ഫ്ലൈറ്റ് ഡൈനാമിക്സ്, നിയന്ത്രണ സംവിധാനങ്ങൾ, സ്വയംഭരണം

നേട്ടങ്ങൾ:

• ഫ്ലൈറ്റ് നിയന്ത്രണ നിയമങ്ങൾ, സ്ഥിരത വിശകലനം, സ്വയംഭരണ സിസ്റ്റം ആർക്കിടെക്ചർ എന്നിവയിൽ AI യുടെ പങ്കും പരിധികളും മനസ്സിലാക്കുക
• വ്യോമയാന സ്വയംഭരണത്തിൽ എങ്ങനെ റൈൻഫോഴ്സ്മെൻ്റ് ലേണിംഗും മോഡൽ അധിഷ്ഠിത നിയന്ത്രണവും ഉപയോഗിക്കുന്നു എന്ന് ഉദാഹരണങ്ങൾ സഹിതം വിശദീകരിക്കാനുള്ള കഴിവ്
• ഫ്ലൈറ്റ് എൻവലപ്പ്, സ്റ്റെബിലിറ്റി മാർജിൻ, പരാജയം-സുരക്ഷിത സ്വഭാവം എന്നിവയുടെ അടിസ്ഥാനത്തിൽ നിയന്ത്രണ ഔട്ട്പുട്ടുകൾ പരിശോധിക്കാനുള്ള കഴിവ്

ഒരു വിമാനം തനിയെ വായുവിൽ നേരിട്ട് പറക്കുന്നില്ല; അത് നിരന്തരം അസ്വസ്ഥമായ ഒരു ബാലൻസ് പുനഃസ്ഥാപിക്കുന്നു. ഫ്ലൈറ്റ് ഡൈനാമിക്സ് ഈ സന്തുലിതാവസ്ഥയുടെ ശാസ്ത്രമാണ്: വിമാനം ശക്തികൾക്കും നിമിഷങ്ങൾക്കും കീഴിൽ എങ്ങനെ നീങ്ങുന്നു, കാറ്റിൻ്റെ പ്രഹരത്തിൽ നിന്ന് (സ്ഥിരത) വീണ്ടെടുക്കുന്നുണ്ടോ, പൈലറ്റിൻ്റെയോ കമ്പ്യൂട്ടറിൽ നിന്നോ ഉള്ള കമാൻഡുകളോട് അത് എങ്ങനെ പ്രതികരിക്കുന്നു എന്നിവ പഠിക്കുന്നു. ആവശ്യമുള്ള സ്വഭാവത്തിലേക്ക് ഈ ചലനാത്മകതയെ വളച്ചൊടിക്കുന്ന മസ്തിഷ്കമാണ് കൺട്രോൾ സിസ്റ്റം: ഫ്ലൈറ്റ് നിയന്ത്രണ നിയമങ്ങൾ (സെൻസർ അളവുകൾ എടുക്കുകയും നിയന്ത്രണ പ്രതലങ്ങളിലേക്ക് കമാൻഡുകൾ സൃഷ്ടിക്കുകയും ചെയ്യുന്ന അൽഗോരിതങ്ങൾ) വിമാനത്തെ എല്ലായ്‌പ്പോഴും സുസ്ഥിരവും നിയന്ത്രിക്കാവുന്നതുമായി നിലനിർത്തുന്നു.

ക്ലാസിക്കൽ എഞ്ചിനീയറിംഗിലും സ്വയംഭരണത്തിലും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) ഈ മേഖലയിൽ ഒരു പങ്കു വഹിക്കുന്നു. ക്ലാസിക്കൽ വശത്ത്, ഇത് സ്ഥിരത വിശകലനം, കൺട്രോളർ ഡിസൈൻ, സിമുലേഷൻ സജ്ജീകരണം എന്നിവ ത്വരിതപ്പെടുത്തുന്നു. സ്വയംഭരണത്തിൻ്റെ ഭാഗത്ത്, റൈൻഫോഴ്‌സ്‌മെൻ്റ് ലേണിംഗ് (ട്രയൽ ആൻ്റ് എറർ വഴിയുള്ള റിവാർഡ് സിഗ്നലിനെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു ഏജൻ്റ് ലേണിംഗ് സ്വഭാവം) പോലുള്ള രീതികൾ സങ്കീർണ്ണമായ ടാസ്‌ക്കുകളിൽ നയങ്ങൾ നിർമ്മിക്കുന്നു. എന്നാൽ ഫ്ലൈറ്റ് കൺട്രോൾ എന്നത് ഒരു ഫീൽഡാണ്, അവിടെ പിശക് ഉടനടി സംഭവിക്കുകയും മാറ്റാനാകാത്തതുമാണ്: അസ്ഥിരമായ നിയന്ത്രണ നിയമത്തിന് നിമിഷങ്ങൾക്കുള്ളിൽ വിമാനം നഷ്ടപ്പെടും. അതിനാൽ, ഫ്ലൈറ്റ് എൻവലപ്പ്, സ്റ്റെബിലിറ്റി മാർജിൻ, പരാജയ-സുരക്ഷിത സ്വഭാവം എന്നിവയുടെ അടിസ്ഥാനത്തിൽ സാധൂകരിക്കപ്പെടാതെ AI- സൃഷ്ടിച്ച നിയന്ത്രണ നേട്ടങ്ങളോ പോളിസികളോ വിമാനത്തിൽ ഉൾപ്പെടുത്തില്ല.

