KR102030777B1 - Unmanned aerial vehicle antenna switching system using deep learning - Google Patents

Unmanned aerial vehicle antenna switching system using deep learning Download PDF

Info

Publication number
KR102030777B1
KR102030777B1 KR1020190031231A KR20190031231A KR102030777B1 KR 102030777 B1 KR102030777 B1 KR 102030777B1 KR 1020190031231 A KR1020190031231 A KR 1020190031231A KR 20190031231 A KR20190031231 A KR 20190031231A KR 102030777 B1 KR102030777 B1 KR 102030777B1
Authority
KR
South Korea
Prior art keywords
aerial vehicle
unmanned aerial
deep learning
unit
antenna
Prior art date
Application number
KR1020190031231A
Other languages
Korean (ko)
Inventor
조세현
Original Assignee
한화시스템(주)
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 한화시스템(주) filed Critical 한화시스템(주)
Priority to KR1020190031231A priority Critical patent/KR102030777B1/en
Application granted granted Critical
Publication of KR102030777B1 publication Critical patent/KR102030777B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
    • H04B1/40—Circuits
    • H04B1/401—Circuits for selecting or indicating operating mode
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/14—Receivers specially adapted for specific applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

The present invention relates to an unmanned aerial vehicle antenna switching system using deep learning. More particularly, the present invention relates to an unmanned aerial vehicle antenna switching system using deep learning, wherein an unmanned aerial vehicle predicts received signal strength indicator (RSSI) of antennas installed at an upper part and a lower part by deep learning to switch the antennas according to an attitude and position of the unmanned aerial vehicle to communicate with a ground antenna device.

Description

딥러닝을 이용한 무인 비행체 안테나 스위칭 시스템{Unmanned aerial vehicle antenna switching system using deep learning}Unmanned aerial vehicle antenna switching system using deep learning}

본 발명은 딥러닝을 이용한 무인 비행체 안테나 스위칭 시스템에 관한 것으로, 더욱 상세하게는 무인 비행체가 상부와 하부에 설치되는 안테나의 RSSI(Received Signal Strength Indicator)를 딥러닝을 통해 예측하여 무인 비행체의 자세와 위치에 따라 안테나를 스위칭 하여 지상 안테나 장치와 통신하는 딥러닝을 이용한 무인 비행체의 안테나 스위칭 시스템에 관한 것이다.The present invention relates to an unmanned aerial vehicle switching system using deep learning, and more particularly, to predict the attitude of the unmanned aerial vehicle by deep learning the RSSI (Received Signal Strength Indicator) of the antenna that the unmanned aerial vehicle is installed above and below. The present invention relates to an antenna switching system of an unmanned aerial vehicle using deep learning that switches antennas according to positions and communicates with a ground antenna device.

일반적으로 무인 비행기는 지상 안테나와 통신을 위해 상부와 하부에 각각 안테나가 설치된다. 종래의 지상 안테나(10)는 상기 무인 비행기(20)와의 통신을 위해 도 1에 도시된 바와 같이, 무인 비행기(20)의 수직 방향으로 무인 비행기(20)의 상부와 하부에 임의의 거리로 떨어진 가상의 점을 설정하고, 지상 안테나(10)와 상부의 점, 하부의 점 각각의 거리를 연산하여 둘 중 거리가 가까운 쪽 방향의 안테나를 선택하여 통신을 수행하였다.In general, an unmanned aerial vehicle has antennas installed at the top and bottom of the antenna to communicate with the ground antenna. Conventional terrestrial antenna 10 is separated from the top and bottom of the drone 20 at any distance in the vertical direction of the drone 20, as shown in Figure 1 for communication with the unmanned aerial vehicle 20. The virtual point was set, and the distance between the ground antenna 10, the upper point, and the lower point was calculated to select an antenna in a direction closer to the distance, and communication was performed.

하지만 이럴 경우 지표면 및 장애물에 의한 신호의 회절이나 페이딩 또는 무인 비행체 기체의 간섭, 반사 등은 연산에 고려되지 않아 통신 에러율이 높아지거나 신호가 단절되는 문제점이 있었다.However, in this case, the diffraction, fading of the signal due to the surface and obstacles, the interference and reflection of the unmanned aerial vehicle, etc. are not considered in the calculation, resulting in a high communication error rate or a signal disconnection.

