KR102021384B1 - Method for creating dynamic modeling of drone based on artificial intelligence - Google Patents
Method for creating dynamic modeling of drone based on artificial intelligence Download PDFInfo
- Publication number
- KR102021384B1 KR102021384B1 KR1020170151450A KR20170151450A KR102021384B1 KR 102021384 B1 KR102021384 B1 KR 102021384B1 KR 1020170151450 A KR1020170151450 A KR 1020170151450A KR 20170151450 A KR20170151450 A KR 20170151450A KR 102021384 B1 KR102021384 B1 KR 102021384B1
- Authority
- KR
- South Korea
- Prior art keywords
- modeling
- drone
- dynamic modeling
- virtual
- dynamic
- Prior art date
Links
Images
Classifications
-
- G06F17/5009—
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
- B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
본 발명은 인공지능 기반의 드론의 동역학 모델링 생성 방법에 관한 것으로서, 보다 구체적으로는 드론의 움직임을 표현하는 드론의 동역학 모델링 생성 방법에 있어서, (1) 수학적으로 가상의 동역학 모델링을 생성하는 단계; (2) 상기 단계 (1)에서 생성한 상기 가상의 동역학 모델링으로부터 입력 데이터 및 출력 데이터를 얻는 단계; (3) 상기 단계 (2)에서 얻은 상기 입력 데이터 및 상기 출력 데이터를 이용하여 인공지능 기반으로 상기 가상의 동역학 모델링을 추정함으로써 동역학 모델링을 생성하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 인공지능 기반의 드론의 동역학 모델링 생성 방법에 따르면, 드론의 동역학 모델링 생성 시 초기에 드론의 데이터 취득이 어려운 상황에서 학습 및 추론을 위한 가상의 동역학 모델을 생성하고, 가상의 동역학 모델로부터 가상의 입출력 데이터를 취득하여 인공지능 기반의 모델 학습을 통해 보다 정확한 드론의 동역학 모델링을 생성하고 검증할 수 있다.
또한, 본 발명에서 제안하고 있는 인공지능 기반의 드론의 동역학 모델링 생성 방법에 따르면, 가상의 동역학 모델로부터 입력 데이터 및 출력 데이터를 얻음으로써, 드론으로부터 데이터를 실시간으로 취득할 필요가 없고, 드론에 데이터 취득을 위한 별도의 센서를 탑재하거나 변형을 가하지 않고도 본래 상태에서의 드론의 동역학 모델링을 생성하고 검증할 수 있다.The present invention relates to a method for generating dynamic modeling of an artificial intelligence-based drone, and more particularly, to a method for generating dynamic modeling of a drone expressing the movement of a drone, comprising: (1) generating a virtual dynamic modeling mathematically; (2) obtaining input data and output data from the virtual kinetic modeling generated in step (1); And (3) generating dynamic modeling by estimating the virtual dynamic modeling based on artificial intelligence using the input data and the output data obtained in step (2).
According to the AI-based drone dynamic modeling generation method proposed in the present invention, a virtual dynamic model for learning and inference is generated in a situation where it is difficult to acquire data of a drone at the time of generating a dynamic modeling of a drone, and a virtual Virtual I / O data can be acquired from dynamic models to generate and verify more accurate drone dynamics modeling through AI-based model training.
In addition, according to the AI-based drone dynamic modeling generation method proposed in the present invention, input data and output data are obtained from a virtual dynamic model so that the data need not be acquired in real time from the drone. You can create and verify dynamic modeling of the drone in its original state without mounting or modifying a separate sensor for acquisition.
Description
본 발명은 드론의 동역학 모델링 생성 방법에 관한 것으로서, 보다 구체적으로는 인공지능 기반의 드론의 동역학 모델링 생성 방법에 관한 것이다.The present invention relates to a method for generating dynamic modeling of a drone, and more particularly, to a method for generating dynamic modeling of an artificial drone.
드론(Drone)은 무선 전파로 조종할 수 있는 무인 항공기로서, 일반적으로 4개의 로터로 구동되는 헬리콥터 형태의 비행체를 말한다. 드론에는 카메라, 센서, 통신 시스템 등을 탑재할 수 있어, 과거에는 주로 군사용으로 운용되었다. 그러나 드론이 민간용으로 제작되어 보급되기 시작하면서, 군사용 이외에도 고공 촬영과 배달 등의 목적으로도 널리 사용되고 있다.
Drones are drones that can be controlled by radio waves, and are usually helicopter-type helicopters driven by four rotors. Drones can be equipped with cameras, sensors, and communication systems, which were used primarily for military purposes in the past. However, as drones are manufactured and distributed for civilian purposes, they are widely used for high-altitude shooting and delivery as well as military use.
특히, 드론은 사람이 탑승하지 않은 채 원거리에서 조종할 수 있기 때문에, 지상에서 접근이 곤란하거나 위험한 지역에서도 안전하게 운영할 수 있고, 다른 항공기에 비해 상대적으로 제작 및 제어가 쉬우므로 무인 항공기 분야의 연구 대상으로 많은 관심을 받고 있는 상황이다.
In particular, because drones can be operated remotely without humans, they can be operated safely in difficult-to-access or dangerous areas on the ground, and are easier to manufacture and control than other aircrafts. The situation is receiving a lot of attention.
도 1은 쿼드 로터 구조의 드론을 도시한 도면이다. 도 1에 도시된 바와 같이, 드론의 구조 중 쿼드 로터(Quad Rotor)는 4개의 모터 출력으로 드론을 구동하는 방식이다. 이러한 쿼드 로터는 다른 비행체의 구조에 비해 많은 장점을 가진다. 쿼드 로터의 가장 큰 장점으로는 비행 전에 트림(Trim)을 맞추어야 할 필요가 없고, 기계적인 진동도 크지 않으며, 피로에 의한 부품 파손의 확률도 낮다. 따라서 일반적으로 대부분의 드론은 쿼드 로터 구조를 기반으로 제작되고 있다.
1 is a diagram illustrating a drone of a quad rotor structure. As shown in FIG. 1, the quad rotor (Quad Rotor) of the structure of the drone is a method of driving the drone with four motor outputs. This quad rotor has many advantages over the structure of other aircraft. The main advantage of the quad rotor is that it does not need to be trimmed before flight, there is no mechanical vibration, and the risk of component failure due to fatigue is low. Therefore, most drones are generally built on quad rotor structures.
