不确定世界中的自主创新

麻省理工学院教授乔纳森·豪（Jonathan How）的研究兴趣涵盖了自动驾驶汽车的各个领域——从飞机和航天器到无人驾驶飞行器（UAV或无人机）和汽车。他特别专注于分布式稳健规划算法的设计和实施，以协调能够在动态环境中导航的多辆自动驾驶汽车。

在过去一年左右的时间里，理查德·科克伯恩·麦克劳林航空航天教授和麻省理工学院航空航天控制实验室的一组研究人员一直在开发一种轨迹规划系统，该系统允许无人机机队在同一空域运行而不会相互碰撞。换句话说，这是一个多车辆防撞项目，它对包括农业和国防在内的各种行业的成本节约和效率具有现实意义。

该项目的测试设施是克雷萨自治系统中心，这是一个80×40英尺的空间，天花板为25英尺，专为麻省理工学院的自动驾驶汽车工作而设计 – 包括How的无人机群定期在该中心的高架周围嗡嗡作响。为了避免碰撞，每架无人机都必须计算其机载路径规划轨迹，并使用无线通信网络与其他机器共享。

但是，根据How的说法，多车辆工作的主要挑战之一是与信息交换相关的通信延迟。在这种情况下，为了解决这个问题，How和他的研究人员在他们的系统中嵌入了一个“感知感知”功能，允许车辆使用车载传感器收集有关其他车辆的新信息，然后改变自己的计划轨迹。在测试中，他们的算法修复导致了100%的成功率，保证了他们的无人机组之间的无碰撞飞行。How说，下一步是扩大算法规模，在更大的空间进行测试，最终飞到外面。

乔纳森·豪（Jonathan How）出生于英国，对飞机的迷恋始于年轻时，这要归功于与父亲一起在空军基地度过的大量时间，父亲曾在皇家空军服役多年。然而，正如豪回忆的那样，虽然其他孩子想成为宇航员，但他的好奇心更多地与飞行的工程和力学有关。多年后，作为多伦多大学的本科生，他对应用于航空航天工程的应用数学和多飞行器研究产生了兴趣。他继续在麻省理工学院完成研究生和博士后工作，在那里他为NASA资助的航天器高精度指向和振动控制的先进控制技术实验做出了贡献。在斯坦福大学担任初级教师后，他于2000年回到马萨诸塞州剑桥市，加入麻省理工学院。

“任何自动驾驶汽车面临的主要挑战之一是如何解决周围环境中的其他问题，”他说。对于自动驾驶汽车来说，这意味着识别和跟踪行人。这就是为什么How和他的团队一直在从配备传感器的自动驾驶汽车中收集实时数据，然后他们使用这些信息来生成模型来了解他们的行为 – 例如在十字路口 – 这使得自动驾驶汽车能够做出短期预测并更好地决定如何进行。“考虑到世界的不确定性，这是一个非常嘈杂的预测过程，”How承认。“真正的目标是提高知识。你永远不会得到完美的预测。你只是想了解不确定性，并尽可能地减少它。

在另一个项目中，How正在突破飞机实时决策的界限。在这些情况下，车辆必须确定它们在环境中的位置，周围还有什么，然后规划最佳前进路径。此外，为了确保足够的敏捷性，通常需要能够以每秒约10-50次的速度重新生成这些解决方案，并且一旦来自飞机上传感器的新信息可用。强大的计算机是存在的，但它们的成本、尺寸、重量和功率要求使它们部署在小型、敏捷的飞机上是不切实际的。那么，如何在不牺牲性能的情况下，在轻松安装敏捷飞行器的计算机上快速执行所有必要的计算呢？

How的解决方案是在飞机上使用快速查询的神经网络，这些神经网络经过训练以“模仿”计算昂贵的优化器的响应。训练是在离线（任务前）阶段进行的，他和他的研究人员反复运行一个优化器（数千次），“演示”如何解决任务，然后将这些知识嵌入神经网络。一旦网络经过训练，他们就会在飞机上运行它（而不是优化器）。在飞行中，神经网络做出与优化器相同的决策，但速度要快得多，从而大大减少了做出新决策所需的时间。该方法已被证明在各种尺寸的无人机上都是成功的，它还可用于生成能够直接处理嘈杂的感官信号（称为端到端学习）的神经网络，例如来自机载摄像头的图像，使飞机能够快速定位其位置或避开障碍物。这里令人兴奋的创新在于开发的新技术，这些技术使飞行代理能够非常有效地训练 – 通常只使用一个任务演示。该项目的重要后续步骤之一是确保这些学习到的控制器可以被认证为安全。

多年来，How与波音，洛克希德马丁，诺斯罗普格鲁曼，福特和亚马逊等公司密切合作。他说，与工业界合作有助于将他的研究重点放在解决现实世界的问题上。“我们把行业的难题浓缩到核心问题，为问题的特定方面创建解决方案，在我们的实验设施中演示这些算法，然后将它们过渡回行业。这往往是一个非常自然和协同的反馈循环，“How说。