基于忆阻器类内存计算技术的无人机遥测数据异常检测方法

《Engineering Applications of Artificial Intelligence》：On-device generative anomaly detection for unmanned aerial vehicle telemetry using memristor analog compute-in-memory

　　安贤贞（Hyojung Ahn）
济州国立大学（Jeju National University），济州岛Jesu市Jejudaehak-ro 102号，63243，大韩民国

**摘要**
近年来，人工智能（AI）的进步显著扩展了无人驾驶飞行器（UAV）的运行能力；然而，异常检测（AD）仍受到设备内能源存储有限、计算能力受限以及通信延迟的制约。为应对这些挑战，本研究提出了一种基于忆阻器（memristor）的模拟计算硬件实现的生成式异常检测框架。通过仅使用正常飞行数据训练变分自编码器（VAE）模型，通过重建误差分析来检测异常情况。然后将训练得到的权重映射到忆阻器交叉阵列上，以并行执行向量-矩阵乘法（VMM）。在三种真实世界UAV飞行场景中的评估显示，平均检测准确率为99.6%。进一步结合设备变异和退化的模拟表明，该框架在中等程度的硬件非理想情况下仍能保持可靠的性能。据我们所知，这项工作是最早利用真实世界UAV飞行数据，在基于忆阻器的模拟计算内存（CIM）硬件上实现基于卷积VAE的异常检测流程的实验之一。结果证明了在模拟计算平台上部署轻量级生成模型的可行性，从而实现了低功耗和高密度的异常检测解决方案。此外，这些发现还展示了基于硬件的生成式异常检测的可行性，并暗示了其在嵌入式UAV平台上的潜在可扩展性，尽管全面的、节能的群体级验证仍是未来研究的重要方向。

**引言**
近年来，由于无人机在三维空间中的广泛移动能力，它们已成为最有前景的无人驾驶飞行器（UAV）（Fabris等人，2022年）。操作型无人机在运输、探索、监视和军事行动等多个领域受到了广泛关注（Zhen等人，2018年；Choi等人，2021年；Schedl等人，2021年；Stichelbaut等人，2023年；Larsen和Johnston，2024年）。由于其轻量化设计、易获取性和多功能性，无人机能够在极端环境中执行各种物理和时间任务（Di Stefano等人，2018年；H?usermann等人，2023年）。此外，当无人机以群体形式运行时，由于协同协调能力，它们能够完成单个无人机难以完成的复杂任务（Alwateer等人，2019年）。然而，协调一组同步性要求高的无人机非常复杂，这限制了整个系统的性能（Tang等人，2023年）。这可能会导致严重问题，因为一个或多个故障可能在集体操作期间引发无人机之间的连锁碰撞（Biediger等人，2019年）。因此，配备能够独立检测和响应异常的嵌入式系统的无人机可以显著减轻操作人员的负担（图1(a)）。在现实世界的UAV操作中，异常检测算法必须在严格的资源限制下运行。设备内的处理器通常计算能力有限，必须与其他航空电子任务竞争实时执行权。此外，对外部通信链接的依赖引入了延迟和潜在的不稳定性，使得这类方法不适合用于安全关键的异常检测。能源存储限制进一步限制了传统深度学习硬件的使用，因为连续推理会显著缩短飞行续航时间。这些限制凸显了对轻量级算法和节能计算硬件的需求，从而推动了基于忆阻器的模拟方法的研究。

**人工智能（AI）算法的发展**
用于处理复杂问题的AI算法的进步通过克服人类在无人机操作中的局限性，显著提高了系统性能。此外，控制系统和自主技术的最新进展预计将通过超越人类能力来扩展其可用性（Kaufmann等人，2023年）。然而，由于用于人工神经网络（ANN）训练的数据集不足且标记不准确，自主无人机操作仍然具有挑战性。准确地将真实世界测试数据标记为正常或异常是困难的，而异常数据集往往不足以进行有效训练。基于无监督学习的生成模型所采用的预测算法代表了应对这些挑战的新方法（Ahn和Chung，2024年）。生成式AI学习了多个数据特征之间的分布和关系。广泛认可的生成式AI模型包括扩散模型、生成对抗网络（GANs）、变分自编码器（VAEs）以及采用VAEs编码器-解码器架构的基于Transformer的模型（Raut和Singh，2024年）。然而，在设备内系统中实现AI算法需要大量的处理单元，这导致高功耗和增加的航空电子设备重量，因为需要额外的电池资源（Paredes-Vallés等人，2024年）。目前，用于AI算法计算的商用处理单元具有高功耗、大占用面积、相对较重的重量和高成本，这限制了它们在单个无人机中的集成（Garisto，2024年）。这种面积和重量的增加对于需要高电力和性能提升的航空应用来说是一个关键缺点。因此，智能无人机通常使用外部硬件而不是设备内系统来执行大规模AI算法（图1(b)）（Estrada等人，2018年；Vásárhelyi等人，2018年）。依赖通信的无人机系统在以远距离传输、湍流和外部辐射为特征的极端航空环境中难以处理AI算法。因此，未来的智能群体无人机系统将受益于自主检测和解决单个异常的能力（图1(c)）。

