KR102108658B1 - 무인 비행 장치 및 이의 경로 계획 방법 - Google Patents

무인 비행 장치 및 이의 경로 계획 방법 Download PDF

Info

Publication number
KR102108658B1
KR102108658B1 KR1020180164373A KR20180164373A KR102108658B1 KR 102108658 B1 KR102108658 B1 KR 102108658B1 KR 1020180164373 A KR1020180164373 A KR 1020180164373A KR 20180164373 A KR20180164373 A KR 20180164373A KR 102108658 B1 KR102108658 B1 KR 102108658B1
Authority
KR
South Korea
Prior art keywords
flight path
sensor node
communication coverage
sensor
location information
Prior art date
Application number
KR1020180164373A
Other languages
English (en)
Inventor
조인휘
이경락
조성령
구광민
Original Assignee
한양대학교 산학협력단
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 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020180164373A priority Critical patent/KR102108658B1/ko
Application granted granted Critical
Publication of KR102108658B1 publication Critical patent/KR102108658B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • B64C2201/14—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2201/00—UAVs characterised by their flight controls

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

무인 비행 장치 및 이의 경로 계획 방법이 개시된다. 무인 비행 장치는 상기 복수의 센서 노드의 위치 정보 및 통신 커버리지를 획득하는 정보 획득부; 및
상기 센서 노드의 위치 정보 및 통신 커버리지를 이용하여 비행 경로가 상기 센서 노드의 통신 커버리지를 지나가도록 상기 비행 경로를 다항 회귀 학습하여 최종 비행 경로를 계획하는 경로 계획부를 포함한다.

