Universidade Federal do Rio de Janeiro

Programa de Pós-Graduação em Engenharia Oceânica

COV771 – Introdução à Mineração de Dados

Professor: Jean David Caprace

Aluno: Rogerio de Assis Dias Guahy

 Seminário

A MACHINE LEARNING APPROACH FOR ESTIMATING AIR DATA

PARAMETERS OF SMALL FIXED-WING UAVS USING DISTRIBUTED
PRESSURE SENSOR

Borup, K. T.; Fossen, T. I. and Johansen, T. A.

IEEE Transactions on Aerospace and Electronic Systems, vol. 56,

October 2019
.
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO AR
DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Resumo

 Método para estimar os dados de parâmetros aerodinâmicos de

pequenos Veículos Aéreos não Tripulados (VANT) de asa fixa,
utilizando um arranjo de sensores microeletromecânicos (MEMS) de
pressão de baixo custo e embarcados na superfície da aeronave;

 Utilização de dados de medidas de pressão em um modelo de

Machine Learning (ML) para estimar ângulo de ataque (α), ângulo de
deslizamento (β) e velocidade do ar (va);
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO AR
DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Resumo

 Implementação, teste e avaliação de um algoritmo de Regressão

Linear (RL) e um algoritmo de Rede Neural Artificial (RNA), utilizando
dados coletados em ensaios em túnel de vento e em voo e
comparados com um benchmark de teste de voo;

 Avaliação da influência do número e posicionamento dos sensores

na precisão do método.
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO AR
DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Introdução

Conhecimento da velocidade do escoamento de ar ao redor de um

VANT de asa fixa  segurança e eficiência do controle da operação da
aeronave;

 Determinação direta do ângulo de ataque (α), ângulo de derrapagem

(β) e da velocidade do ar (va);

 Determinação do ângulo de ataque em que ocorre o estol  perda

de sustentação.
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO AR
DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Introdução
 Flexibilidade do posicionamento dos sensores devido a poucas restrições
geométricas;

 Não é uma solução pneumática  não requer tubulações sensíveis a

tensões mecânicas;

 Não requer a montage de sensores protuberantes que podem se danificar

em alguma fase do voo;

 Possibilita um exaustivo processo de validação obtido por meio de

extensivos testes e comparação de resultados provenientes dos modelos
de ML e configurações de sensores, feitos em experimentos em tunel de
vento e voo.
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Princípios básicos
 O vetor velocidade relativa (vr) de um VANT pode ser expressa em
um sistema de coodenadas solidárias ao corpo {b} e é igual à
diferença entre o vetor velocidade no solo (v) e o vetor velocidade do
vento (vw);

vbr= vb – vbw
vb=[u,v,w]T
vbw=[uw,vw,ww]T
vbr=[ur,vr,wr]T
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Princípios básicos
 O vetor velocidade do ar (va) e o ângulo de ataque (α) estão
diretamente relacionados com a sustentação (L) e o arrasto (D).

|va|= u2r + vr2 + wr2

−1 wr
α=tan ur
−1 vr
α=sin va

 Emprego das medidas de pressão obtidas por meio de sensores para

estimar a velocidade do ar (va).
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Princípios básicos
 Por meio da análise dimensional (Teorema de Buckingham Pi), é possível
expressar a resultante aerodinâmica como um coeficiente admensional, que será
uma função se somente duas variáveis:
𝑅
CR = 1
𝜌 𝑣2𝑐2
2 ∞ 𝑎

 Número de Reynolds (Re).

