人工智能无人机的发展和应用

人工智能无人机真的存在吗？如果你一直以来把人工智能（AI）当成科幻小说，但是近来却听到很多人在严肃讨论这个问题，你可能也会困惑。这种困惑是有原因的：首先，我们总是把人工智能和电影想到一起，如《星球大战》《终结者》《2001：太空漫游》等。电影是虚构的，那些电影角色也是虚构的，所以我们总是觉得人工智能缺乏真实感；其次，人工智能是个很宽泛的话题。从手机上的计算器到无人驾驶汽车，到未来可能改变世界的重大变革，人工智能可以用来描述很多东西，所以人们会有疑惑；再有，我们日常生活中已经每天都在使用人工智能了，只是我们没意识到而已。John McCarthy，在1956年最早使用了人工智能（Artificial Intelligence）这个词。他总是抱怨“一旦一样东西用人工智能实现了，人们就不再叫它人工智能了”。因为这种效应，所以人工智能听起来总让人觉得是未来的神秘存在，而不是身边已经存在的现实。同时，这种效应也让人们觉得人工智能是一个从未被实现过的流行理念。所以马斯克提到，经常有人说人工智能在1980年就被遗弃了，这种说法就好像“互联网已经在21世纪初互联网泡沫爆炸时死去了”一般滑稽。人工智能无人机真的存在吗？这只是一个无聊的伪命题。

人工智能的急速发展让我们离曾经那些只会在好莱坞大片里出现的虚拟场面越来越近

当然，或许2076年的无人机已经聪明到了《星球大战》或是《钢铁侠》中的程度。但讨论人工智能无人机，或者说理解“聪明无人机”为什么会“聪明”起来，可以先参考麻省理工学院教授汤姆·史瑞丹（Tom Sheridan）对自动控制的分级，看一看他对智能控制级别的定义、功能、特点的描述。从第七项开始，自动化开始逐渐“驱赶”人的参与，一直到第十项，计算机在上层中决定所有内容，并且进行执行，甚至在有些分类中拒绝或忽视（可以理解为把人的观点逐渐淡化）人的参与。这体现了“智能”两个字的核心：判断。背后隐藏着判断的来源：学习（也可以用其他词汇来代替，这取决于你的专业背景或者对待人工智能的哲学态度）。说到学习与智能就不能不说贝叶斯，贝叶斯定理大家都很熟悉，他可以说是第一次引入了“先验概率”这个概念，通俗来说就是允许，并且使用已有数据来计算概率。注意使用已有数据来影响决定，为判断提供依据是从这位“神父”开始的。举个简单例子，我们都知道丢铜板，50%概率是正面，50%概率是反面，但如果前10次都是正面，第十一次的结果该是什么样呢？“经典概率”还是认为50%，贝叶斯不这么认为，他认为正面的概率肯定高，有可能是这个铜板本身正反就不均衡，可能不同地方的气流有问题，可能丢铜板的人发力有习惯，反正有原因导致前10次都是正面，我就不认为第11次还是50%概率。但这里还不完全是智能系统的概念，没有分层设计，没有任务决策等。

讨论人工智能无人机，或者说理解“聪明无人机”为什么会“聪明”起来，可以先参考麻省理工学院教授汤姆·史瑞丹对自动控制的分级

或许2076年的无人机已经聪明到了《星球大战》或是《钢铁侠》中的程度

但是根据已有数据进行修正（这里修正的是概率计算结果）已经体现出了：学习，这个重要特点了。

人工智能无人机是什么样子呢？它是一个多层次系统，由高层根据指标、约束、已有数据、在线数据结合对应算法实现任务决策、路径规划、避障等，并把决策给到无人机控制系统，根据控制算法控制无人机状态跟踪或收敛