도 2는 수학적으로 표현한 드론의 동역학 모델링을 도시한 도면이다. 드론의 구조 중 쿼드 로터의 제어에 대해서는 많은 연구자들에 의해 연구가 이루어져 왔다. 도 2를 참조하면, 드론의 동역학 모델링은 드론의 물리적 특성을 고려하여 수학적으로 드론의 움직임을 설명할 수 있는 모델로서, 여러 입력 변수에 의해 드론의 움직임을 설명하기 위한 모델이다. 이러한 모델링에서는 드론을 외력이 가해도 크기나 형태가 변하지 않는 이상적인 물체인 강체(Rigid body)로 간주한다. 또한, 드론의 움직임은 병진 운동(Translational motion)과 회전 운동(Rotational motion)에 의해 결정되도록 한다. 부가적으로, 항력(Drag force)과 감쇠공력모멘트(Damping aero moment)를 통해 유체(공기) 내에서 비행체의 저항 성분을 고려할 수 있다.
2 is a diagram illustrating dynamic modeling of a drone mathematically represented. Many researchers have studied the control of quad rotors in the structure of drones. Referring to FIG. 2, the dynamic modeling of a drone is a model for mathematically explaining the motion of a drone in consideration of physical characteristics of the drone, and is a model for explaining the motion of a drone by various input variables. In this modeling, drones are considered rigid bodies, which are ideal bodies that do not change in size or shape under external force. In addition, the movement of the drone is to be determined by the translational and rotational motion. In addition, drag components and damping aero moments allow for the consideration of the resistive component of the vehicle in the fluid (air).
그러나 기존의 수학적인 드론의 동역학 모델링에서는 어떤 데이터를 드론의 입출력 데이터로 취해야 정확한 동역학 모델링이 얻어질 수 있는지에 대한 실질적인 연구 결과가 없는 실정이다. 따라서 어떠한 데이터를 입출력 데이터로 하면, 보다 정확한 드론의 동역학 모델링을 생성할 수 있는지 분석하기 어렵다는 문제점이 있었다.
However, there is no practical research on what kind of data should be taken as input / output data of the drone in the dynamic modeling of the conventional mathematical drones. Therefore, there is a problem that it is difficult to analyze what data can be used as input / output data to generate more accurate drone dynamic modeling.
더욱이, 드론의 동역학 모델링을 위해 드론의 입출력 데이터를 취득하려는 경우 드론에 대한 데이터를 실시간으로 얻기가 매우 어렵다는 문제점이 있었다. 데이터를 얻기 위해서는 드론에 데이터 수집을 위한 별도의 센서를 탑재해야 하므로, 드론에 변형을 가할 수밖에 없게 된다. 그러나 이러한 경우 본래의 드론에 대한 모델링이 아닌, 데이터 수집을 위한 센서가 탑재된 상태의 드론에 대한 데이터를 얻게 된다. 따라서 본래 상태의 드론에 대한 정확한 모델링을 생성할 수 없다는 문제점이 있다.
In addition, there is a problem that it is very difficult to obtain the data for the drone in real time when trying to acquire the input and output data of the drone for dynamic modeling of the drone. In order to obtain the data, the drone must be equipped with a separate sensor for data collection, so that the drone must be modified. However, in this case, the data about the drone with the sensor for data collection is obtained instead of the modeling of the original drone. Therefore, there is a problem that can not generate accurate modeling for the original drone.
해당 기술분야와 관련된 선행기술로서, 대한민국 공개특허 제10-2017-0111921호 ‘무인 비행체 제어 방법 및 시스템’ 등이 제안된 바 있다.As prior art related to the technical field, Korean Unexamined Patent Publication No. 10-2017-0111921 'Unmanned Vehicle Control Method and System' and the like have been proposed.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 드론의 동역학 모델링 생성 시 초기에 드론의 데이터 취득이 어려운 상황에서 학습 및 추론을 위한 가상의 동역학 모델을 생성하고, 가상의 동역학 모델로부터 가상의 입출력 데이터를 취득하여 인공지능 기반의 모델 학습을 통해 보다 정확한 드론의 동역학 모델링을 생성하고 검증할 수 있는, 인공지능 기반의 드론의 동역학 모델링 생성 방법을 제공하는 것을 목적으로 한다.
The present invention has been proposed to solve the above problems of the conventionally proposed methods, generating a virtual dynamics model for learning and inference in the situation where it is difficult to acquire the data of the drone at the time of generating dynamic modeling of the drone, The purpose of the present invention is to provide a method for generating dynamic modeling of AI-based drones that can acquire and input virtual input / output data from the virtual dynamic model and generate and verify the dynamic modeling of the drone more accurately through AI-based model learning. do.
또한, 본 발명은, 가상의 동역학 모델로부터 입력 데이터 및 출력 데이터를 얻음으로써, 드론으로부터 데이터를 실시간으로 취득할 필요가 없고, 드론에 데이터 취득을 위한 별도의 센서를 탑재하거나 변형을 가하지 않고도 본래 상태에서의 드론의 동역학 모델링을 생성하고 검증할 수 있는, 인공지능 기반의 드론의 동역학 모델링 생성 방법을 제공하는 것을 목적으로 한다.In addition, the present invention obtains the input data and the output data from the virtual dynamics model, thereby eliminating the need to acquire the data from the drone in real time, and without incorporating a separate sensor for data acquisition or modifying the drone. The purpose of the present invention is to provide a method for generating dynamic modeling of AI-based drones, which can generate and verify dynamic modeling of drones in.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법은,In order to achieve the above object, a method for generating dynamic modeling of an artificial intelligence based drone according to a feature of the present invention,
드론의 움직임을 표현하는 드론의 동역학 모델링 생성 방법에 있어서,In the method of generating a dynamic modeling of the drone expressing the movement of the drone,
(1) 수학적으로 가상의 동역학 모델링을 생성하는 단계;(1) mathematically generating a virtual kinetic modeling;
(2) 상기 단계 (1)에서 생성한 상기 가상의 동역학 모델링으로부터 입력 데이터 및 출력 데이터를 얻는 단계; 및(2) obtaining input data and output data from the virtual kinetic modeling generated in step (1); And
(3) 상기 단계 (2)에서 얻은 상기 입력 데이터 및 상기 출력 데이터를 이용하여 인공지능 기반으로 상기 가상의 동역학 모델링을 추정함으로써 동역학 모델링을 생성하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
And (3) generating dynamic modeling by estimating the virtual dynamic modeling based on artificial intelligence using the input data and the output data obtained in step (2).
바람직하게는,Preferably,
(4) 상기 단계 (1)에서 생성한 상기 가상의 동역학 모델링과 상기 단계 (3)에서 생성한 동역학 모델링 사이의 정확도를 비교하여 상기 동역학 모델링에 대한 강화 학습이 이루어지는 단계를 더 포함할 수 있다.
