专栏首页WOLFRAM时间就是生命:用树莓派和Wolfram神经网络创建虚拟飞行副驾

时间就是生命:用树莓派和Wolfram神经网络创建虚拟飞行副驾

"There's some good magic going on in that neural networks algorithm..."

Wolfram优势

  • RaspberryPi上的Wolfram语言原生编码,用于便携式独立模块
  • 高度自动化的机器学习,使代码执行更加轻松快捷,结果更加准确可靠
  • 与低级传感器和通信设备的内置兼容

尽管航空技术不断进步,如何及时预测飞行突发状况(如失速、旋转等况),从而避免发生致命事故一直是飞行员要面对的一道难题。但通过Wolfram语言、一台掌上电脑和传感器模块以及几次勇敢的飞行,MikeFoale和他的女儿Jenna(计算流体力学的博士)开发了一套太阳能飞行员防护装备Solar Pilot Guard (SPG):用一个集成的探测器充当虚拟副驾驶员,给予早期预警从而拯救生命。

Foale对使用Wolfram语言解决复杂的飞行问题略知一二。作为一名天体物理学家和已在太空中飞行累计一年多的NASA宇航员,在一次与无人驾驶供应航天飞机相撞时,Foale正好在和平号空间站上。他使用Mathematica来解决空间站姿态失控问题,从而成为迄今为止唯一一个从太空调用Wolfram技术支持的人。

因此,当美国实验飞机协会(EAA)宣布开展一项竞赛,以发现飞机即将失控问题的解决方案时,Foale立即想到了Wolfram语言。

更人性化的方法

Foale的想法是使用“in-family”行为(一种表示符合预期或正常的工程术语)和“out-of-family” 行为(一些意外或令人担忧的行为)的概念来确定飞机何时接近损失控制状态– 根据所显示的out-of-family行为。然而,什么算作out-of-family行为,取决于一系列偶然事件,并且预测危险的异常飞行行为需要复杂的分析方法。

按照Foale的理论,机器学习可以提供更人性化的方法。它们可以训练一个神经网络来识别那些危险情况,就像进行飞行表演的飞行员那样 - 只不过更快 - 并发出语音命令告诉飞行员要采取哪些纠正措施。这多出来的几秒钟可能给飞行员足够的时间来避免意外的发生。

从想法到原型只用了不到一个月

通过将带有传感器单元的RaspberryPi连接到Foale的飞机的机翼,他们记录了一系列飞行数据,Foale试图重现各种常见情况。“我们只是测量和记录在正常的in-family条件下飞行的参数。然后做一个失速,当我们接近失速时,来看看我们测量的所有参数会发生什么变化。当我们经历失速时,会把那一刻标记为out-of-family。"

根据这些飞行数据,他们创建了数千个规则的“超级列表”,以指示飞行员在任何给定的out-of-family情况下应采取的行动。然后他们将该列表输入Wolfram语言函数Classify。“只需几秒钟,Classify就宣布它已经学会了所有的规则。机器学习不需要知道所涉及的工程原理,只是规则发生了变化。”

由于Classify使用内置训练方法,因此用户只需提供参数和数据。由于这种速度,他们只用了不到一个月的时间便生成了失控预测器的原型。

"神经网络算法魅力无限......"

赢得铜牌之后

SPG在2017年EAA创始人创新奖竞赛中获得铜牌。从那时起,该团队一直致力于通过自动创建培训数据来改进系统。

团队的新流程是,首先使用FindClusters来识别和删除大量的in-family飞行数据,再通过FindClusters再次运行此简化后的数据集,团队识别出不同的out-of-family行为组。然后,团队可以为每个数据集群分配适当的飞行行为,而不是对数千个单独的数据点进行排序。

除了将训练时间从几天减少到几小时之外,这一改进的流程还可以让系统更精确地定义正常飞行和失控之间的界限,从而大大提高预测的速度和准确性,并减少SPG的误报次数。

接下来,该团队正在考虑使用时间索引训练数据来更好地检测out-of-family行为的早期预警信号。

能够如此快速有效地开发SPG,Foale将其归功于Wolfram语言强大的机器学习功能,从构思到原型再到最终部署,该软件一直是该过程中最轻松的部分。(https://wolfr.am/GsRCjvKV)

Mike Foale, CEO of FOALE AEROSPACE, Inc., NASA 前宇航员, 照片由NASA提供

本文分享自微信公众号 - WOLFRAM(WolframChina)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-09-11

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • NVIDIA Deepstream 4.0笔记(三):智能交通场景应用

    本次笔记整理自NVIDIA 8月20日在线研讨会,原讲座标题:DEEPSTREAM SDK – ACCELERATING REAL-TIME AI BASED ...

    GPUS Lady
  • 图解LSTM与GRU单元的各个公式和区别

    因为自己LSTM和GRU学的时间相隔很远,并且当时学的也有点小小的蒙圈,也因为最近一直在用lstm,gru等等,所以今天没事好好缕了一下,接下来跟着我一起区分并...

    AI科技大本营
  • 快速准确的人脸检测、识别和验证新框架(文末附源码)

    上一期“计算机视觉战队”已经和大家分享了相关的人脸检测、识别和验证背景及现状的发展状况,今天我们继续说说人脸领域的一些相关技术以及新框架的人脸检测识别系统。

    计算机视觉战队
  • Live 回顾 | 柏视医疗创始人:从 AI 入手,如何解决鼻咽癌放疗靶区勾画的临床痛点?

    1月9日,2019年首场【大咖Live】第 31 期AI医疗·放疗靶区勾画专场首期,雷锋网AI掘金志邀请到柏视医疗创始人陆遥博士详细解析“鼻咽癌放疗临床靶区勾画...

    AI掘金志
  • 慧安金科黄铃:减少对标注数据的依赖,做规避用户隐私的AI风控丨镁客请讲

    慧安金科主要通过自主研发的半监督主动式机器学习技术来构建金融风控方面的预测模型和决策引擎。

    镁客网
  • 机器学习-6行代码编写你人生的第一个机器学习的程序

    只用六行Python语句,就可以编写你人生第一个机器学习的程序!我们将使用监督式学习方法(即一种利用范例创建分类器的机器学习方法)进行编程。使用到python的...

    亚乐记
  • 机器学习-决策树的优化

    今天我们会使用真实的数据来建一棵决策树,编写代码,将其可视化,这样您即可明白决策树是如何在幕后工作的。这里我们使用sklearn中自带的数据集Iris flow...

    亚乐记
  • 机器学习面试中常考的知识点,附代码实现(二)

    其实用一下图片能更好的理解LR模型和决策树模型算法的根本区别,我们可以思考一下一个决策问题:是否去相亲,一个女孩的母亲要给这个女海介绍对象。

    AI研习社
  • 人工智能“面诊”识别罕见遗传疾病,准确率可达 90%

    近日,美国FDNA公司在国际知名医学科研期刊《自然医学》(Nature Medicine)上发布了题为《使用深度学习识别遗传疾病的面部表型》(Identifyi...

    AI掘金志
  • DeepMind 团队 CASP 夺冠:用 AlphaFold 预测蛋白质结构

    在 2016 年和 2017 年,谷歌旗下 DeepMind 团队的研究成果 AlphaGo 可以说是科技界当之无愧的焦点。2016 年,AlphaGo 以出色...

    AI掘金志

扫码关注云+社区

领取腾讯云代金券