ಲಾಭಗಳು:
- ವಿಮಾನ ನಿಯಂತ್ರಣ ಕಾನೂನುಗಳು, ಸ್ಥಿರತೆ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಸ್ವಾಯತ್ತ ಸಿಸ್ಟಮ್ ಆರ್ಕಿಟೆಕ್ಚರ್ನಲ್ಲಿ AI ನ ಪಾತ್ರ ಮತ್ತು ಮಿತಿಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ
- ವಾಯುಯಾನ ಸ್ವಾಯತ್ತತೆಯಲ್ಲಿ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆ ಮತ್ತು ಮಾದರಿ ಆಧಾರಿತ ನಿಯಂತ್ರಣವನ್ನು ಹೇಗೆ ಬಳಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ವಿವರಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಹಾರಾಟದ ಹೊದಿಕೆ, ಸ್ಥಿರತೆಯ ಅಂಚು ಮತ್ತು ವಿಫಲ-ಸುರಕ್ಷಿತ ನಡವಳಿಕೆಯ ವಿಷಯದಲ್ಲಿ ನಿಯಂತ್ರಣ ಔಟ್ಪುಟ್ಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ
ವಿಮಾನವು ನೇರವಾಗಿ ಗಾಳಿಯಲ್ಲಿ ತನ್ನದೇ ಆದ ಮೇಲೆ ಹಾರುವುದಿಲ್ಲ; ಇದು ನಿರಂತರವಾಗಿ ತೊಂದರೆಗೊಳಗಾದ ಸಮತೋಲನವನ್ನು ನಿರಂತರವಾಗಿ ಮರುಸ್ಥಾಪಿಸುತ್ತದೆ. ಫ್ಲೈಟ್ ಡೈನಾಮಿಕ್ಸ್ ಈ ಸಮತೋಲನದ ವಿಜ್ಞಾನವಾಗಿದೆ: ವಿಮಾನವು ಪಡೆಗಳು ಮತ್ತು ಕ್ಷಣಗಳ ಅಡಿಯಲ್ಲಿ ಹೇಗೆ ಚಲಿಸುತ್ತದೆ, ಗಾಳಿಯ ಹೊಡೆತದಿಂದ (ಸ್ಥಿರತೆ) ಚೇತರಿಸಿಕೊಳ್ಳುತ್ತದೆಯೇ ಮತ್ತು ಪೈಲಟ್ ಅಥವಾ ಕಂಪ್ಯೂಟರ್ನಿಂದ ಆಜ್ಞೆಗಳಿಗೆ ಅದು ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಇದು ಅಧ್ಯಯನ ಮಾಡುತ್ತದೆ. ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಯು ಮೆದುಳು ಈ ಡೈನಾಮಿಕ್ ಅನ್ನು ಅಪೇಕ್ಷಿತ ನಡವಳಿಕೆಗೆ ಬಗ್ಗಿಸುತ್ತದೆ: ವಿಮಾನ ನಿಯಂತ್ರಣ ಕಾನೂನುಗಳು (ಸಂವೇದಕ ಮಾಪನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮತ್ತು ನಿಯಂತ್ರಣ ಮೇಲ್ಮೈಗಳಿಗೆ ಆಜ್ಞೆಗಳನ್ನು ರಚಿಸುವ ಕ್ರಮಾವಳಿಗಳು) ಸಮತಲವನ್ನು ಎಲ್ಲಾ ಸಮಯದಲ್ಲೂ ಸ್ಥಿರವಾಗಿ ಮತ್ತು ನಿರ್ವಹಿಸಬಹುದಾಗಿದೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಶಾಸ್ತ್ರೀಯ ಇಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ಸ್ವಾಯತ್ತತೆ ಭಾಗದಲ್ಲಿ ಒಂದು ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತದೆ. ಶಾಸ್ತ್ರೀಯ ಭಾಗದಲ್ಲಿ, ಇದು ಸ್ಥಿರತೆ ವಿಶ್ಲೇಷಣೆ, ನಿಯಂತ್ರಕ ವಿನ್ಯಾಸ ಮತ್ತು ಸಿಮ್ಯುಲೇಶನ್ ಸೆಟಪ್ ಅನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ. ಸ್ವಾಯತ್ತತೆಯ ಭಾಗದಲ್ಲಿ, ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯಂತಹ ವಿಧಾನಗಳು (ಪ್ರಯೋಗ ಮತ್ತು ದೋಷದ ಮೂಲಕ ಪ್ರತಿಫಲ ಸಂಕೇತದ ಆಧಾರದ ಮೇಲೆ ಏಜೆಂಟ್ ಕಲಿಕೆಯ ನಡವಳಿಕೆ) ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳಲ್ಲಿ ನೀತಿಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ. ಆದರೆ ವಿಮಾನ ನಿಯಂತ್ರಣವು ದೋಷವು ತಕ್ಷಣವೇ ಮತ್ತು ಬದಲಾಯಿಸಲಾಗದ ಕ್ಷೇತ್ರವಾಗಿದೆ: ಅಸ್ಥಿರ ನಿಯಂತ್ರಣ ಕಾನೂನು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ವಿಮಾನವನ್ನು ಕಳೆದುಕೊಳ್ಳಬಹುದು. ಆದ್ದರಿಂದ, ಫ್ಲೈಟ್ ಹೊದಿಕೆ, ಸ್ಥಿರತೆಯ ಅಂಚು ಮತ್ತು ವಿಫಲ-ಸುರಕ್ಷಿತ ನಡವಳಿಕೆಯ ವಿಷಯದಲ್ಲಿ ಮೌಲ್ಯೀಕರಿಸದೆ AI- ರಚಿತವಾದ ನಿಯಂತ್ರಣ ಲಾಭಗಳು ಅಥವಾ ನೀತಿಗಳನ್ನು ವಿಮಾನಕ್ಕೆ ಹಾಕಲಾಗುವುದಿಲ್ಲ.