**本研究**
本研究提出了一种基于生成式AI的异常检测（AD）模型，用于使用基于忆阻器的AI硬件和从真实世界飞行场景中获得的传感器数据的群体无人机任务。考虑到先前的研究成果（Ahn和Chung，2024年）和计算效率，研究了一种潜在的设备内计算系统，该系统基于VAE结构的预测模型物理实现了深度神经网络。此外，还展示了将基于忆阻器的硬件应用于生成式AI算法，以验证轻量级和低功耗模拟计算硬件在航空航天领域的适用性。所实现的基于忆阻器的硬件作为下一代AI的基本计算单元，利用基尔霍夫定律并行执行向量-矩阵乘法（VMM），并利用其模拟特性（Xia和Yang，2019年；Duan等人，2024年）。采用了结构简单の忆阻器，与传统的处理单元相比具有显著优势，从而提高了硬件密度和成本效益（Amirsoleimani等人，2020年）。配备基于忆阻器硬件的UAV可以通过在同一位置集成内存和计算来减少过多的计算功耗和数据传输延迟（Zidan等人，2018年）。通过在群体任务环境中将基于VAE的AD算法应用于单个无人机，证明了基于忆阻器的计算的可行性。

**主要贡献**
本研究的主要贡献不在于引入新的生成算法，而在于使用基于忆阻器的模拟计算硬件在UAV中物理实现异常检测。本研究采用的异常检测框架建立在我们之前的研究基础上。群体级验证之前已在基于学习的群体无人机飞行监控框架中得到证明（Ahn，2020年），随后扩展到包括故障验证和群体任务中单个UAV的传感器级识别（Ahn和Chung，2024年）。目前的工作重点是在硬件层面实现这一已建立的框架。据我们所知，这是首次使用真实世界无人驾驶飞行数据，在基于忆阻器的模拟计算硬件上实现变分自编码器进行异常检测的研究之一。这种集成证明了在资源受限环境中部署轻量级生成模型的可行性，并为未来航空航天系统中的模拟计算应用研究提供了初步的实验参考。尽管之前的研究已经展示了基于忆阻器的神经网络推理和自编码器实现，但据我们所知，尚未有将基于卷积VAE的异常检测流程与流式UAV飞行遥测数据结合在模拟CIM硬件上的实验报告。

**基于忆阻器的硬件成功执行了基于VAE的AD算法**
基于忆阻器的硬件通过实现两个卷积层和两个转置卷积层成功执行了基于VAE的AD算法。在模拟计算硬件上实现抗噪声的生成模型取得了显著成果，尽管完全消除计算噪声本质上是具有挑战性的。基于VAE的AD算法的平均准确率为99.6%，这与使用基于忆阻器的AI硬件实现的32位浮点运算结果一致。此外，通过模拟验证了基于忆阻器的AI系统的潜力，这些模拟结果反映了忆阻器设备的非理想特性。这验证了基于模拟计算硬件的AI在无人机操作中的适用性。本研究的结果有望促进AI在航空航天应用中的更广泛采用。

**章节片段**
**用于真实飞行信息的无人机**
本研究专注于执行群体任务的单个无人机，以展示UAV中的异常检测。使用了由韩国航空航天研究院（KARI）开发的四轴飞行器无人机，重量为1公斤，飞行时间约为15分钟（图2(a)），以获取真实飞行传感器数据。这些无人机配备了16个传感器，用于收集四种类型的飞行信息，包括来自陀螺仪、加速度计、磁力计和气压计的数据，以训练和评估AI模型。

**使用界面型忆阻器的模拟硬件**
如先前报道的，界面型忆阻器被用于执行高度均匀和精确的模拟计算（图3(a)）。具有两端子的简单结构忆阻器的交叉阵列通过电脉冲将模拟数据表示在单个设备中，并将设备电阻切换到多级模拟值，从而实现高密度计算（Park等人，2022年；Bae等人，2024年）。带有忆阻器阵列的模拟AI硬件可以实现低功耗和高密度计算。

**使用实现的基于忆阻器的AI硬件进行异常检测和异常传感器识别**
使用测试数据集中的三个场景来展示基于忆阻器硬件的VAE模型的性能。具体来说，分析了一个正常段落（图4(a)中的场景1）和两个异常段落（图4(b)和(c)中的场景2和3），每个段落的时间戳均以t = 0开始。每个场景的传感器数据通过训练有素的VAE网络后，进行了AD的重建误差分析。

**结论**
本研究展示了使用轻量级算法和低功耗、高密度模拟计算硬件的未来智能无人机的潜力。这种轻量级算法是一种基于VAE的AD模型，使单个无人机能够执行群体任务。它基于界面型忆阻器阵列在模拟AI硬件中实现。VAE算法旨在简化高效计算，适用于长时间序列输入，以减轻UAV有限能源资源的负担。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

**致谢**
本项工作主要通过济州国立大学和韩国国家研究基金会（NRF）的学术支持计划以及韩国政府（科学技术信息通信部，MSIT）资助的拨款[拨款编号RS-2026-25479008]得以开发和完成。基础研究概念的早期阶段在韩国航空航天研究院（KARI）由MSIT资助的未来挑战与创新研究计划[拨款编号1711170913]下进行了探索。