[論文レビュー] MAV Stabilization using Machine Learning and Onboard Sensors

Jason Yosinski, Cooper Bills|arXiv (Cornell University)|Feb 20, 2012

Anomaly Detection Techniques and Applications参考文献 7被引用数 5

ひとこと要約

本論文は、GPS非利用環境における小型航空機（MAVs）の低周波数ドリフトを、搭載センサデータを用いて予測・補正する機械学習手法を提案する。Wiiベースの追跡システムから得た60次元のセンサ読み取り値と真値の位置微分を用いてサポートベクターマシン（SVM）を学習させることで、リアルタイムでのドリフト予測が高精度に達成され、屋内および風の影響を受ける環境下でも軌道安定性が著しく向上する。

ABSTRACT

In many situations, Miniature Aerial Vehicles (MAVs) are limited to using only on-board sensors for navigation. This limits the data available to algorithms used for stabilization and localization, and current control methods are often insufficient to allow reliable hovering in place or trajectory following. In this research, we explore using machine learning to predict the drift (flight path errors) of an MAV while executing a desired flight path. This predicted drift will allow the MAV to adjust it's flightpath to maintain a desired course.

研究の動機と目的

• GPS非利用環境におけるMAVのドリフトを解消する。これは、従来の制御手法がセンサの制限により機能しないためである。
• 風などの環境的擾乱によって生じる不安定なホバリングや軌道追従性の欠如という課題を克服する。
• 外部の真値を用いた学習のためのデータ駆動型手法を開発し、搭載センサデータのみを用いてドリフトを予測する。
• 機械学習がセンサ入力と飛行経路誤差の間の複雑で非線形な関係をモデル化できることを示す。
• ドリフト速度を予測することで、飛行中の補正調整に向けたリアルタイムフィードバック制御を可能にする。

提案手法

• 搭載センサ（60次元）とWiiリモコン追跡システムから得た同期データを収集し、真値の位置および速度微分を取得した。
• 重複および古くなったデータを除去した後、学習用にxおよびy方向の速度微分（ピクセル/秒）を計算した。
• 水平ドリフト予測のため、x軸およびy軸それぞれについて、別々にサポートベクターレグレッションモデル（LibSVMおよびSVM-Light）を学習させた。
• 学習安定性を向上させるためにセンサデータを正規化した。特異値解析により、情報が豊富で重複のない内容であることが確認された。
• データ収集中にドローンを安定化させるために、独自のPDコントローラーを用いた。これにより、一貫性のあるデータ品質が確保された。
• 学習済みモデルをフィードバックループに統合し、リアルタイムでのドリフト予測を実現したが、I/O遅延のため現在はライブ飛行における安定性が制限されている。

実験結果

リサーチクエスチョン

• RQ1 GPS非利用環境下で、搭載センサデータのみを用いて機械学習が低周波数ドリフトを効果的に予測できるか？
• RQ2 SVMのような教師あり学習モデルが、複雑で高次元のセンサ入力を、実際の飛行経路のずれにどの程度正確にマッピングできるか？
• RQ3 学習済みドリフト予測モデルが、風の突風のような現実世界の擾乱下でも軌道追従性をどの程度向上できるか？
• RQ4 データ正規化および特徴選択が、ドリフト予測モデルの性能に及ぼす影響は何か？
• RQ5 予測モデルは、ホバリング、指令運動、および人工的な風の擾乱を含む多様な飛行状態に一般化可能か？

主な発見

• SVMベースのモデルは、高精度なドリフト予測を達成し、通常の屋内環境および人工風環境下で、予測された速度が実際のドリフトとよく一致した。
• ボードを振動させて作られた風の影響下でも、モデルは顕著な方向ドリフトを的確に追跡し、環境的擾乱に対して高い耐性を示した。
• 時間積分されたモデルの予測値は、実際のドローン軌道とよく一致しており、長期的なドリフト推定が信頼できることが示された。
• 事後処理および正規化によりデータ品質が向上した。特異値解析により、60次元のセンサデータに豊富で共変性のない情報セットが存在することが示された。
• 強力な予測性能にもかかわらず、I/O遅延および最適でない設定のため、リアルタイム制御は不安定であった。これは、実装における主要な課題を示している。
• システムは、3つの条件下で13,991件のデータポイントを学習した：ホバリングが11,934件、方向指令付きが1,640件、風の突風が417件で、広範なデータカバレッジを示した。