ಪರಿಕಲ್ಪನೆಗಳು: ಫ್ಲೈಟ್ ಹೊದಿಕೆ: ವಿಮಾನವು ಸುರಕ್ಷಿತವಾಗಿ ಹಾರಬಲ್ಲ ವೇಗ-ಎತ್ತರ-ಲೋಡ್ ಅಂಶದ ಮಿತಿಗಳು. ಸ್ಥಿರತೆಯ ಅಂಚು: ಗೇನ್ ಮಾರ್ಜಿನ್ ಮತ್ತು ಹಂತದ ಅಂಚು; ನಿಯಂತ್ರಣ ಲೂಪ್ ಅಸ್ಥಿರತೆಯಿಂದ ಎಷ್ಟು ದೂರದಲ್ಲಿದೆ ಎಂಬುದರ ಅಳತೆ. ವಿಫಲ-ಸುರಕ್ಷಿತ: ಒಂದು ಘಟಕವು ವಿಫಲವಾದಾಗ ಸಿಸ್ಟಮ್ ಸುರಕ್ಷಿತ ಸ್ಥಿತಿಯನ್ನು ಪ್ರವೇಶಿಸುತ್ತದೆ. PID: ಅನುಪಾತದ-ಅವಿಭಾಜ್ಯ-ಉತ್ಪನ್ನ; ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾದ ಶಾಸ್ತ್ರೀಯ ನಿಯಂತ್ರಕ ರಚನೆ.
ಸ್ಥಿರತೆ, ನಿಯಂತ್ರಣದ ನಿಯಮ ಮತ್ತು AI ನ ಪಾತ್ರ
ನಿಯಂತ್ರಣ ವಿನ್ಯಾಸದ ಆಧಾರವು ತೆರೆದ ಲೂಪ್ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ಮುಚ್ಚಿದ ಲೂಪ್ ಅನ್ನು ಬಯಸಿದ ನಡವಳಿಕೆಗೆ ತರುವುದು. ಇಂಜಿನಿಯರ್ ವಿಮಾನದ ಚಲನೆಯ ಸಮೀಕರಣಗಳನ್ನು ರೇಖಾತ್ಮಕಗೊಳಿಸುತ್ತಾನೆ, ವರ್ಗಾವಣೆ ಕಾರ್ಯಗಳನ್ನು ಪಡೆಯುತ್ತಾನೆ ಮತ್ತು ನಿಯಂತ್ರಕವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುತ್ತಾನೆ (ಉದಾ. PID ಅಥವಾ ರಾಜ್ಯದ ಪ್ರತಿಕ್ರಿಯೆಯೊಂದಿಗೆ). AI ಈ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಬೀಜಗಣಿತದ ಮಧ್ಯಂತರ ಹಂತಗಳನ್ನು ನೆನಪಿಸುತ್ತದೆ, ರೂಟ್ ಲೋಕಸ್ ಇಂಟರ್ಪ್ರೆಟೇಶನ್ನಲ್ಲಿ ಸಹಾಯ ಮಾಡುತ್ತದೆ, MATLAB/Python ಕಂಟ್ರೋಲ್ ಲೈಬ್ರರಿಗಳೊಂದಿಗೆ ಸ್ಕ್ರಿಪ್ಟ್ಗಳನ್ನು ಬರೆಯುತ್ತದೆ ಮತ್ತು ಪಾವತಿ ಸೆಟ್ನ ಸ್ಥಿರತೆಯ ಅಂಚುಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
ನಿರ್ಣಾಯಕ ಅಂಶವೆಂದರೆ: ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ ಎಂದರೆ ಉತ್ತಮ ಸ್ಥಿರತೆಯ ಅಂಚು ಎಂದಲ್ಲ. AI ಸೂಚಿಸಿದ ಆಕ್ರಮಣಕಾರಿ ಗಳಿಕೆಯು ಸಿಮ್ಯುಲೇಶನ್ನಲ್ಲಿ ಅತ್ಯಂತ ವೇಗವಾಗಿ ಮತ್ತು ತೀಕ್ಷ್ಣವಾದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡಿರಬಹುದು, ಆದರೆ ಗೇನ್ ಮಾರ್ಜಿನ್ ಅನ್ನು 2 dB ಗೆ ಮತ್ತು ಹಂತದ ಅಂಚು 15 ಡಿಗ್ರಿಗಳಿಗೆ ಕಡಿಮೆ ಮಾಡಿರಬಹುದು. ವಾಯುಯಾನದಲ್ಲಿ, ಕನಿಷ್ಠ 6 dB ಗಳಿಕೆ ಅಂಚು ಮತ್ತು 45 ಡಿಗ್ರಿ ಹಂತದ ಅಂಚು ವಿಶಿಷ್ಟವಾಗಿ ಗುರಿಯಾಗಿರುತ್ತದೆ; ಏಕೆಂದರೆ ನೈಜ ವಿಮಾನದಲ್ಲಿ, ಸಂವೇದಕ ಶಬ್ದ, ಪ್ರಚೋದಕ ವಿಳಂಬ ಮತ್ತು ಮಾಡೆಲಿಂಗ್ ದೋಷಗಳು ಈ ಅಂಚುಗೆ ಕಾರಣವಾಗಿವೆ. ಸಾಕಷ್ಟು ಹೆಡ್ರೂಮ್ ಅನ್ನು ಬಿಡದ ನಿಯಂತ್ರಕವು ಸಿಮ್ಯುಲೇಶನ್ನಲ್ಲಿ ಪರಿಪೂರ್ಣವಾಗಿ ಕಾಣಿಸಬಹುದು ಆದರೆ ವಾಸ್ತವವಾಗಿ ಅಸ್ಥಿರತೆಗೆ (ಮಿತಿ ಸೈಕಲ್ ಆಸಿಲೇಷನ್ ಅಥವಾ ಡೈವರ್ಜೆನ್ಸ್) ಚಲಿಸಬಹುದು.
