند.
- استفاده از خط مشی یادگیری بدون نظارت یک شبکه عصبی که نمی توان آن را تضمین کرد بدون پوشش ایمنی کلاسیک به پرواز در نخواهد آمد.
- دور زدن حالت های شکست اگر خرابی های تک نقطه ای و رفتار ایمن خرابی در پایان طراحی به جای ابتدای طراحی در نظر گرفته شود، خیلی دیر خواهد بود.
به طور خلاصه
کنترل پرواز منطقه ای است که خطا در آن فوری و غیر قابل برگشت است. تجزیه و تحلیل پایداری هوش مصنوعی، طراحی کنترلر، راه اندازی شبیه سازی و سیاست های استقلال را تسریع می کند. اما عملکرد خوب به معنای حاشیه پایداری خوب نیست و سیاستهای یادگیری از نظر تضمین/قابلیت توضیح ضعیف هستند. ایمنی عملی در معماری لایه ای نهفته است که لایه یادگیری را با یک پاکت ایمنی کلاسیک ترکیب می کند و تأیید هر کنترل کننده از نظر پاکت پرواز، حاشیه پایداری، بدترین حالت و حالت شکست. ایمنی نه با میانگین، بلکه با بدترین حالت اندازه گیری می شود.
وظیفه کاربردی
یک مدل معرف برای یک مشکل کنترل ساده (مثلاً یک حلقه ارتفاع چند کوپتر) تعریف کنید. با استفاده از هوش مصنوعی، (الف) یک مجموعه سود اولیه و اسکریپت محاسبه حاشیه پایداری تولید کنید، منطق را بررسی کنید، (ب) با حاشیه های هدف مقایسه کنید و در صورت ناکافی آن را تنظیم کنید، (ج) یک حالت خرابی و لیست ایمن خرابی برای سیستم ایجاد کنید. یک منطق پاکت ایمنی در شبه کد طراحی کنید و بدترین سناریوها را بنویسید.
چک لیست
- [ ] من سود کنترل کننده و حاشیه فاز را محاسبه کردم و آن را با هدف هوانوردی مقایسه کردم.
- [ ] من نتیجه شبیه سازی را تحت تأخیر محرک/نویز حسگر آزمایش کردم.
- [ ] من عملکرد را با بدترین رفتار ارزیابی کردم، نه متوسط.
- [ ] من یک پاکت ایمنی کلاسیک برای سیاست های یادگیری تعریف کردم.
- [ ] من حالت های شکست و رفتارهای ایمن شکست را فهرست کرده ام.
- [ ] من خطاهای تک امتیازی را مشخص کردم و استقلال را اضافه کردم.