ആശയങ്ങൾ: ഫ്ലൈറ്റ് എൻവലപ്പ്: വിമാനത്തിന് സുരക്ഷിതമായി പറക്കാൻ കഴിയുന്ന വേഗത-ഉയരം-ലോഡ് ഘടകം പരിധി. സ്ഥിരത മാർജിൻ: ഗെയിൻ മാർജിനും ഫേസ് മാർജിനും; നിയന്ത്രണ ലൂപ്പ് അസ്ഥിരതയിൽ നിന്ന് എത്ര ദൂരെയാണ് എന്നതിൻ്റെ അളവ്. പരാജയം-സുരക്ഷിതം: ഒരു ഘടകം പരാജയപ്പെടുമ്പോൾ സിസ്റ്റം സുരക്ഷിതമായ അവസ്ഥയിലേക്ക് പ്രവേശിക്കുന്നു. PID: ആനുപാതിക-സംയോജിത-ഡെറിവേറ്റീവ്; ഏറ്റവും സാധാരണമായ ക്ലാസിക്കൽ കൺട്രോളർ ഘടന.

സ്ഥിരത, നിയന്ത്രണ നിയമം, AI യുടെ പങ്ക്

കൺട്രോൾ ഡിസൈനിൻ്റെ അടിസ്ഥാനം ഓപ്പൺ ലൂപ്പ് ഡൈനാമിക്സ് മനസിലാക്കുകയും ആവശ്യമുള്ള സ്വഭാവത്തിലേക്ക് ക്ലോസ്ഡ് ലൂപ്പിനെ കൊണ്ടുവരികയുമാണ്. എഞ്ചിനീയർ വിമാനത്തിൻ്റെ ചലന സമവാക്യങ്ങളെ രേഖീയമാക്കുന്നു, ട്രാൻസ്ഫർ ഫംഗ്‌ഷനുകൾ കണ്ടെത്തുന്നു, കൂടാതെ ഒരു കൺട്രോളർ രൂപകൽപ്പന ചെയ്യുന്നു (ഉദാ. PID അല്ലെങ്കിൽ സ്റ്റേറ്റ് ഫീഡ്‌ബാക്ക് ഉപയോഗിച്ച്). ഈ പ്രക്രിയയിലെ ബീജഗണിത ഇൻ്റർമീഡിയറ്റ് ഘട്ടങ്ങൾ AI തിരിച്ചുവിളിക്കുന്നു, റൂട്ട് ലോക്കസ് വ്യാഖ്യാനത്തിൽ സഹായിക്കുന്നു, MATLAB/Python കൺട്രോൾ ലൈബ്രറികൾ ഉപയോഗിച്ച് സ്ക്രിപ്റ്റുകൾ എഴുതുന്നു, കൂടാതെ ഒരു പേഓഫ് സെറ്റിൻ്റെ സ്ഥിരത മാർജിനുകൾ കണക്കാക്കുന്ന കോഡ് നിർമ്മിക്കുന്നു.

