[论文解读] Data-Efficient Modeling for Precise Power Consumption Estimation of Quadrotor Operations Using Ensemble Learning

Wei Dai, Mingcheng Zhang+1 more|arXiv (Cornell University)|May 23, 2022

Air Traffic Management and Optimization被引用 4

一句话总结

本文提出了一种数据高效的堆叠集成模型，采用随机森林和XGBoost作为基学习器，线性回归作为元学习器，以高精度估计四旋翼飞行器的功耗。该模型在总飞行功耗预测中误差低于0.5%，置信度超过80%，且仅使用约2,000次飞行样本，便优于深度学习基线模型，实现了在多种eVTOL飞机类型中的可扩展部署。

ABSTRACT

Electric Take-Off and Landing (eVTOL) aircraft is considered as the major aircraft type in the emerging urban air mobility. Accurate power consumption estimation is crucial to eVTOL, supporting advanced power management strategies and improving the efficiency and safety performance of flight operations. In this study, a framework for power consumption modeling of eVTOL aircraft was established. We employed an ensemble learning method, namely stacking, to develop a data-driven model using flight records of three different types of quadrotors. Random forest and extreme gradient boosting, showing advantages in prediction, were chosen as base-models, and a linear regression model was used as the meta-model. The established stacking model can accurately estimate the power of a quadrotor. Error analysis shows that about 80% prediction errors fall within one standard deviation interval and less than 0.5% error in the prediction for an entire flight can be expected with a confidence of more than 80%. Our model outperforms the existing models in two aspects: firstly, our model has a better prediction performance, and secondly, our model is more data-efficient, requiring a much smaller dataset. Our model provides a powerful tool for operators of eVTOL aircraft in mission management and contributes to promoting safe and energy-efficient urban air traffic.

研究动机与目标

• 开发一种高度精确且数据高效的eVTOL飞机功耗模型，以支持安全、节能的城市空中交通运营。
• 解决现有模型依赖大规模数据集且在不同飞机类型间缺乏鲁棒性的问题。
• 通过仅使用极少的飞行测试数据，实现实时、精确的功耗估计，以改进飞行任务规划与能源管理。
• 建立一种可扩展的框架，适用于新型eVTOL平台，而无需大量重新训练或数据收集。
• 在预测精度上超越最先进的深度学习模型，同时显著减少训练样本数量。

提出的方法

• 采用堆叠集成学习框架，使用随机森林和XGBoost作为基模型，线性回归作为元模型以聚合预测结果。
• 在三种四旋翼机型的飞行测试数据上进行训练，包括两份自建数据集和一份开源数据集，总计约2,000次飞行。
• 通过特征工程引入飞行动力学特征，如油门、俯仰、滚转、偏航和高度，以捕捉机动过程中功耗的变化。
• 使用交叉验证优化超参数，并在保留的测试集上使用R²、MSE和MAPE指标评估模型性能。
• 开展误差分析以评估预测可靠性，包括整个任务中瞬时功耗与累积功耗误差的分布。
• 将模型性能与两种最先进的模型进行比较：一个35层的MLP和一个带有残差连接的时序卷积网络（TCN）

实验结果

研究问题

• RQ1 集成学习模型是否能在显著减少训练数据量的前提下，实现比现有深度学习模型更高的功耗估计精度？
• RQ2 该堆叠模型在不同四旋翼飞行操作中，对瞬时功耗与累积功耗估计的预测误差降低程度如何？
• RQ3 该模型在仅需极少微调或数据收集的情况下，其性能在不同飞机类型间如何扩展？
• RQ4 该模型在总飞行功耗预测中，以0.5%误差范围内的置信度达到多少？
• RQ5 当应用于仅具备有限飞行数据的新eVTOL平台时，该模型是否仍能保持高精度？

主要发现

• 在测试集上，堆叠模型的R²达到0.998，MSE为1.2×10⁴，MAPE为1.8%，在所有三项指标上均优于MLP和TCN基线模型。
• 约80%的瞬时功耗预测误差落在真实值一个标准差范围内，表明预测具有极强的一致性。
• 对于完整飞行任务，总功耗预测误差低于0.5%的置信度超过80%，这对任务安全性至关重要。
• 该模型仅需约2,000次飞行样本进行训练，相比需要数万个样本的深度学习模型，展现出极高的数据效率。
• 该模型在捕捉复杂机动过程中的高频功耗变化方面表现出色，其曲线拟合能力优于MLP和TCN。
• 该模型在不同四旋翼机型上均表现出稳健性能，表明其具备强大的泛化能力与可扩展性，适用于新型eVTOL平台。