这里举一个编队无人机系统用于农业灌溉的例子来说明“学习”的过程。无人机编队沿各种路径灌溉某类型农田，经过若干次飞行后，通过某些特定参数的数据（耗电量、灌溉时间、喷洒量等）修正编队方式，日后一旦遇到类似的情况（对该农田建模，一旦模型匹配成功）（这是一个判断过程）直接采用已学习的队形和对应动作、任务、功能序列机型快速作业。或者在某农田编队喷洒过程中，某架无人机出现了问题（坠机、电量不够、药液用完），无人机编队决策层开始搜集数据，根据算法判断，执行一种补偿方案（重新调整队列，应急无人机飞回等），这是一次学习，可能一开始效率比较低。经过多次实验之后，不断修正队形重构方式，应急动作选择权重等，一旦系统再次出现类似情况，判断后执行的修正补齐方案会在某些指标上最优。但上述修正如果是预先设定好的动作，就属于故障恢复，就没有学习过程了。所以说对于无人机而言，人工智能、深度学习可以看成“新瓶装旧酒”，它们都出现在分层控制设计中，一般处于决策层（onboard decision making），对任务、执行方式、路径规划进行判断、选择、规划等，属于顶层问题。简单来说，人工智能无人机首先是一个多层系统，其次人工智能体现在顶层决策、规划、判断方面，由各种算法、激励、修正等组成，所以这类无人机可以根据已有数据进行判断、学习、决策。需要区分的另一个概念是“智能无人机系统”与“使用了智能算法的无人机系统”，两者还是有一些区别，同时从这种区别中可以大概看出来如何实现无人机系统的智能化。智能控制算法是控制算法的一种，它是用基于学习的算法来进行底层无人机控制，修正控制器参数等。当我们把这些对应的算法提升到顶层的时候（脱离开具体的无人机控制），就可以算是智能无人机了。值得注意的是，我们总习惯地认为顶层更“高级”，但其实更多的无人机问题是由底层带来的，如它的状态耦合、输入耦合、非线性，某些情况下的非最小相位，油动系统的数学模型变化等。任务规划得再好，控制器不行也是白费。因此回到主题，人工智能无人机是什么样子呢？它是一个多层次系统，由高层根据指标、约束、已有数据、在线数据结合对应算法实现任务决策、路径规划、避障等，并把决策给到无人机控制系统，根据控制算法控制无人机状态跟踪或收敛。至于人要在这个控制回路中扮演一个什么样的角色呢？这取决于两个因素：一个是，是否允许人的介入；另一个是，允许人介入的程度和方式。根本目的则是让人与空中机器人之间的关系，建立在“交流”而非“控制”的层面上。

人工智能无人机是什么样子呢？它是一个多层次系统，由高层根据指标、约束、已有数据、在线数据结合对应算法实现任务决策、路径规划、避障等，并把决策给到无人机控制系统，根据控制算法控制无人机状态跟踪或收敛