നിർണായകമായ കാര്യം ഇതാണ്: നല്ല പ്രകടനം നല്ല സ്ഥിരത മാർജിൻ അർത്ഥമാക്കുന്നില്ല. AI നിർദ്ദേശിച്ച ഒരു ആക്രമണാത്മക നേട്ടം സിമുലേഷനിൽ വളരെ വേഗമേറിയതും മൂർച്ചയുള്ളതുമായ പ്രതികരണം നൽകിയിട്ടുണ്ടാകാം, എന്നാൽ നേട്ടത്തിൻ്റെ മാർജിൻ 2 dB ആയും ഘട്ടം മാർജിൻ 15 ഡിഗ്രി ആയും കുറച്ചിരിക്കാം. ഏവിയേഷനിൽ, കുറഞ്ഞത് 6 dB മാർജിനും 45 ഡിഗ്രി ഫേസ് മാർജിനും ലക്ഷ്യമിടുന്നു; കാരണം യഥാർത്ഥ വിമാനത്തിൽ, സെൻസർ ശബ്ദം, ആക്യുവേറ്റർ കാലതാമസം, മോഡലിംഗ് പിശകുകൾ എന്നിവ ഈ മാർജിന് കാരണമാകുന്നു. മതിയായ ഹെഡ്‌റൂം വിടാത്ത ഒരു കൺട്രോളർ സിമുലേഷനിൽ മികച്ചതായി കാണപ്പെടാം, പക്ഷേ യഥാർത്ഥത്തിൽ അസ്ഥിരതയിലേക്ക് നീങ്ങിയേക്കാം (സൈക്കിൾ ആന്ദോളനം അല്ലെങ്കിൽ വ്യതിചലനം പരിമിതപ്പെടുത്തുക).

മുന്നറിയിപ്പ്: സിമുലേഷനിൽ ഒരു കൺട്രോളറുടെ "വൃത്തിയുള്ള" പ്രതികരണം യഥാർത്ഥ ലോകത്തിന് ഒരു ഗ്യാരണ്ടിയും നൽകുന്നില്ല. സിമുലേഷൻ സാധാരണയായി ഒരു അനുയോജ്യമായ ആക്യുവേറ്റർ, ഒരു കാലതാമസം രഹിത സെൻസർ, ഒരു പൂർണ്ണ മോഡൽ എന്നിവ അനുമാനിക്കുന്നു. ആദർശത്തിൽ നിന്നുള്ള ഈ വ്യതിയാനങ്ങൾക്കെതിരായ നിങ്ങളുടെ ബഫർ ആണ് സ്ഥിരതയുടെ മാർജിൻ; അതിനെ ബലികഴിക്കുന്ന പ്രകടനം കടലാസിൽ അവശേഷിക്കുന്നു.

സ്വയംഭരണവും പഠിതാവിൻ്റെ നിയന്ത്രണവും: അതിരുകൾ

സ്വയംഭരണ സംവിധാനങ്ങളിൽ, AI കൂടുതൽ ആഴത്തിൽ പ്രവർത്തിക്കുന്നു: റൂട്ട് പ്ലാനിംഗ്, തടസ്സങ്ങൾ ഒഴിവാക്കൽ, ലാൻഡിംഗ്, കന്നുകാലി ഏകോപനം തുടങ്ങിയ ജോലികളിൽ പഠന നയങ്ങൾ ഉപയോഗിക്കുന്നു. ഒരു സിമുലേഷൻ പരിതസ്ഥിതിയിൽ ദശലക്ഷക്കണക്കിന് പരീക്ഷണങ്ങൾ നടത്തി, റൈൻഫോഴ്സ്മെൻ്റ് ലേണിംഗിന് നല്ല പെരുമാറ്റ നയം കണ്ടെത്താനാകും. എന്നിരുന്നാലും, വ്യോമയാനത്തിൽ പഠന നിയന്ത്രണത്തിന് രണ്ട് പ്രധാന വെല്ലുവിളികളുണ്ട്: വിശദീകരണവും ഉറപ്പും. എന്തുകൊണ്ടാണ് ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് പോളിസി പ്രശ്‌നങ്ങൾ കമാൻഡ് എളുപ്പത്തിൽ ന്യായീകരിക്കാൻ കഴിയാത്തത്, മാത്രമല്ല ഇൻപുട്ട് സ്‌പെയ്‌സിലുടനീളം സുരക്ഷിതമായി പ്രവർത്തിക്കുമെന്ന് ഗണിതശാസ്ത്രപരമായി ഉറപ്പ് നൽകാനും കഴിയില്ല.