공개특허 10-2009-0069800, 공개일자 2009년 07월 01일, '수신 신호 강도를 이용한 위치추정 방법 및 시스템'Publication No. 10-2009-0069800, published July 1, 2009, 'location estimation method and system using the received signal strength' 공개특허 10-2015-0125533, 공개일자 2015년 11월 09일, '무선 위치 추정 장치 및 그 방법'Korean Patent Publication No. 10-2015-0125533, published November 09, 2015, 'Wireless Position Estimation Apparatus and Method thereof'

상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 무인 비행체가 상부와 하부에 설치되는 안테나의 RSSI(Received Signal Strength Indicator)를 딥러닝을 통해 예측하여 무인 비행체의 자세와 위치에 따라 안테나를 스위칭 하여 지상 안테나 장치와 통신하는 딥러닝을 이용한 무인 비행체의 안테나 스위칭 시스템을 제공하는데 있다.An object of the present invention for solving the above problems is to predict the RSSI (Received Signal Strength Indicator) of the antenna that the unmanned aerial vehicle is installed on the upper and lower through deep learning to switch the antenna according to the attitude and position of the unmanned aerial vehicle An antenna switching system of an unmanned aerial vehicle using deep learning that communicates with a ground antenna device is provided.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 딥러닝을 이용한 안테나 스위칭 시스템은 본체의 상부에 구성되는 상부 안테나부(110)와 본체의 하부에 구성되는 하부 안테나부(120)를 구비하고, 딥러닝을 통해 상기 상부 안테나부(110) 또는 하부 안테나부(120) 중 어느 하나를 통해 지상체 안테나 장치(200)와 통신하는 무인 비행체(100); 및 상기 무인 비행체(100)의 상부 안테나부(110) 또는 하부 안테나부(120)와 통신하는 지상 안테나 장치(200)를 포함하는 것을 특징으로 한다.The antenna switching system using the deep learning according to the present invention for achieving the above object is provided with an upper antenna unit 110 and a lower antenna unit 120 configured in the lower portion of the main body, An unmanned aerial vehicle 100 that communicates with the terrestrial antenna device 200 through any one of the upper antenna unit 110 and the lower antenna unit 120 through running; And a ground antenna device 200 which communicates with the upper antenna unit 110 or the lower antenna unit 120 of the unmanned aerial vehicle 100.

본 발명의 바람직한 실시예에 따르면, 상기 무인 비행체(100)는, 상기 무인 비행체(100)의 현재 자세를 탐지하여 무인 비행체의 자세 및 높이정보와 상기 무인 비행체(100)를 기준으로 지상 안테나 장치에 대한 지향 방위각 및 고각정보를 획득하는 GPS부(130); 상기 GPS부(130)부가 획득한 자세정보, 높이정보, 지향 방위각정보 및 고각정보를 min-max normalization를 통해 정규화를 수행하는 전처리부(140); 상기 전처리부(140)가 수행한 정규화 된 데이터를 입력값으로 하여 무인 비행체(100)의 상부 안테나부(110)와 하부 안테나부(120)의 RSSI(Received Signal Strength Indicator)값을 예측하는 RSSI 예측 모델을 통해 딥러닝을 수행하는 딥러닝부(150); 및 상기 딥러닝부(150)의 딥러닝 수행결과 생성되는 무인 비행체(100)의 상부 안테나부(110)의 RSSI 예측값과 하부 안테나부(120)의 RSSI 예측값을 비교하여 RSSI 예측값이 큰 안테나부가 상기 지상 안테나 장치(200)와 통신하도록 제어하는 제어부(160)를 포함하는 것을 특징으로 한다.According to a preferred embodiment of the present invention, the unmanned aerial vehicle 100 detects a current posture of the unmanned aerial vehicle 100 to the ground antenna apparatus based on the attitude and height information of the unmanned aerial vehicle and the unmanned aerial vehicle 100. GPS unit 130 for obtaining the azimuth and elevation information for the; A preprocessor 140 for normalizing posture information, height information, azimuth information, and elevation information obtained by the GPS unit 130 through min-max normalization; RSSI prediction for predicting RSSI (Received Signal Strength Indicator) values of the upper antenna unit 110 and the lower antenna unit 120 of the unmanned aerial vehicle 100 using the normalized data performed by the preprocessor 140 as an input value. A deep learning unit 150 performing deep learning through a model; And comparing the RSSI predicted value of the upper antenna unit 110 and the RSSI predicted value of the lower antenna unit 120 of the unmanned aerial vehicle 100 generated as a result of the deep learning by the deep learning unit 150. It characterized in that it comprises a control unit 160 for controlling to communicate with the ground antenna device 200.

