平穩著陸多旋翼無人機很困難。隨著地面在下降過程中越來越近，每個轉子的氣流從地面反彈，產生復雜的湍流。這種湍流不是很好理解，也不容易補償，特別是對于自主無人機。這就是為什么起飛和降落通常是無人機飛行中最棘手的部分。無人機通常會搖晃并緩慢地朝向著陸，直到最后切斷電源，并且它們將剩余的距離降低到地面。

在 加州理工學院的自主系統和技術中心 （CAST），人工智能專家與控制專家合作開發了一個系統，該系統使用深度神經網絡幫助自主無人機“學習”如何更安全，更快地著陸，同時減少吞噬量功率。

他們創建的系統被稱為“神經著陸器”，它是一種基于學習的控制器，可跟蹤無人機的位置和速度，并相應地修改其著陸軌跡和轉子速度，以實現最平穩的著陸。

“這個項目有可能幫助無人機飛行更加平穩和安全，特別是在陣風不可預測的情況下，并且隨著無人機可以更快地著陸而消耗更少的電池電量，” 航空航天的Bren教授Soon-Jo Chung說 。加州理工學院為NASA管理的JPL工程與應用科學系（EAS）和研究科學家。該項目由Chung和Caltech人工智能（AI）專家 Anima Anandkumar，計算和數學科學Bren教授以及計算和數學科學 助理教授Yisong Yue合作完成。

5月22日，電氣和電子工程師協會（IEEE）機器人與自動化國際會議上發表了一篇描述神經著陸器的論文。該論文的共同主要作者是加州理工學院的研究生姜冠亞，他的博士研究由他們共同監督。 Chung和Yue，以及Xichen Shi和Michael O‘Connell，他們是Chung航空機器人和控制組的博士生。

深度神經網絡（DNN）是受大腦等生物系統啟發的AI系統。名稱的“深層”部分指的是數據輸入通過多個層進行攪拌的事實，每個層以不同的方式處理傳入的信息以梳理出越來越復雜的細節。DNN能夠自動學習，這使它們非常適合重復性任務。

為了確保無人機在DNN的指導下順利飛行，該團隊采用了一種稱為光譜歸一化的技術，該技術可以平滑神經網絡的輸出，因此當輸入或條件發生變化時，它不會產生大幅變化的預測。通過檢查3D空間中理想化軌跡的偏差來測量著陸的改進。進行了三種類型的測試：直線垂直著陸; 下降弧著陸; 和無人機在一個破碎的表面上掠過的飛行 - 例如在桌子邊緣 - 地面湍流的影響會急劇變化。

新系統將垂直誤差降低100%，允許控制著陸，并將橫向漂移降低多達90%。在他們的實驗中，新系統實現了實際著陸，而不是像地面上的10到15厘米那樣被卡住，正如未經修改的傳統飛行控制器經常那樣。此外，在略讀測試期間，神經著陸器產生了更平滑的過渡，因為無人機從掠過桌子過渡到超出邊緣的自由空間中飛行。

“由于誤差較小，神經著陸器能夠更快，更平穩地著陸并在地面上平滑滑行，”Yue說。新系統在CAST三層高的機場進行了測試，可以模擬幾乎無限的各種戶外風況。 CAST 開放于2018年，占地10，000平方英尺，EAS，JPL和加州理工學院地質和行星科學部的研究人員正在聯合創建下一代自治系統，同時推進無人機研究，自主探測，和生物啟發系統。

“這種跨學科的努力帶來了機器學習和控制系統的專家。我們幾乎沒有開始探索這兩個領域之間的豐富聯系，“Anandkumar說。

除了明顯的商業應用之外，Chung和他的同事們已經為新系統申請了專利 - 新系統對CAST目前正在開發的項目至關重要，包括 可以在難以到達的地方降落的 自主醫療運輸（如作為一個堵塞的交通）。“運送受傷人員時能夠迅速平穩降落的重要性不容小覷，” Morteza Gharib，Hans W. Liepmann航空與生物工程教授教授說道。CAST主任; 和空中救護項目的主要研究人員之一。