അതുകൊണ്ടാണ് പ്രായോഗിക വാസ്തുവിദ്യ സാധാരണയായി ലേയേർഡ് ചെയ്യുന്നത്: പഠന ഘടകം ബാഹ്യ പാളിയിൽ പ്രവർത്തിക്കുന്നു (ആസൂത്രണം, ശുപാർശ), എന്നാൽ താഴെയുള്ള പാളിയിൽ ക്ലാസിക്കൽ, വിശകലനം ചെയ്യാവുന്നതും പരിശോധിക്കാവുന്നതുമായ "സുരക്ഷാ എൻവലപ്പ്" അല്ലെങ്കിൽ സുരക്ഷാ മോണിറ്റർ ഉണ്ട്. ഫ്ലൈറ്റ് എൻവലപ്പും സുരക്ഷാ നിയമങ്ങളും ഉപയോഗിച്ച് ഈ കൺട്രോളർ ലേണിംഗ് ലെയറിൻ്റെ കമാൻഡുകൾ ഫിൽട്ടർ ചെയ്യുന്നു; അതിർത്തി ലംഘനം കണ്ടാൽ, അത് സുരക്ഷിതമായ പെരുമാറ്റത്തിലേക്ക് മാറുന്നു. AI-യുടെ സർഗ്ഗാത്മകതയും ക്ലാസിക്കൽ നിയന്ത്രണത്തിൻ്റെ ഉറപ്പും ചേർന്നത് ഇങ്ങനെയാണ്.

സമീപിക്കുക

പ്രയോജനം

വ്യോമയാനരംഗത്ത് അതിർത്തി

PID / ക്ലാസിക്

വിശകലനം ചെയ്യാം, സ്ഥിരത തെളിയിക്കാം

വളരെ സങ്കീർണ്ണമായ ജോലികൾക്ക് അപര്യാപ്തമാണ്

മോഡൽ പ്രെഡിക്റ്റീവ് കൺട്രോൾ (MPC)

നിയന്ത്രണങ്ങളെ വ്യക്തമായി അഭിസംബോധന ചെയ്യുന്നു

കമ്പ്യൂട്ടേഷണൽ ലോഡ്, മോഡൽ ഡിപൻഡൻസി

ശക്തിപ്പെടുത്തൽ പഠനം

സങ്കീർണ്ണമായ ജോലിയിൽ ശക്തമായ നയം

വാറൻ്റി/വിശദീകരണശേഷി ദുർബലമാണ്, സിം-ട്രൂത്ത് ഗ്യാപ്പ്

ലേയേർഡ് (പഠിതാവ് + സുരക്ഷാ എൻവലപ്പ്)

സർഗ്ഗാത്മകത + ഉറപ്പ്

എൻവലപ്പ് രൂപകൽപ്പനയും സ്ഥിരീകരണ ചെലവും

നുറുങ്ങ്: ഒരു പഠന നയം വിലയിരുത്തുമ്പോൾ, "ശരാശരി പ്രകടനം" എന്നല്ല "മോശമായ പെരുമാറ്റം" എന്നതിനെക്കുറിച്ച് ചോദിക്കുക. ഒരു RL ഏജൻ്റ് 10,000-ൽ 9,990-ൽ മികവ് പുലർത്തുകയും 10-ൽ വിമാനത്തെ കവറിൽ നിന്ന് പുറത്തെടുക്കുകയും ചെയ്താൽ, ആ 10 സാഹചര്യങ്ങൾ വ്യോമയാനത്തിൽ അസ്വീകാര്യമാണ്. സുരക്ഷിതത്വം അളക്കുന്നത് ഏറ്റവും മോശം സാഹചര്യത്തിലാണ്, ശരാശരിയല്ല.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ ഡ്രോണിന് നല്ലൊരു PID നേട്ടം നൽകുക.

ശക്തമായ നിർദ്ദേശം:

