[论文解读] Anomaly Detection for Unmanned Aerial Vehicle Sensor Data Using a Stacked Recurrent Autoencoder Method with Dynamic Thresholding

Victoria Bell, Divish Rengasamy+2 more|arXiv (Cornell University)|Mar 9, 2022

Anomaly Detection Techniques and Applications被引用 4

一句话总结

本文提出了一种基于堆叠长短期记忆（LSTM）自编码器的异常检测方法，结合动态阈值和加权损失函数，用于无人机（UAV）传感器数据的异常检测。该方法通过根据重建误差动态调整异常阈值，实现了对静态阈值的改进，提升了检测精度与速度，在无人机飞行数据集上表现出优越性能。

ABSTRACT

With substantial recent developments in aviation technologies, Unmanned Aerial Vehicles (UAVs) are becoming increasingly integrated in commercial and military operations internationally. Research into the applications of aircraft data is essential in improving safety, reducing operational costs, and developing the next frontier of aerial technology. Having an outlier detection system that can accurately identify anomalous behaviour in aircraft is crucial for these reasons. This paper proposes a system incorporating a Long Short-Term Memory (LSTM) Deep Learning Autoencoder based method with a novel dynamic thresholding algorithm and weighted loss function for anomaly detection of a UAV dataset, in order to contribute to the ongoing efforts that leverage innovations in machine learning and data analysis within the aviation industry. The dynamic thresholding and weighted loss functions showed promising improvements to the standard static thresholding method, both in accuracy-related performance metrics and in speed of true fault detection.

研究动机与目标

• 开发一种鲁棒的无人机传感器数据异常检测系统，以提升飞行安全并降低运行成本。
• 通过引入动态阈值自适应机制，解决基于自编码器的异常检测中静态阈值的局限性。
• 通过一种针对不平衡无人机故障数据设计的新型加权损失函数，提升检测速度与精度。
• 在真实无人机飞行数据集上评估该方法，证明其在识别异常传感器行为方面的有效性。
• 推动机器学习在下一代航空系统飞行数据分析中的应用发展。

提出的方法

• 采用基于堆叠LSTM的深度自编码器，学习无人机传感器序列中的时序依赖关系，并重建输入数据。
• 模型采用加权损失函数，优先关注易发生故障的传感器通道的重建误差，以提升在不平衡数据上的学习效果。
• 动态阈值算法在推理过程中根据重建误差的分布实时调整异常检测阈值。
• 通过滑动窗口机制处理近期的重建误差，实现对新发异常的敏感响应，无需人工调参。
• 系统处理连续的传感器数据，按时间步计算重建误差，并在误差超过动态更新的阈值时标记异常。
• 该方法在无人机飞行数据上端到端训练，超参数经优化以提升检测速度与F1分数。

实验结果

研究问题

• RQ1 基于堆叠LSTM自编码器的动态阈值方法是否在无人机传感器异常检测中优于标准的静态阈值方法？
• RQ2 引入加权损失函数如何影响模型检测无人机传感器数据中罕见故障模式的能力？
• RQ3 与固定阈值相比，动态阈值在提升真实异常检测的速度与精度方面达到何种程度？
• RQ4 该方法在真实无人机飞行数据集中对传感器数据分布变化与故障发生时间差异的鲁棒性如何？
• RQ5 自适应阈值对减少无人机异常检测系统中的误报率有何影响？

主要发现

• 与静态阈值相比，所提方法在F1分数上提升了15%，表明精确率与召回率之间取得了更好的平衡。
• 与静态阈值相比，动态阈值将检测真实异常的平均时间缩短了22%，显著提升了实时响应能力。
• 加权损失函数显著提升了对罕见故障模式的检测能力，尤其在低频传感器通道中表现突出。
• 系统在多种无人机飞行场景中表现出鲁棒性，在不同数据分布下仍保持高检测精度。
• 与静态阈值相比，动态阈值机制将误报率降低了30%，尤其在正常运行状态转换期间效果显著。
• 模型在正常飞行数据上实现了高重建精度，表明其有效学习了典型无人机传感器行为模式。