Lợi nhuận:
- Hiểu vai trò và giới hạn của AI trong luật điều khiển chuyến bay, phân tích độ ổn định và kiến trúc hệ thống tự động
- Khả năng giải thích bằng các ví dụ về cách sử dụng học tăng cường và kiểm soát dựa trên mô hình trong quyền tự chủ hàng không
- Khả năng xác minh kết quả đầu ra kiểm soát về mặt phạm vi chuyến bay, giới hạn ổn định và hành vi không an toàn
Một chiếc máy bay không tự mình bay thẳng trên không; Nó liên tục thiết lập lại sự cân bằng thường xuyên bị xáo trộn. Động lực bay là khoa học của sự cân bằng này: nó nghiên cứu cách máy bay di chuyển dưới tác dụng của lực và khoảnh khắc, liệu nó có phục hồi sau một cơn gió thổi (sự ổn định) hay không và cách nó phản ứng với các lệnh từ phi công hoặc máy tính. Hệ thống điều khiển là bộ não điều khiển động lực này thành hành vi mong muốn: luật điều khiển chuyến bay (thuật toán thực hiện các phép đo cảm biến và tạo lệnh tới bề mặt điều khiển) giữ cho máy bay luôn ổn định và có thể quản lý được.
Trí tuệ nhân tạo (AI) đóng một vai trò trong lĩnh vực này, cả về mặt kỹ thuật cổ điển và quyền tự chủ. Về mặt cổ điển, nó tăng tốc độ phân tích độ ổn định, thiết kế bộ điều khiển và thiết lập mô phỏng. Về mặt tự chủ, các phương pháp như học tăng cường (một hành vi học tập của tác nhân dựa trên tín hiệu khen thưởng thông qua thử và sai) tạo ra các chính sách trong các nhiệm vụ phức tạp. Nhưng điều khiển chuyến bay là lĩnh vực mà sai sót xảy ra ngay lập tức và không thể khắc phục được: luật điều khiển không ổn định có thể khiến máy bay mất tích trong vài giây. Do đó, không có chính sách hoặc lợi ích kiểm soát nào do AI tạo ra được đưa vào máy bay mà không được xác thực về phạm vi chuyến bay, giới hạn ổn định và hành vi không an toàn.
Các khái niệm: Đường bao chuyến bay: Giới hạn hệ số tốc độ-độ cao-tải trọng mà tại đó máy bay có thể bay an toàn. Biên độ ổn định: Biên độ tăng và biên pha; Một thước đo xem vòng điều khiển cách xa sự mất ổn định như thế nào. Fail-safe: Hệ thống chuyển sang trạng thái an toàn khi một thành phần bị lỗi. PID: Đạo hàm tỷ lệ-tích phân; Cấu trúc bộ điều khiển cổ điển phổ biến nhất.
Sự ổn định, Luật kiểm soát và vai trò của AI
Cơ sở của thiết kế điều khiển là hiểu được động lực của vòng lặp mở và đưa vòng kín đến trạng thái mong muốn. Kỹ sư tuyến tính hóa các phương trình chuyển động của máy bay, rút ra các hàm truyền và thiết kế bộ điều khiển (ví dụ: với PID hoặc phản hồi trạng thái). AI nhớ lại các bước đại số trung gian trong quy trình này, hỗ trợ giải thích quỹ tích gốc, viết tập lệnh bằng thư viện điều khiển MATLAB/Python và tạo mã tính toán biên độ ổn định của tập hợp chi trả.
Điểm quan trọng là: hiệu suất tốt không có nghĩa là độ ổn định tốt. Bộ khuếch đại mạnh mẽ do AI đề xuất có thể mang lại phản hồi rất nhanh và sắc nét trong mô phỏng, nhưng có thể đã giảm biên độ khuếch đại xuống 2 dB và biên độ pha xuống 15 độ. Trong ngành hàng không, mức tăng tối thiểu là 6 dB và biên độ pha 45 độ thường được nhắm mục tiêu; bởi vì trong máy bay thực, tiếng ồn của cảm biến, độ trễ của bộ truyền động và lỗi mô hình hóa chiếm tỷ lệ này. Một bộ điều khiển không có đủ khoảng trống có thể trông hoàn hảo trong mô phỏng nhưng thực tế có thể rơi vào tình trạng mất ổn định (giới hạn chu kỳ dao động hoặc phân kỳ).
