提高无人机系统安全性模糊逻辑-AI方法

无人机系统使用量随着能力和应用量的不断增加而飞速上升这使得紧急需要解决方案安全管理拥塞低空空域的UAS操作某些高级UAS控制方法以强化学习技术为基础,但这些技术尚未完全验证Timothy Arnett博士和同事泰尔斯Avionics公司美国团队正在开发重要安全标准实施AI控UAS

无人机系统或无人机是指设计自主操作或遥控的飞机最新消息UAS技术进步导致使用量增加,应用领域包括交付服务、消防、监视和侦察任务随着对技术依赖的增加,现在迫切需要能优化性能和计算效率的先进控制系统,同时使强健适应变化假设

多先进UAS控制方法使用人工智能和机器强化学习技术解释Timothy Arnett博士在美国ThalesAvionics公司系统能通过体验新数据提高性能,并增强行为效果提高,正如用户所说明的那样。在许多场景中 离Arnett描述的控制水平还差得远

与Thales Avionics同僚包括Nicholas Ernest博士使用先进工具处理复杂问题团队旨在开发新控制方法并随后验证,以确保它们严格安全规范团队使用数学严格技术,称为“形式方法”。Arnett继续说道, “这些形式方法可促进在任务或安全临界系统更广泛地应用和实施高级AIUAS控制

形式方法

有许多技术可用分析系统遵守规范的程度AI验证方法可以通过数值方法实现-但这些方法有缺陷蒙特卡洛技术依赖重复随机采样获取数值结果, 尚不清楚采样量足以验证系统此外,数值评价只能识别规范失效时,因此无法保证系统每次都正确性

Arnett和同事设计了一个系统,UAS可生成最美化模糊树,因为它们遍历复杂和不熟悉环境。

当需要更高水平正确性时,例如安全标准关键系统时,形式方法是值得的Arnett解释道, 形式方法为这些系统设计、规范验证提供数学严格技术 。 Arnett及其团队在前期研究中使用这些方法评价UAS系统安全性

导航安全

在最近的研究中,Arnett和同事为强化学习AI系统控制UAS行为新安全规范UAS编程置入虚拟预定义边界或“走廊”。通道墙代表UAS安全运行的界限,它沿预期路径行进允许设备略微偏向路径,因为它避免像鸟类和其他无人机那样的阻塞或微风条件下向方向吹散

通道内UAS运动和日志指定目标分布环境跟踪距离走廊边界使用5个距离传感器或胡须定位前后侧目标再用定位在UAS前的抓取传感器收集牢记这些约束因素后,团队可创建安全规范以容纳这些约束因素。

遗传模糊树

UAS行为尚不为人知,因此团队使用强化学习开发高级控制系统使用创新AI方法命名基因模糊树GFTs工作综合技术命名为模糊逻辑和求问题最佳解决方案技术,基于达尔文自然选择理论

模糊逻辑解释一个事实,即某些结论可能不完全真实或虚假:相反,它往往有一定程度的模糊性或模糊性相关联怀着这个思想,它可以数学量化结论有效性介于0到1之间-零完全假化和一完全真化

根基于此逻辑,模糊树由数种模糊推理系统组成,以强健性、近似结果能力以及用语言表示输入输出能力为名通过将这些系统整合到分支网络中,研究人员大大提升了其可扩展性,允许他们比前手技术多输入更多输入允许详细近似实现极高效化,用户解决远为复杂问题

Arnett团队使用基因算法优化他们的模糊树,该算法先评估性能或集的“适配性”或可能的解决方案的“代代化”。后期适配解决方案选择为新一代的'父母',特征稍变或变换产生新套可能的解决方案 — — 其中一些可能比父母好。进程再重复,直到找到最佳解决办法

Arnett和同事设计系统,通过系统生成高性能模糊树,可遍历复杂和不熟悉环境其方法使这些系统能提供高性能决策,在保持计算效率的同时对潜在的不确定性稳健地处理此外,高层次简单解释面对这些不确定性快速决策的内在和准确性,同时保持可用于较长时间级动作或审计目的的全面解释性

UAS行为规范

团队通过使用GFT显示UAS可成功遍历操作通道,同时收集许多不同场景中感兴趣的点生成控制系统需要对照行为规范验证,以确保其安全操作Arnett回想这引导团队提问:测试量足足量?回答这个问题时,研究人员列出四大密钥描述UAS理想行为,并列出程序判定这些规则是否被违反

Arnett和同事通过正式验证确信他们的系统将按预期行事,同时避免违反安全规定

第一,如果UAS以最小速度或最大速度行进,则绝不应指示它执行超出自身能力的任务 — — 即当前高速、负载和高度所设定的任务。第二,如果前置回转空间小于空间飞行器可用转转空间,则转动动作应当避免。第三,如果车侧小鼠感知距离走廊墙不到5千米,UAS应转离它最后,如果UAS沿直通道中间直飞,应保持水平飞行

形式验证正确性

为了验证GFT算法的“正确性”,团队使用正式方法对照规格检验系统使用四种密钥规范作为基准,他们可以检验算法输出是否符合规定规范,而算法坚持分配任务通过正式验证,Arnett和同事可以确信他们的系统将按预期行事,同时避免可能导致灾难性后果的安全违规事件。

正式验证显示,GFT系统目前仍然违反数项行为规范以控制UASs,揭示Arnett团队未来研究需要消除的问题同理,它允许他们建立行为不违法-单靠模拟测试无法实现-

研究者希望相似方法推广到其他智能系统 构建可靠可信可解释AI正式验证这些系统可能具有挑战性,但它提供更大的信心,相信任务/安全关键应用中的高级AI系统将按开发者所期望的那样行事。AI系统变得更为无所不在, 特别是在安全临界系统里,

UASs明亮未来

高级控制方法正越来越多地使用AI和机器学习开发,并经常使用强化学习技术由于缺乏信任和正确性证明 其中许多系统尚不准备安全临界系统使用Arnett和同事希望研究者开发强健的新安全标准,