Python社区  »  机器学习算法

【泡泡一分钟】基于机载深度学习的无人机故障原因检测与识别

泡泡机器人SLAM • 1 周前 • 14 次点击  

每天一分钟,带你读遍机器人顶级会议文章

标题:On-board Deep-learning-based Unmanned Aerial Vehicle Fault Cause Detection and Identification

作者:Vidyasagar Sadhu, Saman Zonouz, Dario Pompili

来源: 2020 IEEE International Conference on Robotics and Automation (ICRA)

编译:李海雄

审核:柴毅,王靖淇

这是泡泡一分钟推送的第 697 篇文章,欢迎个人转发朋友圈;其他机构或自媒体如需转载,后台留言申请授权

摘要

     随着无人飞行器(UAV)/无人机的增加,实时检测和识别故障原因,这对于从潜在的类似坠机情况或事后取证分析中进行适当恢复非常重要。系统崩溃的原因可能是传感器/执行器系统出现故障、物理损坏/攻击或无人机软件受到网络攻击。在本文中,我们提出了基于深度卷积和长短期记忆神经网络(CNN和LSTM)的一个新颖的网络结构,基于传感器实时数据(通过自动编码器)检测和分类无人机误操作。所提出的网络能够从原始传感器数据中自动学习高级特征,并从原始传感器数据中学习动态信息。我们通过在无人机上进行仿真和在真实实验来验证本文的深度学习框架。试验结果表明,我们的解决方案能够检测(精度超过90%)并分类各种类型的无人机误操作(准确度约为99%(模拟数据),准确度高达85%(实验数据))。

图1.基于机载深度学习的无人机故障检测和识别/分类框架的概述

图2.(顶部)训练模型后,我们将重构误差拟合到多元高斯模型。(底部)给定一个测试数据点,我们首先找到重建误差,然后找到该点的马氏距离w.r.t. 拟合的高斯分布。可以根据需要分析最高得分。

图3.本文提出的自动编码器的卷积和Bi-LSTM编码(顶部)和解码(底部)

图4.提出的错误分类的深度卷积和Bi-LSTM结构,针对1D Conv和Bi-LSTM层,细节请看图三

图5.对应于螺旋桨损坏情况的传感器数据。

图6. (a)训练每个通道和结合了数据(实验数据)的重建损失;不同通道数量和窗口大小的接收器工作特性(ROC)曲线;(b)实验数据;(c)仿真数据。

图7.(a)用于实验的Crazyflie 2.0无人机。(b)使用磁力计数据的准确性。(c)比较不同通道的测试精度。

图8.(a)来自AirSim的快照显示了飞行器在城市环境中飞行。插图显示了实时生成的深度,对象分割和前置摄像头流。(b)描述核心组件及其相互作用的系统架构。(c)将一台螺旋桨的RPM设为零后的三维加速度计数据(模拟损坏的螺旋桨坠毁)。

图9.(a)交叉熵损失与训练数据和测试数据的训练时期数的关系。(b)对于训练和测试数据,在DCLNN(本文)和SVM分类器之间比较了准确性与训练时期的数量。(c)当馈送到网络的信道数据发生变化时,测试数据的准确性。


表1. 不同硬件上的推理时间


Abstract

    With the increase in use of Unmanned Aerial Vehicles (UAVs)/drones, it is important to detect and identify causes of failure in real time for proper recovery from a potential crash-like scenario or post incident forensics analysis. The cause of crash could be either a fault in the sensor/actuator system, a physical damage/attack, or a cyber attack on the drone’s software. In this paper, we propose novel architectures based on deep Convolutional and Long Short-Term Memory Neural Networks (CNNs and LSTMs) to detect (via Autoencoder) and classify drone mis-operations based on real-time sensor data. The proposed architectures are able to learn high-level features automatically from the raw sensor data and learn the spatial and temporal dynamics in the sensor data. We validate the proposed deep-learning architectures via simulations and realworld experiments on a drone. Empirical results show that our solution is able to detect (with over 90% accuracy) and classify various types of drone mis-operations (with about 99% accuracy (simulation data) and upto 85% accuracy (experimental data)).


如果你对本文感兴趣,请点击点击阅读原文下载完整文章,如想查看更多文章请关注【泡泡机器人SLAM】公众号(paopaorobot_slam)

百度网盘提取码:y2jr

欢迎来到泡泡论坛,这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题,或者想刷帖回答问题,泡泡论坛欢迎你!

泡泡网站:www.paopaorobot.org

泡泡论坛:http://paopaorobot.org/bbs/


泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成,希望大家珍惜我们的劳动成果,转载请务必注明出自【泡泡机器人SLAM】微信公众号,否则侵权必究!同时,我们也欢迎各位转载到自己的朋友圈,让更多的人能进入到SLAM这个领域中,让我们共同为推进中国的SLAM事业而努力!

商业合作及转载请联系paopaorobot@163.com

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/107965
 
14 次点击  
分享到微博