(4) The method may further include reinforcing learning on the dynamic modeling by comparing the accuracy between the virtual dynamic modeling generated in the step (1) and the dynamic modeling generated in the step (3).
더욱 바람직하게는,More preferably,
(5) 드론으로부터 얻은 입력 데이터 및 출력 데이터를 기반으로 상기 단계 (4)에서 학습한 동역학 모델링을 검증하는 단계를 더 포함할 수 있다.
(5) The method may further include verifying the dynamic modeling learned in step (4) based on the input data and the output data obtained from the drone.
바람직하게는, 상기 단계 (3)은,Preferably, step (3) is
기계 학습을 통해 상기 입력 데이터 및 상기 출력 데이터를 이용하여 상기 가상의 동역학 모델링을 추정할 수 있다.
Through machine learning, the virtual dynamic modeling may be estimated using the input data and the output data.
더욱 바람직하게는, 상기 단계 (3)은,More preferably, step (3) is
신경망 모델을 사용할 수 있다.
Neural network models can be used.
더욱 바람직하게는, 상기 단계 (4)는,More preferably, the step (4) is,
보상 함수의 기대값을 최대화하도록 상기 동역학 모델링에 대한 강화 학습이 이루어질 수 있다.
Reinforcement learning can be made for the kinetic modeling to maximize the expected value of the compensation function.
더욱 바람직하게는, 상기 보상 함수는,More preferably, the compensation function is
상기 단계 (1)에서 생성한 상기 가상의 동역학 모델링과 상기 단계 (3)에서 생성한 동역학 모델링 사이의 정확도를 비교하여 보상을 결정할 수 있다.
Compensation may be determined by comparing the accuracy between the virtual dynamic modeling generated in step (1) and the dynamic modeling generated in step (3).
바람직하게는, 상기 단계 (1)은,Preferably, step (1) is
쿼드 로터 구조를 가진 드론에 대한 가상의 동역학 모델링을 생성할 수 있다.Generate virtual dynamics modeling for drones with quad rotor structure.
본 발명에서 제안하고 있는 인공지능 기반의 드론의 동역학 모델링 생성 방법에 따르면, 드론의 동역학 모델링 생성 시 초기에 드론의 데이터 취득이 어려운 상황에서 학습 및 추론을 위한 가상의 동역학 모델을 생성하고, 가상의 동역학 모델로부터 가상의 입출력 데이터를 취득하여 인공지능 기반의 모델 학습을 통해 보다 정확한 드론의 동역학 모델링을 생성하고 검증할 수 있다.
According to the AI-based drone dynamic modeling generation method proposed in the present invention, a virtual dynamic model for learning and inference is generated in a situation where it is difficult to acquire data of a drone at the time of generating a dynamic modeling of a drone, and a virtual Virtual I / O data can be acquired from dynamic models to generate and verify more accurate drone dynamics modeling through AI-based model training.
또한, 본 발명에서 제안하고 있는 인공지능 기반의 드론의 동역학 모델링 생성 방법에 따르면, 가상의 동역학 모델로부터 입력 데이터 및 출력 데이터를 얻음으로써, 드론으로부터 데이터를 실시간으로 취득할 필요가 없고, 드론에 데이터 취득을 위한 별도의 센서를 탑재하거나 변형을 가하지 않고도 본래 상태에서의 드론의 동역학 모델링을 생성하고 검증할 수 있다.In addition, according to the AI-based drone dynamic modeling generation method proposed in the present invention, input data and output data are obtained from a virtual dynamic model so that the data need not be acquired in real time from the drone. You can create and verify dynamic modeling of the drone in its original state without mounting or modifying a separate sensor for acquisition.
도 1은 쿼드 로터 구조의 드론을 도시한 도면.
도 2는 수학적으로 표현한 드론의 동역학 모델링을 도시한 도면.
도 3은 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법의 개략적인 순서를 도시한 도면.
도 4는 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법의 구성을 도시한 도면.
도 5는 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법의 단계 S100에서 생성되는 동역학 모델링을 예시한 도면.
도 6은 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법의 단계 S300에서 생성되는 동역학 모델링을 예시한 도면.
도 7은 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법의 단계 S400에서 강화 학습이 이루어지는 모습을 도시한 도면.1 shows a drone with a quad rotor structure.
2 is a diagram illustrating dynamic modeling of a drone mathematically represented.
3 is a diagram illustrating a schematic sequence of a method for generating dynamical modeling of an artificial intelligence-based drone according to an embodiment of the present invention.
4 is a diagram illustrating a configuration of a method for generating dynamical modeling of an artificial intelligence-based drone according to an embodiment of the present invention.
FIG. 5 is a diagram illustrating dynamic modeling generated in step S100 of a method for generating dynamic modeling of an artificial intelligence-based drone according to an embodiment of the present invention. FIG.
FIG. 6 is a diagram illustrating dynamic modeling generated in step S300 of an AI-based drone dynamic modeling generation method according to an embodiment of the present invention. FIG.
FIG. 7 is a diagram illustrating how reinforcement learning is performed in step S400 of an AI-based drone dynamic modeling generation method according to an embodiment of the present invention.
이하에서는 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일 또는 유사한 부호를 사용한다.
Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art may easily implement the present invention. However, in describing the preferred embodiment of the present invention in detail, if it is determined that the detailed description of the related known function or configuration may unnecessarily obscure the subject matter of the present invention, the detailed description thereof will be omitted. In addition, the same or similar reference numerals are used throughout the drawings for parts having similar functions and functions.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’되어 있다고 할 때, 이는 ‘직접적으로 연결’되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
In addition, throughout the specification, when a part is 'connected' to another part, it is not only 'directly connected' but also 'indirectly connected' with another element in between. Include. In addition, the term 'comprising' of an element means that the element may further include other elements, not to exclude other elements unless specifically stated otherwise.
도 3은 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법의 개략적인 순서를 도시한 도면이다. 도 3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법은, 입력 데이터가 주어지면 출력 데이터를 출력하는 드론의 동역학 모델링을 생성할 수 있다. 이때, 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법은, 인공지능을 이용하여 드론의 입출력 데이터를 취득한 후, 기계 학습을 통해 드론의 동역학 특성을 모델링할 수 있다. 드론의 입출력 데이터를 이용하여 기계 학습을 통해 드론의 동역학 모델링이 학습되고 추론됨으로써, 본 발명은 보다 정확한 드론의 동역학 모델링을 생성할 수 있다. 즉, 초기에 드론의 데이터 취득이 어려운 상황에서 동역학 모델링의 학습 및 추론을 위해 가상의 동역학 모델링을 생성하고, 이러한 가상의 동역학 모델링을 기반으로 입출력 데이터를 취득하여 인공지능을 통해 동역학 모델링에 대한 학습 및 추론이 이루어짐으로써, 드론에 별도의 데이터 취득을 위한 센서를 탑재하지 않고도 드론의 동역학 모델링을 생성할 수 있다.