본 발명의 바람직한 실시예에 따르면, 상기 RSSI값은, 무인 비행체(100)의 상부 안테나부(110)와 하부 안테나부(120)가 지상 안테나 장치(200)로부터 수신하는 신호의 세기로써 무인 비행체(100)의 위치, 자세 및 지상 안테나 장치(200)로부터의 거리에 따른 신호 손실이 반영된 값인 것을 특징으로 한다.According to a preferred embodiment of the present invention, the RSSI value is an unmanned aerial vehicle as the strength of the signal received by the upper antenna unit 110 and the lower antenna unit 120 of the unmanned aerial vehicle 100 from the ground antenna device 200 ( It is characterized in that the signal loss according to the position, attitude and distance from the ground antenna device 200 of the 100 is reflected.

본 발명의 바람직한 실시예에 따르면, 상기 RSSI 예측 모델은, 입력층과 4개의 은닉층 및 출력층으로 이루어지며, 각 계층은 10개의 뉴런으로 구성되고, Loss function은 RMSE(Root Mean Square Error)를 사용하고, Loss 최적화를 위한 Optimizer는 Adam(Adaptive Moment Estimation)을 사용하며, 각 계층에서의 Activation function은 ReLU(Rectified Linear Unit)을 사용하며, 과적합을 피하기 위해 입력층엔 20%, 은닉층엔 50%의 비율로 Dropout을 적용한 것을 특징으로 한다.According to a preferred embodiment of the present invention, the RSSI prediction model is composed of an input layer, four hidden layers, and an output layer, each layer is composed of 10 neurons, and the loss function uses root mean square error (RMS). In order to optimize the loss, the optimizer uses Adam (Adaptive Moment Estimation), and the Activation function in each layer uses the ReLU (Rectified Linear Unit), and 20% for the input layer and 50% for the hidden layer to avoid overfitting. Dropout is applied as a ratio.

본 발명의 바람직한 실시예에 따르면, 상기 ReLU는, 가중치의 초기값으로 He 초기값을 적용한 것을 특징으로 한다.According to a preferred embodiment of the present invention, the ReLU is characterized in that the initial value of He is applied as the initial value of the weight.

본 발명에 따른 딥러닝을 이용한 무인 비행체 안테나 스위칭 시스템은 무인 비행체가 상부와 하부에 설치되는 안테나의 RSSI(Received Signal Strength Indicator)를 딥러닝을 통해 예측하여 무인 비행체의 자세와 위치에 따라 통신에 사용하는 안테나를 스위칭 하여 지상 안테나 장치와 통신함으로 통신의 단절을 예방할 수 있는 효과가 있다.The unmanned aerial vehicle antenna switching system using deep learning according to the present invention predicts RSSI (Received Signal Strength Indicator) of the antenna where the unmanned aerial vehicle is installed at the top and the bottom of the antenna through deep learning, and uses it for communication according to the attitude and position of the unmanned aerial vehicle. By switching the antenna to communicate with the ground antenna device has an effect that can prevent the interruption of communication.

도 1은 종래의 지상 안테나와 무인 비행기의 통신방법을 설명한 예시도
도 2는 본 발명의 일실시예에 따른 무인 비행체 안테나 스위칭 시스템의 블록구성도
도 3은 본 발명의 일실시예에 따른 무인 비행체의 블록구성도
도 4는 본 발명의 일실시예에 따른 무인 비행체 안테나 스위칭 시스템을 통한 안테나 스위칭 방법 순서도
도 5는 본 발명의 일실시예에 따른 RSSI 예측 모델의 예시도
도 6은 본 발명의 일실시예에 따른 딥러닝부의 딥러닝 예시도1 is an exemplary view illustrating a communication method of a conventional ground antenna and an unmanned aerial vehicle
Figure 2 is a block diagram of an unmanned aerial vehicle switching system according to an embodiment of the present invention
Figure 3 is a block diagram of an unmanned aerial vehicle according to an embodiment of the present invention
4 is a flowchart illustrating an antenna switching method using an unmanned aerial vehicle switching system according to an exemplary embodiment of the present invention.
5 is an exemplary diagram of an RSSI prediction model according to an embodiment of the present invention.
6 is a deep learning example of a deep learning unit according to an embodiment of the present invention

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구성될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.DETAILED DESCRIPTION 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. As those skilled in the art would realize, the described embodiments may be modified in various different ways, all without departing from the spirit or scope of the present invention. In the drawings, parts irrelevant to the description are omitted in order to describe the present invention, and like reference numerals designate like parts throughout the specification.