റോൾ: നിങ്ങൾ ഒരു ഫ്ലൈറ്റ് കൺട്രോൾ സിസ്റ്റംസ് എഞ്ചിനീയറാണ്; സുരക്ഷാ-നിർണ്ണായക അച്ചടക്കം പാലിക്കുക. സന്ദർഭം (പ്രാതിനിധ്യം): ഒരു ചെറിയ മൾട്ടികോപ്റ്ററിൻ്റെ ആൾട്ടിറ്റ്യൂഡ് സൈക്കിളിനായി ലീനിയറൈസ്ഡ് മോഡൽ [ട്രാൻസ്ഫർ ഫംഗ്ഷൻ അല്ലെങ്കിൽ മാസ്/ത്രസ്റ്റ് ഡാറ്റ] വ്യോമയാനത്തിനുള്ള ടാർഗെറ്റ് മാർജിനുകളുമായി താരതമ്യം ചെയ്യുക (>=6 dB, >=45°); മാർജിൻ അപര്യാപ്തമാണെങ്കിൽ ഞാൻ എങ്ങനെ നേട്ടം ക്രമീകരിക്കും? നിയന്ത്രണം: ആക്യുവേറ്റർ കാലതാമസവും സെൻസർ ശബ്‌ദവും മാർജിനിലേക്ക് കടക്കുമെന്ന് എന്നെ ഓർമ്മിപ്പിക്കുക; "കൃത്യമായി മികച്ചത്" എന്ന് പറയരുത്, സിമുലേഷനിലും ഹാർഡ്‌വെയറിലും സ്ഥിരീകരണത്തിൻ്റെ ആവശ്യകത ഊന്നിപ്പറയുക.

പകർത്താവുന്ന പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

ടെംപ്ലേറ്റ് 1 — സ്ഥിരത മാർജിൻ കണക്കുകൂട്ടൽ സ്ക്രിപ്റ്റ്:

ഇനിപ്പറയുന്ന ഓപ്പൺ-ലൂപ്പ് ട്രാൻസ്ഫർ ഫംഗ്‌ഷനുള്ള പൈത്തൺ കൺട്രോൾ ഉപയോഗിച്ച്: (എ) ബോഡി ഡയഗ്രം വരയ്ക്കുക; (ബി) നേട്ടത്തിൻ്റെ മാർജിനും ഫേസ് മാർജിനും സംഖ്യാപരമായി കണക്കാക്കുക; (സി) ഇവയെ വ്യോമയാന ലക്ഷ്യങ്ങളുമായി താരതമ്യപ്പെടുത്തി ഒരു ഔട്ട്പുട്ട് നിർമ്മിക്കുക (>=6 dB, >=45°). കോഡ് കമൻ്റ് ചെയ്യട്ടെ; ഓരോ ഘട്ടവും എന്താണ് ചെയ്യുന്നതെന്ന് വിശദീകരിക്കുക. ട്രാൻസ്ഫർ ഫംഗ്‌ഷൻ: [num/den]

ടെംപ്ലേറ്റ് 2 — ഫ്ലൈറ്റ് എൻവലപ്പ് പരിധി കൺട്രോളർ ഡിസൈൻ:

ഒരു സ്വയംഭരണ വിമാനത്തിനായുള്ള സുരക്ഷാ മോണിറ്റർ ലോജിക് രൂപപ്പെടുത്താൻ എന്നെ സഹായിക്കൂ: പ്രവേശന സമയത്ത് പ്ലാനറുടെ കമാൻഡ്, നിയന്ത്രണങ്ങൾ[വേഗത, ഉയരം, ലോഡ് ഘടകം, പിച്ച് പരിധികൾ]. കൺട്രോളർ എങ്ങനെയാണ് കമാൻഡ് ഫിൽട്ടർ ചെയ്യേണ്ടത്, പരിധി ലംഘിച്ചാൽ ഏത് സുരക്ഷിതമായ പെരുമാറ്റത്തിലേക്ക് മാറണം? ഇത് കപട കോഡിൽ എഴുതുകയും ഓരോ തീരുമാനത്തിനും കാരണങ്ങൾ പറയുകയും ചെയ്യുക.

ടെംപ്ലേറ്റ് 3 — RL പോളിസി മൂല്യനിർണ്ണയ പദ്ധതി:

ഏവിയേഷനിൽ ഒരു റൈൻഫോഴ്സ്മെൻ്റ് ലേണിംഗ് പോളിസി വിന്യസിക്കുന്നതിന് മുമ്പ്, ഒരു മൂല്യനിർണ്ണയ പ്ലാൻ സ്ഥാപിക്കുക: (എ) ഏതൊക്കെ എഡ്ജ്, ഏറ്റവും മോശം സാഹചര്യങ്ങളാണ് ഞാൻ പരീക്ഷിക്കേണ്ടത്; (ബി) സിം-ടു-റിയൽഗാപ്പ് ഞാൻ എങ്ങനെ അളക്കും; (സി) ശരാശരിയല്ല, ഏറ്റവും മോശമായ സുരക്ഷയാണ് ഞാൻ റിപ്പോർട്ട് ചെയ്യുന്നത്; (ഡി) ഈ സാഹചര്യത്തിൽ സുരക്ഷാ കൺട്രോളർ സജീവമാക്കണം. ഫലം ഒരു ചെക്ക്‌ലിസ്റ്റ് ആകട്ടെ.