Description

무인 비행 장치 및 이의 경로 계획 방법{Unmanned aerial vehicle and path planning method thereof}
본 발명은 무인 비행 장치 및 이의 경로 계획 방법에 관한 것이다.
종래의 무인 비행체(UAV: unmanned aerial vehicle, 이하에서는 'UAV'라 칭하기로 함)는 주로 군용 목적으로 연구되어 왔다. 이로 인해, UAV의 경로 계획은 일반적으로 레이더나 위험 요소를 회피하는 방식으로 연구되어 왔다. 위험요소를 피하여 목적지에 최적으로 도착하는 경로계획방법으로는 보로노이 다이어그램(Voronoi Diagram)이 있다. 보르노이 다이어그램은 도 1에서 보여지는 바와 같이, 수직이등분선을 이용하여 위협이 되는 지점을 피하여 이동하는 UAV의 경로를 도출할 수 있다.
이러한 보로노이 다이어그램을 이용한 경로계획은 특정 지점들을 회피하는 방법으로, 무선 센서 데이터를 수집하는 경로에 사용하기에 적합하지 않다. 특정된 지점들을 센서 데이터의 위치라고 했을 때, 보로노이 다이어그램을 이용한 경로계획은 센서들을 회피하여 목적지까지 도달할 수 있는 최적의 경로를 나타낸다. 따라서, 모든 센서들의 데이터를 수집하는 경로를 생성하지 않는 문제점이 존재한다.
최근에는 모든 지점을 지나는 최적의 경로를 찾기 위해, 유전 알고리즘(Genetic Algorithm)이 제시되었다. 그러나, 종래의 유전 알고리즘을 이용한 UAV 경로 계획은 도 2에서 보여지는 바와 같이, 2차원 좌표를 셀로 나누어 각 점을 모두 경유해야하는 Traveling Salesman Problem을 해결하고 최적의 경로를 찾는 방식으로, 센서 노드의 수가 증가할수록 UAV의 경로가 크게 증가하는 문제점이 있다.
본 발명은 무인 비행 장치의 배터리를 효율적으로 사용하고, 데이터 수집 시간을 단축시킬 수 있는 효율적인 최적 경로를 생성할 수 있는 무인 비행 장치 및 이의 경로 계획 방법을 제공하기 위한 것이다.
본 발명의 일 측면에 따르면, 최적의 경로를 생성할 수 있는 장치가 제공된다.
본 발명의 일 실시예에 따르면, 복수의 센서 노드를 포함하는 무선 센서 네트워크 시스템에서의 비행 경로를 계획하는 무인 비행 장치에 있어서, 상기 복수의 센서 노드의 위치 정보 및 통신 커버리지를 획득하는 정보 획득부; 및 상기 센서 노드의 위치 정보 및 통신 커버리지를 이용하여 비행 경로가 상기 센서 노드의 통신 커버리지를 지나가도록 상기 비행 경로를 다항 회귀 학습하여 최종 비행 경로를 계획하는 경로 계획부를 포함하는 무인 비행 장치가 제공될 수 있다.
상기 위치 정보는 경도 및 위도 좌표 데이터이되, 상기 경로 계획부는, 상기 센서 노드의 위치 정보를 기초로 다항 회귀 알고리즘을 적용하여 초기 비행 경로를 1차 다항 회귀 학습하며, 상기 센서 노드의 통신 커버리지를 고려한 손실 함수를 기반으로 상기 1차 다항 회귀 학습된 비행 경로를 2차 다항 회귀 학습할 수 있다.
상기 경로 계획부는, 상기 복수의 센서 노드의 각각의 경도가 위도에 기반하여 근사화되도록 상기 초기 비행 경로를 다항 회귀 학습할 수 있다.
상기 경로 계획부는, 상기 복수의 센서 노드의 각 통신 커버리지를 고려하여 상기 복수의 센서 노드의 위치 정보와 비행 경로 사이의 거리를 조정하도록 상기 비행 경로를 다항 회귀 학습할 수 있다.
상기 경로 계획부는, 상기 센서 노드의 위치와 상기 비행 경로 사이의 거리가 상기 센서 노드의 통신 커버리지보다 큰 경우 상기 손실 함수의 가중치를 증가시켜 상기 비행 경로를 다항 회귀 학습할 수 있다.
본 발명의 다른 실시예에 따르면, 무선 센서 네트워크 시스템을 구성하는 복수의 센서 노드의 위치 정보 및 통신 커버리지를 저장하는 저장부; 및 복수의 센서 노드의 위치 정보를 기반으로 초기 비행 경로를 임의로 생성하고, 상기 센서 노드의 위치 정보 및 통신 커버리지를 이용하여 상기 초기 비행 경로가 상기 센서 노드의 통신 커버리지를 지나가도록 상기 초기 비행 경로를 다항 회귀 학습하여 최종 비행 경로를 계획하는 경로 계획부를 포함하는 비행 경로 계획 장치가 제공될 수 있다.