명세서 전체에서, 어떤 부분이 다른 부분과 “연결”되어 있다고 할 때, 이는 “직접적으로 연결”되어 있는 경우만이 아니라, 다른 부분을 통해 “간접적으로 연결”되는 경우도 포함하여 어떤 부분이 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a part is said to be "connected" to another part, it is not only "directly connected" but also partly connected to another component by "indirectly" through another part. As used herein, unless otherwise indicated, this means that other components may be included instead of other components.

이하, 본 발명의 바람직한 실시 예를 도면을 참조하여 설명하면 다음과 같다.Hereinafter, preferred embodiments of the present invention will be described with reference to the drawings.

도 2는 본 발명의 일실시예에 따른 무인 비행체 안테나 스위칭 시스템의 블록구성도이고, 도 3은 본 발명의 일실시예에 따른 무인 비행체의 블록구성도이다. 도 2에 도시된 바와 같이, 본 발명에 따른 딥러닝을 이용한 무인 비행체 안테나 스위칭 시스템은 본체의 상부에 구성되는 상부 안테나부(110)와 본체의 하부에 구성되는 하부 안테나부(120)를 구비하고, 딥러닝을 통해 상기 상부 안테나부(110) 또는 하부 안테나부(120) 중 어느 하나를 통해 지상체 안테나 장치(200)와 통신하는 무인 비행체(100) 및 상기 무인 비행체(100)의 상부 안테나부(110) 또는 하부 안테나부(120)와 통신하는 지상 안테나 장치(200)를 포함하여서 구성된다. 또한, 상기 무인 비행체(100)는 GPS부(130), 전처리부(140), 딥러닝부(150) 및 제어부(160)를 더 포함하여서 구성된다.2 is a block diagram of an unmanned aerial vehicle switching system according to an embodiment of the present invention, Figure 3 is a block diagram of an unmanned aerial vehicle according to an embodiment of the present invention. As shown in FIG. 2, the unmanned aerial vehicle switching system using deep learning according to the present invention includes an upper antenna unit 110 configured at an upper portion of a main body and a lower antenna unit 120 configured at a lower portion of a main body. , The unmanned aerial vehicle 100 communicating with the terrestrial antenna device 200 through any one of the upper antenna unit 110 or the lower antenna unit 120 through deep learning, and the upper antenna unit of the unmanned aerial vehicle 100. It comprises a terrestrial antenna device 200 in communication with the 110 or the lower antenna unit 120. In addition, the unmanned aerial vehicle 100 may further include a GPS unit 130, a preprocessor 140, a deep learning unit 150, and a controller 160.

이하에서는 상기와 같이 구성되는 본 발명에 따른 딥러닝을 이용한 무인 비행체 안테나 스위칭 시스템의 안테나 스위칭 방법에 대해서 도 4 내지 6을 통해서 상세하게 설명하도록 한다.Hereinafter, an antenna switching method of an unmanned aerial vehicle antenna switching system using deep learning according to the present invention configured as described above will be described in detail with reference to FIGS. 4 to 6.

도 4는 본 발명의 일실시예에 따른 무인 비행체 안테나 스위칭 시스템을 통한 안테나 스위칭 방법 순서도이다. 도 4에 도시된 바와 같이, 본 발명에 따른 딥러닝을 이용한 무인 비행체 안테나 스위칭 시스템을 통한 안테나 스위칭 방법은 먼저 상기 무인 비행체(100)의 GPS부(130)가 상기 무인 비행체(100)의 현재 자세를 탐지하여 무인 비행체(100)의 자세 및 높이정보와 상기 무인 비행체(100)를 기준으로 지상 안테나 장치에 대한 지향 방위각 및 고각정보를 획득하는 단계(S100)를 수행한다. 상기 단계(S100)에서 상기 무인 비행체(100)의 자세정보는 비행체의 Pitch축, Roll축 및 Yaw축 정보를 포함하고, 위치정보는 비행체의 높이값 정보를 포함한다.4 is a flowchart illustrating an antenna switching method using an unmanned aerial vehicle antenna switching system according to an embodiment of the present invention. As shown in FIG. 4, in the antenna switching method using the unmanned aerial vehicle antenna switching system using the deep learning according to the present invention, the GPS unit 130 of the unmanned aerial vehicle 100 has a current posture of the unmanned aerial vehicle 100. Step S100 of detecting the attitude and height information of the unmanned aerial vehicle 100 and the ground antenna device based on the unmanned aerial vehicle 100 is performed (S100). In the step S100, the attitude information of the unmanned aerial vehicle 100 includes information about a pitch axis, a roll axis, and a yaw axis of the aircraft, and the position information includes height value information of the aircraft.