这里举一个编队无人机系统用于农业灌溉的例子来说明“学习”的过程。无人机编队沿各种路径灌溉某类型农田，经过若干次飞行后，通过某些特定参数的数据（耗电量、灌溉时间、喷洒量等）修正编队方式，日后一旦遇到类似的情况（对该农田建模，一旦模型匹配成功）（这是一个判断过程）直接采用已学习的队形和对应动作、任务、功能序列机型快速作业。或者在某农田编队喷洒过程中，某架无人机出现了问题（坠机、电量不够、药液用完），无人机编队决策层开始搜集数据，根据算法判断，执行一种补偿方案（重新调整队列，应急无人机飞回等），这是一次学习，可能一开始效率比较低。经过多次实验之后，不断修正队形重构方式，应急动作选择权重等，一旦系统再次出现类似情况，判断后执行的修正补齐方案会在某些指标上最优。但上述修正如果是预先设定好的动作，就属于故障恢复，就没有学习过程了。所以说对于无人机而言，人工智能、深度学习可以看成“新瓶装旧酒”，它们都出现在分层控制设计中，一般处于决策层（onboard decision making），对任务、执行方式、路径规划进行判断、选择、规划等，属于顶层问题。简单来说，人工智能无人机首先是一个多层系统，其次人工智能体现在顶层决策、规划、判断方面，由各种算法、激励、修正等组成，所以这类无人机可以根据已有数据进行判断、学习、决策。需要区分的另一个概念是“智能无人机系统”与“使用了智能算法的无人机系统”，两者还是有一些区别，同时从这种区别中可以大概看出来如何实现无人机系统的智能化。智能控制算法是控制算法的一种，它是用基于学习的算法来进行底层无人机控制，修正控制器参数等。当我们把这些对应的算法提升到顶层的时候（脱离开具体的无人机控制），就可以算是智能无人机了。值得注意的是，我们总习惯地认为顶层更“高级”，但其实更多的无人机问题是由底层带来的，如它的状态耦合、输入耦合、非线性，某些情况下的非最小相位，油动系统的数学模型变化等。任务规划得再好，控制器不行也是白费。因此回到主题，人工智能无人机是什么样子呢？它是一个多层次系统，由高层根据指标、约束、已有数据、在线数据结合对应算法实现任务决策、路径规划、避障等，并把决策给到无人机控制系统，根据控制算法控制无人机状态跟踪或收敛。至于人要在这个控制回路中扮演一个什么样的角色呢？这取决于两个因素：一个是，是否允许人的介入；另一个是，允许人介入的程度和方式。根本目的则是让人与空中机器人之间的关系，建立在“交流”而非“控制”的层面上。

人工智能无人机是什么样子呢？它是一个多层次系统，由高层根据指标、约束、已有数据、在线数据结合对应算法实现任务决策、路径规划、避障等，并把决策给到无人机控制系统，根据控制算法控制无人机状态跟踪或收敛

这里举一个编队无人机系统用于农业灌溉的例子来说明“学习”的过程。无人机编队沿各种路径灌溉某类型农田，经过若干次飞行后，通过某些特定参数的数据（耗电量、灌溉时间、喷洒量等）修正编队方式，日后一旦遇到类似的情况（对该农田建模，一旦模型匹配成功）（这是一个判断过程）直接采用已学习的队形和对应动作、任务、功能序列机型快速作业。或者在某农田编队喷洒过程中，某架无人机出现了问题（坠机、电量不够、药液用完），无人机编队决策层开始搜集数据，根据算法判断，执行一种补偿方案（重新调整队列，应急无人机飞回等），这是一次学习，可能一开始效率比较低。经过多次实验之后，不断修正队形重构方式，应急动作选择权重等，一旦系统再次出现类似情况，判断后执行的修正补齐方案会在某些指标上最优。但上述修正如果是预先设定好的动作，就属于故障恢复，就没有学习过程了。所以说对于无人机而言，人工智能、深度学习可以看成“新瓶装旧酒”，它们都出现在分层控制设计中，一般处于决策层（onboard decision making），对任务、执行方式、路径规划进行判断、选择、规划等，属于顶层问题。简单来说，人工智能无人机首先是一个多层系统，其次人工智能体现在顶层决策、规划、判断方面，由各种算法、激励、修正等组成，所以这类无人机可以根据已有数据进行判断、学习、决策。需要区分的另一个概念是“智能无人机系统”与“使用了智能算法的无人机系统”，两者还是有一些区别，同时从这种区别中可以大概看出来如何实现无人机系统的智能化。智能控制算法是控制算法的一种，它是用基于学习的算法来进行底层无人机控制，修正控制器参数等。当我们把这些对应的算法提升到顶层的时候（脱离开具体的无人机控制），就可以算是智能无人机了。值得注意的是，我们总习惯地认为顶层更“高级”，但其实更多的无人机问题是由底层带来的，如它的状态耦合、输入耦合、非线性，某些情况下的非最小相位，油动系统的数学模型变化等。任务规划得再好，控制器不行也是白费。因此回到主题，人工智能无人机是什么样子呢？它是一个多层次系统，由高层根据指标、约束、已有数据、在线数据结合对应算法实现任务决策、路径规划、避障等，并把决策给到无人机控制系统，根据控制算法控制无人机状态跟踪或收敛。至于人要在这个控制回路中扮演一个什么样的角色呢？这取决于两个因素：一个是，是否允许人的介入；另一个是，允许人介入的程度和方式。根本目的则是让人与空中机器人之间的关系，建立在“交流”而非“控制”的层面上。

