새들은 어떻게 날아 올까요? 연구원, AI 자치 글라이더 개발

새들은 오랫동안 인간에게 비행 할 수있는 자신 만의 방법을 창조하도록 촉구했습니다. 장거리 이동하는 급증하는 조류 종은 날개를 펄럭 거리는 에너지를 사용하지 않고 열 상승 기류를 사용하여 대기 상태를 유지합니다. 또한 글라이더 조종사는 열전류 및 상승하는 공기의 다른 영역을 사용하여 더 오랫동안 공기 중으로 유지합니다.

그러나 우리가 다양한 장비를 사용하여이 상승 기류를 활공하는 동안 조류가 급상승 할 수있는 정확한 메커니즘은 아직 알려지지 않았습니다. 그러나 캘리포니아와 이탈리아의 연구자 팀이 인공 지능 (A.I.)을 사용하여이 질문에 대답하기위한 몇 가지 단계를 수행했습니다. 그리고 항공기 용 항법 시스템의 새로운 개발로 이어질 수 있으며, 오랜 시간 동안 항공기에 머물 수있는 무인 비행기를 만드는 데 특별한 영향을 미칩니다.

이 연구의 목적은 자연 는 진짜 새가하는 것처럼 2 미터 길이의 작은 날개 달린 자율 글라이더를 열전달로 비행하도록 훈련하는 것이 었습니다. 글라이더는 일종의 A.I로 프로그래밍되었습니다. 기계 학습으로 알려진이 기술은 공기 흐름을 사용하여 공기를 더 오래 머물게하는 방법을 알아 냈습니다.

또한보십시오: Drones는 새로운 돌파구 연구에있는 새 같이 정확하게 몰기 위하여 프로그램됩니다

기계 학습은 복잡한 작업을 수행하도록 컴퓨터를 프로그래밍하는 대안 방법입니다. 컴퓨터 (또는이 경우에는 자율 글라이더)에게 뭔가를하는 방법을 알려주는 지침 세트를 보내지 말고 컴퓨터에 응답 방법을 알려주고 올바른 일을 할 때 보상합니다.

시간이 지남에 따라 보상 대상이되는 것을 배우게되며 이러한 행동을 대신하는 경향이 있습니다. 이 기술은 Google의 AlphaGo와 같은 컴퓨터 프로그램이 기존의 프로그래밍 기술로는 불가능했던 보드 게임 Go를하고 프로 선수를이기는 법을 배울 수있는 방법입니다.

이러한 유형의 기계 학습은 강화 학습 (reinforcement learning)이라고하며, 컴퓨터에 입력되는 많은 양의 입력 데이터를 바탕으로 어떤 조치가 보상을 제공 하는지를 학습합니다. 자치 글라이더를 프로그래밍하는 연구원의 경우, 입력 데이터는 위쪽 (수직) 바람 강도의 변화를 읽을 수있는 특수 장비로 구성됩니다. 장비는 글라이더의 길이 (길이 방향)와 날개의 끝에서 다른 끝 (옆으로)에서 이러한 변화를 결정할 수있었습니다. 센서는 매초 10 회 이러한 측정을 수행 할 수있었습니다.

이 데이터는 글라이더의 뱅크 각도로 알려진 비행 조정을 위해 사용되었습니다. 윙 레벨이 균형 잡힌 균형 잡힌 비행기는 제방 각도가없고 직선으로 날아갑니다. 날개를 기울이고 뱅크 각을 늘리면 비행기가 돌아옵니다. 이 연구에서 글라이더는 비행 경로를 따라 상향 풍속의 변화가 증가하면 보상을 받았다. 즉, 글라이더가 상승 기류로 날아가는 경우.

Updrafts는 글라이더가 공중에 머무를 수있는 시간을 늘리기위한 열쇠입니다. 동력이 공급되는 비행기와 달리 상승 기류를 찾을 수없는 글라이더는 점차적으로 지상으로 떨어질 것입니다. 글라이더가 떨어지거나 올라갈 지의 여부는 공기가 얼마나 많은 공기가 위쪽으로 움직이는 지에 따라 달라집니다. 상승 기류에서 수직 기류의 증가로 글라이더가 떨어지는 것을 막을 수 있으며, 수직 바람이 충분히 강하면 상승 할 수 있습니다.

수많은 비행 (총 비행 시간 약 16 시간) 동안 연구 글라이더는 특정 입력 조합 (은행 각, 세로 및 가로 변화, 수직 풍속) 하에서 훈련하여 비행하는 것을 배웠습니다. 다음 뱅크 각도 변경이 있어야합니다. 그 결과 모든 비행기가 끝날 무렵 비행기는 상승 기류로 날아가는 방법을 스스로 가르쳐서 더 오랫동안 공중에 머무르게했습니다.

보너스로, 연구진은 더 긴 글라이더가 더 많은 글라이더에 더 많은 이익을 줄 수 있음을 보여주기 위해 수치 모델을 사용했습니다. 더 긴 글라이더 날개는 한 날개 팁에서 다른 날개 팁으로의 풍속 변화를보다 정확하게 측정 할 수 있기 때문입니다.

항공기를 더 똑똑하게 만들기

결과는 우리가 주변에서 미끄러지는 것을 볼 수있는 가능한 미래의 자율 글라이더와 그들이 무엇을 사용할 지에 대한 질문을 제기합니다. MIT의 엔지니어들은 최근 자위 글라이더를 설계하기 위해 파도 타기 용 알바트 로스의 공기 역학에서 영감을 얻었습니다.

에어 버스는 지상의 원격 위치에 인터넷 신호를 방송 할 수있는 감시 또는 통신 위성의 대안으로 매우 오랜 시간 동안 공기를 견딜 수있는 태양열 구동 글라이더를 개발했습니다. Microsoft는 최첨단 인공 지능형 네비게이션 시스템으로 자율 비행기를 연구하고있는 것으로 알려졌습니다.

그러나이 연구에서 개발 된 기술은 언젠가 새로운 항공기 용 "스마트"내비게이션 및 자동 조종 장치 시스템으로 이어질 수 있습니다. 이것들은 수천 시간의 비행 시간에 걸쳐 수집 된 데이터를 사용하여 가장 효율적으로 돌아 다니는 방법을 결정할 수 있습니다. 이것은 정확한 센서와 비행기가 식별하고 하나의 열 상승 기류에서 다른 기상 상승기로 넘어갈 수있는 추가 개발에 의존합니다. 현재이 방법은 단일 열 내에서 미끄럼 만 허용합니다.

연구원이 개발 한 방법과 프로그래밍 기술은 틀림없이 우리에게 이러한 작업을 수행하는 일, 주 또는 개월의 비행 시간을 가진 자율 비행체의 목표에 한 걸음 더 가까워지게합니다. 그러나 보강 학습을 사용하면이 알고리즘이 글라이더를 제어하는 ​​것에서부터 Go의 인간을 때리는 것까지 광범위한 알고리즘에 얼마나 유연하게 적응할 수 있는지 다시 한번 보여줍니다.

이 기사는 Nicholas Martin의 The Conversation에 처음 게시되었습니다. 여기에 원본 기사를 읽으십시오.