Anomální detekce letových dat UAV

Anomální detekce v letových datech

Anomální detekce v letových datech UAV je klíčová pro včasné odhalení poruch senzorů, degradace pohonu, zhoršení navigační integrity, kybernetických útoků či emergentních problémů v rojových interakcích. Autoenkodéry (AE) nabízejí bezdozorovou extrakci reprezentací a měření rekonstrukční chyby jako signálu anomálie; grafové modely (GM) – zejména grafové neuronové sítě (GNN) a pravděpodobnostní grafy – zase explicitně zachycují závislosti mezi subsystémy UAV a agenty v roji. Kombinace obou přístupů umožňuje detekovat anomálie na úrovni časového průběhu, struktury systému a vzájemných interakcí.

Charakteristika letových dat a anomálií

Typy dat: IMU (akcelerometr/gyroskop), barometr, GNSS, magnetometr, optický tok, lidar/radar, stavové odhady (EKF/UKF), příkazy řízení, teploty, proudy, napětí, logy autopilota, telemetrie linky C2, U-space/UAT, údaje z payloadu.
Struktura: vícesměrné multikanálové časové řady, události (failsafe, přepnutí režimu), prostorové relace (roje, formace), hierarchie (senzor → odhad → řízení → aktor).
Typy anomálií: bodové (spike), kontextové (drift při specifickém režimu), sekvenční (zpožděné integrální přesycení), strukturální (rozpad formace), kolektivní (koordinované odchylky více uzlů).

Předzpracování a normalizace

Synchronizace a resampling vícero kanálových zdrojů; ošetření chybějících hodnot (interpolace vs. maskovací vektory).
Odstranění sezónnosti a trendů (např. teplotní driftová kompenzace IMU).
Normalizace podle letových režimů (TAKEOFF/CRUISE/RTL) a letového profilu (rychlost, výška, zátěž větrem).
Konstrukce doplňkových příznaků: derivace, energetické metriky, spektra (STFT), health indexy (SoH baterie).

Autoenkodéry: architektury a trénink

Dense/Convolutional AE: vhodné pro krátká časová okna a lokální vzory; 1D CNN pro akcelerometrické a motorové signály.
Rekurentní AE: LSTM/GRU encoder–decoder pro delší časové závislosti; seq2seq s pozorností pro variabilní délky.
Variational AE (VAE): latentní prostor s regulací (KL), který umožňuje odhad hustoty a neurčitosti rekonstrukce.
Denoising a Contractive AE: robustnost vůči šumu a drobným perturbacím.
Adversariální AE: lepší aproximace komplexních rozdělení (pozor na stabilitu tréninku).

Funkce ztráty a kalibrace práhů: kombinace rekonstrukční chyby (MAE/MSE/Huber) a regularizačních členů; prahy odvozené pomocí Extreme Value Theory (EVT) nebo Conformal Prediction pro garantovanou míru falešných poplachů.

Grafové modely pro UAV a roje

Model UAV systému jako graf: uzly = subsystémy (IMU, EKF, attitude loop, motor), hrany = fyzikální/algoritmické vazby (korekce, zpětné vazby).
Model roja: uzly = drony, hrany = komunikace/viditelnost/proximitní vazby; dynamický graf dle polohy, rychlosti a topologie sítě.
GNN pro anomálie: GraphSAGE/GCN/GAT s časovou složkou (T-GNN, DCRNN, ST-GCN) pro spatio-temporální závislosti.
Grafové autoenkodéry (GAE/VGAE): rekonstrukce sousední matice a atributů; anomálie jako vysoká rekonstrukční chyba uzlu/hrany.
Pravděpodobnostní grafy: Bayesovské sítě a faktorové grafy pro kauzální inference; odhalení nekonzistentních toků (např. GNSS → EKF → výška).

Detekční režimy: uzel, hrana, graf

Na úrovni uzlu: degradace jednoho senzoru/motoru; skóre = rekonstrukční chyba uzlu + odchylka latentního vektoru.
Na úrovni hrany: porucha komunikace, abnormální latence; skóre = pravděpodobnost chybějící/neočekávané hrany, změna vah.
Na úrovni grafu: rozpad formace, nekonzistentní globální chování; skóre = odchylka spektrálních vlastností Laplaciánu, GAE rekonstrukční ztráta.

Fúze autoenkodérů a grafových přístupů

Hybridní pipeline: per-kanálový sekvenční AE → zhuštěné latentní vektory jako atributy uzlů → GNN/GAE pro strukturální koherenci.
Hierarchie: AE pro subsystémy (IMU/motory) + GAE pro nadřízené propojení (EKF–řízení–aktuátory).
Multimodální shoda: kontrola, zda jsou rekonstrukce napříč modalitami (IMU, GNSS, příkazy) kauzálně konzistentní.

Trénink bez a s dohledem

Bezdozorový: trénink na „zdravých“ datech; pozor na skrytou kontaminaci anomáliemi (robustní tréninkové schémata, trimming, median-of-means).
Polodozorový: malé množství označených incidentů; contrastive learning s hard negatives.
Dohledový: syntetické scénáře (SITL/HIL) – doménová data augmentation (GNSS spoofing, ztráta tahu motoru, ztráty paketů C2, výpadky senzorů).