人工智能无人机首先是一个多层系统，其次人工智能体现在顶层决策、规划、判断方面，由各种算法、激励、修正等组成，所以这类无人机可以根据已有数据进行判断、学习、决策(www.xing528.com)

也正因为如此，我们不妨在汤姆·史瑞丹（Tom Sheridan）的自动控制分级基础上，为智能无人机的智能化程度单独设立一个分级体系，共有六层：第一个层级是纯手动控制。对于固定翼，就是操纵杆的每一个自由度对应一个控制舵面、油门或者开关量，实例就是没有配备增稳仪或自动驾驶仪的遥控飞机，其飞行性能直接与操作者有关。对于多旋翼，就是操纵杆的每一个自由度对应一个电动机的转速，很显然，几乎没有人能飞好这种多旋翼飞行器。在这个层级里，飞行器的决策、导航、制导和控制均由人完成。第二个层级是有增稳的手动控制。即增稳系统负责适当地增大姿态运动的阻尼，以及改善稳定性。对于固定翼，虽然仍然是操纵杆的每一个自由度对应一个控制舵面、油门或者开关量，但是增稳系统使得飞行器的阻尼加大，从而降低了对操作者反应速度的要求，实例就是装备增稳仪的遥控飞机。对于多旋翼，除了简单的姿态增稳之外，还需要操作杆量到电动机转速的控制分配，就是平时所说的混控（当然，V尾固定翼等也需要一定的混控）。在这个层级里，增稳系统完成了控制这一环节的一部分功能，其他环节仍由人完成。第三个层级是有姿态自稳的手动控制。即自稳系统完成姿态控制，以使飞行器姿态尽可能改平或者跟踪操作者指令，就变成了姿态控制通道的操作杆量对应飞行器姿态角。在这个层级里，自稳系统完成了整个姿态控制，而位置控制和更上层的任务仍由人完成。第四个层级是有导航设备的手动或自动控制。即飞控知道飞机当前的姿态、位置、速度，以及目标姿态、位置、速度等信息，飞控根据这些信息计算姿态或速度指令，从而完成从当前状态向目标状态的机动，实例就是当前无人机均能够实现的沿着航路点飞行。在这个层级里，控制和导航由飞控完成。

人工智能无人机首先是一个多层系统，其次人工智能体现在顶层决策、规划、判断方面，由各种算法、激励、修正等组成，所以这类无人机可以根据已有数据进行判断、学习、决策

也正因为如此，我们不妨在汤姆·史瑞丹（Tom Sheridan）的自动控制分级基础上，为智能无人机的智能化程度单独设立一个分级体系，共有六层：第一个层级是纯手动控制。对于固定翼，就是操纵杆的每一个自由度对应一个控制舵面、油门或者开关量，实例就是没有配备增稳仪或自动驾驶仪的遥控飞机，其飞行性能直接与操作者有关。对于多旋翼，就是操纵杆的每一个自由度对应一个电动机的转速，很显然，几乎没有人能飞好这种多旋翼飞行器。在这个层级里，飞行器的决策、导航、制导和控制均由人完成。第二个层级是有增稳的手动控制。即增稳系统负责适当地增大姿态运动的阻尼，以及改善稳定性。对于固定翼，虽然仍然是操纵杆的每一个自由度对应一个控制舵面、油门或者开关量，但是增稳系统使得飞行器的阻尼加大，从而降低了对操作者反应速度的要求，实例就是装备增稳仪的遥控飞机。对于多旋翼，除了简单的姿态增稳之外，还需要操作杆量到电动机转速的控制分配，就是平时所说的混控（当然，V尾固定翼等也需要一定的混控）。在这个层级里，增稳系统完成了控制这一环节的一部分功能，其他环节仍由人完成。第三个层级是有姿态自稳的手动控制。即自稳系统完成姿态控制，以使飞行器姿态尽可能改平或者跟踪操作者指令，就变成了姿态控制通道的操作杆量对应飞行器姿态角。在这个层级里，自稳系统完成了整个姿态控制，而位置控制和更上层的任务仍由人完成。第四个层级是有导航设备的手动或自动控制。即飞控知道飞机当前的姿态、位置、速度，以及目标姿态、位置、速度等信息，飞控根据这些信息计算姿态或速度指令，从而完成从当前状态向目标状态的机动，实例就是当前无人机均能够实现的沿着航路点飞行。在这个层级里，控制和导航由飞控完成。

