[논문 리뷰] Data-Efficient Modeling for Precise Power Consumption Estimation of Quadrotor Operations Using Ensemble Learning

Wei Dai, Mingcheng Zhang외 1명|arXiv (Cornell University)|2022. 05. 23.

Air Traffic Management and Optimization인용 수 4

한 줄 요약

이 논문은 랜덤 포레스트와 XGBoost를 기본 학습기로 사용하고 선형 회귀를 메타-학습기로 사용하여 데이터 효율적인 스태킹 앙상블 모델을 제안한다. 이 모델은 높은 정밀도로 큼직터의 전력 소비를 추정하며, 전체 비행 전력 예측에서 0.5% 이내의 오차를 기록하고 80% 이상의 신뢰도를 확보한다. 또한 약 2,000개의 비행 샘플만으로도 딥 러닝 기준선을 능가하며, 다양한 eVTOL 항공기 유형에 걸쳐 확장 가능한 구현이 가능하다.

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.

연구 동기 및 목표

• 안전하고 에너지 효율적인 도심 공중 이동 운영을 지원하기 위해 eVTOL 항공기의 높은 정확도와 데이터 효율성을 확보한 전력 소비 모델을 개발하는 것.
• 기존 모델이 대규모 데이터셋을 요구하고 다양한 항공기 유형에 대해 강건성이 떨어지는 한계를 해결하는 것.
• 최소한의 비행 테스트 데이터를 활용해 정밀하고 실시간 전력 추정을 가능하게 하여 비행 미션 계획 및 에너지 관리 개선을 위한 것.
• 새로운 eVTOL 플랫폼에 대해 광범위한 재학습이나 데이터 수집 없이도 적용 가능한 확장 가능한 프레임워크를 구축하는 것.
• 상당히 적은 훈련 샘플을 요구하면서도 최신 딥 러닝 모델을 능가하는 예측 정확도를 확보하는 것.

제안 방법

• 랜덤 포레스트와 XGBoost를 기본 모델로 사용하고 선형 회귀를 메타-모델로 사용하여 스태킹 앙상블 학습 프레임워크를 구현하였다.
• 총 약 2,000회의 비행을 포함한 세 종류의 큼직터 유형에서의 비행 테스트 데이터를 사용하여 모델을 훈련시켰다. 이는 두 개의 커스텀 데이터셋과 하나의 오픈소스 데이터셋을 포함한다.
• 비행 다이내믹스 요소인 펌프, 피치, 롤, 양, 고도 등을 포함한 특징 공학을 통해 비행 중 조작에 따른 전력 변화를 포착하였다.
• 교차 검증을 통해 초모델을 최적화하고, 보류된 테스트 세트에서 R², MSE, MAPE 지표를 사용해 모델 성능을 평가하였다.
• 예측 신뢰도 평가를 위해 오차 분석을 수행하였으며, 전체 미션 동안순간 및 누적 전력 오차의 분포를 분석하였다.
• 두 가지 최신 기술 기반 모델인 35층의 MLP와 잔차 연결이 있는 시간적 컨volution 네트워크(TCN)와의 성능을 비교하였다.

실험 결과

연구 질문

• RQ1 앙상블 학습 모델이 기존 딥 러닝 모델보다 훨씬 적은 훈련 데이터로도 전력 소비 추정에서 더 높은 정확도를 달성할 수 있는가?
• RQ2 스태킹 모델이 다양한 큼직터 운영에서 순간 및 누적 전력 추정 모두에서 오차를 얼마나 줄이는가?
• RQ3 최소한의 재학습 또는 데이터 수집으로 다양한 항공기 유형에 대해 모델 성능이 어떻게 확장되는가?
• RQ4 모델이 총 비행 전력 예측을 0.5% 오차 범위 내에서 예측할 수 있는 신뢰 수준은 어느 정도인가?
• RQ5 제한된 비행 데이터로 새로운 eVTOL 플랫폼에 적용해도 모델이 높은 정확도를 유지할 수 있는가?

주요 결과

• 스태킹 모델은 테스트 세트에서 R²가 0.998, MSE가 1.2×10⁴, MAPE가 1.8%를 기록하여, 둘 다 MLP 및 TCN 기준선보다 모든 세 가지 지표에서 뛰어난 성능을 보였다.
• 순간 전력 예측 오차 중 약 80%가 진짜 값의 표준편차 내에 포함되어 있어, 높은 예측 일관성을 보였다.
• 전체 비행 미션에 대해 총 전력 소비 예측 오차가 0.5% 미만이었으며, 이는 80% 이상의 신뢰도로 달성되었으며, 이는 미션 안전성에 매우 중요하다.
• 훈련에 약 2,000개의 비행 샘플만 필요로 하여, 수만 개의 샘플이 필요한 딥 러닝 모델에 비해 매우 높은 데이터 효율성을 입증하였다.
• 복잡한 조작 중 고주파 전력 변화를 더 잘 포착하는 데에 뛰어난 능력을 보였으며, 곡선 근사화에서 MLP 및 TCN를 모두 능가하였다.
• 다양한 큼직터 유형에 걸쳐 성능이 강건하게 유지되어, 새로운 eVTOL 플랫폼에 대한 일반화 및 확장 가능성에 매우 유리하다.