상기 최종 비행 경로를 무인 비행 장치로 전송하는 통신부를 더 포함할 수 있다.
본 발명의 다른 측면에 따르면, 복수의 센서 노드를 포함하는 무선 센서 네트워크 시스템에서의 비행 경로를 계획하는 방법이 제공된다.
본 발명의 일 실시예에 따르면, 복수의 센서 노드를 포함하는 무선 센서 네트워크 시스템에서의 비행 경로를 계획하는 방법에 있어서, (a) 상기 복수의 센서 노드의 위치 정보 및 통신 커버리지를 획득하는 단계; 및 (b) 상기 센서 노드의 위치 정보 및 통신 커버리지를 이용하여 비행 경로가 상기 센서 노드의 통신 커버리지를 지나가도록 상기 비행 경로를 다항 회귀 학습하여 최종 비행 경로를 계획하는 단계를 포함하는 비행 경로 계획 방법이 제공될 수 있다.
상기 위치 정보는 경도 및 위도 좌표 데이터이되, 상기 (b) 단계는, (b-1) 상기 센서 노드의 위치 정보를 기초로 다항 회귀 알고리즘을 적용하여 초기 비행 경로를 1차 다항 회귀 학습하는 단계; 및 (b-2) 상기 센서 노드의 통신 커버리지를 고려한 손실 함수를 기반으로 상기 1차 다항 회귀 학습된 비행 경로를 2차 다항 회귀 학습하는 단계를 포함할 수 있다.
상기 (b-1) 단계는, 상기 복수의 센서 노드의 각각의 경도가 위도에 기반하여 근사화되도록 상기 초기 비행 경로를 다항 회귀 학습할 수 있다.
상기 복수의 센서 노드의 통신 커버리지는 각각 상이할 수 있다.
상기 (b) 단계는, 상기 복수의 센서 노드의 각 통신 커버리지를 고려하여 상기 복수의 센서 노드의 위치 정보와 비행 경로 사이의 거리를 조정하도록 상기 비행 경로를 다항 회귀 학습할 수 있다.
상기 센서 노드의 위치와 상기 비행 경로 사이의 거리가 상기 센서 노드의 통신 커버리지보다 큰 경우 상기 손실 함수의 가중치를 증가시켜 상기 비행 경로를 다항 회귀 학습할 수 있다.
상기 (b-1) 단계 및 상기 (b-2) 단계는 복수회 반복 수행하되, 상기 (b-1) 단계 및 상기 (b-2) 단계의 반복 수행 횟수는 각기 상이할 수 있다.
본 발명의 일 실시예에 따른 무인 비행 장치 및 이의 경로 계획 방법을 제공함으로써, 무인 비행 장치의 배터리를 효율적으로 사용하고, 데이터 수집 시간을 단축시킬 수 있는 효율적인 최적 경로를 생성할 수 있다.
도 1 및 도 2는 종래의 비행 경로 생성을 설명하기 위해 도시한 도면.
도 3은 본 발명의 일 실시예에 따른 무선 센서 네트워크 시스템을 개략적으로 도시한 도면.
도 4는 본 발명의 일 실시예에 따른 무인 비행 장치의 최적 경로 생성 방법을 나타낸 순서도.
도 5 및 도 6은 본 발명의 일 실시예에 따른 1차 다항 회귀 학습된 비행 경로와 2차 다항 회귀 학습된 비행 경로를 설명하기 위해 도시한 도면.
도 7은 본 발명의 일 실시예에 따른 비행 경로를 계획하는 무인 비행 장치의 내부 구성을 개략적으로 도시한 도면.
도 8은 본 발명의 다른 실시예에 따른 비행 경로 계획 장치의 내부 구성을 개략적으로 도시한 블록도.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명한다.
도 3은 본 발명의 일 실시예에 따른 무선 센서 네트워크 시스템을 개략적으로 도시한 도면이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 무선 센서 네트워크 시스템(100)은 복수의 센서 노드(110) 및 무인 비행 장치(120)를 포함하여 구성된다. 물론, 무선 센서 네트워크 시스템은 중앙 관제 센터를 포함할 수 있다. 무인 비행 장치(120) 및 각 센서 노드(110)는 중앙 관제 센터에 의해 제어될 수 있다.
복수의 센서 노드(110)는 각각 지정된 위치에 고정 설치된다. 이러한 센서 노드(110)는 자체 전력원을 가질 수도 있으며, 가지지 않을 수도 있다. 본 명세서에서는 각각의 센서 노드(110)는 자체 전력원을 가지지 않은 장치인 것을 가정하여 이를 중심으로 설명하기로 한다.