ടെംപ്ലേറ്റ് 4 - പരാജയ മോഡും പരാജയം-സുരക്ഷിത വിശകലനവും:

ഇനിപ്പറയുന്ന നിയന്ത്രണ സിസ്റ്റത്തിനായുള്ള പരാജയ മോഡുകൾ ലിസ്റ്റ് ചെയ്യുക [സെൻസറുകൾ, ആക്യുവേറ്ററുകൾ, അക്കൗണ്ടിംഗ് യൂണിറ്റ്] കൂടാതെ ഓരോന്നിനും പരാജയം-സുരക്ഷിത സ്വഭാവം നിർദ്ദേശിക്കുക: സെൻസർ പരാജയം, ആക്യുവേറ്റർ സ്റ്റിക്കിംഗ്, അക്കൗണ്ടിംഗ് കാലതാമസം, ആശയവിനിമയ നഷ്ടം. ഓരോ പരാജയത്തിനും ഒരു കണ്ടെത്തൽ രീതിയും സുരക്ഷിതമായ അവസ്ഥ സംക്രമണ തന്ത്രവും എഴുതുക. പരാജയത്തിൻ്റെ ഒരൊറ്റ പോയിൻ്റ് പ്രത്യേകമായി അടയാളപ്പെടുത്തുക.

മിനി കേസുകൾ

കേസ് 1 - ആക്രമണാത്മക ലാഭവിഹിതം കഴിക്കുന്നത്. ഒരു UAV-യുടെ പിച്ച് സൈക്കിളിനായി AI-ൽ നിന്ന് ഒരു ആക്രമണാത്മക നേട്ടം ഒരു ടീമിന് ലഭിക്കുന്നു; സിമുലേഷൻ്റെ ഉദയ സമയം 0.4 സെക്കൻഡിൽ ശ്രദ്ധേയമാണ്. AI ശുപാർശ ചെയ്യുന്ന മാർജിൻ കണക്കാക്കുമ്പോൾ, നേട്ടത്തിൻ്റെ മാർജിൻ 3.2 dB ഉം ഘട്ടം മാർജിൻ 22 ഡിഗ്രിയുമാണ്; വ്യോമയാന ലക്ഷ്യങ്ങൾക്ക് താഴെ (6 dB, 45°). യഥാർത്ഥ ഫ്ലൈറ്റിൽ, 50 എംഎസ് ആക്യുവേറ്റർ കാലതാമസം ചേർക്കുമ്പോൾ, സിസ്റ്റം പരിധി സൈക്കിൾ ആന്ദോളനം ചെയ്യുന്നു. നേട്ടം 40% കുറയുകയും ഷെയർ ലക്ഷ്യത്തിലേക്ക് ആകർഷിക്കപ്പെടുകയും ചെയ്യുന്നു, ഉയർച്ച സമയം 0.7 സെക്കൻഡായി വർദ്ധിക്കുന്നു, പക്ഷേ സിസ്റ്റം ശക്തമായി തുടരുന്നു. പാഠം: ഷെയറിനൊപ്പം പ്രകടനം ബാലൻസ് ചെയ്യുക; സിമുലേഷൻ യാഥാർത്ഥ്യത്തിന് ഉറപ്പുനൽകുന്നില്ല.

കേസ് 2 - ലേയേർഡ് ആർക്കിടെക്ചർ വിമാനത്തെ രക്ഷിക്കുന്നു. 5,000 സിമുലേറ്റഡ് ലാൻഡിംഗുകളിൽ 99.7% ഓട്ടോണമസ് ലാൻഡിംഗിനായി പരിശീലിപ്പിച്ച RL പോളിസി വിജയകരമാണ്. ഏറ്റവും മോശമായ ഒരു സ്കാനിൽ, ക്രോസ്‌വിൻഡ് ഒരു നിശ്ചിത പരിധി കവിയുന്ന 14 സാഹചര്യങ്ങളിൽ, നയം വിമാനത്തെ റൺവേയിൽ നിന്ന് നയിക്കുന്നുവെന്ന് ടെസ്റ്റ് ടീം കണ്ടെത്തുന്നു. ക്രോസ്‌വിൻഡ്, ഡീവിയേഷൻ പരിധി ലംഘനങ്ങൾ ഉണ്ടായാൽ, ലേണിംഗ് ലെയറിനു കീഴിൽ സ്ഥാപിച്ചിരിക്കുന്ന ലളിതമായ ഒരു സുരക്ഷാ എൻവലപ്പ് ഒരു ഗോ-എറൗണ്ട് കമാൻഡ് നൽകുന്നു; എല്ലാ 14 സാഹചര്യങ്ങളും സുരക്ഷിതമായി ഫലം നൽകുന്നു. പാഠം: പഠന പാളിയ്‌ക്കൊപ്പം ഒരു ക്ലാസിക് സുരക്ഷാ വല ഉണ്ടായിരിക്കണം.

