Wolfram | 宇航员用Raspberry Pi创建虚拟副驾驶和Wolfram神经网络

节省时间挽救生命

 

Wolfram优势

•Raspberry Pi上的本地Wolfram语言编码，用于便携式独立模块

•高度自动化的机器学习，可实现快速、简便的实施和准确的结果

•与底层传感器和通信设备的内置兼容性

尽管航空技术取得了进步，但飞行员经常难以及时预测失速，旋转和其他危险情况，以防止致命事故的发生。但是在Wolfram语言、掌上电脑和传感器模块的帮助下，再加上几次大胆的飞行，Mike Foale和他的女儿Jenna创建了Solar Pilot Guard（SPG）：一种充当虚拟副驾驶员的集成探测器，可向驾驶员发出预警，帮助挽救生命。

 

Foale对使用Wolfram语言解决复杂的飞行问题有所了解。作为一名天体物理学家和美国国家航空航天局（NASA）宇航员，他已经在太空中记录了一年多的时间，在与无人驾驶补给飞船相撞时，他在和平号空间站上。他使用Mathematica解决了空间站失去位置控制的问题，并获得了迄今为止唯一一个从太空向Wolfram寻求技术支持的人的殊荣。

因此，当实验飞机协会（EAA）宣布一项竞赛，以发现解决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“家庭内部”行为（指预期或正常情况的工程术语）和“家庭外部”行为（出乎意料或令人担忧的事情）的概念来判断飞机何时失控 -基于其家庭外部行为的表现。不过，什么算是家庭之外的情况，取决于一连串的意外事件，而要预测危险的异常飞行行为，则需要采用复杂的分析方法。

根据Foales的理论，机器学习可以提供一种更人性化的方法。他们可以训练一个神经网络来识别那些危险的情况，就像巡回飞行的飞行员一样(速度更快)，并发出语音指令告诉飞行员应该采取哪些纠正措施。这额外的几秒钟可以给飞行员足够的时间来防止事故的发生。

 

在不到一个月的时间内从构思到原型

他们将带有传感器单元的Raspberry Pi连接到Foale飞机的机翼上，他们记录了一系列飞行的数据，而Foale试图重现各种常见情况。“让我们测量并记录在正常的家庭条件下飞行时的参数是什么。然后让我们进行一次失速，当我们接近失速时，让我们看看所测量的所有参数发生了什么。当我们失速时，我们会将那一刻标记为异常。”

他们根据该飞行数据创建了一个包含数千条规则的“超级列表”，以指示飞行员在任何给定的家庭外情况下应采取的行动。然后，他们将该列表输入到Wolfram语言功能Classify中。“在几秒钟内，Classify宣布它已经学习了所有规则。机器学习不需要知道所涉及的工程，只需要更改规则即可。”

 

由于Classify使用内置的训练方法，因此用户只需提供参数和数据即可。由于速度如此之快，该团队能够在不到一个月的时间内生成失控预测变量的原型。

“神经网络算法中发生了一些神奇的事情……”

 

赢得铜牌并超越

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善系统。

 

团队的新流程始于使用FindClusters识别并删除大量的家庭飞行数据。该团队再次通过FindClusters运行此简化的数据集，从而确定了不同的家庭外行为组。然后，团队可以为每个数据集群分配适当的试点操作，而不用对数千个单独的数据点进行分类。

 

除了将培训时间从几天减少到几小时之外，这种改进的过程还使系统可以更精确地定义正常飞行和失去控制之间的界限，从而极大地提高了预测的速度和准确性，并减少了SPG的误报次数。

 

下一步，该团队正在考虑使用按时间索引的培训数据来更好地检测家庭外行为的预警信号。

 

Foale将Wolfram语言强大的机器学习功能归功于其能够如此快速有效地开发SPG。从构思到原型再到最终部署，软件一直是该过程中最容易的部分。