ಎಚ್ಚರಿಕೆ: ಸಿಮ್ಯುಲೇಶನ್ನಲ್ಲಿ ನಿಯಂತ್ರಕದ "ಕ್ಲೀನ್" ಪ್ರತಿಕ್ರಿಯೆಯು ನೈಜ ಪ್ರಪಂಚಕ್ಕೆ ಯಾವುದೇ ಗ್ಯಾರಂಟಿಯಾಗಿರುವುದಿಲ್ಲ. ಸಿಮ್ಯುಲೇಶನ್ ಸಾಮಾನ್ಯವಾಗಿ ಆದರ್ಶ ಪ್ರಚೋದಕ, ವಿಳಂಬ-ಮುಕ್ತ ಸಂವೇದಕ ಮತ್ತು ಪೂರ್ಣ ಮಾದರಿಯನ್ನು ಊಹಿಸುತ್ತದೆ. ಆದರ್ಶದಿಂದ ಈ ವಿಚಲನಗಳ ವಿರುದ್ಧ ಸ್ಥಿರತೆಯ ಅಂಚು ನಿಖರವಾಗಿ ನಿಮ್ಮ ಬಫರ್ ಆಗಿದೆ; ಅದನ್ನು ತ್ಯಾಗ ಮಾಡುವ ಅಭಿನಯ ಕಾಗದದಲ್ಲಿ ಉಳಿದಿದೆ.
ಸ್ವಾಯತ್ತತೆ ಮತ್ತು ಕಲಿಯುವವರ ನಿಯಂತ್ರಣ: ಗಡಿಗಳು
ಸ್ವಾಯತ್ತ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ, AI ಹೆಚ್ಚು ಆಳವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಮಾರ್ಗ ಯೋಜನೆ, ಅಡಚಣೆ ತಪ್ಪಿಸುವಿಕೆ, ಇಳಿಯುವಿಕೆ, ಹಿಂಡಿನ ಸಮನ್ವಯ ಮುಂತಾದ ಕಾರ್ಯಗಳಲ್ಲಿ ಕಲಿಕೆಯ ನೀತಿಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಸಿಮ್ಯುಲೇಶನ್ ಪರಿಸರದಲ್ಲಿ ಲಕ್ಷಾಂತರ ಪ್ರಯೋಗಗಳನ್ನು ಮಾಡುವ ಮೂಲಕ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯು ಉತ್ತಮ ನಡವಳಿಕೆಯ ನೀತಿಯನ್ನು ಕಂಡುಕೊಳ್ಳಬಹುದು. ಆದಾಗ್ಯೂ, ಕಲಿಕೆಯ ನಿಯಂತ್ರಣವು ವಾಯುಯಾನದಲ್ಲಿ ಎರಡು ಪ್ರಮುಖ ಸವಾಲುಗಳನ್ನು ಹೊಂದಿದೆ: ವಿವರಣೆ ಮತ್ತು ಭರವಸೆ. Why a neural network policy issues that command cannot be easily justified, and it cannot be mathematically guaranteed to behave safely over the entire input space.
ಅದಕ್ಕಾಗಿಯೇ ಪ್ರಾಯೋಗಿಕ ವಾಸ್ತುಶಿಲ್ಪವು ಸಾಮಾನ್ಯವಾಗಿ ಲೇಯರ್ಡ್ ಆಗಿದೆ: ಕಲಿಕೆಯ ಘಟಕವು ಹೊರ ಪದರದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ (ಯೋಜನೆ, ಶಿಫಾರಸು), ಆದರೆ ಕೆಳಗಿನ ಪದರದಲ್ಲಿ ಶಾಸ್ತ್ರೀಯ, ವಿಶ್ಲೇಷಿಸಬಹುದಾದ ಮತ್ತು ಪರಿಶೀಲಿಸಬಹುದಾದ "ಸುರಕ್ಷತಾ ಹೊದಿಕೆ" ಅಥವಾ ಸುರಕ್ಷತಾ ಮಾನಿಟರ್ ಇರುತ್ತದೆ. This controller filters the commands of the learning layer with flight envelope and safety rules; ಇದು ಗಡಿ ಉಲ್ಲಂಘನೆಯನ್ನು ನೋಡಿದರೆ, ಅದು ಸುರಕ್ಷಿತ ನಡವಳಿಕೆಗೆ ಬದಲಾಗುತ್ತದೆ. ಶಾಸ್ತ್ರೀಯ ನಿಯಂತ್ರಣದ ಭರವಸೆಯೊಂದಿಗೆ AI ಯ ಸೃಜನಶೀಲತೆಯನ್ನು ಹೇಗೆ ಸಂಯೋಜಿಸಲಾಗಿದೆ.