다음으로 상기 무인 비행체(100)의 전처리부(140)가 상기 GPS부(130)가 획득한 무인 비행체(100)의 자세정보, 높이정보, 지향 방위각정보 및 고각정보를 전송받아 min-max normalization을 통해 정규화를 진행하는 단계(S200)를 수행한다.Next, the preprocessor 140 of the unmanned aerial vehicle 100 receives posture information, height information, azimuth information, and elevation information of the unmanned aerial vehicle 100 obtained by the GPS unit 130 to obtain min-max normalization. Performing the normalization through the step (S200).

다음으로 상기 무인 비행체(100)의 딥러닝부(150)가 상기 전처리부(140)가 정규화를 진행하여 생성한 정규화 된 데이터를 입력값으로 하여 RSSI 예측 모델을 통해서 딥러닝을 수행하는 단계(S300)를 수행한다.Next, the deep learning unit 150 of the unmanned aerial vehicle 100 performs deep learning using the RSSI prediction model using the normalized data generated by the preprocessing unit 140 normalizing as an input value (S300). ).

상기 단계(S300)에서 상기 RSSI(Received Signal Strength Indicator)값은 무인 비행체(100)의 상부 안테나부(110)와 하부 안테나부(120)가 지상 안테나 장치(200)로부터 수신하는 신호의 세기로써 무인 비행체(100)의 위치, 자세 및 지상 안테나 장치(200)로부터의 거리에 따른 신호 손실이 반영된 값을 의미한다.In the step S300, the RSSI (Received Signal Strength Indicator) value is an unmanned signal strength of the signal received from the ground antenna device 200 by the upper antenna unit 110 and the lower antenna unit 120 of the unmanned aerial vehicle 100. Means a value reflecting the signal loss according to the position, attitude, and distance from the ground antenna device 200 of the vehicle 100.

또한, 상기 RSSI 예측 모델은 입력층과 4개의 은닉층 및 출력층으로 이루어지며 각 계층은 10개의 뉴런으로 구성되는데, 이는 도 5와 같다. 도 5는 본 발명의 일실시예에 따른 RSSI 예측 모델의 예시도이다.In addition, the RSSI prediction model includes an input layer, four hidden layers, and an output layer, and each layer includes 10 neurons, which is illustrated in FIG. 5. 5 is an exemplary diagram of an RSSI prediction model according to an embodiment of the present invention.

상기 딥러닝부(150)는 상기와 같이 구성되는 RSSI 예측 모델을 이용하여 상기 전처리부(140)를 통해 정규화 된 데이터를 입력값(무인 비행체의 Pitch축값, Roll축값, Yaw축값, 높이값, 지향 방위각값 및 고각값)으로 하여 딥러닝을 수행하는데, 이는 도 6과 같다. 도 6은 본 발명의 일실시예에 따른 딥러닝부의 딥러닝 예시도이다. 이 때 상기 딥러닝부(150)는 상기 RSSI 예측 모델에 Loss function은 RMSE(Root Mean Square Error)를 사용하고, Loss 최적화를 위한 Optimizer는 Adam(Adaptive Moment Estimation)을 사용하며, 각 계층에서의 Activation function은 ReLU(Rectified Linear Unit)을 사용하며, 상기 ReLU는 가중치의 초기값으로 He 초기값을 적용하고, 과적합을 피하기 위해 입력층엔 20%, 은닉층엔 50%의 비율로 Dropout을 적용하여 상기 무인 비행체(100)의 상부 안테나부(110) 및 하부 안테나부(120)의 RSSI 예측값을 생성한다.The deep learning unit 150 inputs data normalized through the preprocessing unit 140 using the RSSI prediction model configured as described above (the pitch axis value, the roll axis value, the yaw axis value, the height value, the orientation of the unmanned aerial vehicle). Deep learning is performed using an azimuth value and a high angle value, as shown in FIG. 6. 6 is an exemplary diagram of deep learning of a deep learning unit according to an exemplary embodiment of the present invention. At this time, the deep learning unit 150 uses a root mean square error (RMSE) for the RSSI prediction model, and an optimizer for loss optimization uses Adam (Adaptive Moment Estimation), and activation in each layer. The function uses ReLU (Rectified Linear Unit), and ReLU applies initial value of He as initial value of weight, and drops out at 20% for input layer and 50% for hidden layer to avoid overfitting. RSSI prediction values of the upper antenna unit 110 and the lower antenna unit 120 of the unmanned aerial vehicle 100 are generated.

