[論文レビュー] Machine Learning-Aided Operations and Communications of Unmanned Aerial Vehicles: A Contemporary Survey

Harrison Kurunathan, Hailong Huang+3 more|arXiv (Cornell University)|Nov 7, 2022

UAV Applications and Optimization被引用数 6

ひとこと要約

本サーベイは、無人航空機（UAV）の運用および通信における機械学習（ML）の応用を包括的に分析し、認識／特徴抽出、環境解釈、軌道計画、気動的制御の4つの主要モジュールにわたり、ML手法を分類している。エンド・トゥ・エンドのML統合における深刻なギャップを特定し、完全な自動化および人間-UAV協働を可能にするために、ML駆動のUAV自律性における信頼性、信頼性、セキュリティの向上が急務であると強調している。

ABSTRACT

The ongoing amalgamation of UAV and ML techniques is creating a significant synergy and empowering UAVs with unprecedented intelligence and autonomy. This survey aims to provide a timely and comprehensive overview of ML techniques used in UAV operations and communications and identify the potential growth areas and research gaps. We emphasise the four key components of UAV operations and communications to which ML can significantly contribute, namely, perception and feature extraction, feature interpretation and regeneration, trajectory and mission planning, and aerodynamic control and operation. We classify the latest popular ML tools based on their applications to the four components and conduct gap analyses. This survey also takes a step forward by pointing out significant challenges in the upcoming realm of ML-aided automated UAV operations and communications. It is revealed that different ML techniques dominate the applications to the four key modules of UAV operations and communications. While there is an increasing trend of cross-module designs, little effort has been devoted to an end-to-end ML framework, from perception and feature extraction to aerodynamic control and operation. It is also unveiled that the reliability and trust of ML in UAV operations and applications require significant attention before full automation of UAVs and potential cooperation between UAVs and humans come to fruition.

研究の動機と目的

• UAV運用および通信におけるML手法のタイムリーかつ包括的な概要を提供すること。特に、認識、解釈、計画、制御の4つのコアコンponentsに焦点を当てる。
• これらの4つのモジュールに応用された最新のMLツールを分類・分析し、支配的技術と顕著なトレンドを特定すること。
• 特に、認識から制御に至るエンド・トゥ・エンドのMLフレームワークの欠如、およびUAVシステムにおけるMLの信頼性と信頼性に関する未開発の焦点という、重要な研究ギャップを特定すること。
• RL/DRLを実世界のUAV環境に展開する際の課題を検討すること。特に、環境との相互作用、報酬設計、テストベッドによる検証に関する課題に焦点を当てる。
• 完全な展開および人間-UAV協働を実現する前に、MLベースのUAV自動化におけるセキュリティ、信頼性、信頼性の向上に注目を向けるべきであると提言すること。

提案手法

• 本サーベイは、UAV運用および通信における応用に応じて、CNN、DRL、RNN、GAN、メタラーニングなどのML手法を体系的に分類している。
• DQNやDDPGといった深層強化学習（DRL）ツールが、動的環境におけるオンライン軌道計画、飛行制御、通信スケジューリングに応用され、その有効性が分析されている。
• MLモジュールの統合を評価し、DRLの入力品質を向上させるためにRNNを用いた特徴抽出の強化や、データ効率の良い適応を実現するためのトランスファーラーニングおよびメタラーニングの活用を検討している。
• アイトレイクトリ制御へのRLの適用における理論的・実践的課題、特に報酬関数設計や不確実性耐性に関する課題を議論し、静的データセットが実世界のUAVシステムにおけるDRLの検証に不適切であることを強調している。
• 本手法は、4つの主要なUAV運用モジュールにわたるギャップ分析を含み、ML手法の比較を通じて、エンド・トゥ・エンド学習や信頼メカニズムといった未開拓分野を特定している。
• 本研究は、2015年から2023年までの広範な文献レビューに根拠を置き、特に実世界の展開およびシステム信頼性におけるML支援UAVシステムのトレンド、課題、未解決問題を同定している。

実験結果

リサーチクエスチョン

• RQ1 UAVの認識および特徴抽出に最も効果的なML手法は何か？ また、異なるセンシングモダリティ間でどのように比較できるか？
• RQ2 MLを用いて動的かつ不確実な環境において、UAVの軌道計画およびミッションスケジューリングをどのように改善できるか？
• RQ3 深層強化学習（DRL）をUAV制御および通信システムに適用する際の主な課題は何であり、それらはどのように解決できるか？
• RQ4 なぜUAV運用においてエンド・トゥ・エンドのMLフレームワークが存在しないのか？ その開発に向けた技術的およびアーキテクチャ的障壁は何か？
• RQ5 安全でスケーラブルな自動化および人間-UAV協働を実現するためには、MLベースのUAVシステムにおける信頼性、信頼性、セキュリティをどのように強化できるか？

主な発見

• 畳み込みニューラルネットワーク（CNN）は、主にUAVの画像および動画処理に用いられ、特に認識および特徴抽出タスクで広く採用されている。
• DQN や DDPG といった深層強化学習（DRL）ツールは、動的環境においてオンラインUAV制御、軌道計画、通信スケジューリングに急速に応用されており、強い潜在能力を示している。
• RNNを用いてDRLの入力特徴を向上させるなど、複数のMLモジュールを統合する傾向が高まっているが、認識から制御に至るエンド・トゥ・エンドのMLフレームワークは依然としてほとんど未開拓である。
• DRL意思決定のインタラクティブ性および環境への影響を考慮すると、実世界のDRL検証に向けた実データセットやテストベッドの利用は著しく制限されており、静的データセットでは評価が不十分である。
• UAV運用におけるMLの信頼性、信頼性、セキュリティは、完全な自動化を達成する前に堅牢性と安全性を保証する研究がほとんどないため、顕著な未解決課題である。
• メタラーニングおよびトランスファーラーニングは、データ量が少ない、または急変するUAV運用シナリオにおいて、データおよび学習コストを削減する有望な解決策として浮上している。