XiaoMi-AI文件搜索系统
World File Search System侧滑角
使用机器学习
摘要 - 本文提出了一种新型的地形自适应局部轨迹规划师，旨在在可变形地形上自动操作。最先进的解决方案要么不考虑可变形的地形，要么不提供足够的鲁棒性或计算速度。为了弥合此搜索差距，本文引入了一种新型的模型预测控制（MPC）公式。与仅依赖于避免障碍物的硬性或软限制的普遍的最新方法相反，目前的配方通过纳入两种类型的约束来增强鲁棒性。通过广泛的仿真来评估配方的有效性和鲁棒性，涵盖了广泛的随机场景，并与最新方法进行了比较。随后，通过文献中以最佳控制的地形力学模型来增强该配方，并明确解决了地形变形。此外，采用无知的卡尔曼过滤器的地形估计器可用于在线动态调整下沉指数，从而产生地形自适应配方。在现实世界中，该公式在现实世界的实验中进行了测试，以刚性验证的配方作为基准测试。结果展示了拟议的配方所实现的优越的安全性和绩效，强调了将Terramogenics知识整合到计划过程中的重要意义。具体而言，所提出的地形自适应配方可实现平均绝对侧滑角，平均绝对偏航率降低，目标时间较短以及更高的成功率，这主要归因于其对计划者内部机械学的增强的理解。
引文 (APA) 哈罗·皮萨罗索 (Haro Pizarroso)，G.，和范坎彭 (van Kampen)，E. (2023)。用于强化学习分析的可解释人工智能技术
强化学习越来越多地应用于飞行控制任务，目的是开发真正自主的飞行器，能够穿越高度变化的环境并适应未知情况或可能的故障。然而，这些日益复杂的模型和算法的开发进一步降低了我们对其内部工作原理的理解。这会影响算法的安全性和可靠性，因为很难甚至不可能确定它们的故障特征以及它们在从未测试过的情况下会如何反应。通过开发可解释的人工智能和可解释的强化学习方法（如 SHapley 加法解释），可以弥补这种理解的不足。此工具用于分析 Actor-Critic 增量双启发式编程控制器架构在非线性飞行条件下（例如在高攻角和大侧滑角下）执行俯仰速率或滚转速率跟踪任务时学习的策略。之前曾使用相同的分析工具对相同的控制器架构进行过探索，但仅限于标称线性飞行状态，并且观察到控制器学习了线性控制律，即使其人工神经网络应该能够近似任何函数。有趣的是，这篇研究论文发现，即使在非线性飞行状态下，这种控制器架构学习准线性控制律仍然是更理想的，尽管它似乎不断修改线性斜率，就好像它是增益调度技术的一个极端情况一样。
1/8 比例翼内风扇模型的风洞试验结果
在兰利 14 英尺乘 22 英尺亚音速风洞中测试了一个 1/8 比例的翼内风扇概念模型。这一概念是格鲁曼航空航天公司（现为诺斯罗普格鲁曼公司）考虑为美国陆军开发的设计（定为 755 型）。悬停测试在隧道附近的模型准备区进行。随着风扇推力的变化，距压力仪表地平面的高度、俯仰角和滚转角都会发生变化。在风洞中，随着风扇推力的变化，攻角和侧滑角、距风洞地板的高度和风速都会发生变化。在模型准备区和风洞中，针对几种配置测量了模型上的空气载荷和表面压力。主要的配置变化是改变安装在风扇出口以产生推进力的叶片角度。在悬停测试中，随着模型离地面高度的降低，推力消除法向力在风扇转速恒定的情况下发生了显著变化。最大的变化通常是高度与风扇出口直径之比小于 2.5。通过使用叶片将风扇出口气流偏向外侧，可以显著减少这种变化。在风洞中，对许多叶片角度配置进行了滚转、偏航和升力控制测试。还评估了襟翼偏转和尾翼入射角等其他配置特征。尽管 V 型尾翼增加了静态纵向 s