마지막으로 무인 비행체(100)의 제어부(160)가 상기 딥러닝부(150)가 생성한 무인 비행체(100)의 상부 안테나부(110) 및 하부 안테나부(120)의 RSSI 예측값을 비교하여, RSSI 예측값이 큰 안테나부가 상기 지상 안테나 장치(200)와 통신하도록 제어하는 단계(S400)를 수행한다.Finally, the control unit 160 of the unmanned aerial vehicle 100 compares the RSSI prediction values of the upper antenna unit 110 and the lower antenna unit 120 of the unmanned aerial vehicle 100 generated by the deep learning unit 150, and RSSI An antenna unit having a large predicted value is controlled to communicate with the terrestrial antenna apparatus 200 (S400).

따라서, 상기한 바와 같이 본 발명에 따른 딥러닝을 이용한 무인 비행체 안테나 스위칭 시스템은 무인 비행체(100)가 GPS부(130)를 통해 현재 자세를 탐지하여 무인 비행체(100)의 자세 및 위치정보와 지상 안테나 장치 지향 방위각 및 고각정보를 얻고, 딥러닝부(150)가 상기 자세정보, 위치정보, 지향 방위각정보 및 고각정보를 이용해 딥러닝을 수행하여 무인 비행체(100)의 상부 안테나부(110) 또는 하부 안테나부(120)를 상황에 따라 선택하여 지상 안테나 장치(200)와 통신하도록 제어함으로써 종래의 안테나 장치(10)가 무인 비행기(20)와의 통신에서 갖던 문제점을 해결할 수 있는 효과가 있다.Therefore, as described above, in the unmanned aerial vehicle antenna switching system using the deep learning according to the present invention, the unmanned aerial vehicle 100 detects a current posture through the GPS unit 130, and thus the attitude and position information of the unmanned aerial vehicle 100 and the ground. Obtain the antenna device orientation azimuth and elevation information, the deep learning unit 150 performs the deep learning using the attitude information, position information, orientation azimuth information and elevation information to the upper antenna unit 110 of the unmanned aerial vehicle 100 or By selecting the lower antenna unit 120 in accordance with the situation to control the communication with the ground antenna device 200 has the effect that can solve the problem that the conventional antenna device 10 has in communication with the unmanned aircraft 20.

본 발명은 도면에 도시된 실시 예(들)를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형이 이루어질 수 있으며, 상기 설명된 실시 예(들)의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다. Although the present invention has been described with reference to the embodiment (s) shown in the drawings, this is merely exemplary, and various modifications can be made therefrom by those skilled in the art, and the embodiments described above ( It will be appreciated that all or some of these may be optionally combined. Therefore, the true technical protection scope of the present invention will be defined by the technical spirit of the appended claims.

10 : 지상 안테나
20 : 무인 비행기
100 : 무인 비행체
110 : 상부 안테나부
120 : 하부 안테나부
130 : GPS부
140 : 전처리부
150 : 딥러닝부
160 : 제어부
200 : 지상 안테나 장치10: terrestrial antenna
20: drone
100: unmanned aerial vehicle
110: upper antenna part
120: lower antenna unit
130: GPS unit
140: preprocessing unit
150: deep learning unit
160: control unit
200: ground antenna device

Claims (5)