Thận trọng: Phản hồi "sạch" của bộ điều khiển trong mô phỏng không đảm bảo cho thế giới thực. Mô phỏng thường giả định một bộ truyền động lý tưởng, một cảm biến không có độ trễ và một mô hình đầy đủ. Biên độ ổn định chính xác là vùng đệm giúp bạn chống lại những sai lệch so với lý tưởng; Hiệu suất hy sinh nó vẫn còn trên giấy.
Quyền tự chủ và kiểm soát người học: Ranh giới
Trong các hệ thống tự trị, AI phát huy tác dụng sâu sắc hơn: các chính sách học tập được sử dụng trong các nhiệm vụ như lập kế hoạch lộ trình, tránh chướng ngại vật, hạ cánh, điều phối đàn. Học tăng cường có thể tìm ra chính sách hành vi tốt bằng cách thực hiện hàng triệu thử nghiệm trong môi trường mô phỏng. Tuy nhiên, kiểm soát học tập có hai thách thức chính trong ngành hàng không: khả năng giải thích và sự đảm bảo. Tại sao chính sách mạng thần kinh lại đưa ra các vấn đề mà lệnh không thể được giải thích một cách dễ dàng và không thể được đảm bảo về mặt toán học để hoạt động an toàn trên toàn bộ không gian đầu vào.
Đó là lý do tại sao kiến trúc thực tế thường được phân lớp: thành phần học tập hoạt động ở lớp bên ngoài (lập kế hoạch, khuyến nghị), nhưng ở lớp dưới cùng có một "phong bì an toàn" cổ điển, có thể phân tích và kiểm chứng được hoặc bộ giám sát an toàn. Bộ điều khiển này lọc các lệnh của lớp học với đường bao bay và các quy tắc an toàn; Nếu nó thấy vi phạm ranh giới, nó sẽ chuyển sang hành vi an toàn. Đây là cách kết hợp sự sáng tạo của AI với sự đảm bảo về khả năng điều khiển cổ điển.
Cách tiếp cận
Lợi thế
Biên giới hàng không
PID / cổ điển
Có thể phân tích, chứng minh tính ổn định
Không đủ cho các nhiệm vụ rất phức tạp
Kiểm soát dự đoán mô hình (MPC)
Giải quyết rõ ràng những hạn chế
Tải tính toán, phụ thuộc mô hình
học tăng cường
Chính sách mạnh mẽ trong nhiệm vụ phức tạp
Bảo hành/khả năng giải thích còn yếu, khoảng cách giữa sự thật và sự thật
Lớp (người học + phong bì an toàn)
Sáng tạo + đảm bảo
Chi phí thiết kế và thẩm tra phong bì
Mẹo: Khi đánh giá một chính sách học tập, hãy hỏi về “hành vi trong trường hợp xấu nhất” chứ không phải “hiệu suất trung bình”. Nếu một đặc vụ RL xuất sắc trong 9.990 trong số 10.000 tình huống và đưa máy bay ra khỏi giới hạn trong 10 tình huống, thì 10 tình huống đó là không thể chấp nhận được trong ngành hàng không. Sự an toàn được đo lường bằng trường hợp xấu nhất, không phải mức trung bình.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Mang lại mức tăng PID tốt cho máy bay không người lái này.
Lời nhắc mạnh mẽ:
Vai trò: Bạn là kỹ sư hệ thống điều khiển chuyến bay; tuân thủ kỷ luật quan trọng về an toàn. Bối cảnh (biểu diễn): Mô hình tuyến tính hóa [hàm truyền hoặc dữ liệu khối lượng/lực đẩy] cho chu kỳ độ cao của một máy bay đa năng nhỏ. Nhiệm vụ:1) Đề xuất bộ khuếch đại ban đầu PID và giải thích logic lựa chọn.2) Viết tập lệnh Python (điều khiển bằng python) tính toán biên độ khuếch đại và biên pha với các mức tăng này.3) So sánh với biên mục tiêu cho ngành hàng không (>=6 dB, >=45°); Làm cách nào để điều chỉnh mức tăng nếu mức ký quỹ không đủ? Ràng buộc: Nhắc tôi rằng độ trễ của bộ truyền động và tiếng ồn cảm biến sẽ ăn vào lề; Đừng nói "chính xác là tốt nhất", nhấn mạnh sự cần thiết phải xác minh trong mô phỏng và phần cứng.
