KR102631468B1 - 동적 그래프 신경망 기반 전장 위협 분석 방법 및 장치 - Google Patents

동적 그래프 신경망 기반 전장 위협 분석 방법 및 장치 Download PDF

Info

Publication number
KR102631468B1
KR102631468B1 KR1020230073712A KR20230073712A KR102631468B1 KR 102631468 B1 KR102631468 B1 KR 102631468B1 KR 1020230073712 A KR1020230073712 A KR 1020230073712A KR 20230073712 A KR20230073712 A KR 20230073712A KR 102631468 B1 KR102631468 B1 KR 102631468B1
Authority
KR
South Korea
Prior art keywords
battlefield
objects
viewpoints
latent
vectors
Prior art date
Application number
KR1020230073712A
Other languages
English (en)
Inventor
심상흔
신기정
이수용
김주원
류동국
박기웅
Original Assignee
국방과학연구소
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020230073712A priority Critical patent/KR102631468B1/ko
Application granted granted Critical
Publication of KR102631468B1 publication Critical patent/KR102631468B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/7635—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks based on graphs, e.g. graph cuts or spectral clustering
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Abstract

동적 그래프 신경망을 기반으로 하는 전장 위협 분석 방법 및 장치가 제공된다. 전장 위협 분석 방법은, 외부로부터 수신된 전장 정보에 기초하여 전장 내 복수의 객체에 대한 특정시점에서의 행위를 분류하고, 분류된 행위에 따라 복수의 객체 간 위협 발생 확률을 예측하며, 분류된 행위 및 위협 발생 확률을 포함하는 전장 위협 분석 결과를 생성하여 출력한다.

Description

동적 그래프 신경망 기반 전장 위협 분석 방법 및 장치{Method and device for analyzing battlefield threat based on dynamic graph neural network}
본 발명은 동적 그래프 신경망을 기반으로 하는 전장 위협 분석 방법 및 장치에 관한 것이다.
급변하는 안보환경과 미래전 양상의 변화로 4차 산업혁명 기반 지능형 지휘통제체계의 개발 필요성이 증가하고 있다. 이에 전장의 다양한 정보를 활용, 지휘관에게 실시간으로 전장상황에 대한 분석 결과를 제공해 줄 수 있는 인공지능 기술의 중요성이 증대되고 있다.
이를 위하여, 다수의 알고리즘을 기반으로 하는 적 행위/위협 식별 방법론이 연구되었지만, 대부분의 방법론은 규칙 기반으로 많은 변인과 변화하는 전략을 다루는 데 제약이 많다.
또한, 신경망 학습 기반 방법론은 이러한 복잡성을 다루기에 적합하지만, 전장 내 복수의 객체 간 상호작용에 따른 상황 변화를 적용하기 어려운 문제가 있다.
한국등록특허 제10-2147855호(2020.08.25.)
본 발명은 동적 그래프 신경망을 기반으로 하는 전장 위협 분석 방법 및 장치를 제공하고자 하는 데 있다.
본 발명의 실시예에 따른 전장 위협 분석 방법은, 외부로부터 수신된 전장 정보에 기초하여 전장 내 복수의 객체에 대한 복수의 시점 별 그래프 데이터를 생성하는 단계; 기 학습된 신경망 모델을 이용하여 상기 그래프 데이터로부터 상기 복수의 객체 각각에 대한 잠재 벡터를 산출하는 단계; 및 상기 잠재 벡터에 기초하여 상기 복수의 객체 각각의 행위를 분류하고, 분류된 행위에 기초하여 상기 복수의 객체 간 위협 발생 확률을 예측하는 단계를 포함한다.
상기 잠재 벡터를 산출하는 단계는, 상기 복수의 객체 중 제1객체에 대한 상기 복수의 시점 별 그래프 데이터로부터 상기 복수의 시점 각각에 대응되는 복수의 잠재 벡터를 산출하는 단계; 및 상기 복수의 잠재 벡터 각각에 기 설정된 가중치를 적용하여 상기 제1객체에 대한 최종 잠재 벡터를 산출하는 단계를 포함한다.
여기서, 상기 복수의 잠재 벡터를 산출하는 단계는, 상기 제1객체에 대한 현재 시점 특징값을 산출하는 단계; 및 상기 제1객체에 대한 하나 이상의 과거 시점 잠재 벡터에 기초하여 상기 현재 시점 특징값으로부터 상기 제1객체에 대한 현재 시점 잠재 벡터를 산출하는 단계를 포함한다.
또한, 상기 최종 잠재 벡터를 산출하는 단계는, 가중치가 적용된 복수의 잠재 벡터의 합산 값을 산출하는 단계; 및 상기 복수의 잠재 벡터 중 현재 시점 잠재 벡터와 상기 합산 값을 합하여 상기 제1객체에 대한 상기 최종 잠재 벡터를 산출하는 단계를 포함한다.
이러한 상기 최종 잠재 벡터는, 상기 제1객체에 대한 객체벡터 및 상기 제1객체와 인접 객체 간 연결에 따른 간선벡터를 포함한다.
상기 신경망 모델은, 잠재 벡터 산출부 및 분류부를 포함한다.
상기 잠재 벡터 산출부는, 상기 복수의 객체 각각에 대한 상기 복수의 시점 별 그래프 데이터를 입력 받으면, 상기 복수의 객체 각각의 잠재 벡터를 산출하여 출력하도록 학습된다.
상기 분류부는, 상기 잠재 벡터 산출부에서 출력된 상기 복수의 객체 각각의 잠재 벡터와 함께 레이블 데이터로 분류 정답을 입력 받으면, 상기 복수의 객체 각각에 대한 행위를 분류하여 출력하도록 학습된다.