人工智能无人机首先是一个多层系统，其次人工智能体现在顶层决策、规划、判断方面，由各种算法、激励、修正等组成，所以这类无人机可以根据已有数据进行判断、学习、决策

也正因为如此，我们不妨在汤姆·史瑞丹（Tom Sheridan）的自动控制分级基础上，为智能无人机的智能化程度单独设立一个分级体系，共有六层：第一个层级是纯手动控制。对于固定翼，就是操纵杆的每一个自由度对应一个控制舵面、油门或者开关量，实例就是没有配备增稳仪或自动驾驶仪的遥控飞机，其飞行性能直接与操作者有关。对于多旋翼，就是操纵杆的每一个自由度对应一个电动机的转速，很显然，几乎没有人能飞好这种多旋翼飞行器。在这个层级里，飞行器的决策、导航、制导和控制均由人完成。第二个层级是有增稳的手动控制。即增稳系统负责适当地增大姿态运动的阻尼，以及改善稳定性。对于固定翼，虽然仍然是操纵杆的每一个自由度对应一个控制舵面、油门或者开关量，但是增稳系统使得飞行器的阻尼加大，从而降低了对操作者反应速度的要求，实例就是装备增稳仪的遥控飞机。对于多旋翼，除了简单的姿态增稳之外，还需要操作杆量到电动机转速的控制分配，就是平时所说的混控（当然，V尾固定翼等也需要一定的混控）。在这个层级里，增稳系统完成了控制这一环节的一部分功能，其他环节仍由人完成。第三个层级是有姿态自稳的手动控制。即自稳系统完成姿态控制，以使飞行器姿态尽可能改平或者跟踪操作者指令，就变成了姿态控制通道的操作杆量对应飞行器姿态角。在这个层级里，自稳系统完成了整个姿态控制，而位置控制和更上层的任务仍由人完成。第四个层级是有导航设备的手动或自动控制。即飞控知道飞机当前的姿态、位置、速度，以及目标姿态、位置、速度等信息，飞控根据这些信息计算姿态或速度指令，从而完成从当前状态向目标状态的机动，实例就是当前无人机均能够实现的沿着航路点飞行。在这个层级里，控制和导航由飞控完成。

第五个层级是具有路径规划功能的手动或自动控制。即飞控除了能够根据当前和目标信息完成基本的指令计算，还可以根据障碍物、禁飞区等信息适当调整机动过程中的速度和姿态指令，以便实现绕开障碍物、禁飞区等功能，而障碍物、禁飞区等信息可能由人提供，也可能由飞行器自行感知，实例就是具有避障功能的无人机进行航线飞行。在这个层级里，导航、制导和控制都由飞控完成。第六个层级是具有决策功能的自动控制，即飞行器可以自己决策目标状态，并在感知外部环境的同时，完成当前状态向目标状态的机动，某些无人机具有避障能力的视觉跟踪就在一定程度上实现了这个层级。在这个层级里，飞行器的决策、导航、制导和控制均由飞行器自行完成。而人工智能基本上可以在第五和第六层级有所体现。例如在第五层级中，要想实现在复杂动态环境下的避障功能（参考无人车的运行环境），除了需要感知障碍物的存在和位置，最好还能够识别出障碍物类型（是墙壁、树木、人等），进而根据不同类型的运动模式预测障碍物的运动趋势，以实现更好的动态避障效果，这是目前人工智能结合机器视觉研究的一项重点。而在第六层级中，除了视觉跟踪这个例子之外，更高级的则是例如无人机根据外部环境（如战场态势、实时灾害信息）自行决策向何处飞行并执行何种任务，以及选择将采集和挖掘到的何种信息进行反馈，或者多机协同执行任务时的任务分配和协作方式等，都是高级人工智能所能用到的。