ρ ∞ va c
Re =
μ

 Número de Mach (M).

v
M = aa
∞
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Princípios básicos
 Para M<0.3, desconsideram-se os efeitos de compressibilidade  Re será
a única variável do problema;

 Uso de diferencial de pressão, a fim de relacionar diretamente a pressão

medida à distribuição de pressão na aeronave  uma medida de
referência selecionada é subtraida de todas as outras medidas  redução
das medidas dos sensores em uma dimensão;

 Diferenças de pressão decorrentes de diferenças hidrostáticas são

desconsideradas  guinadas, onde uma asa se eleva mais que a outra.
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Abordagem da modelagem de Machine Learning

 Regressão Linear (RL);

 Redes Neurais Artificiais (RNA);

 Qualidade dos resultados:

 Algoritmo;
 Método de treinamento;
 Qualidade dos dados utilizados no treinamento.
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Regressão Linear (RL)

 Minimização dos erros médios quadráticos (RMSE), por meio de uma
função que combina linearmente variáveis independentes de entrada
com uma variável de saída;

 As variáveis de entrada também podem ser selecionadas como uma

função não linear da variável de saída  uso da função de expansão;
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Regressão Linear (RL)

 Entrada de dados  vetor medidas de diferencial de pressão.

[ps1, ps2,…, psn-1]T

 Apresentação dos resultados  formato BXQC;

 Parcionamento de dados (aleatoriamente)  Túnel de vento (85% treino

e 15% teste);

 Determinação dos pesos  dados de treinamento;

 Dimensionamento do desempenho do método  dados de teste.

 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Regressão Linear (RL)

Funções de Expansão  escolha genérica com uma primeira aproximação para os testes
 Termos cruzados de primeira ordem entre as medições de entrada (X).

[ps1ps2, ps1ps3,…,ps2ps3, ps2ps4,…, psn-2psn-1]T

𝑛−1 𝑛−1 !
K= 2
=
2! 𝑛−3 !

 Quadrado das medições de entrada (Q).

[p2s1, p2s2,…,p2sn-1]T

 Cubo das medições de entrada (C).

[p3s1, p3s2,…,p3sn-1]T
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Redes Neurais Artificiais (RNA)

 Método genérico de aproximação de uma função contínua a partir de
dados observados;

 Uso do MATLAB nftool toolbox para o desenvolvimento do aplicativo de

RNA;

 Uso do algoritmo de retropropagação de Levenberg-Marquardt (LM) para

treinamento da RNA:
 Minimização da função de custo mínimo quadrático;
 Mistura das metodologias de gradiente descendente (estabilidade) com algoritmo
de Gauss-Newton (velocidade);
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Redes Neurais Artificiais (RNA)

 Regra de atualização dos pesos (w):
wk+1=wk-H-1kJkek
H=JTJ+μI
Onde:
H  Hessiano;
J  Jacobiano;
I matriz identidade escalar positiva;
μ  coeficiente de combinação;
e  vetor erro de saída do modelo
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Redes Neurais Artificiais (RNA)

 Camada oculta  função tan-sigmoide;
 Camada de saída  função linear;
 Cada parâmetro aerodinâmico (Va, α e β) é determinado por uma RNA
separada, que possui um único neurônio de saída;
 Apresentação dos resultados  formato FkSl (k, l – quantidade de neurônios na
primeira e segunda camada, respectivamente);

 Parcionamento de dados (aleatoriamente)  Túnel de vento (70% treino, 15%

validação e 15% teste);
UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Redes Neurais Artificiais (RNA)

Figura 1 – Estrutura de Rede Neural Artificial

 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Configuração Experimental
 VANT Skywalker X8:
 Tipo  asa voadora;
 Envergadura  2,12 m;
 Intervalo de velocidade (va)  15 a 25 m/s.
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Configuração Experimental
 Sensores de pressão e temperatura:
 Fabricante  Bosch;
 Modelo  BMP280;
 Tipo  microeletromecânico (MEMS);
 Quantidade  16 un;
 Localização  asa (10 un) e nariz (6 un)
 Precisão absoluta  ±100 Pa;
 Precisão relativa  ±12 Pa;
 Intervalo de temperatura  -40 a 80 °C;
 Frequência de logagem em tunel de vento  7 Hz;
 Frequência de logagem em voo  20 Hz;
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Configuração Experimental
 Placa controladora:
 Fabricante  Arduino;
 Modelo  Mega 2560;
 Tipo  microcontroladora;
 Quantidade  1 un;
 Interfase de entrada SPI;
 Interfase de saida  USB;
 Dados coletados  pressão e temperatura;
 Receptor dos dados coletados  laptop (túnel) ou ODROID-XU4 (voo);
UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Configuração Experimental