3 is a diagram illustrating a schematic sequence of a method for generating dynamical modeling of an artificial intelligence-based drone according to an embodiment of the present invention. As shown in FIG. 3, the method for generating dynamic modeling of an artificial intelligence-based drone according to an embodiment of the present invention may generate dynamic modeling of a drone that outputs output data when input data is given. In this case, in the AI-based drone dynamic modeling generation method according to an embodiment of the present invention, after input and output data of the drone using the artificial intelligence, the dynamic characteristics of the drone can be modeled through machine learning. By dynamic learning modeling and inference of the drone through machine learning using the input and output data of the drone, the present invention can generate more accurate dynamic modeling of the drone. In other words, virtual dynamic modeling is created for learning and inference of dynamic modeling in the early stage of drone data acquisition, and the input and output data are acquired based on the virtual dynamic modeling to learn about dynamic modeling through artificial intelligence. And inference is made, it is possible to generate the dynamic modeling of the drone without having to mount the sensor for the separate data acquisition.
도 4는 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법의 구성을 도시한 도면이다. 도 4에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법은, 수학적으로 가상의 동역학 모델링을 생성하는 단계(S100), 단계 S100에서 생성한 가상의 동역학 모델링으로부터 입력 데이터 및 출력 데이터를 얻는 단계(S200), 및 단계 S200에서 얻은 입력 데이터 및 출력 데이터를 이용하여 인공지능 기반으로 모델링을 추정함으로써 동역학 모델링을 생성하는 단계(S300)를 포함할 수 있다. 또한, 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법은, 단계 S100에서 생성한 가상의 동역학 모델링과 단계 S300에서 생성한 동역학 모델링 사이의 정확도를 비교하여 동역학 모델링에 대한 강화 학습이 이루어지는 단계(S400), 및 드론으로부터 얻은 입력 데이터 및 출력 데이터를 기반으로 단계 S400에서 학습한 동역학 모델링을 검증하는 단계(S500)를 더 포함할 수 있다. 이하에서는, 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법의 각각의 구성에 대해 상세히 설명하기로 한다.
4 is a diagram illustrating a configuration of a method for generating dynamic modeling of an artificial intelligence based drone according to an embodiment of the present invention. As shown in FIG. 4, in the method for generating dynamic modeling of an artificial intelligence-based drone according to an embodiment of the present invention, the virtual dynamics generated in step S100 and mathematically generating a virtual dynamic modeling are mathematically generated. Obtaining input data and output data from modeling (S200), and generating dynamic modeling by estimating modeling based on artificial intelligence using the input data and output data obtained in step S200 (S300). In addition, the dynamic modeling generation method of the artificial intelligence-based drone according to an embodiment of the present invention, by comparing the accuracy between the virtual dynamics modeling generated in step S100 and the dynamics modeling generated in step S300 to strengthen the dynamics modeling The method may further include a step of performing learning (S400), and verifying the dynamic modeling learned in step S400 based on the input data and the output data obtained from the drone (S500). Hereinafter, each configuration of the dynamic modeling generation method of the artificial intelligence-based drone according to an embodiment of the present invention will be described in detail.
도 5는 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법의 단계 S100에서 생성되는 동역학 모델링을 예시한 도면이다. 도 5에 도시된 바와 같이, 단계 S100에서는, 수학적으로 가상의 동역학 모델링을 생성할 수 있다. 단계 S100에서 생성하는 가상의 동역학 모델링은 드론의 물리적 특성을 고려하여 수학적으로 표현한 드론의 동역학 모델링일 수 있다.
FIG. 5 is a diagram illustrating dynamic modeling generated in step S100 of an AI-based drone dynamic modeling generation method according to an embodiment of the present invention. As shown in FIG. 5, in step S100, a virtual dynamic modeling may be generated mathematically. The virtual dynamic modeling generated in step S100 may be dynamic modeling of the drone mathematically represented in consideration of the physical characteristics of the drone.
단계 S100에서 생성되는 가상의 동역학 모델링은, 쿼드 로터 기반의 동역학 방정식으로서, 위치 에너지, 병진 운동 에너지 및 회전 운동 에너지의 관계식을 이용하여 생성될 수 있다. 그러나 가상의 동역학 모델링은, 수학적으로 드론의 동역학을 설명할 수 있는 모델이라면, 그 구체적인 실시예로 한정되지 않는다. 이러한 가상의 동역학 모델링은, ‘쿼드-로터 무인항공기 설계 및 제어 기법 연구’ 등에 대한 논문을 참조하여 선택될 수 있다.
The virtual dynamics modeling generated in step S100 is a quad rotor-based dynamics equation, and may be generated using a relationship of potential energy, translational kinetic energy, and rotational kinetic energy. However, the virtual dynamics modeling is not limited to the specific embodiment as long as the model can mathematically explain the dynamics of the drone. Such virtual dynamics modeling may be selected by referring to a paper on 'quad-rotor drone design and control technique research'.
한편, 단계 S100에서는, 쿼드 로터(Quad Rotor) 구조를 가진 드론에 대한 가상의 동역학 모델링을 생성할 수 있다. 일반적으로 대부분의 드론은 쿼드 로터 구조를 가지고 있으며, 모터가 6개인 헥사 로터(Hexa Rotor) 또는 8개인 옥타 로터(Octa Rotor) 구조를 가진 드론의 경우, 쿼드 로터 구조에 리던던시(Redundancy)만을 추가한 구조에 해당한다. 따라서 쿼드 로터 구조의 가상의 동역학 모델링을 기반으로 하여 리던던시를 추가함으로써 헥사 로터 또는 옥타 로터 구조의 드론에 대해서도 가상의 동역학 모델링을 생성할 수 있다. 즉, 단계 S100에서 생성하는 가상의 동역학 모델링은 쿼드 로터 구조를 가진 드론에 한정되는 것은 아니며, 수학적으로 가상의 동역학 모델링을 생성할 수 있다면 어떤 구조의 드론에도 적용될 수 있다.
