Feb, 2023

深度学习在无人机故障诊断中的仿真到实际转换应用

PDF
TL;DR本研究提出了一种深度学习模型，利用新识别的特征（NIF）作为输入和利用域自适应技术来减少仿真到现实的差距，进而实现了四旋翼螺旋桨故障检测方面的模拟与现实诊断手段之间转换的目的。实验结果表明，提出的方法在检测螺旋桨故障方面具有高达 96% 的准确率，目前是一种可靠且高效的方法。
propeller faultsquadrotorsfault classifierdeep learningsimulation-to-reality gap
发现论文，激发创造
  • 基于多任务学习的声音无人机故障分类

    通过构建一个包含机械故障声音数据集的深度神经网络故障分类器，利用多任务学习和方向分类，成功地对无人机进行了机械故障的检测，相比于单一任务方法，该多任务方法在用较少的训练数据的情况下也能更好地分类故障。

    Apr, 2023

  • 利用虚拟现实技术和深度学习进行风力涡轮叶片缺陷检测的新方法

    通过使用两步深度学习方法，本文试验缺陷检测准确性，在风力涡轮片背景中生成真实感图像并训练定制的 U-Net 架构来分类和分割缺陷，为无人机等航空器的自主和远程检查提供合理的缺陷检测准确性。

    Dec, 2023

  • 教导无人机飞行比赛：模拟环境下的敏捷控制端到端回归

    该研究利用深度神经网络和数据增强来训练自主赛道竞速的无人机，表明数据增强对于端到端学习非常重要，并且优化后的神经网络能够在嵌入式硬件上实时运行，适用于实际部署。

    Aug, 2017

  • 利用振动分析进行无人机起飞 / 着陆前后机翼异常检测的机器学习研究

    利用信号处理和机器学习方法，通过对全面振动分析数据的分析，以确定在飞行前后运行过程中叶片缺陷的存在，为未来智能城市的关键基础设施部分 —— 无人机，提供了恒定的监控以确保其可靠性。

    Apr, 2024

  • 秒学飞行

    通过使用基于强化学习的异态 actor-critic 架构和高度可靠的基于强化学习的训练方法，本研究提出了一种新颖的无人机控制框架，能够在仅 18 秒的训练时间内实现从模拟环境到真实环境的快速转化，并能在廉价的、现成的无人机上实现实时控制。同时，本研究通过介绍控制抽象、非线性和领域参数的分类以及引入一个全新的课程学习和高度优化的模拟器，提高了样本的复杂度和训练时间，并通过与现有控制解决方案的实验比较，展示了该框架在航迹跟踪方面具有竞争性能。

    Nov, 2023

  • 硬件限制的小型四旋翼无人机上的设备端自监督学习视觉感知任务

    通过在纳米无人机上进行设备学习，我们提出了解决领域转换问题的方法，并在实施中取得了重要进展。

    Mar, 2024

  • 使用神经网络学习四旋翼动力学以进行飞行控制

    本文探讨使用基于神经网络的动力学模型来合成不同于训练的轨迹的控制，并在四旋翼试验台上进行了实验验证。

    Oct, 2016

  • 通过坠毁学习飞行

    本文提出使用自行收集的撞击数据集与模拟数据集相结合的方法，训练出一种在极其复杂、动态障碍物环境下具有高效自主导航性能的简单自监督模型。

    Apr, 2017

  • 深度无人机比赛：从模拟到现实中的域随机化

    我们将最先进的规划和控制系统与卷积神经网络相结合，实现了自主机器人在动态环境中的高速飞行和对感知目标的实时认识，无需进行任何调整，同时通过领域随机化生成大量的模拟数据，使我们的系统对光照和目标出现变化具有鲁棒性，实现了在敏捷无人机飞行任务中的零次模拟到实际的成功展示。

    May, 2019

  • 增强型成像：一种基于数据的飞行器空气数据传感器故障检测方法

    本文提出了一种新的数据驱动方法 Augmented Imagefication 用于飞机空气数据传感器（ADS）的故障检测（FD），并使用深度神经网络（DNN）开发了一种基于边缘设备的在线 FD 方案，采用航空惯性参考单位测量作为等效输入，并提供了不同飞机 / 飞行条件下的数据进行多样性（可伸缩性）的训练 / 测试数据库。

    Jun, 2022