또한, 상기 분류부는, 상기 레이블 데이터로 입력된 상기 분류 정답과 실제 출력한 분류 결과를 비교하여 손실값을 생성한다. 이에, 상기 잠재 벡터 산출부는, 상기 손실값을 더 입력 받아 상기 복수의 시점 별 그래프 데이터로부터 상기 복수의 객체 각각의 잠재 벡터를 산출하여 출력하도록 학습된다.
본 발명의 실시예에 따른 전장 위협 분석 장치는, 전장 위협 분석 프로그램이 저장된 메모리; 및 상기 전장 위협 분석 프로그램을 실행하여, 외부로부터 수신된 전장 정보에 기초하여 전장 내 복수의 객체에 대한 복수의 시점 별 그래프 데이터를 생성하고, 기 학습된 신경망 모델을 이용하여 상기 그래프 데이터로부터 상기 복수의 객체 각각에 대한 잠재 벡터를 산출하고, 상기 잠재 벡터에 기초하여 상기 복수의 객체 각각의 행위를 분류하고, 분류된 행위에 기초하여 상기 복수의 객체 간 위협 발생 확률을 예측하는 프로세서를 포함한다.
상기 프로세서는, 상기 복수의 객체 중 제1객체에 대한 상기 복수의 시점 별 그래프 데이터로부터 상기 복수의 시점 각각에 대응되는 복수의 잠재 벡터를 산출하고, 상기 복수의 잠재 벡터 각각에 기 설정된 가중치를 적용하여 상기 제1객체에 대한 최종 잠재 벡터를 산출한다.
여기서, 상기 프로세서는, 상기 제1객체에 대한 현재 시점 특징값을 산출하고, 상기 제1객체에 대한 하나 이상의 과거 시점 잠재 벡터에 기초하여 상기 현재 시점 특징값으로부터 상기 제1객체에 대한 현재 시점 잠재 벡터를 산출한다.
또한, 상기 프로세서는, 가중치가 적용된 복수의 잠재 벡터의 합산 값을 산출하고, 상기 복수의 잠재 벡터 중 현재 시점 잠재 벡터와 상기 합산 값을 합하여 상기 제1객체에 대한 상기 최종 잠재 벡터를 산출한다.
상기 최종 잠재 벡터는, 상기 제1객체에 대한 객체벡터 및 상기 제1객체와 인접 객체 간 연결에 따른 간선벡터를 포함한다.
상기 신경망 모델은, 잠재 벡터 산출부 및 분류부를 포함한다.
상기 잠재 벡터 산출부는, 상기 복수의 객체 각각에 대한 상기 복수의 시점 별 그래프 데이터를 입력 받으면, 상기 복수의 객체 각각의 잠재 벡터를 산출하여 출력하도록 학습된다.
상기 분류부는, 상기 잠재 벡터 산출부에서 출력된 상기 복수의 객체 각각의 잠재 벡터와 함께 레이블 데이터로 분류 정답을 입력 받으면, 상기 복수의 객체 각각에 대한 행위를 분류하여 출력하도록 학습된다.
또한, 상기 분류부는, 상기 레이블 데이터로 입력된 상기 분류 정답과 실제 출력한 분류 결과를 비교하여 손실값을 생성한다. 이에, 상기 잠재 벡터 산출부는, 상기 손실값을 더 입력 받아 상기 복수의 시점 별 그래프 데이터로부터 상기 복수의 객체 각각의 잠재 벡터를 산출하여 출력하도록 학습된다.
본 발명은 외부에서 제공된 전장 내 복수의 객체에 대한 정보로부터 시간에 따라 변화되는 그래프 데이터를 생성하고, 기 학습된 전장 위협 분석 모델을 이용하여 그래프 데이터로부터 특정 시점에서 복수의 객체가 수행할 것으로 예상되는 행위 및 그에 따른 객체 간 위협 발생 확률을 예측하여 전장 위협 분석 결과로 출력할 수 있다.
이에, 본 발명은 여러 객체가 상호 작용하는 전장 환경에서 각 객체에 대한 행위 분류 및 위협 발생 확률 예측을 정확하게 수행할 수 있으며, 이로 인해 지휘관 등의 사용자에게 정확한 전장 예측 정보를 제공할 수 있어 작전 계획 수립 등의 편의를 도모할 수 있다.
도 1은 본 발명의 실시예에 따른 전장 위협 분석 장치를 나타내는 도면이다.
도 2는 도 1의 전장 위협 분석 프로그램의 기능을 개념적으로 나타내는 도면이다.
도 3은 도 2의 전장 위협 분석 모델을 학습시키는 방법을 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 전장 위협 분석 방법에 대한 순서도이다.
도 5는 본 발명의 실시예에 따른 그래프 데이터의 일 예를 나타내는 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예에 대하여 상세하게 설명한다.
도 1은 본 발명의 실시예에 따른 전장 위협 분석 장치를 나타내는 도면이다.
도 1을 참조하면, 본 실시예의 전장 위협 분석 장치(100)는 입출력부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.
입출력부(110)는 외부장치로부터 전장 정보를 수신할 수 있다. 입출력부(110)는 수신된 전장 정보를 프로세서(120)로 제공할 수 있다. 또한, 입출력부(110)는 후술될 프로세서(120)에 의해 전장 정보에 대응되어 출력되는 전장 위협 분석 결과를 사용자, 예컨대 전장 지휘관 등의 사용자가 소지하는 단말장치로 출력할 수 있다.