각 센서 노드(110)는 각각의 위치에 고정 설치되어 각 위치에 대한 환경 정보를 수집(센싱)하기 위한 장치이다. 이러한 각 센서 노드(110)는 자체 전력원을 가지지 않으므로, 외부에서 에너지를 공급받아야 동작이 가능하다. 예를 들어, 각 센서 노드(110)는 배터리를 통해 에너지를 공급받는 센서일 수 있다.
각 센서 노드(110)는 중앙 센터(미도시)를 통해 무선 전력(에너지)을 전송받고, 전송받은 무선 전력을 이용하여 정보(데이터)를 전송할 수 있다.
물론, 각 센서 노드(110)는 무인 비행 장치(120)를 통해 무선 전력을 전송받을 수도 있으며, 전송받은 무선 전력을 이용하여 정보(데이터)를 무인 비행 장치(120)로 전송할 수도 있다.
무인 비행 장치(120)는 무선 센서 네트워크를 구성하는 각 센서 노드(110)들로부터 센서 데이터를 수집하기 위한 경로를 생성하며, 생성된 경로를 따라 이동하며 각 센서 노드(110)로부터 센서 데이터를 수집하기 위한 수단이다.
본 발명의 일 실시예에서는 무인 비행 장치(120)가 복수의 센서 노드(110)들로부터의 센서 데이터 수집을 위한 경로를 생성하는 것을 가정하여 이를 중심으로 설명하나, 비행 경로를 생성하는 주체는 중앙 센터일 수도 있다. 이와 같은 경우, 무인 비행 장치(120)는 중앙 센터로부터 전송되는 비행 경로를 따라 이동하며 각 센서 노드(110)로부터 센서 데이터를 수집할 수도 있다.
무인 비행 장치(120) 및 중앙 센터에서 각 센서 노드(110)의 위치 정보를 기반으로 비행 경로를 생성하는 방법은 동일하므로, 이하에서는 무인 비행 장치(120)에서 최적의 비행 경로를 생성하는 것을 가정하여 이를 중심으로 설명하기로 한다.
도 4는 본 발명의 일 실시예에 따른 무인 비행 장치의 최적 경로 생성 방법을 나타낸 순서도이고, 도 5 및 도 6은 본 발명의 일 실시예에 따른 1차 다항 회귀 학습된 비행 경로와 2차 다항 회귀 학습된 비행 경로를 설명하기 위해 도시한 도면이다.
단계 410에서 무인 비행 장치(120)는 무선 센서 네트워크를 구성하는 각 센서 노드(110)의 위치 정보 및 통신 커버리지를 획득한다.
무인 비행 장치(120)는 복수의 센서 노드(110)의 위치 정보 및 통신 커버리지를 중앙 관제 센터(미도시)로부터 획득할 수 있다. 여기서, 각 센서 노드의 위치 정보는 해당 센서 노드의 GPS 좌표 데이터일 수 있다. 즉, 각 센서 노드의 위치 정보는 해당 센서 노드가 설치된 지점의 위도 및 경도 좌표 데이터일 수 있다.
각 센서 노드의 통신 커버리지는 모두 동일할 수도 있으며, 각기 상이할 수도 있다.
단계 415에서 무인 비행 장치(120)는 각 센서 노드의 위치 정보를 기초로 초기 비행 경로를 다항 회귀 학습한다. 편의상 1차 다항 회귀 학습이라 칭하기로 한다. 초기 비행 경로는 임의로 생성되는 비행 경로일 수 있다.
다항 회귀 학습을 위한 가설(
Figure 112018127381386-pat00001
)은 수학식 1과 같다.
Figure 112018127381386-pat00002
이를 기반으로 하는 비행 경로는 수학식 2와 같이 나타낼 수 있다.
여기서,
Figure 112018127381386-pat00003
는 각 센서 노드의 위치(경도(longitude))를 나타낸다. 또한, n은 회귀식의 차수를 나타내며,
Figure 112018127381386-pat00004
는
Figure 112018127381386-pat00005
에 대한 가중치로, 비행 경로를 훈련하는 과정에서 입력에 적합하도록 변경될 수 있다. 여기서,
Figure 112018127381386-pat00006
는 랜덤하게 설정될 수 있다.
Figure 112018127381386-pat00007
수학식 1에 의해 비행 경로는 초기 비행 경로와 각 센서 노드 사이의 거리에 의해 다항 회귀 학습될 수 있다.
예를 들어,
Figure 112018127381386-pat00008
는 각 센서 노드의 경도(
Figure 112018127381386-pat00009
)가 위도에 상응하여 근사화되도록 가중치(
Figure 112018127381386-pat00010
)를 수정할 수 있다. 즉,
Figure 112018127381386-pat00011
