[논문 리뷰] Wind Estimation Using Quadcopter Motion: A Machine Learning Approach

Sam Allison, He Bai외 1명|arXiv (Cornell University)|2019. 07. 11.

Meteorological Phenomena and Simulations참고 문헌 38인용 수 4

한 줄 요약

이 논문은 풍속 센서 없이도 롤, 피치, 위치와 같은 드론 상태 측정값만을 사용하여 난류 풍속을 추정하기 위해 장기 단기 기억(이하 LSTM) 신경망을 제안한다. 난류 풍속장에서의 시뮬레이션 비행 데이터로 훈련된 LSTM은 기존의 풍속 삼각법보다 우수한 성능을 보이며, 평균 풍속 추정 오차를 최대 50% 감소시키고 방향 오차도 약 50% 감소시켜 드라이든 및 대규모 난류 시뮬레이션(Large Eddy Simulation, LES)으로 생성된 풍속장 모두에서 뛰어난 정확도를 입증한다.

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.

연구 동기 및 목표

• 저고도에서 운용되는 소형 무인 항공기(sUAS)에서 정확하고 저비용의 풍속 감지 기술의 부족을 해결하기 위해.
• 표준 드론 상태 측정값(위치, 롤, 피치)만을 사용하여 센서 없는 풍속 추정 방법을 개발하기 위해.
• 공기속도와 자세에 대한 단순화된 가정에 의존하는 선형 접근 방식인 풍속 삼각법에 비해 개선된 성능을 확보하기 위해.
• 기계학습 기반 풍속 추정의 일반화 능력과 강건성을 다양한 난류 풍속장(스토케스틱인 드라이든 및 고정밀 LES 모델)에서 평가하기 위해.
• 딥 러닝 기반 접근이 난류 풍속에서 드론의 비선형 역학을 효과적으로 포착하여 정확한 풍속장 재구성 가능성을 입증하기 위해.

제안 방법

• 장기 단기 기억(LSTM) 신경망을 사용하여 롤, 피치, 위치를 입력으로 받아 풍속을 예측하도록 훈련한다. 목표값은 강제 풍속이다.
• 훈련 데이터는 대기 경계층(ABL)의 대규모 난류 시뮬레이션(Large Eddy Simulation, LES)과 드라이든 풍속 모델을 사용하여 난류 풍속장에서의 드론 시뮬레이션을 통해 생성된다.
• LSTM 모델은 드론 운동의 시간적 의존성을 학습하여 몸체 기준좌표계에서의 풍속 성분(u, v, w)을 시간에 따라 추론한다.
• 모델은 다양한 고도와 난류 수준에서의 합성 드라이든 풍속장과 현실적인 LES 기반 풍속장에서 평가된다.
• 성능은 공기속도를 기울기 각도에서 추정하고 일정한 공기속도를 가정하는 기존의 풍속 삼각법(Wind Triangle, WT)과 비교된다.
• 이 방법은 드론 모델과 유사한 동역학을 가지는 모든 sUAS에 일반화 가능하며, 다른 플랫폼에의 적응이 가능하다.

실험 결과

연구 질문

• RQ1 표준 드론 상태 측정값(풍속 센서 없이)만을 사용하여 기계학습 모델이 난류 풍속을 정확하게 추정할 수 있는가?
• RQ2 LSTM 기반 접근 방식은 기존의 풍속 삼각법 대비 평균 및 분산 오차 측면에서 풍속 추정 성능에서 어떻게 비교되는가?
• RQ3 LSTM 모델은 스토케스틱인 드라이든 모델과 고정밀 LES 시뮬레이션을 포함한 다양한 풍속장 모델에 대해 일반화 가능한가?
• RQ4 LSTM 모델의 성능은 난류 강도와 비행 경로 유형(예: 정지 비행 대비 직선 비행)에 따라 어떻게 변화하는가?
• RQ5 LSTM 프레임워크는 공격적인 비행과 난류 풍속에서 드론의 비선형 역학을 보다 효과적으로 포착하여 선형 추정 방법을 능가할 수 있는가?

주요 결과

• LSTM 기반 풍속 추정 방법은 풍속 삼각법보다 유의미하게 낮은 평균 풍속 추정 오차를 기록했으며, 시험 조건 전반에서 평균적으로 50%의 오차 감소를 보였다.
• 풍향 추정 오차는 약 50% 감소했으며, LSTM 모델은 평균 풍향 오차 0.0388 rad(약 2.2°)를 기록한 반면 풍속 삼각법은 0.0654 rad(약 3.7°)의 오차를 보였다.
• 고난류 조건에서는 LSTM 모델이 풍속 변동을 더 잘 포착하여 풍속과 방향 모두에서 오차 분산이 낮아, 뚜렷한 성능 우위를 보였다.
• LSTM 모델은 드라이든 및 LES 기반 풍속장 모두, 다양한 고도와 비행 모드에서의 모든 테스트 조건에서 풍속 삼각법을 뛰어넘는 성능을 보였다.
• 풍속 추정 오차 분산은 LSTM 모델에서 일관되게 낮았으며, 예를 들어 60m 고도에서 LSTM은 0.1016 m²/s², 풍속 삼각법은 0.5284 m²/s²를 기록하여 더 높은 안정성과 정확도를 입증했다.
• LSTM 프레임워크는 다양한 풍속장과 난류 수준에서 강력한 일반화 능력을 보였으며, 상용 sUAS에 실질적인 도입에 있어 강건성을 갖춘 것으로 나타났다.