Not logged in.

Quick Search - Contribution

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title "Drone Supervisor: Toward Run-time Monitoring and Detection of Unexpected behaviour of Drones"
Organization Unit
Authors
  • Timothy Zimmermann
Supervisors
  • Davide Scaramuzza
  • Sebastiano Panichella
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2022
Abstract Text As the autonomous flying robots and the consumer Unmanned Aerial Vehicle (UAV) market flourish, safe collocated human-UAV interactions are becoming increasingly important. UAVs' automated testing and runtime monitoring to ensure their proper behaviour is still an open technical and research challenge despite research advances. This study aims to determine if Machine Learning (ML) tools can be leveraged to classify a UAV flight behaviour at runtime to avoid unsafe and unreliable behaviours. To test the feasibility of this approach, we constructed a dataset containing various simulated flight scenarios. We identified a misbehaviour using anomaly detection methods during the UAV's landing phase. This misbehaviour led to the UAV hopping once it touched the ground and performing the landing sequence again. We then first investigated which of the UAV's sensor readings and estimation are key for successfully training an ML model using feature selection methods. Subsequently, we trained and validated the ML models using industry-standard performance metrics. We identified 12 features of interest, and the Random Forest Classifier as the best performing model on our simulated flights dataset. The resulting Random Forest was then used to evaluate the UAV's behaviour during various time-steps during landing. The results suggest that a runtime supervisor could enable the UAV to identify misbehaviours in advance.
Zusammenfassung Durch das Wachstum der autonomen Flugroboter und des Konsum-Marktes für unbemannte Luftfahrzeuge (UAV) wird die sichere Interaktion zwischen Mensch und UAV immer wichtiger. Das automatisierte Testen und die Laufzeitüberwachung von UAVs muss ein sicheres Verhalten gewährleisten. Trotz der Fortschritte in diesem Bereich der Forschung gibt es immer noch offene technische und wissenschaftliche Herausforderungen. In dieser Studie soll untersucht werden, ob Applikationen des Maschinelles Lernen (ML) zur Klassifizierung des Flugverhaltens von UAVs während der Laufzeit eingesetzt werden können, um unsichere und unzuverlässige Verhaltensweisen zu vermeiden. Um die Durchführbarkeit dieses Ansatzes zu testen, haben wir einen Datensatz mit verschiedenen simulierten Flugszenarien erstellt. Mit Hilfe von Analysen zur Erkennung von Anomalien haben wir ein Fehlverhalten während der Landephase des UAVs identifiziert. Die UAV machten nach der Bodenberührung einen Sprung und führten die Landesequenz erneut durch. Wir untersuchten zunächst an UAVs mit Hilfe von Merkmalsauswahlmethoden, welche Sensormessung und -schätzungen für das erfolgreiche Training eines ML-Models entscheidend sind. Anschließend trainierten und validierten wir die ML-Modelle anhand von branchenüblichen Leistungsmetriken. Wir identifizierten 12 anfällige Sensormessungen und -schätzungen. Der Random Forest Classifier stellte sich als das leistungsstärkste Modell in unserem simulierten Flugdatensatz heraus. Der daraus resultierende Random Forest wurde nun verwendet, um das Verhalten der Drohne in verschiedenen Zeitschritten während der Landung zu bewerten. Die Ergebnisse legen nahe, dass ein Laufzeitüberwacher das UAV in die Lage versetzen kann, Fehlverhalten im Voraus zu erkennen.
PDF File Download
Export BibTeX