[논문 리뷰] Machine Learning-Aided Operations and Communications of Unmanned Aerial Vehicles: A Contemporary Survey

Harrison Kurunathan, Hailong Huang외 3명|arXiv (Cornell University)|2022. 11. 07.

UAV Applications and Optimization인용 수 6

한 줄 요약

이 종합 검토는 무인 항공기(UAV) 운영 및 통신 분야에서 기계학습(ML) 응용에 대한 포괄적인 분석을 제공하며, 인식/특징 추출, 환경 해석, 궤도 계획, 항공역학적 제어의 네 가지 핵심 모듈에 따라 ML 기법을 분류한다. 이는 종단 간 ML 통합의 심각한 격차를 밝히며, 완전한 자동화와 인간-UAV 협업을 가능하게 하기 위해 ML 기반 UAV 자율성의 신뢰성, 신뢰도, 보안성을 향상시킬 긴급한 필요성을 강조한다.

ABSTRACT

The ongoing amalgamation of UAV and ML techniques is creating a significant synergy and empowering UAVs with unprecedented intelligence and autonomy. This survey aims to provide a timely and comprehensive overview of ML techniques used in UAV operations and communications and identify the potential growth areas and research gaps. We emphasise the four key components of UAV operations and communications to which ML can significantly contribute, namely, perception and feature extraction, feature interpretation and regeneration, trajectory and mission planning, and aerodynamic control and operation. We classify the latest popular ML tools based on their applications to the four components and conduct gap analyses. This survey also takes a step forward by pointing out significant challenges in the upcoming realm of ML-aided automated UAV operations and communications. It is revealed that different ML techniques dominate the applications to the four key modules of UAV operations and communications. While there is an increasing trend of cross-module designs, little effort has been devoted to an end-to-end ML framework, from perception and feature extraction to aerodynamic control and operation. It is also unveiled that the reliability and trust of ML in UAV operations and applications require significant attention before full automation of UAVs and potential cooperation between UAVs and humans come to fruition.

연구 동기 및 목표

• UAV 운영 및 통신 분야에서 기계학습 기법에 대한 시기적이고 종합적인 개요를 제공함으로써, 인식, 해석, 계획, 제어의 네 가지 핵심 구성요소에 집중한다.
• 이 네 가지 모듈에 응용된 최신 ML 도구를 분류하고 분석함으로써 주로 사용되는 기법과 새로운 추세를 부각한다.
• 특히 인식에서 제어에 이르기까지 종단 간 ML 프레임워크의 부재와 UAV 시스템에서의 신뢰성 및 신뢰도에 대한 미흡한 초점을 포함한 핵심 연구 격차를 특정한다.
• 실제 UAV 환경에 강화학습(DRL)을 구현할 때의 과제, 특히 환경 상호작용, 보상 설계, 시험기반 검증에 초점을 맞춘다.
• 완전한 배치와 인간-UAV 협업을 실현하기 전에 ML 기반 UAV 자동화의 보안성, 신뢰성, 신뢰도에 더 많은 관심을 기울일 것을 주장한다.

제안 방법

• 이 종합 검토는 UAV 운영 및 통신 분야에서의 응용에 따라 CNN, DRL, RNN, GAN, 메타학습 등 기계학습 기법을 체계적으로 분류한다.
• DQN과 DDPG와 같은 딥 강화학습(DRL) 도구가 동적 환경에서 실시간 궤도 계획, 비행 제어, 통신 스케줄링에 사용되는 방식을 분석한다.
• RNN을 활용해 DRL 입력의 특징 추출을 향상시키는 등 ML 모듈의 통합을 평가하며, 저자료 환경에서의 자료 효율적 적응을 위해 전이학습과 메타학습을 탐색한다.
• 자세 제어에 강화학습을 적용할 때의 이론적 및 실용적 과제, 즉 보상 함수 설계와 불확실성 내성에 대해 논의하며, 정적 데이터셋이 실세계 UAV 시스템에서 DRL 검증에 부적합한 이유를 강조한다.
• 이 연구는 네 가지 핵심 UAV 운영 모듈에 걸쳐 격차 분석을 수행하며, ML 기법을 비교하고 종단 간 학습 및 신뢰 메커니즘과 같은 미개척 분야를 특정한다.
• 최근 문헌(2015–2023년)을 광범위하게 검토하여 ML 지원 UAV 시스템에서의 추세, 과제, 열린 문제를 규명하며, 특히 실세계 배치와 시스템 신뢰성에 중점을 둔다.

실험 결과

연구 질문

• RQ1 다양한 센서 모odal리티에 따라 UAV 인식 및 특징 추출에 가장 효과적인 ML 기법은 무엇이며, 각각의 기법은 어떻게 비교될 수 있는가?
• RQ2 어떻게 ML을 활용해 동적이고 불확실한 환경에서 UAV 궤도 계획 및 미션 스케줄링을 향상시킬 수 있는가?
• RQ3 딥 강화학습(DRL)을 UAV 제어 및 통신 시스템에 적용할 때의 주요 과제는 무엇이며, 이를 어떻게 해결할 수 있는가?
• RQ4 왜 UAV 운영에서 종단 간 ML 프레임워크가 부족한가? 그 개발을 방해하는 기술적 및 아키텍처적 장벽은 무엇인가?
• RQ5 안전하고 확장 가능한 자동화와 인간-UAV 협업을 실현하기 위해 ML 기반 UAV 시스템의 신뢰성, 안정성, 보안성을 어떻게 향상시킬 수 있는가?

주요 결과

• 컨volutional Neural Networks(CNNs)는 주로 UAV 영상 및 동영상 처리에 사용되며, 특히 인식 및 특징 추출 작업에서 중심적인 역할을 한다.
• DQN과 DDPG와 같은 딥 강화학습(DRL) 도구는 실시간 UAV 제어, 궤도 계획, 통신 스케줄링에 점점 더 널리 적용되고 있으며, 동적 환경에서 강력한 잠재력을 보여준다.
• RNN을 활용해 DRL 입력의 특징을 향상시키는 등 여러 ML 모듈의 통합 추세가 강화되고 있으나, 인식에서 제어에 이르기까지 종단 간 ML 프레임워크는 여전히 거의 탐색되지 않은 상태이다.
• DRL 결정의 상호작용성과 환경 영향성으로 인해 실세계 데이터셋과 시험기반 검증이 심각하게 제한되어 있으며, 정적 데이터셋은 평가에 부적합하다.
• UAV 운영에서 ML의 신뢰성, 안정성, 보안성은 심각한 열린 과제이며, 완전한 자동화를 달성하기 전에 내구성과 안전성을 확보하는 데 초점을 맞춘 연구는 극히 적다.
• 메타학습과 전이학습은 자료 및 학습 비용을 줄이는 데 유망한 솔루션으로 떠오르며, 특히 저자료 또는 급격히 변화하는 UAV 운영 환경에서 유용하다.