여기서, 전장 정보는 전장 내 복수의 객체 각각에 대한 객체 정보를 포함할 수 있다. 또한, 전장 정보는 복수의 객체 사이의 간선(edge)에 대한 간선 정보를 포함할 수 있다.
또한, 복수의 객체는 전장 내 하나 이상의 아군 및 적군을 포함할 수 있다. 예컨대, 복수의 객체는 전장 내 아군 및 적군 병사이거나 또는 아군 및 적군 병사에 의해 운용되는 장비일 수 있다.
또한, 객체 정보는 각 객체에 대한 정적 속성 및 동적 속성을 포함할 수 있다. 정적 속성은 객체의 병과 속성을 포함할 수 있다. 동적 속성은 객체의 위치, 이동방향, 속도 등의 속성을 포함할 수 있다.
또한, 간선 정보는 적어도 한 쌍의 객체, 예컨대 하나의 아군 및 이에 대응되어 간선으로 연결된 하나의 적군 간 관측 여부, 공격 여부, 거리 등의 속성을 포함할 수 있다.
또한, 전장 위협 분석 결과는 특정 시점, 예컨대 미래시점에서 복수의 객체 각각이 수행하는 행위 및 상기 행위에 따른 복수의 객체 간 위협 발생 확률의 예측결과를 포함할 수 있다.
프로세서(120)는 입출력부(110)로부터 전장정보를 제공받고, 후술될 메모리(130)에 저장된 전장 위협 분석 프로그램(140)을 이용하여 전장 정보에 대응되는 전장 위협 분석 결과를 생성할 수 있다. 프로세서(120)는 전장 위협 분석 결과를 입출력부(110)로 출력할 수 있다.
메모리(130)는 전장 위협 분석 프로그램(140) 및 이의 실행에 필요한 정보를 저장할 수 있다. 전장 위협 분석 프로그램(140)은 입출력부(110)를 통해 제공된 전장 정보로부터 전장 내 복수의 객체에 대한 시계열 그래프 데이터를 생성하고, 생성된 그래프 데이터에 기초하여 특정 시점에서의 전장 위협 분석 결과, 예컨대 복수의 객체가 수행하는 행위 및 이로 인한 객체 간 위협 발생 확률을 포함하는 분석 결과를 생성할 수 있는 명령어들을 포함하는 소프트웨어일 수 있다.
이에, 프로세서(120)는 메모리(130)에 저장된 전장 위협 분석 프로그램(140)을 실행하고, 이를 이용하여 입출력부(110)를 통해 수신된 전장 정보로부터 전장 위협 분석 결과를 생성할 수 있다.
도 2는 도 1의 전장 위협 분석 프로그램의 기능을 개념적으로 나타내는 도면이다.
도 2를 참조하면, 본 실시예의 전장 위협 분석 프로그램(140)은 데이터 생성부(141) 및 전장 위협 분석 모델(143)을 포함할 수 있다. 또한, 전장 위협 분석 모델(143)은 잠재 벡터 산출부(150) 및 분류부(160)를 포함할 수 있다.
도 2에 도시된 데이터 생성부(141), 잠재 벡터 산출부(150) 및 분류부(160)는 본 실시예의 전장 위협 분석 프로그램(140)의 기능을 쉽게 설명하기 위해 개념적으로 나눈 것으로서, 본 발명은 이에 제한되지 않는다.
예컨대, 데이터 생성부(141), 잠재 벡터 산출부(150) 및 분류부(160)는 그 기능이 병합되거나 분리될 수 있으며, 하나의 프로그램에 포함된 일련의 명령어들로 구현될 수도 있다.
데이터 생성부(141)는 입출력부(110)로부터 제공된 전장 정보에 기초하여 전장 내 복수의 객체 각각에 대응되는 복수의 그래프 데이터를 생성할 수 있다.
복수의 그래프 데이터는 시계열 형태로 생성될 수 있다. 예컨대, 데이터 생성부(141)는 하나의 객체에 대해 과거 시점에서 현재 시점까지 복수의 시점 별로 복수의 그래프 데이터를 생성할 수 있다.
앞서 설명한 바와 같이, 전장 정보는 객체 정보 및 간선 정보를 포함할 수 있다. 따라서, 각 시점 별 복수의 그래프 데이터 역시 전장 내 복수의 객체에 대한 객체 정보 및 간선 정보를 포함할 수 있다. 예컨대, 그래프 데이터는 객체 정보에 기초하여 정의되는 객체 행위에 대한 레이블 및 간선 정보에 기초하여 정의되는 위협 여부에 대한 레이블을 포함할 수 있다.
전장 위협 분석 모델(143)은 데이터 생성부(141)로부터 복수의 객체 각각에 대한 시점 별 그래프 데이터를 제공받고, 이에 기초하여 특정 시점, 예컨대 미래시점에서 복수의 객체 각각의 행위 및 객체 간 위협 발생 확률을 포함하는 전장 위협 분석 결과를 생성할 수 있다.
예컨대, 전장 위협 분석 모델(143)의 잠재 벡터 산출부(150)는 각 객체의 시점 별 그래프 데이터로부터 각 객체에 대한 시점 별 잠재 벡터를 산출할 수 있다. 또한, 잠재 벡터 산출부(150)는 시점 별 잠재 벡터 각각에 기 설정된 가중치를 적용하여 해당 객체에 대한 최종 잠재 벡터를 산출할 수 있다.
