[論文レビュー] Wind Estimation Using Quadcopter Motion: A Machine Learning Approach

Sam Allison, He Bai+1 more|arXiv (Cornell University)|Jul 11, 2019

Meteorological Phenomena and Simulations参考文献 38被引用数 4

ひとこと要約

本論文では、風速センサを搭載しない状態で、ロール、ピッチ、位置の3つのクアッドコpterの状態測定値のみを用いて乱流風速を推定する長短期記憶（LSTM）ニューラルネットワーク（NN）を提案する。乱流風場におけるシミュレーテッド飛行データで訓練されたLSTMは、従来の風三角法を上回り、平均風速推定誤差を最大50％、風向き誤差を約50％低減し、ドライデンおよび大渦シミュレーション（LES）で生成された風場において両方の精度が優れていることを示している。

ABSTRACT

In this article, we study the well known problem of wind estimation in atmospheric turbulence using small unmanned aerial systems (sUAS). We present a machine learning approach to wind velocity estimation based on quadcopter state measurements without a wind sensor. We accomplish this by training a long short-term memory (LSTM) neural network (NN) on roll and pitch angles and quadcopter position inputs with forcing wind velocities as the targets. The datasets are generated using a simulated quadcopter in turbulent wind fields. The trained neural network is deployed to estimate the turbulent winds as generated by the Dryden gust model as well as a realistic large eddy simulation (LES) of a near-neutral atmospheric boundary layer (ABL) over flat terrain. The resulting NN predictions are compared to a wind triangle approach that uses tilt angle as an approximation of airspeed. Results from this study indicate that the LSTM-NN based approach predicts lower errors in both the mean and variance of the local wind field as compared to the wind triangle approach. The work reported in this article demonstrates the potential of machine learning for sensor-less wind estimation and has strong implications to large-scale low-altitude atmospheric sensing using sUAS for environmental and autonomous navigation applications.

研究の動機と目的

• 低高度で運用される小型無人航空機（sUAS）における正確で低コストの風速センシングの欠如に対処すること。
• 位置、ロール、ピッチといった標準的なクアッドコプターの状態測定値のみを用いたセンサレス風速推定手法の開発。
• 空速と姿勢に関する簡略化された仮定に依存する線形手法（風三角法）の改善。
• 機械学習に基づく風速推定の一般化性と耐性を、確率的（ドライデン）および高精度なLESモデルを含む多様な乱流風場において評価すること。
• 深層学習がクアッドコプターの非線形ダイナミクスを効果的に捉え、正確な風場再構築を可能にするという点で、非線形性を捉える能力を示すこと。

提案手法

• ロール、ピッチ、位置を入力として風速を予測するための長短期記憶（LSTM）ニューラルネットワークを訓練する。目標値には強制風速を用いる。
• 訓練データは、大気境界層（ABL）の乱流風場におけるクアッドコプターの高精度なシミュレーションにより生成され、ドライデン乱気モデルおよび大渦シミュレーション（LES）を用いる。
• ネットワークはクアッドコプターの運動における時間的依存性を学習し、体座標系（u, v, w）における風成分を時間経過とともに推定する。
• 合成ドライデン風場および現実的なLES風場の両方で、複数の高度および乱流レベルで評価を行う。
• 性能は、傾き角から空速を近似し、一定空速を仮定する風三角（WT）法と比較する。
• この手法は、クアッドコプターと類似した動力学を示す任意のsUASに一般化可能であり、他のプラットフォームへの適応が可能である。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、直接的な風速センシングなしに、標準的なクアッドコプターの状態測定値（ロール、ピッチ、位置）のみを用いて、乱流風速を正確に推定できるか？
• RQ2 LSTMベースの手法は、風速推定における平均誤差および分散誤差の観点で、従来の風三角法と比べてどのように異なるか？
• RQ3 LSTMモデルは、確率的（ドライデン）および高精度なLESシミュレーションを含む、異なる風場モデルに一般化できるか？
• RQ4 LSTMモデルの性能は、乱流強度や飛行軌道タイプ（例：ホバリング対直線飛行）に応じてどのように変化するか？
• RQ5 LSTMフレームワークは、急激な飛行や乱流風の中で、非線形ダイナミクスを捉える線形推定手法を上回ることができるか？

主な発見

• LSTMベースの風速推定手法は、風三角法よりも顕著に低い平均風速推定誤差を達成し、テスト条件の平均で平均誤差が50％低減した。
• 風向き推定誤差は約50％低減され、LSTMモデルは平均風向き誤差0.0388 rad（約2.2°）を達成した一方、風三角法は0.0654 rad（約3.7°）であった。
• 高乱流条件下では、LSTMモデルが風速の変動をより良好に捉えており、風速および風向きの両方で誤差分散が低く抑えられていた。
• LSTMモデルは、ドライデンおよびLES風場の両方、複数の高度および飛行モードにおいて、すべてのテスト条件下で風三角法を上回った。
• 風速推定の誤差分散は、LSTMモデルが一貫して低く抑えられていた（例：60 m高度では0.1016 m²/s²）一方、風三角法は0.5284 m²/s²であった。これは、より高い安定性と正確性を示している。
• LSTMフレームワークは、多様な風場および乱流レベルにわたって優れた一般化性を示し、商業用sUASにおける実世界への展開に耐性があると考えられる。