[논문 리뷰] MAV Stabilization using Machine Learning and Onboard Sensors

Jason Yosinski, Cooper Bills|arXiv (Cornell University)|2012. 02. 20.

Anomaly Detection Techniques and Applications참고 문헌 7인용 수 5

한 줄 요약

이 논문은 GPS가 비활성화된 미니어처 항공기(MAV)에서 저주파수 드리프트를 예측하고 보정하기 위한 머신러닝 기반 접근법을 제안한다. Wii 기반 추적 시스템으로부터의 60차원 센서 읽기 및 지상 진실 위치 도함수를 기반으로 서포트 벡터 머신(SVM)을 훈련시켜 실시간으로 드리프트를 정확하게 예측함으로써 실내 및 바람이 있는 조건에서도 궤도 안정성을 크게 향상시킨다.

ABSTRACT

In many situations, Miniature Aerial Vehicles (MAVs) are limited to using only on-board sensors for navigation. This limits the data available to algorithms used for stabilization and localization, and current control methods are often insufficient to allow reliable hovering in place or trajectory following. In this research, we explore using machine learning to predict the drift (flight path errors) of an MAV while executing a desired flight path. This predicted drift will allow the MAV to adjust it's flightpath to maintain a desired course.

연구 동기 및 목표

• 기존 제어 방법이 센서 한계로 인해 실패하는 GPS가 비활성화된 환경에서 MAV의 드리프트 문제를 해결한다.
• 바람과 같은 환경적 요동으로 인한 비정상적인 수직 항공 및 궤도 추적 문제를 극복한다.
• 외부 지상 진실 데이터를 훈련용으로 사용하고, 오직 차량 내 센서 데이터만을 이용해 드리프트를 예측하는 데이터 기반 방법을 개발한다.
• 머신러닝이 센서 입력과 비행 경로 오차 사이의 복잡한 비선형 관계를 모델링할 수 있음을 입증한다.
• 비행 중 보정 조정을 위한 실시간 피드백 제어를 가능하게 하기 위해 드리프트 속도를 예측한다.

제안 방법

• 차량 내 센서(60차원)와 Wii 리모컨 추적 시스템을 동기화하여 지상 진실 위치 및 속도 도함수를 확보한다.
• 중복 및 오래된 항목을 제거한 후, 훈련을 위해 x 및 y 방향의 속도 도함수(픽셀/초)를 계산한다.
• 수평 드리프트 예측을 위해 x와 y 축을 별도로 처리하는 두 개의 별도 서포트 벡터 회귀 모델(LibSVM 및 SVM-Light)을 훈련시킨다.
• 학습 안정성을 향상시키기 위해 센서 데이터를 정규화하였으며, 특이값 분석을 통해 정보가 풍부하고 중복되지 않은 내용을 확인하였다.
• 데이터 수집 중 드론의 안정성을 확보하기 위해 고유의 PD 제어기를 사용하여 일관된 데이터 품질을 확보하였다.
• 훈련된 모델을 피드백 루프에 통합하여 실시간으로 드리프트를 예측하였지만, 현재 I/O 지연으로 인해 실시간 비행 안정성은 제한되어 있다.

실험 결과

연구 질문

• RQ1 GPS가 비활성화된 환경에서 오직 차량 내 센서 데이터만을 사용하여 머신러닝이 저주파수 드리프트를 효과적으로 예측할 수 있는가?
• RQ2 SVM과 같은 지도 학습 모델이 고차원 센서 입력을 실제 비행 경로 이격도에 맵핑하는 데 얼마나 잘 작동하는가?
• RQ3 학습된 드리프트 예측 모델이 바람 돌기와 같은 실제 환경 요동 하에서 궤도 추적 성능을 얼마나 향상시킬 수 있는가?
• RQ4 데이터 정규화 및 특징 선택이 드리프트 예측 모델 성능에 어떤 영향을 미치는가?
• RQ5 다양한 비행 조건, 즉 정지, 명령 운동, 인위적 바람 요동 등에 대해 예측 모델이 일반화 가능한가?

주요 결과

• SVM 기반 모델은 매우 정확한 드리프트 예측을 달성하였으며, 일반 실내 조건과 인위적 바람 환경 모두에서 예측 속도가 실제 드리프트와 매우 유사하게 일치하였다.
• 보드를 흔들어 만든 바람 환경에서는 상당한 방향성 드리프트를 성공적으로 추적하여 환경적 요동에 대한 강건성을 입증하였다.
• 시간에 따라 예측 결과를 통합한 결과 실제 드론 궤도와 매우 유사하게 나타나 장기적인 드리프트 추정이 신뢰할 수 있음을 나타냈다.
• 후처리 및 정규화가 데이터 품질 향상에 기여하였으며, 특이값 분석을 통해 60차원 센서 데이터에 풍부하고 공분산이 없는 정보 집합이 있음을 확인하였다.
• 강력한 예측 성능에도 불구하고 I/O 지연과 최적화되지 않은 설정으로 인해 실시간 제어가 불안정하여, 주요 구현 과제임을 드러냈다.
• 시스템은 세 가지 조건에서 수집된 총 13,991개의 데이터 포인트로 훈련되었으며, 이는 정지 상태 11,934개, 방향 명령 1,640개, 바람 돌기 417개로 다양하고 광범위한 데이터 커버리지를 보였다.