In operation S100, a virtual dynamic modeling of a drone having a quad rotor structure may be generated. In general, most drones have a quad rotor structure, and in the case of a drone having a six-hexah hexa rotor or eight octa rotor structure, only the redundancy is added to the quad rotor structure. Corresponds to the structure. Therefore, by adding redundancy based on the hypothetical dynamic modeling of the quad rotor structure, the virtual dynamic modeling can be generated for the drone of the hexa rotor or the octa rotor structure. That is, the virtual dynamic modeling generated in step S100 is not limited to a drone having a quad rotor structure, and may be applied to any structure drone if the virtual dynamic modeling can be mathematically generated.
단계 S200에서는, 단계 S100에서 생성한 가상의 동역학 모델링으로부터 입력 데이터 및 출력 데이터를 얻을 수 있다. 단계 S200에서는, 단계 S100에서 생성한 가상의 동역학 모델링으로부터 다양한 입력 데이터 및 출력 데이터를 얻을 수 있다. 이러한 입력 데이터 및 출력 데이터는, 후술하는 단계에서 동역학 모델링에 대한 학습 및 추론을 위한 데이터로 사용될 수 있다. 즉, 단계 S200은, 동역학 모델링에 대한 학습 및 추론을 위한 전처리 단계에 해당할 수 있다. 한편, 단계 S200에서 얻는 입력 데이터 및 출력 데이터는 단계 S100에서 생성한 가상의 동역학 모델링에 따라 상이할 수 있다. 가상의 동역학 모델링에 따라서는 입력 데이터로 입력되는 변수와, 출력 변수로 출력되는 변수가 상이할 수 있기 때문이다.
In step S200, input data and output data may be obtained from the virtual dynamic modeling generated in step S100. In step S200, various input data and output data can be obtained from the virtual dynamic modeling generated in step S100. Such input data and output data may be used as data for learning and inference about dynamic modeling in a later step. That is, step S200 may correspond to a preprocessing step for learning and inference about dynamic modeling. On the other hand, the input data and output data obtained in step S200 may be different according to the virtual dynamics modeling generated in step S100. This is because a variable input as input data and a variable output as an output variable may be different according to the virtual dynamic modeling.
도 6은 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법의 단계 S300에서 생성되는 동역학 모델링을 예시한 도면이다. 단계 S300에서는, 단계 S200에서 얻은 입력 데이터 및 출력 데이터를 이용하여 인공지능 기반으로 가상의 동역학 모델링을 추정함으로써 동역학 모델링을 생성할 수 있다. 보다 구체적으로, 단계 S300에서는, 기계 학습을 통해 입력 데이터 및 출력 데이터를 이용하여 가상의 동역학 모델링을 추정할 수 있다. 즉, 단계 S300에서는 단계 S200에서 얻은 입력 데이터 및 출력 데이터에 대한 기계 학습을 이루어짐으로써 가상의 동역학 모델링을 추정할 수 있다.
FIG. 6 is a diagram illustrating dynamic modeling generated in step S300 of an AI-based drone dynamic modeling generation method according to an embodiment of the present invention. In operation S300, dynamic modeling may be generated by estimating virtual dynamic modeling based on artificial intelligence using the input data and the output data obtained in operation S200. More specifically, in step S300, virtual dynamic modeling may be estimated using input data and output data through machine learning. That is, in step S300, virtual dynamic modeling may be estimated by performing machine learning on the input data and the output data obtained in step S200.
그러나 단계 S300에서 추정하는 동역학 모델링은, 단계 S100에서 생성한 가상의 동역학 모델링과는 상이할 수 있다. 단계 S300에서는, 단계 S200에서 얻은 입력 데이터 및 출력 데이터를 이용하여 가상의 동역학 모델링에 대한 추정이 이루어지지만, 단계 S300에서 추정되는 동역학 모델링은 입출력 데이터의 과적합(Overfitting)을 고려하여 추정되므로 가상의 동역학 모델링과는 완전히 일치하지 않을 수도 있다. 즉, 단계 S300에서는, 단계 S200에서 얻은 입력 데이터에 따라 단계 S200에서 얻은 출력 데이터를 정확히 출력하는 동역학 모델링을 생성하는 것이 아니라, 단계 S200에서 얻은 입력 데이터 및 출력 데이터 집합에 포함된 패턴을 추정하여 동역학 모델링을 생성할 수 있다. 만약 단계 S300에서 단계 S200에서 얻은 출력 데이터를 정확히 출력하는 동역학 모델링을 추정한다면, 단계 S200에서 얻지 못한 입력 데이터 및 출력 데이터 범위의 경우, 추정된 동역학 모델링이 드론의 동역학을 제대로 설명할 수 없기 때문이다. 따라서 실제 드론에 대한 입력 데이터가 단계 S300에서 추정된 동역학 모델링에 입력되는 경우, 추정된 패턴에 따라 가상의 동역학 모델링과는 다른 출력 데이터를 출력할 수 있다.
However, the dynamic modeling estimated in step S300 may be different from the virtual dynamic modeling generated in step S100. In step S300, the estimation of the virtual dynamics modeling is performed using the input data and the output data obtained in step S200, but the dynamic modeling estimated in step S300 is estimated in consideration of the overfitting of the input / output data. It may not be completely consistent with dynamic modeling. That is, in step S300, rather than generating dynamic modeling that accurately outputs the output data obtained in step S200 according to the input data obtained in step S200, the dynamics are estimated by estimating patterns included in the input data and output data sets obtained in step S200. You can create modeling. If the estimation of the dynamic modeling to accurately output the output data obtained in the step S200 in step S300, for the input data and output data range not obtained in step S200, the estimated dynamic modeling may not properly explain the dynamics of the drone. . Therefore, when the input data for the actual drone is input to the dynamic modeling estimated in step S300, output data different from the virtual dynamic modeling may be output according to the estimated pattern.
도 6을 참조하면, 단계 S300에서는, 신경망 모델을 사용할 수 있다. 즉, 단계 S300에서는, 일반적인 수학적 모델링이 아니라, 신경망 모델을 사용하여 가상의 동역학 모델링에 대한 추정이 이루어질 수 있다. 보다 구체적으로, 단계 S300에서는, 단계 S200에서 얻은 입력 데이터 및 출력 데이터를 이용하여 은닉층(Hidden layer)을 생성하고, 가중치를 조정함으로써 동역학 모델링을 생성할 수 있다. 도 6에 도시된 예시에서는, 신경망 모델에서 은닉층은 1개이나 이에 한정되는 것은 아니며, 은닉층은 복수개로 형성될 수도 있다. 즉, 단계 S300에서는, 단계 S200에서 얻은 입력 데이터를 신경망 모델의 Input Data로 입력하여, 단계 S200에서 얻은 출력 데이터를 출력하도록 입력 데이터에 포함된 변수에 따라 가중치와 은닉층을 생성할 수 있다.