또한, 전장 위협 분석 모델(143)의 분류부(160)는 잠재 벡터 산출부(150)에서 제공된 복수의 객체 각각의 최종 잠재 벡터에 기초하여 특정 시점, 예컨대 미래시점에서의 복수의 객체 각각이 수행하는 행위를 분류하고, 분류된 행위에 기초하여 복수의 객체 간 위협, 예컨대 공격 발생 확률을 예측할 수 있다.
이러한 전장 위협 분석 모델(143)은 복수의 객체에 대한 복수의 시점 별 그래프 데이터로부터 특정 시점에서 복수의 객체 각각의 행위 및 이에 따른 위협 발생 확률을 포함하는 전장 위협 분석 결과를 생성하여 출력하도록 기 학습된 신경망 모델을 포함할 수 있다.
도 3은 도 2의 전장 위협 분석 모델을 학습시키는 방법을 나타내는 도면이다.
도 3을 참조하면, 본 실시예의 전장 위협 분석 모델(143)은 기 학습된 하나 이상의 신경망 모델, 예컨대 잠재 벡터 산출부(150) 및 분류부(160)를 포함할 수 있다.
잠재 벡터 산출부(150)는 복수의 그래프 신경망(GNN, graph neural network) 모듈(151), 상기 복수의 그래프 신경망 모듈(151) 각각에 대응되는 복수의 순환 신경망(RNN, recurrent neural network) 모듈(153), 어텐션(attention) 모듈(155) 및 합산부(157)를 포함할 수 있다.
복수의 그래프 신경망 모듈(151) 각각은 데이터 생성부(141)로부터 복수의 객체 각각의 복수의 그래프 데이터를 입력 받으면, 각 그래프 데이터에 대응되는 복수의 특징값을 산출하여 출력하도록 학습될 수 있다.
예컨대, 복수의 그래프 신경망 모듈(151) 중 제1그래프 신경망 모듈에 제1객체에 대한 현재 시점 그래프 데이터가 입력되면, 제1그래프 신경망 모듈은 현재 시점 그래프 데이터에 대응되는 제1객체의 현재 시점 특징값을 산출하여 출력할 수 있다.
복수의 순환 신경망 모듈(153) 각각은 대응되는 복수의 그래프 신경망 모듈(151) 각각으로부터 복수의 시점 별 특징값을 입력 받으면, 각 특징값에 대응되는 복수의 잠재 벡터를 산출하여 출력하도록 학습될 수 있다.
예컨대, 복수의 순환 신경망 모듈(153) 중 제1순환 신경망 모듈에 제1객체에 대한 현재 시점 특징값이 입력되면, 제1순환 신경망 모듈은 현재 시점 특징값에 대응되는 제1객체의 현재 시점 잠재 벡터를 산출하여 출력할 수 있다.
이때, 제1순환 신경망 모듈에는 제1객체에 대한 하나 이상의 과거 시점 잠재 벡터가 함께 입력될 수 있으며, 이에 현재 시점 특징값과 하나 이상의 과거 시점 잠재 벡터에 기초하여 제1객체의 현재 시점 잠재 벡터를 산출할 수 있다.
예컨대, 제1순환 신경망 모듈은 대응되는 제1그래프 신경망 모듈로부터 제1객체의 t시점 특징값을 입력 받고, 다른 순환 신경망 모듈로부터 제1객체의 (t-1)시점 잠재 벡터를 입력 받을 수 있다. 이에, 제1순환 신경망 모듈은 t시점 특징값 및 (t-1)시점 잠재 벡터로부터 제1객체의 t시점 잠재 벡터를 산출할 수 있다.
어텐션 모듈(155)은 복수의 순환 신경망 모듈(153) 각각으로부터 복수의 시점 별 잠재 벡터를 입력 받으면, 기 설정된 가중치를 적용하여 복수의 시점 별 잠재 벡터의 합산 값을 산출하여 출력하도록 학습될 수 있다.
예컨대, 어텐션 모듈(155)은 복수의 순환 신경망 모듈(153)로부터 제1객체에 대한 복수의 시점 별 잠재 벡터를 입력 받을 수 있다. 이에, 어텐션 모듈(155)은 복수의 시점 별 잠재 벡터 각각에 기 설정된 가중치를 적용하고, 가중치가 적용된 복수의 잠재 벡터를 합산하여 제1객체의 잠재 벡터 합산 값을 산출할 수 있다.
합산부(157)는 어텐션 모듈(155)에서 출력되는 합산 값과 복수의 순환 신경망 모듈(153) 중 하나로부터 제공된 제1객체의 현재 시점 잠재 벡터를 합산하여 제1객체에 대한 최종 잠재 벡터를 출력할 수 있다.
여기서, 최종 잠재 벡터는 제1객체의 객체 정보에 따른 객체벡터 및 상기 제1객체의 간선 정보에 따른 간선벡터를 포함할 수 있다.
이와 같이, 본 실시예의 잠재 벡터 산출부(150)는 전장 내 복수의 객체 각각에 대한 복수의 시점 별 그래프 데이터를 입력으로 제공받아, 각 객체에 대한 시점 별 특징값 및 상기 시점 별 특징값에 기초하여 각 객체에 대한 시점 별 잠재 벡터를 산출하고, 산출된 시점 별 잠재 벡터 각각에 가중치를 적용하여 각 객체에 대한 최종 잠재 벡터를 산출할 수 있다. 잠재 벡터 산출부(150)는 복수의 객체 각각의 최종 잠재 벡터를 분류부(160)의 입력으로 출력할 수 있다.