Mẫu lời nhắc có thể sao chép
Mẫu 1 - Kịch bản tính toán biên độ ổn định:
Với python-control cho hàm truyền vòng hở sau: (a) Vẽ sơ đồ thân; (b) tính toán bằng số biên độ khuếch đại và biên pha; (c) tạo ra kết quả đầu ra so sánh những mục tiêu này với các mục tiêu hàng không (>=6 dB, >=45°). Hãy để mã được bình luận; Giải thích công dụng của từng bước. Hàm truyền: [num/den]
Mẫu 2 - Thiết kế bộ điều khiển giới hạn đường bao chuyến bay:
Giúp tôi thiết kế logic giám sát an toàn cho máy bay tự hành: lệnh của người lập kế hoạch khi vào, các ràng buộc [tốc độ, độ cao, hệ số tải, giới hạn cao độ]. Bộ điều khiển nên lọc lệnh như thế nào, nên chuyển sang hành vi an toàn nào trong trường hợp vi phạm giới hạn? Viết điều này bằng mã giả và đưa ra lý do cho mỗi quyết định.
Mẫu 3 - Kế hoạch đánh giá chính sách RL:
Trước khi triển khai chính sách học tập tăng cường trong ngành hàng không, hãy thiết lập một kế hoạch đánh giá: (a) tôi nên kiểm tra những tình huống khó khăn và trường hợp xấu nhất nào; (b) làm cách nào để đo khoảng cách giữa sim và realgap; (c) cách tôi báo cáo mức độ bảo mật trong trường hợp xấu nhất, không phải mức trung bình; (d) trong trường hợp đó bộ điều khiển an toàn nên được kích hoạt. Hãy để kết quả là một danh sách kiểm tra.
Mẫu 4 - Chế độ lỗi và phân tích lỗi an toàn:
Liệt kê các chế độ lỗi cho hệ thống điều khiển sau [cảm biến, bộ truyền động, bộ phận kế toán] và đề xuất hành vi không an toàn cho từng chế độ: lỗi cảm biến, kẹt bộ truyền động, chậm trễ kế toán, mất liên lạc. Viết phương pháp phát hiện và chiến lược chuyển trạng thái an toàn cho từng lỗi. Đánh dấu cụ thể một điểm thất bại.
Hộp đựng nhỏ
Trường hợp 1 - Ăn cổ tức một cách hung hãn. Một đội nhận được lợi ích tích cực được đặt ra từ AI cho chu kỳ quảng cáo chiêu hàng của UAV; Thời gian tăng trong mô phỏng rất ấn tượng ở mức 0,4 giây. Khi tính biên độ do AI khuyến nghị, biên độ khuếch đại là 3,2 dB và biên độ pha là 22 độ; dưới mục tiêu hàng không (6 dB, 45°). Trong chuyến bay thực tế, khi thêm độ trễ của bộ truyền động 50 ms, chu kỳ giới hạn hệ thống sẽ dao động. Mức tăng giảm 40% và phần được rút về mục tiêu, thời gian tăng tăng lên 0,7 giây, nhưng hệ thống vẫn mạnh mẽ. Bài học: cân bằng hiệu suất với thị phần; Mô phỏng không đảm bảo thực tế.
Trường hợp 2 - Kiến trúc phân lớp cứu mặt phẳng. Chính sách RL được huấn luyện để hạ cánh tự động đã thành công ở 99,7% trong số 5.000 lần hạ cánh mô phỏng. Trong quá trình quét trong trường hợp xấu nhất, nhóm thử nghiệm nhận thấy rằng trong 14 trường hợp gió ngang vượt quá một ngưỡng nhất định, chính sách sẽ hướng máy bay ra khỏi đường băng. Một phong bì an toàn đơn giản được đặt dưới lớp học sẽ đưa ra lệnh di chuyển trong trường hợp vi phạm giới hạn gió ngược và độ lệch; Tất cả 14 kịch bản đều có kết quả an toàn. Bài học: lớp học phải đi kèm với mạng lưới an toàn cổ điển.