Referring to FIG. 6, in step S300, a neural network model may be used. That is, in step S300, estimation of virtual dynamic modeling may be performed using a neural network model instead of general mathematical modeling. More specifically, in step S300, a dynamic layer may be generated by generating a hidden layer using the input data and the output data obtained in step S200 and adjusting the weight. In the example illustrated in FIG. 6, the neural network model includes one hidden layer, but is not limited thereto, and a plurality of hidden layers may be formed. That is, in step S300, the input data obtained in step S200 may be input as input data of the neural network model, and a weight and a hidden layer may be generated according to the variables included in the input data to output the output data obtained in step S200.
도 7은 본 발명의 일 실시예에 따른 인공지능 기반의 드론의 동역학 모델링 생성 방법의 단계 S400에서 강화 학습이 이루어지는 모습을 도시한 도면이다. 단계 S400에서는, 단계 S100에서 생성한 가상의 동역학 모델링과 단계 S300에서 생성한 동역학 모델링 사이의 정확도를 비교하여 동역학 모델링에 대한 강화 학습이 이루어질 수 있다. 이때, 단계 S400에서는, 보상 함수의 기대값을 최대화하도록 동역학 모델링에 대한 강화 학습이 이루어질 수 있다. 여기서, 강화 학습은, 추정된 동역학 모델링의 결과에 대해 보상으로 피드백을 제공함으로써 이루어질 수 있다.
FIG. 7 is a diagram illustrating how reinforcement learning is performed in step S400 of an AI-based drone dynamic modeling generation method according to an embodiment of the present invention. In step S400, reinforcement learning on dynamic modeling may be performed by comparing the accuracy between the virtual dynamic modeling generated in step S100 and the dynamic modeling generated in step S300. At this time, in step S400, reinforcement learning about dynamic modeling may be performed to maximize the expected value of the compensation function. Here, reinforcement learning can be achieved by providing feedback as a reward for the result of the estimated kinetic modeling.
보상 함수는, 단계 S100에서 생성한 가상의 동역학 모델링과 상기 단계 S300에서 생성한 동역학 모델링 사이의 정확도를 비교하여 보상을 결정할 수 있다. 도 7을 참조하면, 실시예에 따라서는, 단계 S400에서는, 가상의 동역학 모델링의 정확도가 인공지능 기반 동역학 모델링의 정확도보다 높은 경우, -1의 보상을 얻을 수 있다. 반대로, 가상의 동역학 모델링의 정확도가 인공지능 기반 동역학 모델링의 정확도보다 낮은 경우, +1의 보상을 얻을 수 있다. 즉, 단계 S400에서는, 추정된 동역학 모델링에 대한 피드백을 보상의 형태로 제공함으로써, 보상 함수의 보상에 따른 기대값을 최대화하도록 동역학 모델링의 학습에 대한 방향성을 결정할 수 있다. 따라서 단계 S400에서는, 동역학 모델링에 대한 강화 학습을 통해 학습에 대한 피드백을 제공하고, 그 결과 보다 정확한 동역학 모델링을 추정할 수 있다.
The compensation function may determine the compensation by comparing the accuracy between the virtual dynamic modeling generated in step S100 and the dynamic modeling generated in step S300. Referring to FIG. 7, according to an embodiment, in step S400, when the accuracy of the virtual dynamics modeling is higher than the accuracy of the AI-based dynamics modeling, a compensation of −1 may be obtained. Conversely, if the accuracy of the virtual dynamics modeling is lower than the accuracy of the AI-based dynamics modeling, a compensation of +1 can be obtained. That is, in step S400, by providing feedback for the estimated dynamic modeling in the form of compensation, the direction of learning of the dynamic modeling may be determined to maximize the expected value according to the compensation of the compensation function. Therefore, in step S400, feedback for learning is provided through reinforcement learning on dynamic modeling, and as a result, more accurate dynamic modeling can be estimated.
단계 S500에서는, 드론으로부터 얻은 입력 데이터 및 출력 데이터를 기반으로 단계 S400에서 학습한 동역학 모델링을 검증할 수 있다. 실시예에 따라서는, 단계 S500에서 실제 드론으로부터 얻은 입력 데이터 및 출력 데이터를 이용하여 동역학 모델링에 대한 강화 학습이 이루어질 수 있다. 즉, 보상 함수는, 가상의 동역학 모델링과 동역학 모델링 사이의 정확도를 비교하여 보상을 결정하는 실시예로 한정되지는 않는다.
In step S500, the dynamic modeling learned in step S400 may be verified based on the input data and the output data obtained from the drone. According to an embodiment, reinforcement learning for dynamic modeling may be performed using input data and output data obtained from the actual drone in step S500. That is, the compensation function is not limited to the embodiment in which the compensation is determined by comparing the accuracy between the virtual dynamic modeling and the dynamic modeling.
실시예에 따라서는, 보상 함수를 통해 동역학 모델링에 따른 데이터와 실제 드론으로부터 얻은 데이터와의 정확도가 높을수록 보상을 제공함으로써 동역학 모델링에 대한 강화 학습이 이루어질 수 있다. 따라서 실제 드론으로부터 얻은 데이터를 기반으로, 드론의 움직임을 보다 정확하게 반영할 수 있는 동역학 모델링을 학습하도록 피드백을 제공할 수 있다.
According to an embodiment, reinforcement learning on dynamic modeling may be performed by providing a reward as the accuracy of the dynamic modeling data and the data obtained from the actual drone is higher through the compensation function. Therefore, based on data from real drones, feedback can be provided to learn dynamic modeling that can more accurately reflect drone movement.
전술한 바와 같이, 본 발명에서 제안하고 있는 인공지능 기반의 드론의 동역학 모델링 생성 방법에 따르면, 드론의 동역학 모델링 생성 시 초기에 드론의 데이터 취득이 어려운 상황에서 학습 및 추론을 위한 가상의 동역학 모델을 생성하고, 가상의 동역학 모델로부터 가상의 입출력 데이터를 취득하여 인공지능 기반의 모델 학습을 통해 보다 정확한 드론의 동역학 모델링을 생성하고 검증할 수 있다. 또한, 본 발명에서 제안하고 있는 인공지능 기반의 드론의 동역학 모델링 생성 방법에 따르면, 가상의 동역학 모델로부터 입력 데이터 및 출력 데이터를 얻음으로써, 드론으로부터 데이터를 실시간으로 취득할 필요가 없고, 드론에 데이터 취득을 위한 별도의 센서를 탑재하거나 변형을 가하지 않고도 본래 상태에서의 드론의 동역학 모델링을 생성하고 검증할 수 있다.