കേസ് 3 - സിംഗിൾ പോയിൻ്റ് തെറ്റ് അവഗണിക്കപ്പെട്ടു. ഒരു രൂപകൽപ്പനയിൽ, ഒരൊറ്റ എയർസ്പീഡ് സെൻസർ നിയന്ത്രണ നിയമവും മുന്നറിയിപ്പ് സംവിധാനവും നൽകുന്നു. ഈ സെൻസർ ബ്ലോക്ക് ചെയ്യപ്പെടുകയാണെങ്കിൽ, നിയന്ത്രണവും മുന്നറിയിപ്പും ഒരേസമയം കബളിപ്പിക്കപ്പെടുമെന്ന് AI-യുടെ പരാജയ മോഡ് വിശകലനം ഫ്ലാഗ് ചെയ്യുന്നു, അതായത് ഒരു പോയിൻ്റ് പരാജയം. ടീം രണ്ടാമത്തെ സ്വതന്ത്ര സ്പീഡ് ഉറവിടവും (ഉദാ. ജിപിഎസ് അടിസ്ഥാനമാക്കിയുള്ള വേഗത അല്ലെങ്കിൽ രണ്ടാമത്തെ പിറ്റോട്ട്) പൊരുത്തക്കേട് കണ്ടെത്തലും ചേർക്കുന്നു. പാഠം: സുരക്ഷാ-നിർണ്ണായക ഇൻപുട്ടിൻ്റെ ഒരൊറ്റ ഉറവിടത്തെ ആശ്രയിക്കുന്നത് ഒരു അപകടസാധ്യതയാണ്, അത് കണ്ടെത്തേണ്ടതുണ്ട്.

സാധാരണ തെറ്റുകൾ

• സ്ഥിരതയുമായി ആശയക്കുഴപ്പമുണ്ടാക്കുന്ന പ്രകടനം. ദ്രുത പ്രതികരണം എന്നാൽ ദൃഢത എന്നല്ല; അപര്യാപ്തമായ മാർജിൻ യഥാർത്ഥത്തിൽ അസ്ഥിരത ഉണ്ടാക്കുന്നു.
• സിമുലേഷൻ യാഥാർത്ഥ്യമായി തെറ്റിദ്ധരിക്കുന്നു. അനുയോജ്യമായ ആക്യുവേറ്റർ/സെൻസർ അനുമാനിക്കുന്ന സിമുലേഷൻ ലേറ്റൻസിയും ശബ്ദവും അവഗണിക്കുന്നു; ഹാർഡ്‌വെയറിൽ സ്ഥിരീകരണം അത്യാവശ്യമാണ്.
• ശരാശരി പ്രകടനത്തെ ആശ്രയിക്കുന്നു. ഏറ്റവും മോശമായ സാഹചര്യത്തിലാണ് സുരക്ഷ അളക്കുന്നത്; അപൂർവവും എന്നാൽ അപകടകരവുമായ സാഹചര്യങ്ങൾ അസ്വീകാര്യമാണ്.
• മേൽനോട്ടമില്ലാതെ പഠന നയം ഉപയോഗിക്കുന്നു. ഉറപ്പുനൽകാൻ കഴിയാത്ത ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് ഒരു ക്ലാസിക്കൽ സുരക്ഷാ എൻവലപ്പ് ഇല്ലാതെ പറക്കില്ല.
• പരാജയ മോഡുകൾ മറികടക്കുന്നു. ഒരു പോയിൻ്റ് പരാജയവും പരാജയപ്പെടാത്ത പെരുമാറ്റവും തുടക്കത്തിലേക്കാൾ ഡിസൈനിൻ്റെ അവസാനത്തിൽ പരിഗണിക്കുകയാണെങ്കിൽ, അത് വളരെ വൈകും.