Figura 2 – Skywalker X8 em voo

 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Configuração Experimental

Figura 4 – Vista geral da localização de todos sensores de pressão:

BMP280 (vermelho) e DSA3217 (azul)
Figura 3 – Vista dos quatro sensores de pressão
localizados no extradorso da asa direita
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Configuração de teste em túnel de vento

 Tunel de vento:
 Localização  Slovak University of Technology, Bratislava;
 Dimensões  14,6 m x 2,6 m x 1,6 m;
 Apêndices:
 Unidade de inclinação  PTU-D48 (precisão de até 0,006°);
 Scaniválvulas pneumáticas (22 un)  DSA31127 – 10 Hz (precisão de ±1,25 Pa);
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Configuração de teste em túnel de vento

 Surgimento de fluter e elevadas cargas estáticas acima de 17,32 m/s
 VANT bloqueia uma considerável quantidade de seção transversal do túnel,
elevando a velocidade em torno da aeronave;
 Elevados arrastos devido a uma turbulência da corrente livre de 5% ;
Va [m/s] T [°C] ρ [m/kg3]
11,01 27,4 1,1573
12,09 27,4 1,1573
13,12 27,5 1,1568
14,14 27,6 1,1564
15,21 27,6 1,1559
16,23 27,7 1,1555
17,32 27,8 1,1555
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Configuração de teste em túnel de vento

 Alguns sensores são mais sensíveis à variação de determinado
parâmetro do que outros  geometria do VANT em relação ao
vento.

Figura 5 – Dados crus obtidos do teste em túnel de vento com velocidade do ar de 11,01m/s
UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Configuração de teste em túnel de vento

Figura 6 – Vista lateral da configureção em tunel de vento

com o Skywalker X8 montado no PTU-D48
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Configuração de teste em voo

 Recursos empregados:
 16 sensores BMP280 embarcados;
 Placa microprocessadora Arduino Mega 2650;
 Placa monocomputadorizada ODROID-XU4;
 Log de dados GNSS e IMU;
 Placa sincronizadora desenvolvida por Albrektsen e Johansen;
 Sistema de dados de micro ar:
 Fonte de parâmetros aerodinâmicos para determinar a velocidade no solo;
 Precisão de ±1° em ângulo de escoamento e 1m/s em velocidade do escoamento;
 Instalado na região do nariz da aeronave.
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Configuração de teste em voo

 Duração do voo  < 37 min;

 Fases de voo  2 fases.

 Fase 1  primeiros 5 min alocados para voo de teste de avaliação das
capacidades do algoritmo de ML em estimar os parâmetros aerodinâmicos;
 Fase 2  voo de teste propriamente dito.
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Resultados
 Primeiramente, os dados coletados pelos sensors BMP280 em túnel de
vento foram usados para treinar e testar as abordagens RL e RNA, a fim de
verificar se os métodos de ML são capazes de modelar os dados de entrada
obtidos no túnel de vento e as relações de saída.

 A seguir, foi feita uma comparação com os dados mais precisos obtidos
por meio do sensors DS3217.

 Principal teste de avaliação comparativa das capacidades do método de

ML  dados obtidos em voo de 5 min;

 Avaliação do impacto da configuração de sensor escolhida, na precisão

dos resultados  uso de pseudo número de Reynolds
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Resultados dos testes em túnel de vento

 A Figura 7 apresenta os erros médios quadráticos (RMSE) para os
parâmetros aerodinâmicos estimados a partir dos dados de treinamento
(~) e dos dados de teste (-);
 Dentre as expansões singelas, os melhores resultados numéricos da RL
foram preduzidos por meio da função de expansão cruzada de primeira
ordem;
 Expandindo o vetor básico de entrada (B) por meio de termos cruzados de
primeira ordem (X), termos quadráticos (Q) e termos cúbicos (C), obtemos
ainda melhores resultados, que são muito próximos dos obtidos por meio
de uma única expansão cruzada de primeira ordem;

