Simulation-to-reality UAV Fault Diagnosis in windy environments

要約

プロペラの故障を監視することは、クワッドローター UAV の安全で信頼性の高い動作を維持するために不可欠です。
シミュレーションから現実への UAV 故障診断技術は、プロペラの故障を特定するための安全かつ経済的なアプローチを提供します。
ただし、シミュレートされたデータを使用してトレーニングされた分類器は、屋外シナリオでの風の外乱により、実際の飛行ではパフォーマンスが低下します。
この研究では、風が強いシナリオでの UAV の故障診断をシミュレートして実際に行うという課題に対処するために、不確実性ベースの故障分類器 (UFC) を提案します。
差分ベースのディープ畳み込みニューラル ネットワーク (EDDCNN) のアンサンブルを使用して、モデルの分散とバイアスを削減します。
さらに、不確実性に基づいた意思決定フレームワークを採用して、不確実な予測を除外します。
実験結果は、風の強い屋外シナリオにおいて、UFC が 33.6% のデータ使用率で 100% の故障診断精度を達成できることを示しています。

要約(オリジナル)

Monitoring propeller failures is vital to maintain the safe and reliable operation of quadrotor UAVs. The simulation-to-reality UAV fault diagnosis technique offer a secure and economical approach to identify faults in propellers. However, classifiers trained with simulated data perform poorly in real flights due to the wind disturbance in outdoor scenarios. In this work, we propose an uncertainty-based fault classifier (UFC) to address the challenge of sim-to-real UAV fault diagnosis in windy scenarios. It uses the ensemble of difference-based deep convolutional neural networks (EDDCNN) to reduce model variance and bias. Moreover, it employs an uncertainty-based decision framework to filter out uncertain predictions. Experimental results demonstrate that the UFC can achieve 100% fault-diagnosis accuracy with a data usage rate of 33.6% in the windy outdoor scenario.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google