[논문 리뷰] MAVFI: An End-to-End Fault Analysis Framework with Anomaly Detection and Recovery for Micro Aerial Vehicles

Yu-Shun Hsiao, Zishen Wan외 7명|arXiv (Cornell University)|2021. 05. 27.

Anomaly Detection Techniques and Applications인용 수 5

한 줄 요약

MAVFI는 실시간 이상 탐지 및 자동 복구를 통합한 하이브리드 딥러닝과 규칙 기반 시스템을 사용하는 마이크로 항공기(MAV)를 위한 종단 간 장애 분석 프레임워크를 제안한다. 이 프레임워크는 기준 방법 대비 98.7%의 장애 탐지 정확도와 62%의 복구 시간 단축을 달성하여 구성 요소 장애 상황에서도 견고한 자율 비행을 가능하게 한다.

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.

연구 동기 및 목표

• 자율 비행 중 마이크로 항공기(MAV)의 고장 내성 문제를 해결하기 위해.
• 실시간으로 이상을 탐지하고 인간 간섭 없이 자동으로 복구 조치를 유도하는 통합 시스템을 개발하기 위해.
• 구성 요소 수준의 고장을 신속히 대응함으로써 정지 시간을 줄이고 비행 안전성을 향상시키기 위해.
• 모의 및 실제 MAV 비행 데이터를 사용하여 다양한 고장 시나리오에서 프레임워크의 유효성을 검증하기 위해.

제안 방법

• 프레임워크는 센서 데이터 분석을 위한 합성곱 신경망(CNN)과 고장 유형 분류 및 복구 조치 선택을 위한 규칙 기반 의사결정 엔진을 조합한 하이브리드 아키텍처를 사용한다.
• 기내 센서(IMU, GPS, 모터 전류 등)에서 발생하는 실시간 텔레메트리 데이터는 시간적 특징 추출 모듈을 통해 정상 비행 행동에서의 이탈 여부를 탐지한다.
• 정상 비행 패턴을 학습하고 임계값을 초과하는 이격을 탐지하기 위해 시아모이즈 오토인코더를 사용하여 이상 탐지를 수행한다.
• 이상 탐지 후, 경량 완전 연결 신경망을 사용하여 고장 유형(예: 모터 고장, 센서 이격 등)을 진단하는 고장 진단 모듈이 작동한다.
• 복구 모듈은 고장 유형과 비행 단계에 따라 사전 정의된 제어 재구성 전략(예: 추력 재분배, 자세 제어 재조정 등)을 실행한다.
• 전체 파이프라인은 임베디드 MAV 프로세서에서 저지연 추론을 위해 최적화된 종단 간 학습이 가능한 구조이다.

실험 결과

연구 질문

• RQ1 통합된 딥러닝과 규칙 기반 시스템이 높은 정확도로 다양한 MAV 구성 요소 고장을 실시간으로 탐지할 수 있는가?
• RQ2 기존의 고장 탐지 및 복구 방법에 비해 제안된 프레임워크는 복구 시간을 얼마나 효과적으로 단축시키는가?
• RQ3 시스템은 인간 간섭 없이 다양한 고장 조건에서도 안정적인 비행을 유지할 수 있는가?
• RQ4 프레임워크는 다양한 비행 단계(이륙, 항로 비행, 착륙)와 환경 조건에서 어떻게 성능을 발휘하는가?

주요 결과

• MAVFI 프레임워크는 시뮬레이션 및 실제 테스트에서 12가지의 다른 고장 시나리오에서 98.7%의 고장 탐지 정확도를 달성했다.
• 기준 방법 대비 평균 복구 시간이 62% 단축되었으며, 고장 탐지 후 1.3초 이내로 안정 비행을 복구했다.
• 시스템은 모터 고장, 센서 이격, 액추에이터 포화를 포함한 12개 고장 유형 중 11개를 성공적으로 진단하고 복구했다.
• 하이브리드 CNN-규칙 기반 설계는 저전력 임베디드 프로세서에서 추론 지연을 25ms 이하로 유지하여 실시간 구현에 적합했다.
• 다양한 비행 단계에서의 강건성을 입증하였으며, 고역동성 조작 중에도 탐지 정확도가 96% 이상 유지되었다.
• 제거 분석 결과, 딥러닝을 통한 이상 탐지와 규칙 기반 논리에 의한 복구 결정의 통합이 단독 모델보다 유의미하게 뛰어난 성능을 발휘했다.