三個月發表 IFAC 論文：奧爾堡大學透過 Quanser 平台加速無人機應用於風力發電廠檢測

位於埃斯比約的奧爾堡大學（Aalborg University）坐落於繁忙的風力發電產業核心地帶，從校園即可遠眺離岸風場，鄰近港口更是全球最大的風機出口樞紐之一。

丹麥是全球綠能應用的領導者，2018 年該國近 41% 的電力供應來自風力發電。然而，隨著風機安裝量增加，檢測與維護的需求也日益增長。目前這些工作大多由人力完成，不僅成本高昂，且出乎意料地具有高污染性。奧爾堡大學由 Petar Durdevic 博士領導的研究團隊認為，自動化能使這項工作更快速、成本更低、精度更高，並讓人員遠離危險環境。

面臨挑戰：開發具備實務應用擴展性的技術

「我相信無人機將成為未來的核心。特別是在風機檢測這類任務中，無人機能完成許多人類無法達成的工作，」Durdevic 博士表示。他的目標是設計具備全環境感知能力的無人機，能自主完成風機檢測而無需人工介入。透過與當地企業合作，Durdevic 博士團隊希望其技術具備實務擴展性，能直接應用於工業現場。

為達成此目標，他們需要一個能在實驗室安全環境下測試構想，並快速開發原型驗證（Proof of Concept）的系統。

解決方案：智慧且靈活的系統，讓研究聚焦核心

他們選擇了包含 QDrone 四旋翼無人機與 QBot 地面機器人的 Quanser 自動駕駛研究平台（Autonomous Vehicle Research Studio，現在已經改版為搭配 QDrone2 和 QBot 平台）。Durdevic 博士指出：「這是一個非常聰明的系統，賦予我們極大的靈活性。我們不需要自行開發硬體，而是能專注於理論研究。透過 QDrone，我們能迅速部署、測試並驗證我們的高階技術。」

團隊的第一步是結合傳統控制與視覺方法來研究環境導航。此階段的任務是透過視覺辨識風機，並在不依賴 GPS 的情況下自主航向目標。

初期研究中，團隊使用了 Quanser 開發的控制器。「我們希望在熟悉系統的同時，嘗試一個大膽的構想：使用深度神經網路來計算姿態與位置控制器的輸入，」Durdevic 博士接著說，「結果非常成功。」由於所有運算都在 MATLAB/Simulink 中完成，這對已在教學與研究中習慣使用這些工具的團隊來說，上手過程相當直覺。

隨著對系統的熟悉，團隊進一步擴展神經網路的應用，將其用於影像伺服控制（Visual Servoing），以實現離岸環境導航：尋找風機、航向目標並進行視覺檢測。

他們開發了一種演算法，能可以分割來自攝影機的視覺輸入，然後使用經過訓練的神經網路處理這些分割區域，該區域能夠找到風力渦輪機，並計算無人機相對於風力渦輪機的相對位置。一旦辨識成功，無人機在接近過程中會利用視覺資訊進行避障與偏航控制（Yaw Control）。

此過程中，QDrone 再次展現其價值。Durdevic 博士表示：「我們很高興擁有 Quanser 系統。測試演算法與執行神經網路需要大量的 GPU 資源，而一切運行得非常順暢。」

另一個選擇 Quanser 平台的關鍵因素是教學目標。「本校採用問題和專題導向學習模式，」Durdevic 博士補充道，奧爾堡大學的學生有 50% 的時間投入於專題。「我們希望提供能激發動力並學習實用技能的專題。投資 Quanser 系統是因為我們不想把時間花在焊接和佈線上。我們的核心是開發控制演算法與 AI，而非製造無人機。」

研究成果：三個月內將構想轉化為研究論文

由於節省了開發硬體平台或建構業餘級無人機的時間，奧爾堡大學團隊從一開始就能專注於研究。在 QUANSER 自動駕駛研究工作室平台構成三個月後，他們便提交了首篇論文，並於 2019 年第 10 屆 IFAC 自動駕駛國際研討會上發表。

學生們也沉浸於無人機的研究中。其中一個專題涉及設計將馬達推力動力學納入狀態變數的最佳控制器。據傳，該控制器的表現甚至比 Quanser 提供的還要好。

關於 Petar Durdevic 博士

丹麥奧爾堡大學 (Aalborg University) 能源技術系副教授。其研究專注於建模、控制與儀器儀表，並與離岸油氣及廢水處理等不同產業合作。他也是機器人團隊的一員，致力於開發用於檢測與維護的無人機系統。