ಅಪ್ರೋಚ್
ಅನುಕೂಲ
ವಾಯುಯಾನದಲ್ಲಿ ಗಡಿನಾಡು
PID / ಕ್ಲಾಸಿಕ್
ವಿಶ್ಲೇಷಿಸಬಹುದು, ಸ್ಥಿರತೆಯನ್ನು ಸಾಬೀತುಪಡಿಸಬಹುದು
ಬಹಳ ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳಿಗೆ ಅಸಮರ್ಪಕ
ಮಾದರಿ ಭವಿಷ್ಯ ನಿಯಂತ್ರಣ (MPC)
ನಿರ್ಬಂಧಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ತಿಳಿಸುತ್ತದೆ
ಕಂಪ್ಯೂಟೇಶನಲ್ ಲೋಡ್, ಮಾದರಿ ಅವಲಂಬನೆ
ಬಲವರ್ಧನೆಯ ಕಲಿಕೆ
ಸಂಕೀರ್ಣ ಕಾರ್ಯದಲ್ಲಿ ಬಲವಾದ ನೀತಿ
Warranty/explainability is weak, sim-truth gap
ಲೇಯರ್ಡ್ (ಕಲಿಕಾ + ಸುರಕ್ಷತಾ ಹೊದಿಕೆ)
ಸೃಜನಶೀಲತೆ + ಭರವಸೆ
ಹೊದಿಕೆ ವಿನ್ಯಾಸ ಮತ್ತು ಪರಿಶೀಲನೆ ವೆಚ್ಚ
ಸಲಹೆ: ಕಲಿಕೆಯ ನೀತಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವಾಗ, "ಸರಾಸರಿ ಕಾರ್ಯಕ್ಷಮತೆ" ಅಲ್ಲ, "ಕೆಟ್ಟ ನಡವಳಿಕೆಯ" ಬಗ್ಗೆ ಕೇಳಿ. RL ಏಜೆಂಟ್ 10,000 ಸನ್ನಿವೇಶಗಳಲ್ಲಿ 9,990 ರಲ್ಲಿ ಉತ್ಕೃಷ್ಟವಾಗಿದ್ದರೆ ಮತ್ತು 10 ರಲ್ಲಿ ಹೊದಿಕೆಯಿಂದ ವಿಮಾನವನ್ನು ಪಡೆದರೆ, ಆ 10 ಸನ್ನಿವೇಶಗಳು ವಾಯುಯಾನದಲ್ಲಿ ಸ್ವೀಕಾರಾರ್ಹವಲ್ಲ. ಸುರಕ್ಷತೆಯನ್ನು ಕೆಟ್ಟ ಪ್ರಕರಣದಿಂದ ಅಳೆಯಲಾಗುತ್ತದೆ, ಸರಾಸರಿ ಅಲ್ಲ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಈ ಡ್ರೋನ್ಗೆ ಉತ್ತಮ PID ಲಾಭವನ್ನು ನೀಡಿ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ಪಾತ್ರ: ನೀವು ವಿಮಾನ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಗಳ ಎಂಜಿನಿಯರ್; ಸುರಕ್ಷತಾ-ನಿರ್ಣಾಯಕ ಶಿಸ್ತನ್ನು ಅನುಸರಿಸಿ.ಸಂದರ್ಭ (ಪ್ರಾತಿನಿಧ್ಯ): ಸಣ್ಣ ಮಲ್ಟಿಕಾಪ್ಟರ್ನ ಎತ್ತರದ ಚಕ್ರಕ್ಕಾಗಿ ರೇಖಾತ್ಮಕ ಮಾದರಿ [ವರ್ಗಾವಣೆ ಕಾರ್ಯ ಅಥವಾ ಸಮೂಹ/ಥ್ರಸ್ಟ್ ಡೇಟಾ] ವಾಯುಯಾನಕ್ಕಾಗಿ ಗುರಿ ಅಂಚುಗಳೊಂದಿಗೆ ಹೋಲಿಸಿ (>=6 dB, >=45°); ಅಂಚು ಸಾಕಷ್ಟಿಲ್ಲದಿದ್ದರೆ ನಾನು ಲಾಭವನ್ನು ಹೇಗೆ ಹೊಂದಿಸುವುದು? ನಿರ್ಬಂಧ: ಆಕ್ಟಿವೇಟರ್ ವಿಳಂಬ ಮತ್ತು ಸಂವೇದಕ ಶಬ್ದವು ಅಂಚಿನಲ್ಲಿ ತಿನ್ನುತ್ತದೆ ಎಂದು ನನಗೆ ನೆನಪಿಸಿ; "ನಿಖರವಾಗಿ ಅತ್ಯುತ್ತಮ" ಎಂದು ಹೇಳಬೇಡಿ, ಸಿಮ್ಯುಲೇಶನ್ ಮತ್ತು ಹಾರ್ಡ್ವೇರ್ನಲ್ಲಿ ಪರಿಶೀಲನೆಯ ಅಗತ್ಯವನ್ನು ಒತ್ತಿ.
ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟ್ಗಳು
ಟೆಂಪ್ಲೇಟ್ 1 — ಸ್ಥಿರತೆಯ ಅಂಚು ಲೆಕ್ಕಾಚಾರದ ಸ್ಕ್ರಿಪ್ಟ್:
ಕೆಳಗಿನ ತೆರೆದ-ಲೂಪ್ ವರ್ಗಾವಣೆ ಕಾರ್ಯಕ್ಕಾಗಿ ಪೈಥಾನ್-ನಿಯಂತ್ರಣದೊಂದಿಗೆ: (ಎ) ದೇಹದ ರೇಖಾಚಿತ್ರವನ್ನು ಬರೆಯಿರಿ; (ಬಿ) ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಲಾಭದ ಅಂಚು ಮತ್ತು ಹಂತದ ಅಂಚುಗಳನ್ನು ಲೆಕ್ಕಹಾಕಿ; (ಸಿ) ಇವುಗಳನ್ನು ವಾಯುಯಾನ ಗುರಿಗಳಿಗೆ ಹೋಲಿಸುವ ಔಟ್ಪುಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸಿ (>=6 dB, >=45°). ಕೋಡ್ ಕಾಮೆಂಟ್ ಮಾಡಲಿ; ಪ್ರತಿ ಹಂತವು ಏನು ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ. ವರ್ಗಾವಣೆ ಕಾರ್ಯ: [ಸಂಖ್ಯೆ/ಡೆನ್]
ಟೆಂಪ್ಲೇಟ್ 2 — ಫ್ಲೈಟ್ ಎನ್ವಲಪ್ ಮಿತಿ ನಿಯಂತ್ರಕ ವಿನ್ಯಾಸ:
ಸ್ವಾಯತ್ತ ವಿಮಾನಕ್ಕಾಗಿ ಸುರಕ್ಷತಾ ಮಾನಿಟರ್ ತರ್ಕವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ನನಗೆ ಸಹಾಯ ಮಾಡಿ: ಪ್ರವೇಶದಲ್ಲಿ ಯೋಜಕರ ಆಜ್ಞೆ, ನಿರ್ಬಂಧಗಳು[ವೇಗ, ಎತ್ತರ, ಲೋಡ್ ಅಂಶ, ಪಿಚ್ ಮಿತಿಗಳು]. ನಿಯಂತ್ರಕವು ಆಜ್ಞೆಯನ್ನು ಹೇಗೆ ಫಿಲ್ಟರ್ ಮಾಡಬೇಕು, ಮಿತಿ ಉಲ್ಲಂಘನೆಯ ಸಂದರ್ಭದಲ್ಲಿ ಯಾವ ಸುರಕ್ಷಿತ ನಡವಳಿಕೆಯನ್ನು ಬದಲಾಯಿಸಬೇಕು? ಇದನ್ನು ಹುಸಿ ಕೋಡ್ನಲ್ಲಿ ಬರೆಯಿರಿ ಮತ್ತು ಪ್ರತಿ ನಿರ್ಧಾರಕ್ಕೆ ಕಾರಣಗಳನ್ನು ನೀಡಿ.
ಟೆಂಪ್ಲೇಟ್ 3 — RL ನೀತಿ ಮೌಲ್ಯಮಾಪನ ಯೋಜನೆ:
ವಾಯುಯಾನದಲ್ಲಿ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯ ನೀತಿಯನ್ನು ನಿಯೋಜಿಸುವ ಮೊದಲು, ಮೌಲ್ಯಮಾಪನ ಯೋಜನೆಯನ್ನು ಸ್ಥಾಪಿಸಿ: (a) ನಾನು ಯಾವ ಅಂಚು ಮತ್ತು ಕೆಟ್ಟ ಸನ್ನಿವೇಶಗಳನ್ನು ಪರೀಕ್ಷಿಸಬೇಕು; (ಬಿ) ನಾನು ಸಿಮ್-ಟು-ರಿಯಲ್ಗ್ಯಾಪ್ ಅನ್ನು ಹೇಗೆ ಅಳೆಯಬಹುದು; (ಸಿ) ನಾನು ಕೆಟ್ಟ-ಪ್ರಕರಣದ ಭದ್ರತೆಯನ್ನು ಹೇಗೆ ವರದಿ ಮಾಡುತ್ತೇನೆ, ಸರಾಸರಿ ಅಲ್ಲ; (ಡಿ) ಈ ಸಂದರ್ಭದಲ್ಲಿ ಸುರಕ್ಷತಾ ನಿಯಂತ್ರಕವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಬೇಕು. ಫಲಿತಾಂಶವು ಪರಿಶೀಲನಾಪಟ್ಟಿಯಾಗಿರಲಿ.
