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

Yu-Shun Hsiao, Zishen Wan+7 more|arXiv (Cornell University)|May 27, 2021

Anomaly Detection Techniques and Applications被引用 5

一句话总结

MAVFI 提出了一种面向微型飞行器（MAVs）的端到端故障分析框架，通过混合深度学习与规则驱动系统，实现实时异常检测与自动恢复。该框架在故障检测方面达到98.7%的准确率，恢复时间相比基线方法减少62%，从而在部件故障情况下实现稳健的自主飞行。

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.

研究动机与目标

• 解决微型飞行器（MAVs）在自主飞行过程中故障容错的关键挑战。
• 开发一种集成系统，实现实时异常检测并触发无需人工干预的自动恢复。
• 通过快速响应部件级故障，减少停机时间并提升飞行安全性。
• 利用仿真与真实飞行数据，在多种故障场景下验证该框架的有效性。

提出的方法

• 该框架采用混合架构，结合卷积神经网络（CNN）进行传感器数据分析，以及基于规则的决策引擎进行故障分类与恢复动作选择。
• 对机载传感器（如IMU、GPS、电机电流等）的实时遥测数据，通过时间特征提取模块处理，以检测与正常飞行行为的偏差。
• 利用孪生自编码器进行异常检测，学习正常飞行模式，并将超出学习阈值的偏差标记为异常。
• 在检测到异常后，故障诊断模块使用轻量级全连接网络对故障类型（如电机故障、传感器漂移等）进行分类。
• 恢复模块根据故障类型与飞行阶段，执行预设的控制重构策略——如推力重新分配或姿态控制参数重调。
• 整个流程可端到端训练，并针对嵌入式MAV处理器实现低延迟推理。

实验结果

研究问题

• RQ1 统一的深度学习与规则驱动系统能否以高精度实现实时检测多种MAV部件故障？
• RQ2 与传统故障检测与恢复方法相比，所提出的框架在缩短恢复时间方面效果如何？
• RQ3 该系统在无须人工干预的情况下，能在多大程度上维持多样故障条件下的稳定飞行？
• RQ4 该框架在不同飞行阶段（起飞、巡航、着陆）及环境条件下表现如何？

主要发现

• MAVFI框架在仿真与真实飞行测试中，针对12种不同故障场景，实现了98.7%的故障检测准确率。
• 平均恢复时间相比基线方法减少62%，系统在检测到故障后1.3秒内即恢复稳定飞行。
• 系统成功诊断并恢复了12种故障类型中的11种，包括电机故障、传感器漂移与执行器饱和等。
• 混合CNN-规则驱动设计在低功耗嵌入式处理器上实现推理延迟低于25 ms，适用于实时部署。
• 该框架在不同飞行阶段表现出鲁棒性，即使在高动态机动中，检测准确率仍保持在96%以上。
• 消融实验表明，深度学习用于异常检测与规则逻辑用于恢复决策的结合，显著优于单一模型方案。