多旋翼无人机平稳着陆是困难的。复杂的乱流是在下降过程中，随着地面越来越近，每个转子从地面弹回来的气流所产生的。这种乱流还没有被很好地理解，也不容易补偿，特别是对于无人驾驶飞机。这就是为什么起飞和降落通常是无人机飞行中最棘手的两个部分。无人机通常会摇摇摆摆，慢慢地向着陆方向移动，直到电力最终被切断，然后它们会将剩余的距离降落到地面上。
在加州理工学院自主系统与技术中心（CAST），人工智能专家与控制专家合作开发了一种系统，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、更快地降落，同时消耗更少的能量。他们创造的系统被称为“神经着陆器”（Neural Lander），是一个基于学习的控制器，可以跟踪无人机的位置和速度，并相应地调整其着陆轨迹和旋翼速度，以实现尽可能平稳的着陆。
“这个项目有可能帮助无人机飞行更平稳、更安全，尤其是在存在不可预知的狂风，消耗更少的电池电力，无人机可以更快地土地。”Soon-Jo Chung说，布伦教授航空航天部门的工程和应用科学（EAS）和喷气推进实验室的科学家，为美国宇航局加州理工学院管理。该项目是由Chung和加州理工学院人工智能（AI）专家Anima Anandkumar（计算和数学科学Bren教授）以及计算和数学科学助理教授Yisong Yue合作完成的。
一篇描述神经着陆器的论文将于5月22日在电气与电子工程师协会（IEEE）的机器人与自动化国际会议上发表。这篇论文的联合首席作者是加州理工学院的研究生施关娅，她的博士研究由钟和岳共同指导，以及施希臣和迈克尔奥康奈尔，他们是钟的航空机器人和控制组的博士生。
深度神经网络（DNNs）是一种受大脑等生物系统启发的人工智能系统。这个名字的“深层”部分指的是这样一个事实：数据输入经过多个层次，每个层次都以不同的方式处理输入信息，以梳理出日益复杂的细节。DNNs具有自动学习的能力，这使得它们非常适合重复任务。
为了确保无人机在DNNs的引导下平稳飞行，该团队采用了一种称为光谱归一化的技术，该技术平滑神经网络的输出，使其不会在输入/条件变化时做出剧烈变化的预测。着陆方面的改进是通过在三维空间中检测偏离理想轨道的情况来衡量的。进行了三种类型的试验：直线垂直降落、降弧着陆，以及无人机掠过破碎表面（如桌子边缘）的飞行，在这种情况下，来自地面的湍流效应会有很大差异。
新系统减少了100%的垂直误差，允许控制着陆，并减少了90%的横向漂移。在他们的实验中，新系统实现了真正的着陆，而不是像未改装的传统飞行控制器那样在离地10到15厘米的地方卡祝此外，在掠过测试期间，神经着陆器在无人机从掠过桌面过渡到在边缘之外的自由空间飞行时，产生了一个平稳得多的过渡。
“误差更小，神经着陆器能够更快、更平稳地着陆，并在地面上平稳滑行，”Yue说。新系统在CAST的三层楼高的机场进行了测试，可以模拟几乎无限多种户外风条件。CAST于2018年开放，占地1万平方英尺，来自EAS、JPL和加州理工学院地质与行星科学部的研究人员将在这里联合创建下一代自主系统，同时推进无人机研究、自主探索和生物启发系统领域。
这种跨学科的努力带来了来自机器学习和控制系统的专家。我们几乎还没有开始探索这两个地区之间丰富的联系。
除了明显的商业应用Chung和他的同事已经为这个新系统申请了专利新系统可能证明对中国科大目前正在开发的项目至关重要，包括一个可以在难以到达的地方（如交通堵塞）着陆的自动医疗运输系统。Hans W. Liepmann航空学和生物工程教授Morteza Gharib说：“运送伤员时能够快速平稳地降落的重要性怎么强调都不为过。”导演演员；也是空中救护项目的主要研究员之一。
