論文の概要: Runtime Anomaly Detection for Drones: An Integrated Rule-Mining and Unsupervised-Learning Approach

• arxiv url: http://arxiv.org/abs/2505.01947v1
• Date: Sat, 03 May 2025 23:48:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.347184
• Title: Runtime Anomaly Detection for Drones: An Integrated Rule-Mining and Unsupervised-Learning Approach
• Title（参考訳）: ドローンの実行時異常検出:統合型ルールマイニングと教師なし学習アプローチ
• Authors: Ivan Tan, Wei Minn, Christopher M. Poskitt, Lwin Khin Shar, Lingxiao Jiang,
• Abstract要約: UAVは複数のセンサー入力に依存しており、物理的不安定性と深刻な安全上の懸念を引き起こす可能性がある。 LSTMニューラルネットワークに基づく最近の異常検出手法は有望な結果を示しているが、3つの課題が続いている。 これらの課題に触発された本研究では、ドローンの異常検出に対する統合的なアプローチであるRADDを紹介する。
• 参考スコア（独自算出の注目度）: 6.924083445159127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: UAVs, commonly referred to as drones, have witnessed a remarkable surge in popularity due to their versatile applications. These cyber-physical systems depend on multiple sensor inputs, such as cameras, GPS receivers, accelerometers, and gyroscopes, with faults potentially leading to physical instability and serious safety concerns. To mitigate such risks, anomaly detection has emerged as a crucial safeguarding mechanism, capable of identifying the physical manifestations of emerging issues and allowing operators to take preemptive action at runtime. Recent anomaly detection methods based on LSTM neural networks have shown promising results, but three challenges persist: the need for models that can generalise across the diverse mission profiles of drones; the need for interpretability, enabling operators to understand the nature of detected problems; and the need for capturing domain knowledge that is difficult to infer solely from log data. Motivated by these challenges, this paper introduces RADD, an integrated approach to anomaly detection in drones that combines rule mining and unsupervised learning. In particular, we leverage rules (or invariants) to capture expected relationships between sensors and actuators during missions, and utilise unsupervised learning techniques to cover more subtle relationships that the rules may have missed. We implement this approach using the ArduPilot drone software in the Gazebo simulator, utilising 44 rules derived across the main phases of drone missions, in conjunction with an ensemble of five unsupervised learning models. We find that our integrated approach successfully detects 93.84% of anomalies over six types of faults with a low false positive rate (2.33%), and can be deployed effectively at runtime. Furthermore, RADD outperforms a state-of-the-art LSTM-based method in detecting the different types of faults evaluated in our study.
• Abstract（参考訳）: ドローンと呼ばれるUAVは、多用途で人気が急増しているのを目撃している。 これらのサイバー物理システムは、カメラ、GPS受信機、加速度計、ジャイロスコープなど、複数のセンサー入力に依存している。 このようなリスクを軽減するため、異常検出は重要な保護機構として現れ、出現する問題の物理的顕在性を識別し、オペレータが実行時にプリエンプティブアクションを行うことを可能にする。 LSTMニューラルネットワークに基づく最近の異常検出手法は、有望な結果を示しているが、3つの課題が続いている。ドローンのさまざまなミッションプロファイルをまたいで一般化できるモデルの必要性、検出された問題の性質を理解するための解釈可能性の必要性、ログデータのみから推測することが難しいドメイン知識の取得である。 これらの課題に触発され、ルールマイニングと教師なし学習を組み合わせたドローンにおける異常検出のための統合的アプローチであるRADDを導入する。 特に、ミッション中にセンサーとアクチュエータ間の期待される関係を捉えるためにルール(あるいは不変量)を活用し、教師なし学習技術を利用して、ルールが見逃したかもしれないより微妙な関係をカバーします。 我々は,ガゼボシミュレーターのArduPilotドローンソフトウェアを用いて,ドローンミッションの主要なフェーズで導出された44のルールと5つの教師なし学習モデルのアンサンブルを利用して,このアプローチを実装した。 統合されたアプローチでは、6種類の障害に対して93.84%の異常を検出し、偽陽性率(2.33%)が低く、実行時に効果的にデプロイできることがわかった。 さらに, RADD は, 従来の LSTM 法よりも優れており, 本研究で評価された様々な種類の障害を検出することができる。

関連論文リスト

• AdvGPS: Adversarial GPS for Multi-Agent Perception Attack [47.59938285740803]
  本研究は,マルチエージェント認識システムにおいて,特定のGPS信号が容易に誤認できるかどうかを考察する。 我々は,システム内の個々のエージェントに対してステルス性を持つ逆GPS信号を生成可能なtextscAdvGPSを紹介する。 OPV2Vデータセットに対する実験により、これらの攻撃が最先端の手法の性能を著しく損なうことを示した。
  論文  参考訳（メタデータ） (2024-01-30T23:13:41Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• GARL: Genetic Algorithm-Augmented Reinforcement Learning to Detect Violations in Marker-Based Autonomous Landing Systems [0.7461036096470347]
  従来のオフラインテスト手法では、人間や動物のような動的なオブジェクトによる違反事例を見逃します。 オンラインテストの方法は、限られた予算で実行できない広範囲なトレーニング時間を必要とする。 本稿では遺伝的アルゴリズム(GA)と強化学習(RL)を組み合わせたフレームワークであるGARLを紹介する。
  論文  参考訳（メタデータ） (2023-10-11T10:54:01Z)
• Toward collision-free trajectory for autonomous and pilot-controlled unmanned aerial vehicles [1.018017727755629]
  本研究は、高度衝突管理手法の開発において、PilotAware Ltdが入手した電子情報(EC)をより活用するものである。 DACM手法の利点は、空中衝突を避けるための広範囲なシミュレーションと実世界のフィールドテストによって実証されてきた。
  論文  参考訳（メタデータ） (2023-09-18T18:24:31Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Towards an Awareness of Time Series Anomaly Detection Models' Adversarial Vulnerability [21.98595908296989]
  本研究では,センサデータに小さな対向摂動のみを加えることで,最先端の異常検出手法の性能を著しく劣化させることを実証した。 いくつかのパブリックデータセットとプライベートデータセットに対して、予測エラー、異常、分類スコアなど、さまざまなスコアを使用する。 敵攻撃に対する異常検出システムの脆弱性を初めて実証した。
  論文  参考訳（メタデータ） (2022-08-24T01:55:50Z)
• Proactive Anomaly Detection for Robot Navigation with Multi-Sensor Fusion [7.293053431456775]
  移動ロボットは異常な動作を生成し、ナビゲーション障害を引き起こす。 反応異常検出法は、現在のロボットの状態に基づいて異常なタスク実行を識別する。 本研究では,非構造的かつ不確実な環境下でのロボットナビゲーションのための能動的異常検出ネットワーク(PAAD)を提案する。
  論文  参考訳（メタデータ） (2022-04-03T19:48:40Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
  本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。 特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。 これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
  論文  参考訳（メタデータ） (2020-04-01T16:11:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。