ചുരുക്കത്തിൽ

പിശക് ഉടനടി സംഭവിക്കുന്നതും മാറ്റാനാവാത്തതുമായ ഒരു മേഖലയാണ് ഫ്ലൈറ്റ് നിയന്ത്രണം. AI സ്ഥിരത വിശകലനം, കൺട്രോളർ ഡിസൈൻ, സിമുലേഷൻ സജ്ജീകരണം, സ്വയംഭരണ നയങ്ങൾ എന്നിവ ത്വരിതപ്പെടുത്തുന്നു; എന്നാൽ നല്ല പ്രകടനം എന്നാൽ നല്ല സ്ഥിരത മാർജിൻ അർത്ഥമാക്കുന്നില്ല, കൂടാതെ ഗ്യാരണ്ടി/വിശദീകരണക്ഷമതയുടെ കാര്യത്തിൽ പഠന നയങ്ങൾ ദുർബലമാണ്. ലേയേർഡ് ആർക്കിടെക്ചർ, ക്ലാസിക്കൽ സേഫ്റ്റി എൻവലപ്പും, ഫ്ലൈറ്റ് എൻവലപ്പ്, സ്റ്റെബിലിറ്റി മാർജിൻ, ഏറ്റവും മോശം സാഹചര്യം, പരാജയ മോഡ് എന്നിവയിൽ ഓരോ കൺട്രോളറിൻ്റെ പരിശോധനയും സംയോജിപ്പിക്കുന്ന ലേയേർഡ് ആർക്കിടെക്ചറിലാണ് പ്രായോഗിക സുരക്ഷ. സുരക്ഷിതത്വം അളക്കുന്നത് ശരാശരിയല്ല, മറിച്ച് ഏറ്റവും മോശം സാഹചര്യത്തിലാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ലളിതമായ ഒരു നിയന്ത്രണ പ്രശ്നത്തിന് (ഉദാ. മൾട്ടികോപ്റ്റർ ആൾട്ടിറ്റ്യൂഡ് ലൂപ്പ്) ഒരു പ്രതിനിധി മോഡൽ നിർവചിക്കുക. AI ഉപയോഗിച്ച്, (a) ഒരു പ്രാരംഭ നേട്ട സെറ്റും സ്ഥിരത മാർജിൻ കണക്കുകൂട്ടൽ സ്‌ക്രിപ്‌റ്റും നിർമ്മിക്കുക, ലോജിക് പരിശോധിക്കുക, (b) ടാർഗെറ്റ് മാർജിനുകളുമായി താരതമ്യം ചെയ്യുക, അപര്യാപ്തമാണെങ്കിൽ ക്രമീകരിക്കുക, (c) സിസ്റ്റത്തിനായി ഒരു പരാജയ മോഡും പരാജയപ്പെടാത്ത ലിസ്റ്റും നിർമ്മിക്കുക. സ്യൂഡോകോഡിൽ ഒരു സുരക്ഷാ എൻവലപ്പ് ലോജിക് രൂപകൽപന ചെയ്യുകയും മോശമായ സാഹചര്യങ്ങൾ എഴുതുകയും ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ കൺട്രോളർ നേട്ടവും ഫേസ് മാർജിനും കണക്കാക്കുകയും അത് ഏവിയേഷൻ ലക്ഷ്യവുമായി താരതമ്യം ചെയ്യുകയും ചെയ്തു.
• [ ] ആക്യുവേറ്റർ കാലതാമസം/സെൻസർ ശബ്‌ദത്തിന് കീഴിൽ ഞാൻ സിമുലേഷൻ ഫലം പരീക്ഷിച്ചു.
• [ ] ഞാൻ പ്രകടനം വിലയിരുത്തിയത് ഏറ്റവും മോശം സ്വഭാവം കൊണ്ടാണ്, ശരാശരിയല്ല.
• [ ] പഠന നയങ്ങൾക്കായി ഞാൻ ഒരു ക്ലാസിക് സുരക്ഷാ എൻവലപ്പ് നിർവചിച്ചു.
• [ ] ഞാൻ പരാജയ മോഡുകളും പരാജയ-സുരക്ഷിത സ്വഭാവങ്ങളും ലിസ്റ്റ് ചെയ്തിട്ടുണ്ട്.
• [ ] ഞാൻ സിംഗിൾ പോയിൻ്റ് തെറ്റുകൾ അടയാളപ്പെടുത്തി സ്വാതന്ത്ര്യം ചേർത്തു.