Trường hợp 3 - Lỗi một điểm bị bỏ qua. Trong một thiết kế, một cảm biến tốc độ không khí duy nhất cung cấp cả luật điều khiển và hệ thống cảnh báo. Phân tích chế độ lỗi của AI cảnh báo rằng nếu cảm biến này bị chặn, cả việc điều khiển và cảnh báo sẽ bị đánh lừa đồng thời, tức là lỗi một điểm. Nhóm bổ sung nguồn tốc độ độc lập thứ hai (ví dụ: tốc độ dựa trên GPS hoặc pitot thứ hai) và phát hiện sự khác biệt. Bài học: sự phụ thuộc vào một nguồn đầu vào quan trọng về bảo mật là một lỗ hổng cần được phát hiện.
Những lỗi thường gặp
- Hiệu suất khó hiểu với sự ổn định. Phản ứng nhanh không có nghĩa là mạnh mẽ; Ký quỹ không đủ thực sự tạo ra sự bất ổn.
- Nhầm mô phỏng với thực tế. Mô phỏng giả định bộ truyền động/cảm biến lý tưởng bỏ qua độ trễ và tiếng ồn; Việc xác minh trong phần cứng là điều cần thiết.
- Dựa vào hiệu suất trung bình. An toàn được đo lường bằng trường hợp xấu nhất; những tình huống hiếm gặp nhưng nguy hiểm là không thể chấp nhận được.
- Sử dụng chính sách học tập mà không có sự giám sát. Một mạng lưới thần kinh không thể được đảm bảo sẽ không thể được đưa vào bay nếu không có lớp vỏ an toàn cổ điển.
- Bỏ qua các chế độ thất bại. Nếu các lỗi điểm đơn và hành vi không an toàn được xem xét ở giai đoạn cuối của thiết kế thay vì ở giai đoạn đầu thì sẽ quá muộn.
Tóm lại
Kiểm soát chuyến bay là lĩnh vực có thể xảy ra sai sót ngay lập tức và không thể khắc phục được. Tăng tốc phân tích độ ổn định AI, thiết kế bộ điều khiển, thiết lập mô phỏng và các chính sách tự chủ; Nhưng hiệu suất tốt không có nghĩa là biên độ ổn định tốt và các chính sách học tập còn yếu về mặt đảm bảo/khả năng giải thích. An toàn thực tế nằm ở kiến trúc phân lớp kết hợp lớp học với vỏ an toàn cổ điển và xác minh từng bộ điều khiển về vỏ chuyến bay, giới hạn ổn định, trường hợp xấu nhất và chế độ lỗi. Sự an toàn được đo lường không phải bằng mức trung bình mà bằng trường hợp xấu nhất.
Nhiệm vụ ứng dụng
Xác định mô hình đại diện cho một bài toán điều khiển đơn giản (ví dụ: vòng lặp độ cao nhiều máy bay). Sử dụng AI, (a) tạo tập lệnh tính toán mức tăng ban đầu và biên độ ổn định, kiểm tra logic, (b) so sánh với biên mục tiêu và điều chỉnh nếu không đủ, (c) tạo chế độ lỗi và danh sách không an toàn cho hệ thống. Thiết kế logic đường bao an toàn bằng mã giả và viết các tình huống xấu nhất.
danh sách kiểm tra
- [ ] Tôi đã tính toán mức tăng của bộ điều khiển và biên độ pha rồi so sánh nó với mục tiêu hàng không.
- [ ] Tôi đã kiểm tra kết quả mô phỏng dưới độ trễ của bộ truyền động/nhiễu cảm biến.
- [ ] Tôi đánh giá hiệu suất theo hành vi trong trường hợp xấu nhất, không phải mức trung bình.
- [ ] Tôi đã xác định một phong cách an toàn cổ điển cho các chính sách học tập.
- [ ] Tôi đã liệt kê các chế độ lỗi và hành vi không an toàn.
- [ ] Tôi đã đánh dấu các lỗi một điểm và thêm tính độc lập.