Difference-based Deep Convolutional Neural Network for Simulation-to-reality UAV Fault Diagnosis

要約

プロペラの障害を特定することは、クワッドローターを安全かつ効率的に運用し続けるために重要です。
Simulation-to-reality (sim-to-real) UAV の故障診断方法は、プロペラの故障を検出するための費用対効果の高い安全なアプローチを提供します。
ただし、シミュレーションと現実の間にはギャップがあるため、シミュレートされたデータでトレーニングされた分類器は、通常、実際の飛行ではパフォーマンスが低下します。
この作業では、上記の問題に対処するために、新しいディープ ニューラル ネットワーク (DNN) モデルが提示されます。
深層畳み込みニューラル ネットワーク (DDCNN) によって抽出された差分機能を使用して、sim と real のギャップを減らします。
さらに、実際の飛行データの分布をシミュレーションデータの分布にさらに近づけるために、新しいドメイン適応法が提示されます。
実験結果は、提案されたアプローチが実際の飛行でプロペラの故障を検出する際に 97.9\% の精度を達成できることを示しています。
DDCNN モデルをよりよく理解するために、機能の視覚化が実行されました。

要約(オリジナル)

Identifying the fault in propellers is important to keep quadrotors operating safely and efficiently. The simulation-to-reality (sim-to-real) UAV fault diagnosis methods provide a cost-effective and safe approach to detect the propeller faults. However, due to the gap between simulation and reality, classifiers trained with simulated data usually underperform in real flights. In this work, a new deep neural network (DNN) model is presented to address the above issue. It uses the difference features extracted by deep convolutional neural networks (DDCNN) to reduce the sim-to-real gap. Moreover, a new domain adaptation method is presented to further bring the distribution of the real-flight data closer to that of the simulation data. The experimental results show that the proposed approach can achieve an accuracy of 97.9\% in detecting propeller faults in real flight. Feature visualization was performed to help better understand our DDCNN model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google