는 각 센서 노드의 위치 정보를 기반으로 학습될 수 있다. 여기서,
Figure 112018127381386-pat00012
는 센서 노드의 경도 데이터의 최대 및 최소 범위 내에서 제한될 수 있다.
단계 420에서 무인 비행 장치(120)는 비행 경로에 대한 1차 다항 회귀 학습이 지정된 횟수를 초과하였는지 판단한다.
만일 지정된 횟수 이하이면, 단계 415로 진행하여 비행 경로에 대한 1차 다항 회귀 학습을 반복 수행한다.
그러나 만일 지정된 횟수를 초과한 경우, 단계 425에서 무인 비행 장치(120)는 각 센서 노드의 통신 커버리지를 고려한 손실 함수를 기반으로 비행 경로를 다항 회귀 학습(편의상 2차 다항 회귀 학습이라 칭함)한다.
손실 함수는 비행 경로와 각 센서 노드의 위치까지의 거리로 정의 된다. 보다 상세하게, 손실 함수는 비행 경로와 각 센서 노드의 경도 사이의 거리로 정의될 수 있다. 이를 수학식으로 나타내면, 수학식 3과 같다.
Figure 112018127381386-pat00013
손실 함수는 평균 제곱 오차(Mean Squared Error)가 사용될 수 있다. 여기서, 학습에 의한
Figure 112018127381386-pat00014
번째 입력 데이터의 예측 위도는
Figure 112018127381386-pat00015
이며, 실제 위도는
Figure 112018127381386-pat00016
일 수 있다.
수학식 1의
Figure 112018127381386-pat00017
는
Figure 112018127381386-pat00018
가 최소가 되도록 조정된다. 그러나, 비행 경로를 제외한 센서의 통신 커버리지가 존재할 수도 있다. 센서가 집중된 영역으로 경로가 이동할 때 손실 함수(
Figure 112018127381386-pat00019
)의 값이 더 감소하기 때문에 반대편의 범위는 비행중인 무인 비행 장치를 제외할 수 있다. 따라서, 손실 함수는 수학식 4와 같이 다시 정리될 수 있다.
Figure 112018127381386-pat00020
여기서,
Figure 112018127381386-pat00021
는 비행 경로와 각 센서 노드의 위치와의 거리에 대한 가중치를 나타낸다. 궤적에서 제외된 센서 노드의 가중치는 궤적에 포함된 센서 노드의 가중치보다 상대적으로 크게 설정될 수 있다. 또한,
Figure 112018127381386-pat00022
가 무한대로 퍼지는 것을 방지하기 위해
Figure 112018127381386-pat00023
를 감소시키는 방법을 이용하기로 한다.
Figure 112018127381386-pat00024
는 1로 초기화될 수 있다. 수학식 1에서의 이후, 센서 노드의 위치와 무인 비행 장치의 비행 경로 사이의 거리
Figure 112018127381386-pat00025
가 해당 센서 노드(t)의 통신 커버리지보다 큰 경우
Figure 112018127381386-pat00026
의 값을 증가시켜 다항 회귀 학습할 수 있다.
이를 통해, 수정된
Figure 112018127381386-pat00027
와 학습을 통해 거리
Figure 112018127381386-pat00028
가 좁혀지며, 무인 비행 장치의 경로가 각 센서 노드의 통신 커버리지를 지나도록 설정될 수 있다.
따라서, 학습이 완료된 비행 경로는 수학식 2와 같으며, 이때, 수학식 2의 x는 경로의 경도를 나타내며, 위도는 해당 경도에 대해
Figure 112018127381386-pat00029
에 의해 계산된 값으로 정의될 수 있다. 그래디언트 하강법에 의해
Figure 112018127381386-pat00030
의 최소값과 최적화된
Figure 112018127381386-pat00031
이 파생될 수 있다. 최적화된
Figure 112018127381386-pat00032
는 최적화된 비행 경로를 찾기 위해
Figure 112018127381386-pat00033
로 갱신될 수 있다.
단계 425는 지정된 횟수(T2)회 수행될 수 있다. 단계 425가 T2회 반복 수행된 후 최종 비행 경로가 도출될 수 있다.