ಟೆಂಪ್ಲೇಟ್ 4 - ವೈಫಲ್ಯ ಮೋಡ್ ಮತ್ತು ವಿಫಲ-ಸುರಕ್ಷಿತ ವಿಶ್ಲೇಷಣೆ:
ಕೆಳಗಿನ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಗೆ ವಿಫಲ ವಿಧಾನಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ [ಸೆನ್ಸರ್ಗಳು, ಆಕ್ಟಿವೇಟರ್ಗಳು, ಲೆಕ್ಕಪರಿಶೋಧಕ ಘಟಕ] ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ ವಿಫಲ-ಸುರಕ್ಷಿತ ನಡವಳಿಕೆಯನ್ನು ಸೂಚಿಸಿ: ಸಂವೇದಕ ವೈಫಲ್ಯ, ಪ್ರಚೋದಕ ಅಂಟಿಕೊಳ್ಳುವಿಕೆ, ಲೆಕ್ಕಪತ್ರ ವಿಳಂಬ, ಸಂವಹನ ನಷ್ಟ. ಪ್ರತಿ ವೈಫಲ್ಯಕ್ಕೆ ಪತ್ತೆ ವಿಧಾನ ಮತ್ತು ಸುರಕ್ಷಿತ ಸ್ಥಿತಿ ಪರಿವರ್ತನೆ ತಂತ್ರವನ್ನು ಬರೆಯಿರಿ. ವೈಫಲ್ಯದ ಏಕೈಕ ಬಿಂದುವನ್ನು ನಿರ್ದಿಷ್ಟವಾಗಿ ಗುರುತಿಸಿ.
ಮಿನಿ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ಆಕ್ರಮಣಕಾರಿ ಲಾಭಾಂಶ ತಿನ್ನುವುದು. ಒಂದು ತಂಡವು UAV ಯ ಪಿಚ್ ಸೈಕಲ್ಗಾಗಿ AI ನಿಂದ ಆಕ್ರಮಣಕಾರಿ ಲಾಭವನ್ನು ಪಡೆಯುತ್ತದೆ; ಸಿಮ್ಯುಲೇಶನ್ನಲ್ಲಿನ ಏರಿಕೆಯ ಸಮಯವು 0.4 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಆಕರ್ಷಕವಾಗಿದೆ. AI ಶಿಫಾರಸು ಮಾಡಿದ ಅಂಚು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದಾಗ, ಗೇನ್ ಮಾರ್ಜಿನ್ 3.2 dB ಮತ್ತು ಹಂತದ ಅಂಚು 22 ಡಿಗ್ರಿ; ವಾಯುಯಾನ ಗುರಿಗಳ ಕೆಳಗೆ (6 dB, 45°). ನಿಜವಾದ ಹಾರಾಟದಲ್ಲಿ, 50 ಎಂಎಸ್ ಆಕ್ಯೂವೇಟರ್ ವಿಳಂಬವನ್ನು ಸೇರಿಸಿದಾಗ, ಸಿಸ್ಟಮ್ ಮಿತಿಯ ಚಕ್ರವು ಆಂದೋಲನಗೊಳ್ಳುತ್ತದೆ. ಲಾಭವು 40% ರಷ್ಟು ಕಡಿಮೆಯಾಗಿದೆ ಮತ್ತು ಪಾಲನ್ನು ಗುರಿಯತ್ತ ಎಳೆಯಲಾಗುತ್ತದೆ, ಏರಿಕೆಯ ಸಮಯವು 0.7 ಸೆಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ, ಆದರೆ ವ್ಯವಸ್ಥೆಯು ದೃಢವಾಗಿ ಉಳಿಯುತ್ತದೆ. ಪಾಠ: ಷೇರುಗಳೊಂದಿಗೆ ಸಮತೋಲನ ಕಾರ್ಯಕ್ಷಮತೆ; ಸಿಮ್ಯುಲೇಶನ್ ವಾಸ್ತವವನ್ನು ಖಾತರಿಪಡಿಸುವುದಿಲ್ಲ.
ಪ್ರಕರಣ 2 - ಲೇಯರ್ಡ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ವಿಮಾನವನ್ನು ಉಳಿಸುತ್ತದೆ. ಸ್ವಾಯತ್ತ ಲ್ಯಾಂಡಿಂಗ್ಗಾಗಿ ತರಬೇತಿ ಪಡೆದ RL ನೀತಿಯು 5,000 ಸಿಮ್ಯುಲೇಟೆಡ್ ಲ್ಯಾಂಡಿಂಗ್ಗಳಲ್ಲಿ 99.7% ಯಶಸ್ವಿಯಾಗಿದೆ. In a worst-case scan, the test team finds that in 14 scenarios where crosswinds exceed a certain threshold, the policy directs the aircraft off the runway. ಕಲಿಕೆಯ ಪದರದ ಅಡಿಯಲ್ಲಿ ಇರಿಸಲಾಗಿರುವ ಸರಳ ಸುರಕ್ಷತಾ ಹೊದಿಕೆಯು ಅಡ್ಡಗಾಳಿ ಮತ್ತು ವಿಚಲನ ಮಿತಿ ಉಲ್ಲಂಘನೆಗಳ ಸಂದರ್ಭದಲ್ಲಿ ಗೋ-ಅರೌಂಡ್ ಆಜ್ಞೆಯನ್ನು ನೀಡುತ್ತದೆ; ಎಲ್ಲಾ 14 ಸನ್ನಿವೇಶಗಳು ಸುರಕ್ಷಿತವಾಗಿ ಫಲಿತಾಂಶವನ್ನು ನೀಡುತ್ತವೆ. ಪಾಠ: ಕಲಿಕೆಯ ಪದರವು ಕ್ಲಾಸಿಕ್ ಸುರಕ್ಷತಾ ಜಾಲದೊಂದಿಗೆ ಇರಬೇಕು.