Online inference a nasazení na palubě

Omezení: výpočetní zdroje, latence (10–50 ms v řídicí smyčce), energetická spotřeba.
Optimalizace: kvantizace, prořezávání, distilace (AE → lite AE), implementace v C++/Rust na RTOS; dávkování a sliding windows.
Edge–cloud: hraniční zpracování pro okamžité zásahy + asynchronní cloudová analýza pro dlouhodobé anomálie.

Prahování, nejistota a rozhodování

Kalibrace skóre (Platt/Isotonic), conformal prediction pro kontrolu FPR.
Fúze rozhodnutí (Dempster–Shafer, Bayes) z více detektorů (AE, GAE, pravidla).
Mapování do Safety Monitoru (Simplex/Runtime Assurance): observe–orient–decide–act s bezpečným fallbackem.

Metodiky hodnocení a metriky

Mapování incidentů do „truth“ anotací (časové intervaly, uzly, hrany, grafy).
Metriky: AUC-ROC, AUC-PR (při nerovnováze), F1, mAP, time-to-detect, false alarm rate, latence.
Robustnost: odolnost vůči driftu (seasonality, opotřebení baterií), OOD generalizace.

Interpretovatelnost a vysvětlení

Saliency pro sekvenční AE (gradienty, integrated gradients), ocenění důležitosti kanálů.
GNN vysvětlení (GNNExplainer, PGExplainer): subgrafy přispívající k rozhodnutí.
Kontrafaktuály: minimální změny signálů/topologie potřebné pro návrat do „normálu“.

Detekce v rojích a kolektivní jevy

Topologie formace (vůdce–následovník, kruh, mřížka), odchylky vzdáleností a úhlů.
Dynamické grafy s metrikami koherence (algebraická konektivita, spektrální poloměr).
Detekce lokálních vs. globálních anomálií: ego-graph vs. celý roj; šíření poruchy přes komunikační hrany.

Kybernetická bezpečnost a adversariální aspekty

GNSS spoofing, IMU injection, C2 replay; detekce přes nekonzistenci mezi modalitami (AE+BN).
Adversariální příklady proti AE/GNN; obrany: adversarial training, randomized smoothing, detektory OOD.
Integrita telemetrie a časových razítek (MAC, monotónní počítadla).

Datasetová strategie a syntetická data

SITL/HIL generování selhání: ztrátové scénáře senzorů, výpadky motoru, turbulence, profily ztráty spojení.
Sim2Real kalibrace: enkódujte realistický šum, neideální zpoždění, saturace; domain randomization.
Bezpečné logování a anotace během testů; ochrana osobních údajů a citlivých geodat (privátnost, agregace).

Implementační návrh: referenční pipeline

Sběr: synchronizace, validace, normalizace per režim.
AE trénink: LSTM-AE/1D-CNN-AE na oknech 1–5 s; ztráta MSE+Huber; validační prahy přes EVT.
Grafová vrstva: konstrukce systémového/rojového grafu; T-GNN/GAE na latentech z AE.
Fúze: Bayes/D–S evidence; rozhodnutí o stupni závažnosti a doporučený zásah.
Runtime: edge inference s kvantizací; Simplex monitor pro nouzové přepnutí.
MLOps: sledování driftu, retrénink, audit stop, verzování modelů a dat.

Průkazný případ (schématicky)

Scénář: multikoptéra s BVLOS, náhlý nárůst vibrací a pokles tahu jednoho motoru. LSTM-AE na motorových proudech a IMU vykazuje rostoucí rekonstrukční chybu během 8 s. Systémový graf (uzly: motory, IMU, EKF, attitude, pozice; hrany: fyzikální vazby) v GAE signalizuje nekonzistenci mezi uzly „motor-3“ a „attitude“. Fúze skóre překročí práh úrovně 2 → monitor aktivuje omezení rychlosti a návratový režim. Po přistání analýza identifikuje částečné zadření ložisek motoru a zvýšené zahřátí ESC.

Limity a nežádoucí efekty

Kontaminovaná „zdravá“ tréninková data: vede k otupění detekce.
Ignorování režimové závislosti: prahy musí být kontextové (režim/zatížení/vítr).
Překomplexní topologie bez regularizace: hrozí overfitting a nestabilita GNN.
Nezohlednění latence v RTA: opožděná detekce může být nepřijatelná pro bezpečné přepnutí.

Best practices a doporučení

Oddělený golden set zdravých letů; canary testování po každé změně firmwaru.
Kontextové prahy vázané na režim a letové podmínky; využití konformní predikce.
Hybridní modely (AE+GAE) s kompoziční interpretovatelností; logování subgrafových vysvětlení.
Bezpečnostní vazby do řízení: Command Governor a Simplex runtime assurance.
Průběžná kalibrace přes HIL a zpětnou vazbu z provozu (SMS, incident reports).

Autoenkodéry poskytují silný bezdozorový detektor lokálních a sekvenčních odchylek, zatímco grafové modely přinášejí citlivost na strukturální a kolektivní anomálie. Jejich integrovaný návrh – podporovaný kontextovým prahováním, interpretovatelností a runtime garancemi – umožňuje robustní, včasnou a akčně využitelnou detekci anomálií v individuálních UAV i v komplexních rojových misích.