분류부(160)는 잠재 벡터 산출부(150)로부터 복수의 객체 각각의 최종 잠재 벡터를 입력 받으면, 특정 시점, 예컨대 미래시점에서 복수의 객체 각각이 수행할 것으로 예상되는 행위를 분류한 결과를 출력하도록 학습될 수 있다.
또한, 분류부(160)는 출력한 분류 결과를 이용하여 전술된 잠재 벡터 산출부(150) 및 분류부(160) 자신을 더 학습시키기 위한 분류 손실을 생성할 수 있다.
이를 위하여, 분류부(160)는 복수의 객체 각각에 대한 최종 잠재 벡터와 함께 분류 정답, 즉 복수의 객체 각각이 특정 시점에서 실제 수행하는 행위를 입력 받을 수 있다. 이에, 분류부(160)는 분류 정답을 실제 출력한 분류 결과와 비교하고, 비교 결과에 따라 분류 손실값을 결정할 수 있다.
따라서, 분류부(160)는 결정된 분류 손실값을 잠재 벡터 산출부(150) 및 분류부(160) 자신에게 제공함으로써, 잠재 벡터 산출부(150) 및 분류부(160) 각각에서 분류 손실값이 최소가 되도록 하는 학습, 즉 복수의 객체 각각에 대한 최종 잠재 벡터를 산출하는 학습 및 최종 잠재 벡터에 기초하여 특정 시점에서 복수의 객체 각각의 행위를 예측하여 분류하는 학습이 반복 수행될 수 있다.
이에, 전장 위협 분석 모델(143)은 분류부(160)에서 출력된 특정 시점의 객체 행위에 대한 분류결과에 기초하여 상기 특정 시점에서 복수의 객체, 예컨대 아군 및 적군 간 위협, 예컨대 공격 발생 확률을 예측할 수 있다. 전장 위협 분석 모델(143)은 행위 분류 결과 및 그에 따른 위협 발생 확률을 포함하는 전장 위협 분석 결과를 생성하여 출력할 수 있다.
이와 같이, 본 실시예의 전장 위협 분석 장치(100)는 외부에서 제공된 전장 내 복수의 객체에 대한 정보로부터 시간에 따라 변화되는 그래프 데이터를 생성하고, 기 학습된 전장 위협 분석 모델(143)을 이용하여 그래프 데이터로부터 특정 시점에서 복수의 객체가 수행할 것으로 예상되는 행위 및 그에 따른 객체 간 위협 발생 확률을 예측하여 전장 위협 분석 결과로 출력할 수 있다.
이에, 본 발명은 여러 객체가 상호 작용하는 전장 환경에서 각 객체에 대한 행위 분류 및 위협 발생 확률 예측을 정확하게 수행할 수 있으며, 이로 인해 지휘관 등의 사용자에게 정확한 전장 예측 정보를 제공할 수 있어 작전 계획 수립 등의 편의를 도모할 수 있다.
도 4는 본 발명의 실시예에 따른 전장 위협 분석 방법에 대한 순서도이다.
도면을 참조하면, 먼저 외부장치로부터 전장 위협 분석 장치(100)의 입출력부(110)로 전장에 대한 전장 정보가 수신될 수 있다.
여기서, 전장 정보는 전장 내 복수의 객체, 예컨대, 하나 이상의 아군 및 적군의 객체에 대한 객체 정보 및 적어도 한 쌍의 객체 사이의 간선에 대한 간선 정보를 포함할 수 있다.
전장 위협 분석 장치(100)의 프로세서(120)는 메모리(130)에 저장된 전장 위협 분석 프로그램(140)을 실행하고, 이를 이용하여 입출력부(110)로부터 제공된 전장 정보로부터 특정 시점에서의 전장에 대한 분석 결과를 생성하여 출력할 수 있다.
예컨대, 데이터 생성부(141)는 전장 정보에 기초하여 전장 내 복수의 객체 각각에 대응되는 복수의 그래프 데이터를 생성할 수 있다(S10).
여기서, 복수의 객체 각각에 대응되는 복수의 그래프 데이터는 시계열 형태일 수 있으며, 하나의 객체에 대한 과거 시점에서 현재 시점까지의 복수의 시점 별로 생성될 수 있다.
도 5는 본 발명의 실시예에 따른 그래프 데이터의 일 예를 나타내는 도면이다.
도 5를 참조하면, 그래프 데이터는 전장 정보에 기초하여 전장 내 복수의 객체, 예컨대 하나 이상의 아군객체(object-1) 및 적군객체(object-2) 각각에 대응되어 생성될 수 있다.
여기서, 전장 정보는 아군객체(object-1) 및 적군 객체(object-2) 각각에 대한 객체 정보 및 상기 아군객체(object-1) 및 적군객체(object-2) 중 적어도 한 쌍의 객체 간을 연결하는 간선(edge)에 대한 간선 정보를 포함할 수 있다.
이에, 데이터 생성부(141)는 객체 정보에 기초하여 정의되는 객체 행위에 대한 레이블 및 간선 정보에 기초하여 정의되는 위협 여부에 대한 레이블을 포함하는 그래프 데이터를 생성할 수 있다.
다시 도 4를 참조하면, 전장 위협 분석 모델(143)은 복수의 객체 각각의 복수의 그래프 데이터로부터 각 객체의 잠재 벡터를 산출하여 출력할 수 있다(S20).
예컨대, 전장 위협 분석 모델(143)의 잠재 벡터 산출부(150)는 전장 내 복수의 객체 각각에 대한 복수의 시점 별 그래프 데이터를 입력으로 제공받아, 각 객체에 대한 시점 별 특징값 및 상기 시점 별 특징값에 기초하여 각 객체에 대한 시점 별 잠재 벡터를 산출하고, 산출된 시점 별 잠재 벡터 각각에 가중치를 적용하여 각 객체에 대한 최종 잠재 벡터를 산출할 수 있다.