도 5 및 도 6은 본 발명의 일 실시예에 따른 1차 다항 회귀 학습된 비행 경로와 2차 다항 회귀 학습된 비행 경로를 나타낸 것이다.
도 5에서 보여지는 바와 같이, 각 센서 노드의 통신 커버리지를 고려하지 않고 각 센서 노드의 위치 정보만을 고려하여 다항 회귀 학습된 비행 경로는 일부 센서 노드의 데이터 수집이 불가능한 것을 알 수 있다.
그러나, 센서 노드의 통신 커버리지를 고려하여 2차 다항 회귀 학습된 비행 경로상에서는 모든 센서 노드에 대해 데이터 수집이 가능한 최적 경로가 도출된 것을 알 수 있다.
도 7은 본 발명의 일 실시예에 따른 비행 경로를 계획하는 무인 비행 장치의 내부 구성을 개략적으로 도시한 도면이다.
도 7을 참조하면, 본 발명의 일 실시예에 따른 무인 비행 장치(120)는 통신부(710), 정보 획득부(715), 경로 계획부(720), 메모리(725) 및 프로세서(730)를 포함하여 구성된다.
통신부(710)는 통신망을 통해 다른 장치와 데이터를 송수신하기 위한 수단이다.
정보 획득부(715)는 무선 센서 네트워크를 구성하는 각 센서 노드의 위치 정보 및 통신 커버리지를 획득하기 위한 수단이다.
여기서, 정보 획득부(715)는 중앙 관제 센터(미도시)를 통해 각 센서 노드의 위치 정보 및 통신 커버리지를 획득할 수 있다.
경로 계획부(720)는 센서 노드의 위치 정보 및 통신 커버리지를 이용하여 비행 경로가 상기 센서 노드의 통신 커버리지를 지나가도록 상기 비행 경로를 다항 회귀 학습하여 최종 비행 경로를 도출하기 위한 수단이다.
예를 들어, 경로 계획부(720)는 센서 노드의 위치 정보를 기초로 비행 경로를 다항 회귀 학습하고, 상기 센서 노드의 통신 커버리지를 고려한 손실 함수를 이용하여 비행 경로를 2차 다항 회귀 학습할 수 있다.
이는 도 4에서 설명한 바와 동일하므로 중복되는 설명은 생략하기로 한다.
메모리(725)는 본 발명의 일 실시예에 따른 무인 비행 장치가 비행 경로를 다항 회귀 학습하여 최적 비행 경로를 도출하는 방법을 수행하기 위해 필요한 프로그램 코드(명령어들), 이 과정에서 파생되는 다양한 데이터 등을 저장하기 위한 수단이다.
프로세서(730)는 본 발명의 일 실시예에 따른 무인 비행 장치(120)의 내부 구성 요소들(예를 들어, 통신부(710), 정보 획득부(715), 경로 계획부(720), 메모리(725) 등)을 제어하기 위한 수단이다.
도 8은 본 발명의 다른 실시예에 따른 비행 경로 계획 장치의 내부 구성을 개략적으로 도시한 블록도이다. 도 8의 비행 경로 계획 장치(800)는 중앙 관제 센터의 일 구성일 수도 있다.
도 8을 참조하면, 본 발명의 일 실시예에 따른 비행 경로 계획 장치(800)는 통신부(810), 저장부(815), 경로 계획부(820) 및 프로세서(825)를 포함하여 구성된다.
통신부(810)는 통신망을 통해 다른 장치(예를 들어, 무인 비행 장치, 각 센서 노드)와 데이터를 송수신하기 위한 수단이다.
저장부(815)는 각 센서 노드의 위치 정보 및 통신 커버리지를 저장한다.
경로 계획부(820)는 복수의 센서 노드의 위치 정보를 기반으로 초기 비행 경로를 임의로 생성하고, 센서 노드의 위치 정보 및 통신 커버리지를 이용하여 초기 비행 경로가 센서 노드의 통신 커버리지를 지나가도록 상기 초기 비행 경로를 다항 회귀 학습하여 최종 비행 경로를 도출할 수 있다.
이는 도 4를 참조하여 이미 전술한 바와 동일하므로 중복되는 설명은 생략하기로 한다.
프로세서(825)는 본 발명의 일 실시예에 따른 비행 경로 계획 장치(800)의 내부 구성 요소들(예를 들어, 통신부(810), 저장부(815), 경로 계획부(820) 등)을 제어하기 위한 수단이다.
본 발명의 실시 예에 따른 장치 및 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이제까지 본 발명에 대하여 그 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
100: 무선 센서 네트워크 시스템
110: 센서 노드
120: 무인 비행 장치

