多旋翼无人机很难平稳着陆。随着下降过程中离地面越来越近，每个旋翼的气流都会从地面反弹，产生复杂的湍流。这种湍流不是很好理解，也不容易补偿，尤其是对于自主无人机。这就是为什么起飞和降落通常是无人机飞行中最棘手的部分。无人机通常会摇晃并缓慢降落，直到最终切断电源，它们会降低剩余的离地距离。

在加州理工学院的自主系统和技术中心(CAST)，人工智能专家与控制专家合作开发了一个系统，该系统使用深度神经网络来帮助自主无人机“学习”如何更安全、更快速地着陆，同时减少耗电量。

他们创造的系统被称为“Neurolander”，这是一种基于学习的控制器，可以跟踪无人机的位置和速度，并据此修改其着陆轨迹和旋翼速度，以实现最平稳的着陆。

“这个项目有可能帮助无人机更加平稳和安全地飞行，特别是在阵风不可预测的时候，并且由于无人机可以更快地着陆，所以消耗的电池电量更少，”Bren，Aerospace的教授Soon-Jo Chung说。加州理工学院是JPL工程和应用科学系(EAS)和由NASA管理的研究科学家。该项目由Chung和加州理工学院人工智能(AI)专家Anima Anandkumar、Bren教授和计算与数学科学助理教授YisongYue共同完成。

5月22日，在IEEE机器人和自动化国际会议上发表了一篇描述神经着陆器的论文。这篇论文的共同主要作者是加州理工学院研究生蒋冠亚，他的博士研究由他们共同指导。钟和岳，以及石和迈克尔奥康奈尔，他们是钟的航空机器人与控制组的博士生。

深度神经网络(DNN)是一个受大脑等生物系统启发的人工智能系统。名字中的“深”部分是指数据输入通过多层搅动，每一层以不同的方式处理传入的信息，以整理出越来越复杂的细节。DNN可以自动学习，这使它们非常适合重复性的任务。

为了确保无人机在DNN的指导下平稳飞行，团队采用了一种称为频谱归一化的技术，这种技术可以平滑神经网络的输出，因此当输入或条件发生变化时，它不会产生大变化的预测。通过检查3D空间中理想化轨迹的偏差来测量着陆的改进。进行了三种类型的试验：直线垂直着陆；弧形着陆；并且当无人机飞过一个破碎的表面时，湍流对地面的影响会发生巨大的变化——例如，在一张桌子的边缘。

新系统将垂直误差减少了100%，允许受控着陆，并将横向漂移减少了高达90%。在他们的实验中，新系统实现了实际着陆，而不是停留在地面上10到15厘米，这是未经修改的传统飞行控制器经常出现的情况。此外，在掠过测试期间，神经着陆器产生了更平滑的过渡，因为无人机从掠过桌子过渡到在边缘之外的自由空间中飞行。

“由于误差较小，神经着陆器可以更快更平稳地着陆，并在地面上平稳滑行，”岳说。新系统已经在CAST的三层机场进行了测试，可以模拟几乎无限的室外风况。CAST于2018年开业，占地10000平方英尺。来自EAS、JPL和加州理工学院地质和行星科学系的研究人员正在联合创建下一代自主系统，同时推动无人机研究、自主探测和生物启发系统。

“这种跨学科的努力带来了机器学习和控制系统方面的专家。我们几乎还没有开始探索这两个领域之间的丰富联系，”Anandkumar说。

除了显而易见的商业应用，Chung和他的同事还为新系统申请了专利——新系统对CAST目前正在开发的项目至关重要，包括可以在难以到达的地方着陆的自主医疗运输(例如交通堵塞)。汉斯w利普曼(Hans W. Liepmann)的航空和生物工程教授Morteza Gharib说：“在运送受伤人员时，快速平稳着陆的重要性不可低估。剧组导演；也是空中救援项目的主要研究人员之一。