여기서, 잠재 벡터 산출부(150)는 복수의 객체 각각에 대하여 각 객체의 하나 이상의 과거 시점 잠재 벡터에 기초하여 해당 객체의 현재 시점 잠재 벡터를 산출할 수 있다.
예컨대, 잠재 벡터 산출부(150)는 복수의 객체 중 제1객체에 대한 복수의 그래프 데이터로부터 제1객체의 t시점 특징값을 산출할 수 있다. 이어, 잠재 벡터 산출부(150)는 산출된 t시점 특징값 및 하나 이상의 과거 시점 잠재 벡터, 예컨대 (t-1)시점 잠재 벡터에 기초하여 제1객체에 대한 현재 시점 잠재 벡터를 산출할 수 있다.
계속해서, 전장 위협 분석 모델(143)의 분류부(160)는 잠재 벡터 산출부(150)로부터 복수의 객체 각각의 최종 잠재 벡터를 입력 받고, 특정 시점, 예컨대 미래시점에서 복수의 객체 각각이 수행할 것으로 예상되는 행위를 분류하여 출력할 수 있다(S30).
이에, 전장 위협 분석 모델(143)은 특정 시점의 객체 행위에 대한 분류결과에 기초하여 상기 특정 시점에서 복수의 객체, 예컨대 아군 및 적군 간 위협, 예컨대 공격 발생 확률을 예측할 수 있다(S40).
그리고, 전장 위협 분석 모델(143)은 행위 분류 결과 및 그에 따른 위협 발생 확률을 포함하는 전장 위협 분석 결과를 생성하여 출력할 수 있다. 이어, 프로세서(120)는 전장 위협 분석 모델(143)에서 출력된 특정 시점의 전장 위협 분석 결과를 입출력부(110)를 통해 외부, 전장의 지휘관 등의 사용자가 소지하는 단말장치로 출력할 수 있다.
이와 같이, 본 실시예의 전장 위협 분석 방법은 외부에서 제공된 전장 내 복수의 객체에 대한 정보로부터 시간에 따라 변화되는 그래프 데이터를 생성하고, 기 학습된 전장 위협 분석 모델(143)을 이용하여 그래프 데이터로부터 특정 시점에서 복수의 객체가 수행할 것으로 예상되는 행위 및 그에 따른 객체 간 위협 발생 확률을 예측하여 전장 위협 분석 결과로 출력할 수 있다.
이에, 본 발명은 여러 객체가 상호 작용하는 전장 환경에서 각 객체에 대한 행위 분류 및 위협 발생 확률 예측을 정확하게 수행할 수 있으며, 이로 인해 지휘관 등의 사용자에게 정확한 전장 예측 정보를 제공할 수 있어 작전 계획 수립 등의 편의를 도모할 수 있다.
이상에서 설명된 본 발명의 블록도의 각 블록과 순서도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 순서도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 순서도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 순서도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 전장 위협 분석 장치
110: 입출력부
120: 프로세서
130: 메모리
141: 데이터 생성부
143: 전장 위협 분석 모델
150: 잠재 벡터 산출부
160: 분류부

Claims (16)

  1. 전장 내 복수의 객체 각각에 대한 객체 정보 및 간선정보를 포함하는 전장 정보를 수신하여 상기 복수의 객체에 대한 복수의 시점 별 그래프 데이터를 생성하는 단계;
    기 학습된 신경망 모델을 이용하여 각 객체의 상기 복수의 시점 별 그래프 데이터로부터 상기 각 객체에 대한 복수의 시점 별 잠재 벡터를 산출하는 단계; 및
    상기 신경망 모델을 이용하여 상기 복수의 시점 별 잠재 벡터로부터 상기 복수의 객체 각각의 행위를 분류하고, 분류된 행위에 기초하여 미래 시점에서 상기 복수의 객체 간 위협 발생 확률을 예측하는 단계를 포함하는 전장 위협 분석 방법.
  2. 제1항에 있어서,
    상기 잠재 벡터를 산출하는 단계는,
    상기 각 객체의 상기 복수의 시점 별 잠재 벡터 각각에 기 설정된 가중치를 적용하여 상기 각 객체에 대한 최종 잠재 벡터를 산출하는 단계를 포함하는 전장 위협 분석 방법.
  3. 제1항에 있어서,
    상기 잠재 벡터를 산출하는 단계는,
    상기 각 객체의 상기 복수의 시점 별 그래프 데이터 중 현재 시점 그래프 데이터로부터 상기 각 객체에 대한 현재 시점 특징값을 산출하는 단계; 및
    상기 각 객체의 상기 복수의 시점 별 잠재 벡터 중에서 하나 이상의 과거 시점 잠재 벡터에 기초하여 상기 현재 시점 특징값으로부터 상기 각 객체에 대한 현재 시점 잠재 벡터를 산출하는 단계를 포함하는 전장 위협 분석 방법.
  4. 제2항에 있어서,
    상기 최종 잠재 벡터를 산출하는 단계는,
    가중치가 적용된 복수의 시점 별 잠재 벡터의 합산 값을 산출하는 단계; 및
    상기 복수의 시점 별 잠재 벡터 중 현재 시점 잠재 벡터와 상기 합산 값을 합하여 상기 각 객체에 대한 상기 최종 잠재 벡터를 산출하는 단계를 포함하는 전장 위협 분석 방법.