Claims (15)

  1. 복수의 센서 노드를 포함하는 무선 센서 네트워크 시스템에서 무인 비행 장치의 비행 경로를 계획하는 방법에 있어서,
    (a) 상기 복수의 센서 노드의 위치 정보 및 통신 커버리지를 획득하는 단계; 및
    (b) 상기 센서 노드의 위치 정보 및 통신 커버리지를 이용하여 비행 경로가 상기 센서 노드의 통신 커버리지를 지나가도록 상기 비행 경로를 다항 회귀 학습하여 최종 비행 경로를 계획하는 단계를 포함하되,
    상기 (b) 단계는,
    (b-1) 상기 센서 노드의 위치 정보를 기초로 다항 회귀 알고리즘을 적용하여 초기 비행 경로를 1차 다항 회귀 학습하는 단계; 및
    (b-2) 상기 센서 노드의 통신 커버리지를 고려한 손실 함수를 기반으로 상기 1차 다항 회귀 학습된 비행 경로를 2차 다항 회귀 학습하는 단계를 포함하는 비행 경로 계획 방법.

  2. 삭제
  3. 제1 항에 있어서,
    상기 (b-1) 단계는,
    상기 복수의 센서 노드의 각각의 경도가 위도에 기반하여 근사화되도록 상기 초기 비행 경로를 다항 회귀 학습하는 것을 특징으로 하는 비행 경로 계획 방법.
  4. 제1 항에 있어서,
    상기 복수의 센서 노드의 통신 커버리지는 각각 상이한 것을 특징으로 하는 비행 경로 계획 방법.
  5. 제1 항에 있어서,
    상기 (b) 단계는,
    상기 복수의 센서 노드의 각 통신 커버리지를 고려하여 상기 복수의 센서 노드의 위치 정보와 비행 경로 사이의 거리를 조정하도록 상기 비행 경로를 다항 회귀 학습하는 것을 특징으로 하는 비행 경로 계획 방법.
  6. 제5 항에 있어서,
    상기 센서 노드의 위치와 상기 비행 경로 사이의 거리가 상기 센서 노드의 통신 커버리지보다 큰 경우 상기 손실 함수의 가중치를 증가시켜 상기 비행 경로를 다항 회귀 학습하는 것을 특징으로 하는 비행 경로 계획 방법.
  7. 제1 항에 있어서,
    상기 (b-1) 단계 및 상기 (b-2) 단계는 복수회 반복 수행하되,
    상기 (b-1) 단계 및 상기 (b-2) 단계의 반복 수행 횟수는 각기 상이한 것을 특징으로 하는 비행 경로 계획 방법.
  8. 제1 항, 제3항 내지 제7 항 중 어느 하나의 항에 따른 방법을 수행하기 위한 프로그램 코드들을 기록한 컴퓨터로 판독 가능한 기록 매체 제품.
  9. 복수의 센서 노드를 포함하는 무선 센서 네트워크 시스템에서의 비행 경로를 계획하는 무인 비행 장치에 있어서,
    상기 복수의 센서 노드의 위치 정보 및 통신 커버리지를 획득하는 정보 획득부; 및
    상기 센서 노드의 위치 정보 및 통신 커버리지를 이용하여 비행 경로가 상기 센서 노드의 통신 커버리지를 지나가도록 상기 비행 경로를 다항 회귀 학습하여 최종 비행 경로를 계획하는 경로 계획부를 포함하되,
    상기 위치 정보는 경도 및 위도 좌표 데이터이되,
    상기 경로 계획부는,
    상기 센서 노드의 위치 정보를 기초로 다항 회귀 알고리즘을 적용하여 초기 비행 경로를 1차 다항 회귀 학습하며,
    상기 센서 노드의 통신 커버리지를 고려한 손실 함수를 기반으로 상기 1차 다항 회귀 학습된 비행 경로를 2차 다항 회귀 학습하는 것을 특징으로 하는 무인 비행 장치.
  10. 삭제
  11. 제9 항에 있어서,
    상기 경로 계획부는,
    상기 복수의 센서 노드의 각각의 경도가 위도에 기반하여 근사화되도록 상기 초기 비행 경로를 다항 회귀 학습하는 것을 특징으로 하는 무인 비행 장치.
  12. 제9 항에 있어서,
    상기 경로 계획부는,
    상기 복수의 센서 노드의 각 통신 커버리지를 고려하여 상기 복수의 센서 노드의 위치 정보와 비행 경로 사이의 거리를 조정하도록 상기 비행 경로를 다항 회귀 학습하는 것을 특징으로 하는 무인 비행 장치.
  13. 제9 항에 있어서,
    상기 경로 계획부는,
    상기 센서 노드의 위치와 상기 비행 경로 사이의 거리가 상기 센서 노드의 통신 커버리지보다 큰 경우 상기 손실 함수의 가중치를 증가시켜 상기 비행 경로를 다항 회귀 학습하는 것을 특징으로 하는 무인 비행 장치.
  14. 무선 센서 네트워크 시스템을 구성하는 복수의 센서 노드의 위치 정보 및 통신 커버리지를 저장하는 저장부; 및
    복수의 센서 노드의 위치 정보를 기반으로 초기 비행 경로를 임의로 생성하고, 상기 센서 노드의 위치 정보 및 통신 커버리지를 이용하여 상기 초기 비행 경로가 상기 센서 노드의 통신 커버리지를 지나가도록 상기 초기 비행 경로를 다항 회귀 학습하여 최종 비행 경로를 계획하는 경로 계획부를 포함하되,
    상기 경로 계획부는,
    상기 센서 노드의 위치 정보를 기초로 다항 회귀 알고리즘을 적용하여 초기 비행 경로를 1차 다항 회귀 학습하며, 상기 센서 노드의 통신 커버리지를 고려한 손실 함수를 기반으로 상기 1차 다항 회귀 학습된 비행 경로를 2차 다항 회귀 학습하는 것을 특징으로 하는 비행 경로 계획 장치.
  15. 제14 항에 있어서,
    상기 최종 비행 경로를 무인 비행 장치로 전송하는 통신부를 더 포함하는 비행 경로 계획 장치.

