AeroTSBoost: Temporal-Statistical Boosting for Real-World UAV Telemetry Anomaly Mining

Resumo Técnico: AeroTSBoost

Formulação do Problema
O artigo aborda o desafio de minerar anomalias a partir de logs de estimativa de estado de Veículos Aéreos Não Tripulados (UAV). Esses logs apresentam um problema complexo de mineração de dados, caracterizado por fontes de dados heterogêneas (fusão de sinais inerciais, barométricos, magnéticos, visuais e de GPS), rotulagem esparsa de anomalias e disponibilidade variável de sensores com valores ausentes. Os autores argumentam que, embora detectores recentes de anomalias em séries temporais multivariadas tenham avançado por meio de reconstrução, previsão e mecanismos de atenção, eles frequentemente falham em abordar as especificidades práticas da telemetria operacional de UAV: amostragem irregular, a esparsidade das anomalias (onde o AUROC pode ser enganoso) e o fato de que as perdas de reconstrução não supervisionadas não otimizam necessariamente a detecção de eventos esparsos e rotulados.

Metodologia: AeroTSBoost
A solução proposta, AeroTSBoost, é um framework de boosting temporal-estatístico supervisionado projetado para converter logs de voo brutos em um sistema robusto de detecção de anomalias. O pipeline consiste em três etapas principais:

1. Alinhamento e Janelamento de Dados: Logs PX4 brutos são alinhados a uma grade comum de 10 Hz. Valores ausentes são reparados deterministicamente via interpolação bidirecional e preenchimento com zeros. Os dados são padronizados utilizando apenas estatísticas da divisão de treinamento. Os logs são cortados em janelas de comprimento fixo ($L=96$, passo $8$, horizonte $12$). Uma janela é rotulada como positiva se sobrepor ou imediatamente preceder um intervalo de anomalia anotado.
2. Mineração de Descritores Temporal-Estatísticos: Em vez de usar extração estocástica de características neurais, o AeroTSBoost transforma cada janela multivariada em um vetor de características determinístico. Para cada um dos $d$ canais de telemetria (87 canais no conjunto de dados UAV-SEAD), o método computa um vetor descritor de 18 dimensões contendo:
   • Momentos e Extremos: Média, desvio padrão, mínimo, máximo e amplitude.
   • Quantis: Percentis 10, 25, 50, 75 e 90.
   • Dinâmica de Extremos: Valor inicial, valor final e deriva dos extremos ($w_L - w_1$).
   • Derivadas: Média, desvio padrão e máximo das diferenças de primeira ordem.
   • Autocorrelação: Autocorrelação de lag-um.
     Isso resulta em um vetor de características de $18d$ dimensões (1.566 características para o UAV-SEAD) que captura deslocamentos distribucionais, estrutura de quantis, deriva, volatilidade local e dependências temporais de curto alcance.
3. Detector Boosted: Os vetores de características são alimentados em um classificador binário LightGBM balanceado por classe. O modelo é treinado com hiperparâmetros específicos (1.600 árvores, taxa de aprendizado 0,025, pesos balanceados) para aprender interações não lineares entre canais e grupos de descritores. A saída é uma pontuação de classificação, e não uma probabilidade calibrada.

Contribuições Principais

• Formulação: Os autores enquadram a mineração de anomalias em UAV como um problema de classificação de janelas multivariadas avaliado sob protocolos conscientes de vazamento (cronológico, cronológico purgado e leave-log-out) em vez de divisões aleatórias.
• Framework: Introdução do AeroTSBoost, que minera evidências de distribuição, quantil, deriva, derivada e autocorrelação de logs de alta dimensão usando descritores determinísticos.
• Avaliação Abrangente: Uma ampla comparação empírica contra detectores clássicos (PCA, Isolation Forest, LOF), baselines tabulares supervisionadas (RandomForest, Linear-SGD) e baselines profundas/estruturadas recentes (GCAD, xLSTMAD, CATCH, LSTM-AE).
• Relato Rigoroso: Fornecimento de resultados com cinco sementes, análise de precisão-recall, decomposição por famílias de falhas e validação externa em um conjunto de dados separado de UAV de asa fixa (ALFA).

Resultados Experimentais
A avaliação foi conduzida no conjunto de dados UAV-SEAD (1.389 logs, 218.537 janelas) e no conjunto de dados ALFA (falhas de asa fixa).

• Desempenho no UAV-SEAD:
  • Protocolo Cronológico: O AeroTSBoost alcançou o maior AUPRC de 0,7516 ± 0,0043, superando a baseline mais forte não-AeroTSBoost (RandomForest, 0,6937) em 5,79 pontos absolutos. Também alcançou o melhor Event F1 (0,5342).
  • Protocolos Estritos: Sob o protocolo cronológico purgado (removendo janelas sobrepostas nas fronteiras de divisão), o AeroTSBoost manteve a liderança com um AUPRC de 0,6066 ± 0,0193, superando significativamente as baselines profundas (que caíram para AUPRCs entre 0,11 e 0,14) e as baselines tabulares supervisionadas.
  • Leave-Log-Out: No teste mais rigoroso, onde os logs de teste não foram vistos durante o treinamento, o AeroTSBoost alcançou 0,6388 ± 0,0315 de AUPRC, superando novamente todas as baselines.
• Validação Externa ALFA: No conjunto de dados de asa fixa ALFA, o AeroTSBoost alcançou um AUPRC leave-sequence-out de 0,9259 ± 0,0076, superando o RandomForest (0,8835) e uma variante apenas de momentos (0,8700).
• Estudos de Ablação: A remoção de descritores dinâmicos (deriva, derivadas) causou a maior queda de desempenho (o AUPRC caiu de 0,7516 para 0,7322), confirmando a importância da dinâmica temporal. No entanto, uma variante "apenas momentos" permaneceu altamente competitiva, sugerindo que estatísticas de baixa ordem fornecem uma baseline forte.

Significado e Alegações
O artigo afirma que representações temporal-estatísticas determinísticas permanecem altamente competitivas para a mineração de anomalias esparsas em telemetria operacional de sistemas ciber-físicos. Os autores argumentam que, para este domínio específico, converter logs em descritores estatísticos compactos e interpretáveis e usar um detector de árvore boostada oferece estabilidade superior, reprodutibilidade e desempenho de classificação em comparação com modelos complexos de reconstrução ou previsão neural.

Os resultados sugerem que o "descompasso" entre objetivos comuns de anomalias auto-supervisionados (reconstrução/previsão) e o objetivo de detecção de eventos rotulados esparsos na telemetria de UAV é significativo. Quando rótulos estão disponíveis, o boosting supervisionado sobre descritores temporais bem projetados pode explorar diretamente limites esparsos com menor variância de treinamento. O artigo conclui que, embora modelos profundos não sejam inerentemente fracos, a estrutura específica das falhas de estimativa de estado de UAV (manifestando-se como deslocamentos multicanal, derivas e mudanças de volatilidade) é efetivamente capturada por evidências temporal-estatísticas explícitas.

Os autores notam modestamente limitações, incluindo a dependência atual de intervalos rotulados (que podem ser atrasados em implantação real), o foco na mineração de logs offline (requerendo imputação causal para uso online) e a necessidade de validação adicional em diversas plataformas de UAV. Trabalho futuro é proposto para estender o framework para implantação online e diagnóstico de tipos de anomalia.