  5. 제2항에 있어서,
    상기 최종 잠재 벡터는,
    상기 최종 잠재 벡터는,
    상기 각 객체에 대한 객체벡터 및 상기 각 객체와 인접 객체 간 연결에 따른 간선벡터를 포함하는 전장 위협 분석 방법.
  6. 제1항에 있어서,
    상기 신경망 모델은,
    잠재 벡터 산출부 및 분류부를 포함하고,
    상기 잠재 벡터 산출부는,
    상기 복수의 객체 각각에 대한 상기 복수의 시점 별 그래프 데이터를 입력 받으면, 상기 복수의 객체 각각에 대한 상기 복수의 시점 별 잠재 벡터를 산출하여 출력하도록 학습되고,
    상기 분류부는,
    상기 잠재 벡터 산출부에서 출력된 상기 복수의 객체 각각의 상기 복수의 시점 별 잠재 벡터와 함께 레이블 데이터로 분류 정답을 입력 받으면, 상기 복수의 객체 각각에 대한 행위를 분류하여 출력하도록 학습된 전장 위협 분석 방법.
  7. 제6항에 있어서,
    상기 분류부는,
    상기 레이블 데이터로 입력된 상기 분류 정답과 실제 출력한 분류 결과를 비교하여 손실값을 생성하고,
    상기 잠재 벡터 산출부는,
    상기 손실값을 더 입력 받아 상기 복수의 시점 별 그래프 데이터로부터 상기 복수의 객체 각각의 상기 복수의 시점 별 잠재 벡터를 산출하여 출력하도록 학습된 전장 위협 분석 방법.
  8. 전장 위협 분석 프로그램이 저장된 메모리; 및
    상기 전장 위협 분석 프로그램을 실행하고, 전장 내 복수의 객체 각각에 대한 객체 정보 및 간선정보를 포함하는 전장 정보를 수신하여 상기 복수의 객체에 대한 복수의 시점 별 그래프 데이터를 생성하고, 기 학습된 신경망 모델을 이용하여 각 객체의 상기 복수의 시점 별 그래프 데이터로부터 상기 각 객체에 대한 복수의 시점 별 잠재 벡터를 산출하고, 상기 신경망 모델을 이용하여 상기 복수의 시점 별 잠재 벡터로부터 상기 복수의 객체 각각의 행위를 분류하고, 분류된 행위에 기초하여 미래 시점에서 상기 복수의 객체 간 위협 발생 확률을 예측하는 프로세서를 포함하는 전장 위협 분석 장치.
  9. 제8항에 있어서,
    상기 프로세서는,
    상기 각 객체의 상기 복수의 시점 별 잠재 벡터 각각에 기 설정된 가중치를 적용하여 상기 각 객체에 대한 최종 잠재 벡터를 산출하는 전장 위협 분석 장치.
  10. 제8항에 있어서,
    상기 프로세서는,
    상기 각 객체의 상기 복수의 시점 별 그래프 데이터 중 현재 시점 그래프 데이터로부터 상기 각 객체에 대한 현재 시점 특징값을 산출하고, 상기 각 객체의 상기 복수의 시점 별 잠재 벡터 중에서 하나 이상의 과거 시점 잠재 벡터에 기초하여 상기 현재 시점 특징값으로부터 상기 각 객체에 대한 현재 시점 잠재 벡터를 산출하는 전장 위협 분석 장치.
  11. 제9항에 있어서,
    상기 프로세서는,
    가중치가 적용된 복수의 시점 별 잠재 벡터의 합산 값을 산출하고, 상기 복수의 시점 별 잠재 벡터 중 현재 시점 잠재 벡터와 상기 합산 값을 합하여 상기 각 객체에 대한 상기 최종 잠재 벡터를 산출하는 전장 위협 분석 장치.
  12. 제9항에 있어서,
    상기 최종 잠재 벡터는,
    상기 각 객체에 대한 객체벡터 및 상기 각 객체와 인접 객체 간 연결에 따른 간선벡터를 포함하는 전장 위협 분석 장치.
  13. 제8항에 있어서,
    상기 신경망 모델은, 잠재 벡터 산출부 및 분류부를 포함하고,
    상기 잠재 벡터 산출부는,
    상기 복수의 객체 각각에 대한 상기 복수의 시점 별 그래프 데이터를 입력 받으면, 상기 복수의 객체 각각에 대한 상기 복수의 시점 별 잠재 벡터를 산출하여 출력하도록 학습되고,
    상기 분류부는,
    상기 잠재 벡터 산출부에서 출력된 상기 복수의 객체 각각의 상기 복수의 시점 별 잠재 벡터와 함께 레이블 데이터로 분류 정답을 입력 받으면, 상기 복수의 객체 각각에 대한 행위를 분류하여 출력하도록 학습된 전장 위협 분석 장치.
  14. 제13항에 있어서,
    상기 분류부는,
    상기 레이블 데이터로 입력된 상기 분류 정답과 실제 출력한 분류 결과를 비교하여 손실값을 생성하고,
    상기 잠재 벡터 산출부는,
    상기 손실값을 더 입력 받아 상기 복수의 시점 별 그래프 데이터로부터 상기 복수의 객체 각각의 상기 복수의 시점 별 잠재 벡터를 산출하여 출력하도록 학습된 전장 위협 분석 장치.