As described above, according to the method for generating dynamic modeling of an artificial drone based on the present invention, a virtual dynamic model for learning and reasoning in the situation where it is difficult to acquire data of the drone at the time of generating the dynamic modeling of the drone is developed. It is possible to generate and verify dynamic modeling of drones more accurately through AI-based model learning by acquiring virtual input / output data from the virtual dynamics model. In addition, according to the AI-based drone dynamic modeling generation method proposed in the present invention, input data and output data are obtained from a virtual dynamic model so that the data need not be acquired in real time from the drone. You can create and verify dynamic modeling of the drone in its original state without mounting or modifying a separate sensor for acquisition.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 청구범위에 의하여 정해져야 할 것이다.The present invention described above may be variously modified or applied by those skilled in the art, and the scope of the technical idea according to the present invention should be defined by the following claims.
S100: 수학적으로 가상의 동역학 모델링을 생성하는 단계
S200: 단계 S100에서 생성한 가상의 동역학 모델링으로부터 입력 데이터 및 출력 데이터를 얻는 단계
S300: 단계 S200에서 얻은 입력 데이터 및 출력 데이터를 이용하여 인공지능 기반으로 가상의 동역학 모델링을 추정함으로써 동역학 모델링을 생성하는 단계
S400: 단계 S100에서 생성한 가상의 동역학 모델링과 단계 S300에서 생성한 동역학 모델링 사이의 정확도를 비교하여 동역학 모델링에 대한 강화 학습이 이루어지는 단계
S500: 드론으로부터 얻은 입력 데이터 및 출력 데이터를 기반으로 단계 S400에서 학습한 동역학 모델링을 검증하는 단계S100: mathematically generating a virtual dynamic modeling
S200: obtaining input data and output data from the virtual dynamic modeling generated in step S100
S300: generating dynamic modeling by estimating virtual dynamic modeling based on artificial intelligence using the input data and the output data obtained in step S200.
S400: step of performing reinforcement learning on dynamic modeling by comparing the accuracy between the virtual dynamic modeling generated in step S100 and the dynamic modeling generated in step S300
S500: Validating the dynamic modeling learned in step S400 based on the input data and the output data obtained from the drone.
Claims (8)
(1) 수학적으로 가상의 동역학 모델링을 생성하는 단계;
(2) 상기 단계 (1)에서 생성한 상기 가상의 동역학 모델링으로부터 입력 데이터 및 출력 데이터를 얻되, 상기 단계 (1)에서 생성한 가상의 동역학 모델링에 따라 상이한 입력 데이터 및 출력 데이터를 얻는 단계; 및
(3) 상기 단계 (2)에서 얻은 상기 입력 데이터 및 상기 출력 데이터를 이용하여 인공지능 기반으로 상기 가상의 동역학 모델링을 추정함으로써 동역학 모델링을 생성하는 단계를 포함하며,
상기 단계 (1)은,
쿼드 로터 구조를 가진 드론에 대한 가상의 동역학 모델링을 생성하되, 쿼드 로터 기반의 동역학 방정식으로서, 위치 에너지, 병진 운동 에너지 및 회전 운동 에너지의 관계식을 이용해 상기 가상의 동역학 모델링을 생성하며, 쿼드 로터 구조의 상기 가상의 동역학 모델링을 기반으로 하여 리던던시(Redundancy)를 추가함으로써 헥사 로터 또는 옥타 로터 구조의 드론에 대해서 가상의 동역학 모델링을 생성하고,
상기 단계 (3)은,
기계 학습을 통해 상기 입력 데이터 및 상기 출력 데이터를 이용하여 상기 가상의 동역학 모델링을 추정하되, 상기 단계 (2)에서 얻은 입력 데이터에 따라 상기 단계 (2)에서 얻은 출력 데이터를 정확히 출력하는 동역학 모델링을 생성하는 것이 아니라, 신경망 모델을 사용하고, 과적합(Overfitting)을 고려하여, 상기 단계 (2)에서 얻은 상기 입력 데이터 및 상기 출력 데이터의 집합에 포함된 패턴을 추정하여 상기 동역학 모델링을 생성하며, 상기 단계 (2)에서 얻은 입력 데이터를 은닉층이 1개인 신경망 모델의 Input Data로 입력하여, 단계 (2)에서 얻은 출력 데이터를 출력하도록 입력 데이터에 포함된 변수에 따라 가중치와 은닉층을 생성하며,
초기에 드론의 데이터 취득이 어려운 상황에서, 상기 가상의 동역학 모델링을 기반으로 상기 입력 데이터 및 출력 데이터를 취득하여 동역학 모델링에 대한 학습 및 추론이 이루어짐으로써, 드론에 별도의 데이터 취득을 위한 센서를 탑재하지 않고도 드론의 동역학 모델링을 생성할 수 있으며,
(4) 상기 단계 (1)에서 생성한 상기 가상의 동역학 모델링과 상기 단계 (3)에서 생성한 동역학 모델링 사이의 정확도를 비교하여 상기 동역학 모델링에 대한 강화 학습이 이루어지는 단계를 더 포함하고,
상기 단계 (4)는,
보상 함수의 기대값을 최대화하도록 상기 동역학 모델링에 대한 강화 학습이 이루어지며,
상기 보상 함수는,
상기 단계 (1)에서 생성한 상기 가상의 동역학 모델링과 상기 단계 (3)에서 생성한 동역학 모델링 사이의 정확도를 비교하여 보상을 결정하되, 상기 가상의 동역학 모델링의 정확도가 인공지능 기반 동역학 모델링의 정확도보다 높은 경우 -1의 보상을 얻고, 상기 가상의 동역학 모델링의 정확도가 인공지능 기반 동역학 모델링의 정확도보다 낮은 경우 +1의 보상을 얻도록 하는 것을 특징으로 하는, 인공지능 기반의 드론의 동역학 모델링 생성 방법.