 Os resultados obtidos por meio da RNA possuem maior precisão e o RMSE

diminui com o aumento da complexidade da estrutura da RNA;
UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Resultados dos testes em túnel de vento

Figura 7 – Resultados numéricos utilizando dados obtidos em túnel de vento

 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Resultados dos testes em túnel de vento

 Conforme a Figura 8, para uma RL, a precisão dos resultados da velocidade
do ar é relativamente constante;

 Conforme a Figura 9, para uma RNA, a precisão dos resultados da

velocidade do ar é levemente maior para baixas velocidades;

 Ambos métodos apresentam menores precisões nas estimativas para os

elevados ângulos de ataque e derrapagem do que para os menores;

 Conforme a Figura 10, a maior diferença entre os métodos ocorre nos

elevados ângulos de ataque, onde introduzem-se as não linearidades e as
turbulências devido estar a asa sob condições de estol ;
UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Resultados dos testes em túnel de vento

Figura 8 – Resultados obtidos usando Regressão Linear com vetor de entrada

de dados aumentados com termos cruzados de primeira ordem, quadraticos e cubicos
(BXQC)
UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Resultados dos testes em túnel de vento

Figura 9 – Resultados obtidos usando Rede Neural com 10 neurônios em uma única camada escondida (F10S0)
UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Resultados dos testes em túnel de vento

Figura 10 – Diferenças entre as estimativas feitas por meio de Regressão Linear e Rede Neural
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Comparação com sensor de pressão de alta precisão

 Os sensores DSA3217 são maiores e mais pesados que os sensores
BMP280;

 Foram utilizados mais sensores DSA3217 (22 un), cujos pontos de

medidas não coincidem com os dos sensores BMP280 (16 un)
impossibilidade de uma visão completa da influência da quantidade e
precisão do sensor no método;

 Somente foram comparadas as estruturas BXQC (RL) e F10S0 (RNA);

 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Comparação com sensor de pressão de alta precisão

Figura 11 – Resultados obtidos para uma estimativa por Redes Neurais (F10S0) e usando medidores de pressão DSA3217
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Comparação com sensor de pressão de alta precisão

Figura 12 – Resultados numéricos sem processamento (dados crus) e com processamento (fase de transição removida)
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Comparação com sensor de pressão de alta precisão

 Os resultados numéricos para a abordagem ML são melhorados
devido ao maior número de sensores DSA3217 e sua maior precisão;

 A escolha do sensor implica em uma relação de troca entre custo,

peso, tamanho e consumo de energia versus precisão dos resultados;

 Estruturas mais complexas produzem melhores resultados  RNA.

 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Algoritmos de Machine Learning treinados em túnel de vento, em

avaliação comparativa de voo
 Uso de 100% dos dados obtidos em túnel de vento no treinamento do método
RL;
 Método RNA  85 % treinamento e 15 % validação;
 Significativa diferença entre o RMSE dos resultados do conjunto de treinamento
e o RMSE dos resultados do conjunto de teste.
 Desalinhamento entre α e β da aeronave no túnel de vento e a montagem do sensor;
 Bloqueio de uma considerável quantidade de seção de túnel de vento  aceleração
do escoamento;
 Os métodos de ML não são adequados para extrapolação  grande parte das
velocidades testadas em voo são superiores aquelas testadas em túnel de vento;
 Poucos pontos de treinamento para modelar as relações de entrada e saída.
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Algoritmos de Machine Learning treinados em túnel de vento,

em avaliação comparativa de voo
 Os efeitos de bloqueio e desalinhamento nos resultados foram corrigidos
gerando-se novos conjuntos de resultados, onde aos dados de treinamento
foram adicionados termos de correção de viés;
 O viés foi estimado como a média do erro para as 10 instâncias de
treinamento da RNA com estrutura F10S0 cujos dados foram obtidos no
tunel de vento e voo  va = 3,24 m/s, α = 10,59° e β = -1,63°;
 Para o método de RL, observam-se elevados valores de α e β, o que
indica a existência de significativa não linearidade nos dados obtidos
em túnel de vento;
 Os resultados obtidos pelo método de RNA indicam que as
estruturas mais complexas estão mais propensas à sobreajuste.
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Algoritmos de Machine Learning treinados em túnel de

