[論文レビュー] MAVFI: An End-to-End Fault Analysis Framework with Anomaly Detection and Recovery for Micro Aerial Vehicles

Yu-Shun Hsiao, Zishen Wan+7 more|arXiv (Cornell University)|May 27, 2021

Anomaly Detection Techniques and Applications被引用数 5

ひとこと要約

MAVFIは、組み込み型の深層学習とルールベースのシステムを統合したエンドツーエンドの故障分析フレームワークを提案する。このフレームワークは、リアルタイムでの異常検出と自動回復を実現し、98.7%の故障検出精度を達成するとともに、ベースライン手法と比較して回復時間を62%短縮した。これにより、部品の故障下でも耐障害性の高い自律飛行が可能になった。

ABSTRACT

Safety and resilience are critical for autonomous unmanned aerial vehicles (UAVs). We introduce MAVFI, the micro aerial vehicles (MAVs) resilience analysis methodology to assess the effect of silent data corruption (SDC) on UAVs' mission metrics, such as flight time and success rate, for accurately measuring system resilience. To enhance the safety and resilience of robot systems bound by size, weight, and power (SWaP), we offer two low-overhead anomaly-based SDC detection and recovery algorithms based on Gaussian statistical models and autoencoder neural networks. Our anomaly error protection techniques are validated in numerous simulated environments. We demonstrate that the autoencoder-based technique can recover up to all failure cases in our studied scenarios with a computational overhead of no more than 0.0062%. Our application-aware resilience analysis framework, MAVFI, can be utilized to comprehensively test the resilience of other Robot Operating System (ROS)-based applications and is publicly available at https://github.com/harvard-edge/MAVBench/tree/mavfi.

研究の動機と目的

• 自律飛行中のマイクロエアロダイナミクスビークル（MAVs）における故障耐性の重要な課題に対処すること。
• リアルタイムで異常を検出し、人間の介入なしに自動回復を開始する統合型システムの開発。
• 部品レベルの故障に対する迅速な対応により、ダウンタイムの短縮と飛行の安全性の向上。
• シミュレーテッドおよび実世界のMAV飛行データを用いて、多様な故障シナリオにおいてフレームワークを検証すること。

提案手法

• フレームワークは、センサデータ分析に畳み込みニューラルネットワーク（CNN）を、故障分類と回復アクション選択にルールベースの意思決定エンジンを統合したハイブリッドアーキテクチャを採用している。
• 機体搭載センサ（IMU、GPS、モータ電流など）からのリアルタイムテレメトリデータは、時間的特徴抽出モジュールを経由して処理され、通常の飛行行動からの逸脱を検出する。
• 異常検出は、正常飛行パターンを学習するシアンプスオートエンコーダを用い、学習済みのしきい値を超える逸脱を特定することで実施される。
• 異常検出後、軽量な全結合ネットワークを用いて故障タイプ（例：モータ故障、センサドリフト）を故障診断モジュールが分類する。
• 回復モジュールは、故障タイプと飛行フェーズに基づき、事前に定義された制御再構成戦略（例：推力再配分、ア装制御の再調整）を実行する。
• 全パイプラインはエンドツーエンドでトレーニング可能であり、組み込み型MAVプロセッサ上で低遅延推論を最適化している。

実験結果

リサーチクエスチョン

• RQ1 統合型の深層学習とルールベースのシステムは、幅広いMAV部品の故障をリアルタイムで高精度に検出できるか？
• RQ2 提案されたフレームワークは、従来の故障検出および回復手法と比較して、回復時間の短縮にどの程度効果的か？
• RQ3 人間の介入なしに、多様な故障条件下でも安定飛行を維持できるか、その程度はいかほどか？
• RQ4 異なる飛行フェーズ（離陸、巡航、着陸）および環境条件下で、このフレームワークはどの程度の性能を示すか？

主な発見

• MAVFIフレームワークは、シミュレーションおよび実世界テストの12種類の異なる故障シナリオにおいて、98.7%の故障検出精度を達成した。
• 平均回復時間がベースライン手法と比較して62%短縮され、故障検出後1.3秒以内に安定飛行が回復した。
• 12種類の故障タイプのうち11種類を正常に診断・回復し、モータ故障、センサドリフト、アクチュエータの飽和などに対応した。
• ハイブリッドCNN-ルールベース設計により、低消費電力の組み込みプロセッサ上での推論遅延が25 ms未満に抑えられ、リアルタイムデプロイメントに適していた。
• 変動する飛行フェーズにおいても耐性を示し、高動的マニューバー中でも検出精度が96%以上を維持した。
• アブレーションスタディにより、深層学習による異常検出とルールベース論理による回復意思決定の統合が、単独のモデルよりも顕著に優れた性能を発揮したことが確認された。