KR1020180164373A 2018-12-18 2018-12-18 무인 비행 장치 및 이의 경로 계획 방법 KR102108658B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180164373A KR102108658B1 (ko) 2018-12-18 2018-12-18 무인 비행 장치 및 이의 경로 계획 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180164373A KR102108658B1 (ko) 2018-12-18 2018-12-18 무인 비행 장치 및 이의 경로 계획 방법

Publications (1)

Publication Number Publication Date
KR102108658B1 true KR102108658B1 (ko) 2020-05-07

Family

ID=70733972

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180164373A KR102108658B1 (ko) 2018-12-18 2018-12-18 무인 비행 장치 및 이의 경로 계획 방법

Country Status (1)

Country Link
KR (1) KR102108658B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113188544A (zh) * 2021-04-29 2021-07-30 福建师范大学 一种基于缓存的无人机基站路径规划方法
CN113554120A (zh) * 2020-09-09 2021-10-26 深圳市城市规划设计研究院有限公司 一种基于三角拓展的哈密顿路径快速搜索方法
KR20230137098A (ko) 2022-03-21 2023-10-04 국방과학연구소 애드혹 라우팅 강화학습 시스템, 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램
KR20230157724A (ko) * 2022-05-10 2023-11-17 인하대학교 산학협력단 무인 비행체를 이용한 센서 데이터 획득에서 pso 기반 생체모방 기계학습을 이용한 최적 이동경로 및 센싱정보 획득 방법
KR20240069290A (ko) 2022-11-11 2024-05-20 국방과학연구소 시간 축에 따른 사전 이동성을 활용한 지리적 애드혹 라우팅 강화학습 방법 및 이를 위한 컴퓨터 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101704634B1 (ko) * 2015-12-14 2017-02-08 현대오트론 주식회사 자율 주행 차량의 주행경로 생성 장치 및 그 방법과, 자율 주행 차량의 주행 제어 방법
KR101795935B1 (ko) * 2016-05-30 2017-11-13 인하대학교 산학협력단 센서를 사용한 무인 자율 비행체에서 최적 경로를 탐색하는 방법 및 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101704634B1 (ko) * 2015-12-14 2017-02-08 현대오트론 주식회사 자율 주행 차량의 주행경로 생성 장치 및 그 방법과, 자율 주행 차량의 주행 제어 방법
KR101795935B1 (ko) * 2016-05-30 2017-11-13 인하대학교 산학협력단 센서를 사용한 무인 자율 비행체에서 최적 경로를 탐색하는 방법 및 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
S. V. Kashuba 외 3명. Optimization of UAV Path for Wireless Sensor Network Data Gathering. 2015 IEEE 3rd International Conference Actual Problems of Unmanned Aerial Vehicles Developments (APUAVD) Proceedings. pp. 280-283, 2015* *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554120A (zh) * 2020-09-09 2021-10-26 深圳市城市规划设计研究院有限公司 一种基于三角拓展的哈密顿路径快速搜索方法
CN113554120B (zh) * 2020-09-09 2024-01-26 深圳市城市规划设计研究院股份有限公司 一种多目标点的物流路径快速规划方法
CN113188544A (zh) * 2021-04-29 2021-07-30 福建师范大学 一种基于缓存的无人机基站路径规划方法
CN113188544B (zh) * 2021-04-29 2022-08-09 福建师范大学 一种基于缓存的无人机基站路径规划方法
KR20230137098A (ko) 2022-03-21 2023-10-04 국방과학연구소 애드혹 라우팅 강화학습 시스템, 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램
KR20230157724A (ko) * 2022-05-10 2023-11-17 인하대학교 산학협력단 무인 비행체를 이용한 센서 데이터 획득에서 pso 기반 생체모방 기계학습을 이용한 최적 이동경로 및 센싱정보 획득 방법
KR102614755B1 (ko) 2022-05-10 2023-12-15 인하대학교 산학협력단 무인 비행체를 이용한 센서 데이터 획득에서 pso 기반 생체모방 기계학습을 이용한 최적 이동경로 및 센싱정보 획득 방법
KR20240069290A (ko) 2022-11-11 2024-05-20 국방과학연구소 시간 축에 따른 사전 이동성을 활용한 지리적 애드혹 라우팅 강화학습 방법 및 이를 위한 컴퓨터 장치

Similar Documents

Publication Publication Date Title
KR102108658B1 (ko) 무인 비행 장치 및 이의 경로 계획 방법
Bouhamed et al. Autonomous UAV navigation: A DDPG-based deep reinforcement learning approach
Sharma et al. A cooperative network framework for multi-UAV guided ground ad hoc networks
Coppola et al. On-board communication-based relative localization for collision avoidance in micro air vehicle teams
AU2018347314A1 (en) Method for identifying optimal vehicle paths when energy is a key metric or constraint
Pearre et al. Model-free trajectory optimization for wireless data ferries among multiple sources
Gramajo et al. An efficient energy constraint based UAV path planning for search and coverage
US20210325891A1 (en) Graph construction and execution ml techniques
Wu et al. An adaptive conversion speed Q-learning algorithm for search and rescue UAV path planning in unknown environments
Kashino et al. Multi-UAV based autonomous wilderness search and rescue using target iso-probability curves
JP2019537140A (ja) ビークル衝突回避
KR102165019B1 (ko) 군집주행 제어 시스템 및 방법
Wang et al. Path planning in uncertain flow fields using ensemble method
CN115435787B (zh) 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统
Seo et al. Combined time bound optimization of control, communication, and data processing for FSO‐based 6G UAV aerial networks
Nawaz et al. A study of mobility models for UAV communication networks
Saito et al. A LiDAR based mobile area decision method for TLS-DQN: improving control for AAV mobility
Kiam et al. An ai-based planning framework for HAPS in a time-varying environment
Kurunathan et al. Deep reinforcement learning for persistent cruise control in UAV-aided data collection
Koyuncu et al. Exploiting delayed and imperfect information for generating approximate uav target interception strategy
Cheng et al. Cooperative control of UAV swarm via information measures
Garvey et al. An autonomous unmanned aerial vehicle system for sensing and tracking
Khosravi et al. Cooperative receding horizon control for multi-target interception in uncertain environments
Hu et al. UAS conflict resolution integrating a risk-based operational safety bound as airspace reservation with reinforcement learning
Güven et al. Maintaining connectivity for multi-UAV multi-target search using reinforcement learning

Legal Events

Date Code Title Description
GRNT Written decision to grant