DDCNN: A Promising Tool for Simulation-To-Reality UAV Fault Diagnosis

要約

プロペラの故障を特定することは、クアッドローターを安全かつ効率的に動作し続けるために重要です。
シミュレーションから現実へ (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が高く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、実際のフライトではパフォーマンスが低下します。
この研究では、上記の問題に対処するために、新しい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 (DDCNN) モデルが提示されます。
ディープ畳み込みニューラル ネットワークによって抽出された差分特徴を使用して、シミュレーションと実際のギャップを削減します。
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 アダプテーション (DA) 方法が提案されています。
実験結果は、DDCNN+DA モデルが現実世界の UAV 障害検出の精度を 52.9% から 99.1% に向上できることを示しています。

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 detecting 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 novel difference-based deep convolutional neural network (DDCNN) model is presented to address the above issue. It uses the difference features extracted by deep convolutional neural networks to reduce the sim-to-real gap. Moreover, a new domain adaptation (DA) method is presented to further bring the distribution of the real-flight data closer to that of the simulation data. The experimental results demonstrate that the DDCNN+DA model can increase the accuracy from 52.9% to 99.1% in real-world UAV fault detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google