[论文解读] MAV Stabilization using Machine Learning and Onboard Sensors

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

Anomaly Detection Techniques and Applications参考文献 7被引用 5

一句话总结

本文提出一种机器学习方法，通过使用机载传感器数据，在无GPS环境下预测并补偿微型无人机（MAVs）的低频漂移。通过在60维传感器读数和基于Wii追踪系统的真值位置导数上训练支持向量机（SVM），该方法实现了高精度的实时漂移预测，在室内和有风环境下显著提升了轨迹稳定性。

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.

研究动机与目标

• 解决在传统控制方法因传感器限制而失效的无GPS环境下MAV的漂移问题。
• 克服由风等环境扰动引起的不可靠悬停与轨迹跟踪问题。
• 开发一种仅依赖机载传感器数据和外部真值进行训练的数据驱动方法，以预测漂移。
• 证明机器学习能够建模传感器输入与飞行路径误差之间复杂的非线性关系。
• 通过实时预测漂移速度实现反馈控制，从而在飞行中进行纠正调整。

提出的方法

• 同步采集机载传感器（60维）与Wii遥控器追踪系统数据，以获得真值位置和速度导数。
• 通过去除重复项和过时条目对数据进行预处理，随后计算x和y方向的速度导数（像素/秒）用于训练。
• 分别独立训练两个支持向量回归模型（LibSVM和SVM-Light），用于预测水平方向的漂移。
• 对传感器数据进行归一化以提升学习稳定性，奇异值分析证实了数据中存在丰富且非冗余的信息。
• 使用自定义PD控制器在数据采集过程中稳定无人机，确保数据质量一致。
• 将训练好的模型集成到反馈回路中，实现实时漂移预测，但当前输入/输出延迟限制了实时飞行的稳定性。

实验结果

研究问题

• RQ1 在无GPS环境下，仅使用机载传感器数据，机器学习能否有效预测MAV的低频漂移？
• RQ2 像SVM这样的监督学习模型在多大程度上能将复杂、高维的传感器输入映射到实际的飞行路径偏差？
• RQ3 学习得到的漂移预测模型在真实环境扰动（如阵风）下，能在多大程度上改善轨迹跟踪性能？
• RQ4 数据归一化与特征选择对漂移预测模型性能有何影响？
• RQ5 该预测模型能否在多种飞行条件下实现泛化，包括悬停、指令运动以及人工风扰动？

主要发现

• 基于SVM的模型实现了高度准确的漂移预测，预测速度在正常室内环境和人工风环境中均与实际漂移高度吻合。
• 在通过挥动木板制造的阵风环境中，模型成功跟踪了显著的方向性漂移，表明对环境扰动具有鲁棒性。
• 模型预测结果随时间积分后与实际无人机轨迹高度一致，表明长期漂移估计具有可靠性。
• 后处理与归一化提升了数据质量，奇异值分析显示60维传感器数据中存在丰富且非共线性（非协方差）的信息集。
• 尽管预测性能强劲，但由于输入/输出延迟和配置不够理想，实时控制仍不稳定，凸显了部署中的关键挑战。
• 系统在三种条件下共训练了13,991组数据点：11,934组悬停，1,640组带方向指令，417组风扰动，表明数据覆盖范围广泛。