본체의 상부에 구성되는 상부 안테나부(110)와 본체의 하부에 구성되는 하부 안테나부(120)를 구비하고, 딥러닝을 통해 상기 상부 안테나부(110) 또는 하부 안테나부(120) 중 어느 하나를 통해 지상체 안테나 장치(200)와 통신하는 무인 비행체(100); 및
상기 무인 비행체(100)의 상부 안테나부(110) 또는 하부 안테나부(120)와 통신하는 지상 안테나 장치(200);
를 포함하되,
상기 무인 비행체(100)는,
상기 무인 비행체(100)의 현재 자세를 탐지하여 무인 비행체의 자세 및 높이정보와 상기 무인 비행체(100)를 기준으로 지상 안테나 장치에 대한 지향 방위각 및 고각정보를 획득하는 GPS부(130);
상기 GPS부(130)부가 획득한 자세정보, 높이정보, 지향 방위각정보 및 고각정보를 min-max normalization를 통해 정규화를 수행하는 전처리부(140);
상기 전처리부(140)가 수행한 정규화 된 데이터를 입력값으로 하여 무인 비행체(100)의 상부 안테나부(110)와 하부 안테나부(120)의 RSSI(Received Signal Strength Indicator)값을 예측하는 RSSI 예측 모델을 통해 딥러닝을 수행하는 딥러닝부(150); 및
상기 딥러닝부(150)의 딥러닝 수행결과 생성되는 무인 비행체(100)의 상부 안테나부(110)의 RSSI 예측값과 하부 안테나부(120)의 RSSI 예측값을 비교하여 RSSI 예측값이 큰 안테나부가 상기 지상 안테나 장치(200)와 통신하도록 제어하는 제어부(160);
를 포함하는 것을 특징으로 하는 딥러닝을 이용한 무인 비행체 안테나 스위칭 시스템.
And an upper antenna unit 110 configured at an upper portion of the main body and a lower antenna unit 120 configured at a lower portion of the main body, and any one of the upper antenna unit 110 or the lower antenna unit 120 is provided through deep learning. Unmanned aerial vehicle 100 for communicating with the terrestrial antenna device 200 through; And
A ground antenna device 200 which communicates with an upper antenna unit 110 or a lower antenna unit 120 of the unmanned aerial vehicle 100;
Including,
The unmanned aerial vehicle 100,
A GPS unit 130 which detects a current attitude of the unmanned aerial vehicle 100 and obtains azimuth and elevation information of the ground antenna device based on the attitude and height information of the unmanned aerial vehicle 100 and the unmanned aerial vehicle 100;
A preprocessing unit 140 for normalizing posture information, height information, azimuth information, and elevation information obtained by the GPS unit 130 through min-max normalization;
RSSI prediction for predicting RSSI (Received Signal Strength Indicator) values of the upper antenna unit 110 and the lower antenna unit 120 of the unmanned aerial vehicle 100 using the normalized data performed by the preprocessor 140 as an input value. A deep learning unit 150 performing deep learning through a model; And
The RSSI prediction value of the upper antenna unit 110 and the RSSI prediction value of the lower antenna unit 120 of the unmanned aerial vehicle 100 generated as a result of the deep learning by the deep learning unit 150 are compared, and the antenna unit having a larger RSSI prediction value is measured on the ground. A control unit 160 controlling to communicate with the antenna device 200;
Unmanned aerial vehicle switching system using deep learning comprising a.
삭제delete 제1항에 있어서,
상기 RSSI값은,
무인 비행체(100)의 상부 안테나부(110)와 하부 안테나부(120)가 지상 안테나 장치(200)로부터 수신하는 신호의 세기로써 무인 비행체(100)의 위치, 자세 및 지상 안테나 장치(200)로부터의 거리에 따른 신호 손실이 반영된 값인 것을 특징으로 하는 딥러닝을 이용한 무인 비행체 안테나 스위칭 시스템.
The method of claim 1,
The RSSI value is
The position, attitude and position of the unmanned aerial vehicle 100 from the ground antenna apparatus 200 by the strength of the signal received by the upper antenna unit 110 and the lower antenna unit 120 of the unmanned aerial vehicle 100 from the ground antenna apparatus 200. Unmanned aerial vehicle switching system using deep learning, characterized in that the value reflected by the signal loss according to the distance.
제1항에 있어서,
상기 RSSI 예측 모델은,
입력층과 4개의 은닉층 및 출력층으로 이루어지며, 각 계층은 10개의 뉴런으로 구성되고, Loss function은 RMSE(Root Mean Square Error)를 사용하고, Loss 최적화를 위한 Optimizer는 Adam(Adaptive Moment Estimation)을 사용하며, 각 계층에서의 Activation function은 ReLU(Rectified Linear Unit)을 사용하며, 과적합을 피하기 위해 입력층엔 20%, 은닉층엔 50%의 비율로 Dropout을 적용한 것을 특징으로 하는 딥러닝을 이용한 무인 비행체 안테나 스위칭 시스템.
The method of claim 1,
The RSSI prediction model is
It consists of an input layer, four hidden layers, and an output layer. Each layer consists of 10 neurons, the loss function uses root mean square error (RMS), and the optimizer for loss optimization uses Adam (Adaptive Moment Estimation). The Activation function in each layer uses ReLU (Rectified Linear Unit), and a deep learning unmanned aerial vehicle is characterized in that a dropout is applied at a rate of 20% for the input layer and 50% for the hidden layer to avoid overfitting. Antenna switching system.
제4항에 있어서,
상기 ReLU는,
가중치의 초기값으로 He 초기값을 적용한 것을 특징으로 하는 딥러닝을 이용한 무인 비행체 안테나 스위칭 시스템.The method of claim 4, wherein
The ReLU,
An unmanned aerial vehicle switching system using deep learning, wherein an initial value of He is applied as an initial value of a weight.
KR1020190031231A 2019-03-19 2019-03-19 Unmanned aerial vehicle antenna switching system using deep learning KR102030777B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190031231A KR102030777B1 (en) 2019-03-19 2019-03-19 Unmanned aerial vehicle antenna switching system using deep learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190031231A KR102030777B1 (en) 2019-03-19 2019-03-19 Unmanned aerial vehicle antenna switching system using deep learning

