Critical slowing down for predicting controller induced loss of control in quadrotors
本文提出了一种基于临界慢化现象的无模型预测方案，该方案能够提前高达0.9秒成功预测四旋翼飞行器由控制器引起的失控，其性能优于现有的神经网络方法，并且无需重新参数化即可在不同的飞行器、控制器及飞行场景中实现泛化。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你正在观看一位走钢丝的人。只要他们保持稳定，轻微的晃动很容易修复；他们只需移动重心就能回到中心。但随着他们越来越靠近绳索边缘，一种奇怪的现象发生了。他们的恢复变得越来越慢。曾经能瞬间纠正的微小推力，现在需要很长时间才能平复，平衡感也变得“粘滞”。在复杂系统（如生态系统、人类大脑或无人机）的世界中，这种现象被称为临界减速（Critical Slowing Down）。这是一个普遍的预警信号，预示着系统即将发生翻转，进入一个完全不同的、通常是混沌的状态。
现在，想象一架无人机，一个拥有四个旋转螺旋桨的飞行机器人。这些机器非常出色，但有时它们会失去控制并坠毁，这通常是因为指挥它们飞行的计算机大脑被延迟或错误的信号搞糊涂了。科学家们一直试图预测这些坠毁，但许多方法都需要无人机已经在计算机模拟中坠毁过数千次，才能“学习”到坠毁是什么样子的。这是一个问题，因为在现实生活中，我们并不想通过让无人机坠毁来教它们如何飞行。核心问题在于：我们能否在无人机真正跌落之前，捕捉到这种“粘滞的晃动”，而不需要依赖过去坠毁的历史来教导我们？
这篇论文介绍了一种巧妙的新方法来回答这个问题。来自代尔夫特理工大学的研究人员开发了一种名为 C-BeFore 的预测系统，它充当了无人机的“坠毁检测器”。该系统不需要从大量的过去坠毁数据中学习，而是利用了临界减速这一普适原理。把这想象成医生听诊病人的心跳。医生不需要见过心脏病发作才知道心脏正在挣扎；他们只需要倾听那特定的、预示着麻烦即将来临的缓慢节奏。同样，C-BeFore 系统会倾听无人机电机的声音。当无人机正常飞行时，电机对指令的响应非常迅速。但随着无人机接近失控，电机开始出现“结巴”，并且从微小的变化中恢复得更加缓慢。
团队在四种不同类型的无人机真实飞行数据上测试了这个想法，其中包括一些在室内飞行的无人机和一些在室外风中飞行的无人机。他们观察了 91 起由于控制系统不稳定导致无人机失去控制的实际坠毁事件。结果令人印象深刻：该系统能在坠毁发生前最多 0.9 秒 进行预测。对于移动速度很快的无人机来说，那是足以改变命运的预警时间——足以让安全系统介入并挽救局面。
这种方法的特别之处在于，它不需要针对坠毁数据进行“训练”。研究人员展示了他们可以在一台从未见过的无人机上预测坠毁，而这台无人机最初是用针对另一种不同类型无人机的设置进行调优的。这就像是一个烟雾报警器，无论是在厨房、车库还是森林火灾中都能完美工作，而无需事先见过那个特定房间里的火灾。该系统成功识别了危险的“飞走”（flyaway）事件（即无人机不受控制地向上冲）和由偏航引起的坠毁，即使这些无人机拥有不同的电机、不同的控制器，并在不同的环境中飞行。
该论文还将他们的方法与该领域的“金标准”进行了比较：循环神经网络（RNNs），这是一种通常需要研究数千个坠毁案例才能发挥作用的人工智能类型。C-BeFore 系统在准确性上击败了这些 AI 模型，并且至关重要地，它产生的误报（在无人机只是在做酷炫动作时大喊“要坠毁了！”）更少。虽然 AI 模型擅长发现坠毁，但它们往往会错过早期的预警信号，或者会被正常的激进飞行所迷惑。C-BeFore 系统通过关注系统在崩溃前如何发生减速的基础物理特性，能够以更高的精度区分出是一位勇敢的飞行员还是一个注定失败的飞行员。
简而言之，这项研究表明，我们不需要等待灾难发生才能去预防它。通过关注一个系统在接近临界点时那种微妙的、减速的节奏，我们可以构建出通用的、可靠的、且能随时应对任何地方任何无人机的安全网，而无需依赖事故历史库。这是通过赋予自主机器人感知自身不稳定性并能在为时不及之前做出反应的能力，从而让它们变得更安全的一大步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。