ಪ್ರಕರಣ 3 - ಏಕ ಬಿಂದು ದೋಷವನ್ನು ಕಡೆಗಣಿಸಲಾಗಿದೆ. ಒಂದು ವಿನ್ಯಾಸದಲ್ಲಿ, ಒಂದೇ ಏರ್ಸ್ಪೀಡ್ ಸಂವೇದಕವು ನಿಯಂತ್ರಣ ಕಾನೂನು ಮತ್ತು ಎಚ್ಚರಿಕೆ ವ್ಯವಸ್ಥೆ ಎರಡನ್ನೂ ಪೋಷಿಸುತ್ತದೆ. AI ಯ ವೈಫಲ್ಯ ಮೋಡ್ ವಿಶ್ಲೇಷಣೆಯು ಈ ಸಂವೇದಕವನ್ನು ನಿರ್ಬಂಧಿಸಿದರೆ, ನಿಯಂತ್ರಣ ಮತ್ತು ಎಚ್ಚರಿಕೆ ಎರಡನ್ನೂ ಏಕಕಾಲದಲ್ಲಿ ಮೋಸಗೊಳಿಸಲಾಗುತ್ತದೆ, ಅಂದರೆ ಒಂದು ಪಾಯಿಂಟ್ ವೈಫಲ್ಯ. ತಂಡವು ಎರಡನೇ ಸ್ವತಂತ್ರ ವೇಗದ ಮೂಲವನ್ನು ಸೇರಿಸುತ್ತದೆ (ಉದಾ. GPS-ಆಧಾರಿತ ವೇಗ ಅಥವಾ ಎರಡನೇ ಪಿಟೋಟ್) ಮತ್ತು ವ್ಯತ್ಯಾಸ ಪತ್ತೆ. ಪಾಠ: ಭದ್ರತೆ-ನಿರ್ಣಾಯಕ ಇನ್ಪುಟ್ನ ಏಕೈಕ ಮೂಲದ ಮೇಲೆ ಅವಲಂಬನೆಯು ಒಂದು ದುರ್ಬಲತೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಬೇಕು.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಸ್ಥಿರತೆಯೊಂದಿಗೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಗೊಂದಲಗೊಳಿಸುವುದು. ತ್ವರಿತ ಪ್ರತಿಕ್ರಿಯೆ ಎಂದರೆ ದೃಢತೆ ಎಂದಲ್ಲ; ಸಾಕಷ್ಟು ಅಂಚು ವಾಸ್ತವವಾಗಿ ಅಸ್ಥಿರತೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
- ರಿಯಾಲಿಟಿಗಾಗಿ ಸಿಮ್ಯುಲೇಶನ್ ಅನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಆದರ್ಶ ಪ್ರಚೋದಕ/ಸಂವೇದಕವನ್ನು ಊಹಿಸುವ ಸಿಮ್ಯುಲೇಶನ್ ಸುಪ್ತತೆ ಮತ್ತು ಶಬ್ದವನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತದೆ; ಹಾರ್ಡ್ವೇರ್ನಲ್ಲಿ ಪರಿಶೀಲನೆ ಅತ್ಯಗತ್ಯ.
- ಸರಾಸರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಅವಲಂಬಿಸಿದೆ. ಸುರಕ್ಷತೆಯನ್ನು ಕೆಟ್ಟ ಪ್ರಕರಣದಿಂದ ಅಳೆಯಲಾಗುತ್ತದೆ; ಅಪರೂಪದ ಆದರೆ ಅಪಾಯಕಾರಿ ಸನ್ನಿವೇಶಗಳು ಸ್ವೀಕಾರಾರ್ಹವಲ್ಲ.
- ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದೆ ಕಲಿಕೆಯ ನೀತಿಯನ್ನು ಬಳಸುವುದು. ಕ್ಲಾಸಿಕಲ್ ಸುರಕ್ಷತಾ ಲಕೋಟೆಯಿಲ್ಲದೆ ಖಾತರಿಪಡಿಸಲಾಗದ ನರಮಂಡಲವನ್ನು ಹಾರಿಸಲಾಗುವುದಿಲ್ಲ.
- ವಿಫಲ ವಿಧಾನಗಳನ್ನು ಬೈಪಾಸ್ ಮಾಡುವುದು. ಏಕ ಬಿಂದುವಿನ ವೈಫಲ್ಯಗಳು ಮತ್ತು ವಿಫಲ-ಸುರಕ್ಷಿತ ನಡವಳಿಕೆಯನ್ನು ಆರಂಭದಲ್ಲಿ ಪರಿಗಣಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ವಿನ್ಯಾಸದ ಕೊನೆಯಲ್ಲಿ ಪರಿಗಣಿಸಿದರೆ, ಅದು ತುಂಬಾ ತಡವಾಗಿರುತ್ತದೆ.