Publications (1)

Publication Number Publication Date
KR102030777B1 true KR102030777B1 (en) 2019-10-10

Family

ID=68206619

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190031231A KR102030777B1 (en) 2019-03-19 2019-03-19 Unmanned aerial vehicle antenna switching system using deep learning

Country Status (1)

Country Link
KR (1) KR102030777B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090069800A (en) 2007-12-26 2009-07-01 강릉원주대학교산학협력단 Method and system for estimating the location using a received signal strength indication
JP2014072862A (en) * 2012-10-01 2014-04-21 Mitsubishi Heavy Ind Ltd Aircraft antenna controller, aircraft, aircraft antenna selection program, and aircraft antenna control method
KR20150125533A (en) 2014-04-30 2015-11-09 삼성전기주식회사 Apparatus for wireless position recongnition and method thereof

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090069800A (en) 2007-12-26 2009-07-01 강릉원주대학교산학협력단 Method and system for estimating the location using a received signal strength indication
JP2014072862A (en) * 2012-10-01 2014-04-21 Mitsubishi Heavy Ind Ltd Aircraft antenna controller, aircraft, aircraft antenna selection program, and aircraft antenna control method
KR20150125533A (en) 2014-04-30 2015-11-09 삼성전기주식회사 Apparatus for wireless position recongnition and method thereof

Similar Documents

Publication Publication Date Title
US11845188B2 (en) Method of controlling mobile robot, apparatus for supporting the method, and delivery system using mobile robot
CN112327885B (en) Unmanned ship self-adaptive global-local mixed path planning method
KR102030778B1 (en) Antenna switching method using Unmanned aerial vehicle antenna switching system
US7606411B2 (en) Robotic gesture recognition system
CN108535720A (en) Adaptive process noise for improved Kalman filtering target following describes
CN112363539B (en) Multi-unmanned aerial vehicle cooperative target searching method
EP3022618A1 (en) Route planning
KR20220093057A (en) Food devlivery system using mobile robot
Chen et al. Distributed and collision-free coverage control of a team of mobile sensors using the convex uncertain voronoi diagram
KR101907268B1 (en) Method and device for autonomous driving based on route adaptation
US11941553B1 (en) Methods, electronic devices and storage media for ship route optimization
JP2018092256A (en) Blind spot coverage apparatus, control apparatus, distributed control program for moving object
US6542797B2 (en) Vehicle control system and associated methods for continuous path control of the vehicle taking into consideration cross currents that influence the vehicle trajectory
WO2018149901A1 (en) Route planning of a vessel
KR102030777B1 (en) Unmanned aerial vehicle antenna switching system using deep learning
CN110297500A (en) A kind of continuous path planning method giving unmanned plane under more way points
KR102157193B1 (en) Unmanned aerial vehicle and movement route control method thereof
US11784691B2 (en) Method and system for intelligent 3D aerial wireless transmission
KR102636551B1 (en) Autonomous terrain collision avoidance apparatus and method for low-altitude operation of unmanned aerial vehicle
US6470246B1 (en) Method for controlling lateral position of an underwater towed body
KR20190077704A (en) System and method for autonomous landing of rotor type unmanned areial vehicle
CN110347166B (en) Sensor control method for automatic driving system
US6362584B1 (en) Virtual sensor for window position
CN114690115A (en) Direction finding positioning method and device
CN112771790A (en) Method for operating a vehicle antenna array

Legal Events

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