  15. 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능 기록매체로서,
    상기 컴퓨터 프로그램은,
    전장 내 복수의 객체 각각에 대한 객체 정보 및 간선정보를 포함하는 전장 정보를 수신하여 상기 복수의 객체에 대한 복수의 시점 별 그래프 데이터를 생성하는 단계;
    기 학습된 신경망 모델을 이용하여 각 객체의 상기 복수의 시점 별 그래프 데이터로부터 상기 각 객체에 대한 복수의 시점 별 잠재 벡터를 산출하는 단계; 및
    상기 신경망 모델을 이용하여 상기 복수의 시점 별 잠재 벡터로부터 상기 복수의 객체 각각의 행위를 분류하고, 분류된 행위에 기초하여 미래 시점에서 상기 복수의 객체 간 위협 발생 확률을 예측하는 단계를 포함하는 전장 위협 분석 방법을 프로세서가 수행하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록매체.
  16. 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은,
    전장 내 복수의 객체 각각에 대한 객체 정보 및 간선정보를 포함하는 전장 정보를 수신하여 상기 복수의 객체에 대한 복수의 시점 별 그래프 데이터를 생성하는 단계;
    기 학습된 신경망 모델을 이용하여 각 객체의 상기 복수의 시점 별 그래프 데이터로부터 상기 각 객체에 대한 복수의 시점 별 잠재 벡터를 산출하는 단계; 및
    상기 신경망 모델을 이용하여 상기 복수의 시점 별 잠재 벡터로부터 상기 복수의 객체 각각의 행위를 분류하고, 분류된 행위에 기초하여 미래 시점에서 상기 복수의 객체 간 위협 발생 확률을 예측하는 단계를 포함하는 전장 위협 분석 방법을 프로세서가 수행하기 위한 명령어를 포함하는 기록매체에 저장된 컴퓨터 프로그램.
KR1020230073712A 2023-06-08 2023-06-08 동적 그래프 신경망 기반 전장 위협 분석 방법 및 장치 KR102631468B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230073712A KR102631468B1 (ko) 2023-06-08 2023-06-08 동적 그래프 신경망 기반 전장 위협 분석 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230073712A KR102631468B1 (ko) 2023-06-08 2023-06-08 동적 그래프 신경망 기반 전장 위협 분석 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102631468B1 true KR102631468B1 (ko) 2024-01-29

Family

ID=89716794

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230073712A KR102631468B1 (ko) 2023-06-08 2023-06-08 동적 그래프 신경망 기반 전장 위협 분석 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102631468B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102147855B1 (ko) 2020-06-08 2020-08-25 한화시스템(주) 전장상황 다중추론 시스템 및 방법
KR20220160398A (ko) * 2021-05-27 2022-12-06 한국과학기술원 군사 시뮬레이션 시스템 및 그의 동작 방법
KR20220170687A (ko) * 2021-06-23 2022-12-30 국방과학연구소 공격 데이터 탐지 방법, 장치, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램
KR20230018941A (ko) * 2021-07-30 2023-02-07 국방과학연구소 전자전 시뮬레이션을 수행하기 위한 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102147855B1 (ko) 2020-06-08 2020-08-25 한화시스템(주) 전장상황 다중추론 시스템 및 방법
KR20220160398A (ko) * 2021-05-27 2022-12-06 한국과학기술원 군사 시뮬레이션 시스템 및 그의 동작 방법
KR20220170687A (ko) * 2021-06-23 2022-12-30 국방과학연구소 공격 데이터 탐지 방법, 장치, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램
KR20230018941A (ko) * 2021-07-30 2023-02-07 국방과학연구소 전자전 시뮬레이션을 수행하기 위한 장치 및 방법

Similar Documents

Publication Publication Date Title
Lütjens et al. Certified adversarial robustness for deep reinforcement learning
Lütjens et al. Safe reinforcement learning with model uncertainty estimates
Everett et al. Certifiable robustness to adversarial state uncertainty in deep reinforcement learning
US11741356B2 (en) Data processing apparatus by learning of neural network, data processing method by learning of neural network, and recording medium recording the data processing method
CN111144580B (zh) 一种基于模仿学习的层级强化学习训练方法和装置
Nam et al. Predicting trust in human control of swarms via inverse reinforcement learning
Wenzel et al. Vision-based mobile robotics obstacle avoidance with deep reinforcement learning
Nápoles et al. How to improve the convergence on sigmoid fuzzy cognitive maps?
CN112347923A (zh) 一种基于对抗生成网络的路侧端行人轨迹预测算法
Boularias et al. Structured apprenticeship learning
Langford et al. Enhancing learning-enabled software systems to address environmental uncertainty
Carvalho et al. An analysis of PSO hybrid algorithms for feed-forward neural networks training
KR102631468B1 (ko) 동적 그래프 신경망 기반 전장 위협 분석 방법 및 장치
KR102234917B1 (ko) 신경망 학습을 통한 데이터 처리 장치, 신경망 학습을 통한 데이터 처리 방법, 및 동일 방법을 기록한 기록 매체
Lopez-Guede et al. State-action value function modeled by ELM in reinforcement learning for hose control problems
Zhu et al. Model identification via physics engines for improved policy search
Lobos-Tsunekawa et al. Toward real-time decentralized reinforcement learning using finite support basis functions
Liu et al. Hindsight generative adversarial imitation learning
Nevliudov et al. MEMS accelerometer in hexapod intellectual control
Contardo et al. Learning states representations in pomdp
Karad Development of object identification model with deep reinforcement learning algorithm
Yusof et al. Simulation of mobile robot navigation utilizing reinforcement and unsupervised weightless neural network learning algorithm
Wang et al. Learning Classifier System on a humanoid NAO robot in dynamic environments
Hepworth et al. Contextually aware intelligent control agents for heterogeneous swarms
Jia et al. Physical adversarial attack on a robotic arm

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant