[논문 리뷰] Internet of Things Applications: Animal Monitoring with Unmanned Aerial Vehicle

Jun Xu, Gürkan Solmaz외 3명|arXiv (Cornell University)|2016. 10. 17.

UAV Applications and Optimization참고 문헌 28인용 수 23

한 줄 요약

이 논문은 기기 부착이 불가능한 큰 야생 보호구역에서 멸종 위험에 처한 동물을 모니터링하기 위한 UAV-WSN 시스템을 제안한다. Q-학습을 활용한 마르코프 결정 과정(MDP)을 사용하여 드론은 높은 확률로 동물 활동이 일어나는 영역을 동적으로 탐색 경로로 계획함으로써 정보의 가치(VoI)를 극대화하고 메시지 지연을 줄인다. 시뮬레이션 결과, 코뿔소와 레오파드 거북이 데이터셋을 사용하여 이는 탐욕스러운, 무작위의, TSP 기반의 방법보다 뛰어난 성능을 보였다.

ABSTRACT

In animal monitoring applications, both animal detection and their movement prediction are major tasks. While a variety of animal monitoring strategies exist, most of them rely on mounting devices. However, in real world, it is difficult to find these animals and install mounting devices. In this paper, we propose an animal monitoring application by utilizing wireless sensor networks (WSNs) and unmanned aerial vehicle (UAV). The objective of the application is to detect locations of endangered species in large-scale wildlife areas and monitor movement of animals without any attached devices. In this application, sensors deployed throughout the observation area are responsible for gathering animal information. The UAV flies above the observation area and collects the information from sensors. To achieve the information efficiently, we propose a path planning approach for the UAV based on a Markov decision process (MDP) model. The UAV receives a certain amount of reward from an area if some animals are detected at that location. We solve the MDP using Q-learning such that the UAV prefers going to those areas that animals are detected before. Meanwhile, the UAV explores other areas as well to cover the entire network and detects changes in the animal positions. We first define the mathematical model underlying the animal monitoring problem in terms of the value of information (VoI) and rewards. We propose a network model including clusters of sensor nodes and a single UAV that acts as a mobile sink and visits the clusters. Then, one MDP-based path planning approach is designed to maximize the VoI while reducing message delays. The effectiveness of the proposed approach is evaluated using two real-world movement datasets of zebras and leopard. Simulation results show that our approach outperforms greedy, random heuristics and the path planning based on the traveling salesman problem.

연구 동기 및 목표

• 기기 부착이 불가능한 큰 고립된 야생 보호구역에서 멸종 위험에 처한 동물을 모니터링하는 데 도전 과제를 해결하기 위해.
• 시간 민감도가 높은 동물 데이터 수집을 위한 기존 무선 센서 네트워크(WSN)의 에너지 및 통신 제약을 극복하기 위해.
• 학습된 패턴에 기반해 동물 활동 확률이 높은 지역을 적응적으로 우선순위를 정하는 드론 경로 계획 전략을 설계하기 위해.
• 모든 네트워크 영역을 커버하면서도 시기적절한 데이터 수집을 통해 정보의 가치(VoI)를 극대화하기 위해.
• 탐색과 이용의 균형을 이루는 동적이고 자기학습 가능한 드론 항법을 가능하게 하기 위해.

제안 방법

• 관찰 영역의 각 격자(그리드)를 상태로 간주하여 동물 모니터링 문제를 마르코프 결정 과정(MDP)으로 모델링한다.
• 정보의 가치(VoI)에 기반한 보상을 정의하며, 동물 탐지 후 시간이 지남에 따라 감소하는 방식으로, 조기에 데이터를 보고하도록 유도한다.
• 동물 탐지 확률이 높은 격지들을 방문하는 최적의 정책을 학습하기 위해 Q-학습을 구현한다.
• 각 격자에 센서 노드를 배치한 클러스터 기반 WSN 아키텍처를 구현하며, 클러스터 헤드는 드론을 이동형 싱크로 보고한다.
• 실제 동물 이동 트레이스(제브라와 레오파드 거북이 데이터셋)를 사용해 경로 계획 전략을 시뮬레이션하고 검증한다.
• 모든 네트워크 영역을 커버하면서도 VoI를 극대화하고 메시지 지연을 최소화하는 경로 계획을 최적화한다.

실험 결과

연구 질문

• RQ1 기기 부착에 의존하지 않고 큰 규모의 고립된 야생 보호구역에서 드론이 효율적으로 동물 활동을 탐지하고 모니터링할 수 있는 방법은 무엇인가?
• RQ2 동물 모니터링 응용 분야에서 정보의 가치(VoI)를 극대화하면서 데이터 수집 지연을 최소화하는 경로 계획 전략은 무엇인가?
• RQ3 제안된 MDP 기반 드론 경로 계획은 탐욕스러운, 무작위의, TSP 기반 휴리스틱과 비교해 VoI 및 지연 측면에서 어떻게 성능을 발휘하는가?
• RQ4 자기지도 학습 기반 Q-학습을 통해 드론은 변화하는 동물 이동 패턴에 동적으로 학습하고 적응할 수 있는가?
• RQ5 시스템은 전체 네트워크에서 동물 위치 변화를 유지하고 탐지하는 데 얼마나 효과적인가?

주요 결과

• 제안된 MDP 기반 경로 계획 접근법은 수집된 총 정보의 가치(VoI) 측면에서 탐욕스러운, 무작위의, TSP 기반 휴리스틱보다 뛰어난 성능을 보였다.
• 기본 방법 대비 직접 관측된 동물 수가 더 많아져 탐지 효율성이 향상됨을 나타냈다.
• 높은 영향력이 예상되는 영역을 우선순위로 삼아 메시지 지연이 크게 감소했으며, 이는 VoI 모델의 시간 민감도가 반영된 보상 구조와 부합했다.
• 시스템은 동적 '핫스팟'으로서의 동물 활동 영역을 효과적으로 식별하고 집중함으로써 Q-학습을 통한 적응적 학습 능력을 입증했다.
• 제브라와 레오파프 거북이 데이터셋을 활용한 시뮬레이션 결과, 실제 이동 패턴에서의 방법의 강건성과 확장성을 확인했다.
• 탐색과 이용의 균형을 유지하면서도 네트워크 전역 커버리지를 유지하여 중요한 영역을 놓치지 않았다.