ಸಾರಾಂಶದಲ್ಲಿ
ವಿಮಾನ ನಿಯಂತ್ರಣವು ದೋಷವು ತಕ್ಷಣವೇ ಮತ್ತು ಬದಲಾಯಿಸಲಾಗದ ಪ್ರದೇಶವಾಗಿದೆ. AI ಸ್ಥಿರತೆ ವಿಶ್ಲೇಷಣೆ, ನಿಯಂತ್ರಕ ವಿನ್ಯಾಸ, ಸಿಮ್ಯುಲೇಶನ್ ಸೆಟಪ್ ಮತ್ತು ಸ್ವಾಯತ್ತ ನೀತಿಗಳನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ; ಆದರೆ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯು ಉತ್ತಮ ಸ್ಥಿರತೆಯ ಅಂಚು ಎಂದರ್ಥವಲ್ಲ ಮತ್ತು ಗ್ಯಾರಂಟಿ/ವಿವರಣೆಯ ವಿಷಯದಲ್ಲಿ ಕಲಿಕೆಯ ನೀತಿಗಳು ದುರ್ಬಲವಾಗಿವೆ. ಪ್ರಾಯೋಗಿಕ ಸುರಕ್ಷತೆಯು ಕ್ಲಾಸಿಕಲ್ ಸುರಕ್ಷತಾ ಹೊದಿಕೆಯೊಂದಿಗೆ ಕಲಿಕೆಯ ಪದರವನ್ನು ಸಂಯೋಜಿಸುವ ಲೇಯರ್ಡ್ ಆರ್ಕಿಟೆಕ್ಚರ್ನಲ್ಲಿದೆ ಮತ್ತು ವಿಮಾನ ಹೊದಿಕೆ, ಸ್ಥಿರತೆಯ ಅಂಚು, ಕೆಟ್ಟ ಪ್ರಕರಣ ಮತ್ತು ವೈಫಲ್ಯ ಮೋಡ್ನ ಪರಿಭಾಷೆಯಲ್ಲಿ ಪ್ರತಿ ನಿಯಂತ್ರಕದ ಪರಿಶೀಲನೆ. ಸುರಕ್ಷತೆಯನ್ನು ಸರಾಸರಿಯಿಂದ ಅಳೆಯಲಾಗುತ್ತದೆ, ಆದರೆ ಕೆಟ್ಟ ಪ್ರಕರಣದಿಂದ ಅಳೆಯಲಾಗುತ್ತದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಸರಳ ನಿಯಂತ್ರಣ ಸಮಸ್ಯೆಗೆ ಪ್ರತಿನಿಧಿ ಮಾದರಿಯನ್ನು ವಿವರಿಸಿ (ಉದಾ. ಮಲ್ಟಿಕಾಪ್ಟರ್ ಎತ್ತರದ ಲೂಪ್). AI ಅನ್ನು ಬಳಸಿಕೊಂಡು, (a) ಆರಂಭಿಕ ಗೇನ್ ಸೆಟ್ ಮತ್ತು ಸ್ಟೆಬಿಲಿಟಿ ಮಾರ್ಜಿನ್ ಲೆಕ್ಕಾಚಾರದ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸಿ, ತರ್ಕವನ್ನು ಪರಿಶೀಲಿಸಿ, (b) ಗುರಿ ಅಂಚುಗಳಿಗೆ ಹೋಲಿಸಿ ಮತ್ತು ಅಸಮರ್ಪಕವಾಗಿದ್ದರೆ ಹೊಂದಿಸಿ, (c) ಸಿಸ್ಟಮ್ಗಾಗಿ ವೈಫಲ್ಯ ಮೋಡ್ ಮತ್ತು ವಿಫಲ-ಸುರಕ್ಷಿತ ಪಟ್ಟಿಯನ್ನು ಉತ್ಪಾದಿಸಿ. ಸುರಕ್ಷತಾ ಹೊದಿಕೆ ತರ್ಕವನ್ನು ಸೂಡೊಕೋಡ್ನಲ್ಲಿ ವಿನ್ಯಾಸಗೊಳಿಸಿ ಮತ್ತು ಕೆಟ್ಟ ಸನ್ನಿವೇಶಗಳನ್ನು ಬರೆಯಿರಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ನಿಯಂತ್ರಕ ಗಳಿಕೆ ಮತ್ತು ಹಂತದ ಅಂಚುಗಳನ್ನು ಲೆಕ್ಕ ಹಾಕಿದ್ದೇನೆ ಮತ್ತು ಅದನ್ನು ವಾಯುಯಾನ ಗುರಿಯೊಂದಿಗೆ ಹೋಲಿಸಿದೆ.
- [ ] ನಾನು ಪ್ರಚೋದಕ ವಿಳಂಬ/ಸಂವೇದಕ ಶಬ್ದದ ಅಡಿಯಲ್ಲಿ ಸಿಮ್ಯುಲೇಶನ್ ಫಲಿತಾಂಶವನ್ನು ಪರೀಕ್ಷಿಸಿದೆ.
- [ ] ನಾನು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಕೆಟ್ಟ ಪ್ರಕರಣದ ನಡವಳಿಕೆಯಿಂದ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇನೆ, ಸರಾಸರಿ ಅಲ್ಲ.
- [ ] ನಾನು ಕಲಿಕೆಯ ನೀತಿಗಳಿಗಾಗಿ ಕ್ಲಾಸಿಕ್ ಸುರಕ್ಷತಾ ಲಕೋಟೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ವೈಫಲ್ಯ ವಿಧಾನಗಳು ಮತ್ತು ವಿಫಲ-ಸುರಕ್ಷಿತ ನಡವಳಿಕೆಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿದ್ದೇನೆ.
- [ ] ನಾನು ಸಿಂಗಲ್ ಪಾಯಿಂಟ್ ದೋಷಗಳನ್ನು ಗುರುತಿಸಿದೆ ಮತ್ತು ಸ್ವಾತಂತ್ರ್ಯವನ್ನು ಸೇರಿಸಿದೆ.