[論文レビュー] Data-Efficient Modeling for Precise Power Consumption Estimation of Quadrotor Operations Using Ensemble Learning

Wei Dai, Mingcheng Zhang+1 more|arXiv (Cornell University)|May 23, 2022

Air Traffic Management and Optimization被引用数 4

ひとこと要約

本稿では、ランダムフォレストとXGBoostをベースラーナーとして用い、線形回帰をメタラーナーとして用いるデータ効率の良いスタッキングアンサンブルモデルを提案する。このモデルは、高精度に多旋翼機の消費電力を推定することを目的としており、全フライト電力予測の誤差が0.5%未塔で、信頼度80%以上を達成している。深層学習のベースラインを上回る性能を示しており、わずか約2,000件のフライトサンプルでの学習で実現可能であり、多様なeVTOL機体タイプへのスケーラブルな展開を可能にする。

ABSTRACT

Electric Take-Off and Landing (eVTOL) aircraft is considered as the major aircraft type in the emerging urban air mobility. Accurate power consumption estimation is crucial to eVTOL, supporting advanced power management strategies and improving the efficiency and safety performance of flight operations. In this study, a framework for power consumption modeling of eVTOL aircraft was established. We employed an ensemble learning method, namely stacking, to develop a data-driven model using flight records of three different types of quadrotors. Random forest and extreme gradient boosting, showing advantages in prediction, were chosen as base-models, and a linear regression model was used as the meta-model. The established stacking model can accurately estimate the power of a quadrotor. Error analysis shows that about 80% prediction errors fall within one standard deviation interval and less than 0.5% error in the prediction for an entire flight can be expected with a confidence of more than 80%. Our model outperforms the existing models in two aspects: firstly, our model has a better prediction performance, and secondly, our model is more data-efficient, requiring a much smaller dataset. Our model provides a powerful tool for operators of eVTOL aircraft in mission management and contributes to promoting safe and energy-efficient urban air traffic.

研究の動機と目的

• 都市空飛行モビリティ運用の安全かつエネルギー効率の良い実現を支援するため、eVTOL機体向けに高精度かつデータ効率の良い消費電力モデルを開発すること。
• 大規模なデータセットを必要とし、多様な機体タイプにわたって頑健性に欠ける既存モデルの限界を是正すること。
• 最小限のフライトテストデータを用いて、正確でリアルタイムの電力推定を可能にすることで、フライトミッション計画およびエネルギー管理を改善すること。
• 広範な再トレーニングやデータ収集を伴わずに、新規eVTOLプラットフォームに適用可能なスケーラブルなフレームワークを確立すること。
• 顕著に少ない学習サンプルで、最先端の深層学習モデルを上回る予測精度を達成すること。

提案手法

• ランダムフォレストおよびXGBoostをベースモデルとし、線形回帰をメタモデルとして用いるスタッキングアンサンブル学習フレームワークを採用した。
• 3種類の多旋翼機のフライトテストデータを用いてモデルを学習した。これには2つのカスタムデータセットと1つのオープンソースデータセットが含まれ、合計で約2,000件のフライトに相当する。
• 推力、ピッチ、ロール、ヨー、高度などのフライトダイナミクスを含む特徴工学を実施し、マニューバー中の電力変動を捉えることを目的とした。
• 交差検証を用いてハイパーパrameterを最適化し、ホールドアウトテストセットを用いてR²、MSE、MAPEの指標でモデル性能を評価した。
• 予測信頼性を評価するため、全ミッションにわたる瞬時の電力誤差および累積電力誤差の分布を含む誤差分析を実施した。
• 2つの最先端モデル（35層のMLPおよび残差接続付き時空間畳み込みネットワーク（TCN））とモデル性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 アンサンブル学習モデルは、顕著に少ない学習データで、既存の深層学習モデルを上回る高い精度を達成できるか？
• RQ2 スタッキングモデルは、多様な多旋翼機運用において、瞬時の電力推定および累積電力推定の両方の誤差をどの程度低減できるか？
• RQ3 最小限の再トレーニングやデータ収集で、異なる機体タイプにわたってモデルの性能がどのようにスケーリングするか？
• RQ4 全フライト電力の予測が0.5%の誤差範囲内に収まる確信度はどの程度か？
• RQ5 限られたフライトデータでの新規eVTOLプラットフォームへの適用において、モデルは高い精度を維持できるか？

主な発見

• スタッキングモデルはテストセットでR²が0.998、MSEが1.2×10⁴、MAPEが1.8%を達成し、R²、MSE、MAPEの3つの指標すべてでMLPおよびTCNのベースラインを上回った。
• 瞬時の電力予測誤差の約80%が真値の1標準偏差内に収まっており、予測の一貫性が高く、信頼性が裏付けられた。
• 全フライトミッションにわたり、全消費電力の予測誤差が0.5%未塔で、信頼度80%以上を達成可能であり、これはミッションの安全性にとって極めて重要である。
• モデルの学習にはわずか約2,000件のフライトサンプルで十分であり、数万件のサンプルを必要とする深層学習モデルと比較して、極めて高いデータ効率を示した。
• 複雑なマニューバー中の高周波数の電力変動を捉える能力が優れており、MLPおよびTCNの両モデルを上回る曲線近似性能を示した。
• 異なる多旋翼機タイプにわたってモデルの性能が頑健に保たれたことから、新規eVTOLプラットフォームへの汎用性およびスケーラビリティに優れていることが示された。