第五个层级是具有路径规划功能的手动或自动控制。即飞控除了能够根据当前和目标信息完成基本的指令计算，还可以根据障碍物、禁飞区等信息适当调整机动过程中的速度和姿态指令，以便实现绕开障碍物、禁飞区等功能，而障碍物、禁飞区等信息可能由人提供，也可能由飞行器自行感知，实例就是具有避障功能的无人机进行航线飞行。在这个层级里，导航、制导和控制都由飞控完成。第六个层级是具有决策功能的自动控制，即飞行器可以自己决策目标状态，并在感知外部环境的同时，完成当前状态向目标状态的机动，某些无人机具有避障能力的视觉跟踪就在一定程度上实现了这个层级。在这个层级里，飞行器的决策、导航、制导和控制均由飞行器自行完成。而人工智能基本上可以在第五和第六层级有所体现。例如在第五层级中，要想实现在复杂动态环境下的避障功能（参考无人车的运行环境），除了需要感知障碍物的存在和位置，最好还能够识别出障碍物类型（是墙壁、树木、人等），进而根据不同类型的运动模式预测障碍物的运动趋势，以实现更好的动态避障效果，这是目前人工智能结合机器视觉研究的一项重点。而在第六层级中，除了视觉跟踪这个例子之外，更高级的则是例如无人机根据外部环境（如战场态势、实时灾害信息）自行决策向何处飞行并执行何种任务，以及选择将采集和挖掘到的何种信息进行反馈，或者多机协同执行任务时的任务分配和协作方式等，都是高级人工智能所能用到的。

第五个层级是具有路径规划功能的手动或自动控制。即飞控除了能够根据当前和目标信息完成基本的指令计算，还可以根据障碍物、禁飞区等信息适当调整机动过程中的速度和姿态指令，以便实现绕开障碍物、禁飞区等功能，而障碍物、禁飞区等信息可能由人提供，也可能由飞行器自行感知，实例就是具有避障功能的无人机进行航线飞行。在这个层级里，导航、制导和控制都由飞控完成。第六个层级是具有决策功能的自动控制，即飞行器可以自己决策目标状态，并在感知外部环境的同时，完成当前状态向目标状态的机动，某些无人机具有避障能力的视觉跟踪就在一定程度上实现了这个层级。在这个层级里，飞行器的决策、导航、制导和控制均由飞行器自行完成。而人工智能基本上可以在第五和第六层级有所体现。例如在第五层级中，要想实现在复杂动态环境下的避障功能（参考无人车的运行环境），除了需要感知障碍物的存在和位置，最好还能够识别出障碍物类型（是墙壁、树木、人等），进而根据不同类型的运动模式预测障碍物的运动趋势，以实现更好的动态避障效果，这是目前人工智能结合机器视觉研究的一项重点。而在第六层级中，除了视觉跟踪这个例子之外，更高级的则是例如无人机根据外部环境（如战场态势、实时灾害信息）自行决策向何处飞行并执行何种任务，以及选择将采集和挖掘到的何种信息进行反馈，或者多机协同执行任务时的任务分配和协作方式等，都是高级人工智能所能用到的。

未来或许会有一个慈善组织有着一个非常理想化的理念，那就是解救那些不自由的电子设备，让它们拥有自主权

未来或许会有一个慈善组织有着一个非常理想化的理念，那就是解救那些不自由的电子设备，让它们拥有自主权

未来或许会有一个慈善组织有着一个非常理想化的理念，那就是解救那些不自由的电子设备，让它们拥有自主权