| Item type |
Journal(1) |
| 公開日 |
2022-09-15 |
| タイトル |
|
|
タイトル |
ドローン配送に向けたセンサデータ分析とルールベース手法を用いた異常検知 |
| タイトル |
|
|
言語 |
en |
|
タイトル |
Anomaly Detection Using Time-series Sensor Data Analysis and Rule-based Method for Self-flying Delivery Drone |
| 言語 |
|
|
言語 |
jpn |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
[特集:組込みシステム工学] ドローン配送，異常検知，機械学習 |
| 資源タイプ |
|
|
資源タイプ識別子 |
http://purl.org/coar/resource_type/c_6501 |
|
資源タイプ |
journal article |
| ID登録 |
|
|
ID登録 |
10.20729/00220094 |
|
ID登録タイプ |
JaLC |
| 著者所属 |
|
|
|
香川大学 |
| 著者所属 |
|
|
|
香川大学 |
| 著者所属 |
|
|
|
日本電気通信システム株式会社 |
| 著者所属 |
|
|
|
香川大学 |
| 著者所属(英) |
|
|
|
en |
|
|
Kagawa University |
| 著者所属(英) |
|
|
|
en |
|
|
Kagawa University |
| 著者所属(英) |
|
|
|
en |
|
|
NEC Communication Systems, Ltd. |
| 著者所属(英) |
|
|
|
en |
|
|
Kagawa University |
| 著者名 |
古濵, 尚樹
中島, 碩人
鎌田, 典彦
喜田, 弘司
|
| 著者名(英) |
Naoki, Furuhama
Sekito, Nakashima
Norihiko, Kamata
Koji, Kida
|
| 論文抄録 |
|
|
内容記述タイプ |
Other |
|
内容記述 |
近年，運輸業界における人手不足を解消するために，ドローン配送が期待されている．ドローン配送ではドローンは自律飛行して配送するため，ドローン自らが異常検知し，対処する必要がある．現状では安全面を考慮し，異常検知後ドローンを着陸させる運用をせざるをえない．しかし，この運用では異常検知したあとドローンを着陸させ，人の点検を挟んで配送を再開するため，最悪の場合，異常検知するたびに着陸と離陸を繰り返すことになり，配送が遅れるなどの問題が発生する．そこで本研究では，極力着陸させないような異常検知を実現することを課題とする．この課題を解決するために本論文では，異常を見分けるステップと見極めるステップから異常検知する方式を提案する．見分けるステップでは，ドローンに搭載されたセンサから，ドローンの状態を分析して機械学習による状態推定をする．見極めるステップでは，推定された状態を履歴として記録し，ある時間幅をとった状態の変化から異常検知する．見分ける実験では，ドローンの回転状態（cw，ccw）と風にあおられた状態（wind）をマルチラベルに推定し，F値マイクロ平均0.78，F値マクロ平均0.75となった．見極める実験では，風による外乱を受けた後に復帰できたドローンの正解率を38%から75%に向上させることができた． |
| 論文抄録(英) |
|
|
内容記述タイプ |
Other |
|
内容記述 |
In recent years, drone delivery has been expected to solve the labor shortage in the transportation industry. In drone delivery, the drone flies autonomously, so it is important for the drone to detect and respond to abnormalities. Currently, the drone had no choice but to land after detecting an anomaly for safety reasons. However, in this operation, the drone lands after detecting an anomaly and resumes delivery after a human inspection, so in the worst case, the drone has to repeat landing and taking off every time it detects an anomaly, which delays delivery. In this study, we aim to achieve anomaly detection that does not let landing the drone as much as possible. In this paper, we propose a method for detecting anomalies based on the steps of distinguishing and identifying anomalies. In the distinguishing step, we analyze the state of the drone from the sensors mounted on the drone, and the state is estimated by machine learning. In the identifying step, the estimated state is recorded as a history, and an abnormality is detected based on the change in state over a certain time range. The distinguishing experiment shows that the drone's rotational state (cw, ccw) and the wind-induced state (wind) were estimated as multi-label, and the F-measure micro-average was 0.78 and the F-measure macro-average was 0.75. The identifying experiment shows that the detection rate increased from 38% to 75% for drones that returned after being disturbed by the wind. |
| 書誌レコードID |
|
|
収録物識別子タイプ |
NCID |
|
収録物識別子 |
AN00116647 |
| 書誌情報 |
情報処理学会論文誌
巻 63,
号 9,
p. 1486-1498,
発行日 2022-09-15
|
| ISSN |
|
|
収録物識別子タイプ |
ISSN |
|
収録物識別子 |
1882-7764 |
| 公開者 |
|
|
言語 |
ja |
|
出版者 |
情報処理学会 |
IPSJ-JNL6309019.pdf (11.0 MB)