vento, em avaliação comparativa de voo

Figura 13 – Resultados numéricos após introdução de viés para correção – treinamento em túnel de vento
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Algoritmos de Machine Learning treinados em voo, em

avaliação comparativa de voo
 Os resultados obtidos por treinamento em voo dos algoritmos de ML
foram melhores que aqueles obtidos usando os dados de túnel de
vento para treinamento;
 Não há desalinhamento dos ângulos;
 Não há efeito de bloqueio;
 Não há extrapolação.
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Algoritmos de Machine Learning treinados em voo, em

avaliação comparativa de voo
 Os resultados de teste do algoritmo de RL não dependem da
estrutura da RL, sendo no entanto benéfico adicionar uma função de
expansão única para aumentar a precisão da estimativa;

 Os resultados de teste do algoritmo de RNA aparentam independer

da estrutura selecionada;
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Algoritmos de Machine Learning treinados em voo, em

avaliação comparativa de voo

Figura 14 – Resultados obtidos usando uma Regressão Linear BXQC treinada com dados de voo em avaliação comparativa de voo
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Algoritmos de Machine Learning treinados em voo, em

avaliação comparativa de voo

Figura 15 – Resultados obtidos usando uma Rede Neural F10S0 treinada com dados de voo em avaliação comparativa de voo
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Algoritmos de Machine Learning treinados em voo, em

avaliação comparativa de voo

Figura 16 – Diferenças entre as estimativas feitas por meio de Regressão Linear e Rede Neural
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Algoritmos de Machine Learning treinados em voo, em

avaliação comparativa de voo

Figura 17 – Resultados numéricos – treinamento em voo

 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Influencia da configuração do sensor

 Toda configuração de sensores foi aumentada com um pseudo número de
Reynolds, que utiliza pressão e temperature ambiente a partir do piloto
automático e velocidade avante obtida a partir de um tubo de pitot
estático, como uma aproximação para velocidade do ar (va = [ur, 0, 0]T).

 Sensores somente localizados no nariz da aeronave produzem estimativas

pobres de va;
Se adicionarmos um sensor a partir de cada asa, haverá um considerável
aumento da precisão das estimativas de va;

 Somente sensores nas asas produzem estimativas pobres de β.

 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Influencia da configuração do sensor

Figura 18 – Resultados numéricos obtidos a partir de diferentes configurações de sensores e melhoria com pseudo Re
 UMA ABORDAGEM DE MACHINE LEARNING PARA ESTIMAR PARÂMETROS DE DADOS DO
AR DE PEQUENOS UAV DE ASAS FIXAS USANDO SENSOR DE PRESSÃO DISTRIBUÍDO

Conclusão
 O método apresentado compreende um conjunto de sensores de pressão MEMS de baixo custo
embarcados na superfície de um VANT combinado com algoritmos de ML;

 Uma das grandes vantagens do método é a flexibilidade de posicionamento dos sensores;

 Implementaram-se dois algoritmos de ML: Regressão linear e Rede Neural Artificial ;

 Ambos algoritmos foram avaliados com dados obtidos de ensios em tunel de vento e em voo;

 O algoritmo de Rede Neural Artificial proporcionou erros de estimativa levemente menores que o
algoritmo de Regressão Linear;

 A implementação de funções de expansão no algoritmo de Regressão Linear possibilita melhorar os

resultados;

 O treinamento dos algoritmos de ML usando somente dados de tunel de vento incide em fontes de
erro;
 Referências bibliográficas

[1] Borup, K. T.; Fossen, T. I. and Johansen, T. A. A Machine Learning

approach for estimating air data parameters of small fixed-wing UAVs
using distributed pressure sensor. IEEE Transactions on Aerospace and
Electronic Systems, vol. 56, October 2019.