In a situation where it is difficult to acquire data of a drone at first, in a method of generating a dynamic modeling of a drone expressing the drone's motion in its original state without attaching or modifying a separate sensor for data acquisition to the drone,
(1) mathematically generating a virtual kinetic modeling;
(2) obtaining input data and output data from the virtual dynamic modeling generated in step (1), and obtaining different input data and output data according to the virtual dynamic modeling generated in step (1); And
(3) generating dynamic modeling by estimating the virtual dynamic modeling based on artificial intelligence using the input data and the output data obtained in step (2),
Step (1) is,
Generate hypothetical dynamics modeling for a drone with quad rotor structure, as a quad rotor-based dynamics equation, create the hypothetical dynamics modeling using the relationship of potential energy, translational kinetic energy and rotational kinetic energy, and quadrotor structure Generate virtual dynamic modeling for hexa rotor or octa rotor structure drones by adding redundancy based on the virtual dynamic modeling of
Step (3),
The virtual dynamic modeling is estimated using the input data and the output data through machine learning, and the dynamic modeling model accurately outputs the output data obtained in the step (2) according to the input data obtained in the step (2). Instead of generating, using the neural network model, in consideration of overfitting, the dynamic modeling is generated by estimating a pattern included in the set of the input data and the output data obtained in the step (2), The input data obtained in the step (2) is input to the input data of the neural network model having one hidden layer, and the weight and the hidden layer are generated according to the variables included in the input data to output the output data obtained in the step (2),
In the situation where it is difficult to acquire the data of the drone at the beginning, the input data and the output data are acquired based on the virtual dynamic modeling to learn and infer the dynamic modeling so that the drone is equipped with a sensor for data acquisition. Create dynamic modeling of drones without
(4) further comprising reinforcement learning on the dynamic modeling by comparing the accuracy between the virtual dynamic modeling generated in the step (1) and the dynamic modeling generated in the step (3);
Step (4),
Reinforcement learning is performed on the kinetic modeling to maximize the expected value of the compensation function,
The compensation function is,
Compensation is determined by comparing the accuracy between the virtual dynamics modeling generated in step (1) and the dynamic modeling generated in step (3), wherein the accuracy of the virtual dynamics modeling is the accuracy of artificial intelligence-based dynamics modeling. If higher, -1 compensation is obtained, and if the accuracy of the virtual dynamics modeling is lower than the accuracy of the AI-based dynamics modeling, to obtain a compensation of +1, AI-based drone dynamic modeling generation Way.
(5) 드론으로부터 얻은 입력 데이터 및 출력 데이터를 기반으로 상기 단계 (4)에서 학습한 동역학 모델링을 검증하는 단계를 더 포함하는 것을 특징으로 하는, 인공지능 기반의 드론의 동역학 모델링 생성 방법.The method of claim 1,
And (5) verifying the dynamics modeling learned in step (4) based on the input data and the output data obtained from the drone.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170151450A KR102021384B1 (en) | 2017-11-14 | 2017-11-14 | Method for creating dynamic modeling of drone based on artificial intelligence |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170151450A KR102021384B1 (en) | 2017-11-14 | 2017-11-14 | Method for creating dynamic modeling of drone based on artificial intelligence |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190054641A KR20190054641A (en) | 2019-05-22 |
| KR102021384B1 true KR102021384B1 (en) | 2019-09-20 |
Family
ID=66680706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170151450A KR102021384B1 (en) | 2017-11-14 | 2017-11-14 | Method for creating dynamic modeling of drone based on artificial intelligence |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102021384B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240028739A (en) | 2022-08-25 | 2024-03-05 | 아피아엔지니어링(주) | AI-based Dynamic model extraction System and Method |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102317842B1 (en) * | 2020-06-03 | 2021-10-26 | 국방과학연구소 | Method and apparatus for estimating the origin of a flying object |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106647781A (en) | 2016-10-26 | 2017-05-10 | 广西师范大学 | Neural-fuzzy PID control method of four-rotor aircraft based on repetitive control compensation |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101813697B1 (en) * | 2015-12-22 | 2017-12-29 | 한국항공대학교산학협력단 | Unmanned aerial vehicle flight control system and method using deep learning |
-
2017
- 2017-11-14 KR KR1020170151450A patent/KR102021384B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106647781A (en) | 2016-10-26 | 2017-05-10 | 广西师范大学 | Neural-fuzzy PID control method of four-rotor aircraft based on repetitive control compensation |
Non-Patent Citations (2)
| Title |
|---|
| "강화학습을 이용한 쿼드로터 피치제어기 설계", 한국항공우주학회 학술발표회 논문집, 2010년 4월* |
| "쿼드로터 무인기 비선형 적응 자세제어기 설계", 한국산학기술학회 논문지 13(6), 2012년 6월* |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240028739A (en) | 2022-08-25 | 2024-03-05 | 아피아엔지니어링(주) | AI-based Dynamic model extraction System and Method |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190054641A (en) | 2019-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nodland et al. | Neural network-based optimal adaptive output feedback control of a helicopter UAV | |
| US6735500B2 (en) | Method, system, and computer program product for tactile cueing flight control | |
| CN108897334B (en) | Method for controlling attitude of insect-imitating flapping wing aircraft based on fuzzy neural network | |
| CN110260837A (en) | A kind of method and apparatus for determining malformation | |
| KR102021384B1 (en) | Method for creating dynamic modeling of drone based on artificial intelligence | |
| US20230080379A1 (en) | Digital twin for an autonomous vehicle | |
| Kumar et al. | Rotorcraft parameter estimation using radial basis function neural network | |
| Khan et al. | Novel morphing wing actuator control-based Particle Swarm Optimisation | |
| Koehl et al. | Modeling and identification of a launched micro air vehicle: design and experimental results | |
| Shamsudin et al. | Identification of an unmanned helicopter system using optimised neural network structure | |
| Puttige et al. | Comparison of real-time online and offline neural network models for a uav | |
| Kim et al. | Control system design and testing for a small‐scale autonomous helicopter | |
| US6745114B2 (en) | Process and device for determining in real time the behavior of a craft, in particular of an aircraft | |
| Santoso et al. | Entropy fuzzy system identification for the heave flight dynamics of a model-scale helicopter | |
| Jeon et al. | Improving prediction capability of quadcopter through digital twin | |
| Zhou et al. | Nonlinear system identification and trajectory tracking control for a flybarless unmanned helicopter: theory and experiment | |
| Wang et al. | Chaos-genetic algorithm for the system identification of a small unmanned helicopter | |
| Kojio et al. | MIMO closed-loop subspace model identification and hovering control of a 6-DOF coaxial miniature helicopter | |
| CN113885549B (en) | Four-rotor gesture track control method based on dimension clipping PPO algorithm | |
| Rachman et al. | Non-linear simulation of controller for longitudinal control augmentation system of F-16 using numerical approach | |
| Pedro et al. | Online aerodynamic parameter estimation of a miniature unmanned helicopter using radial basis function neural networks | |
| Ray | Modeling, control, and estimation of flexible, aerodynamic structures | |
| Qianqian et al. | Flight dynamics identification of a helicopter in hovering based on flight data | |
| Ivler et al. | System identification modeling for flight control design | |
| Ma et al. | Forward flight attitude control of unmanned small-scaled gyroplane based on μ-synthesis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) |