KR102112581B1 - 드론 포렌식을 이용한 사고 원인 분석 방법 및 장치 - Google Patents
드론 포렌식을 이용한 사고 원인 분석 방법 및 장치 Download PDFInfo
- Publication number
- KR102112581B1 KR102112581B1 KR1020180135290A KR20180135290A KR102112581B1 KR 102112581 B1 KR102112581 B1 KR 102112581B1 KR 1020180135290 A KR1020180135290 A KR 1020180135290A KR 20180135290 A KR20180135290 A KR 20180135290A KR 102112581 B1 KR102112581 B1 KR 102112581B1
- Authority
- KR
- South Korea
- Prior art keywords
- drone
- data
- accident
- flight
- information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims description 76
- 238000013135 deep learning Methods 0.000 claims description 54
- 230000005856 abnormality Effects 0.000 claims description 35
- 239000000284 extract Substances 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 25
- 230000001133 acceleration Effects 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 20
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 9
- 230000007547 defect Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 2
- 238000011835 investigation Methods 0.000 abstract description 20
- 230000007123 defense Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000012857 radioactive material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
- G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D2045/0065—Black boxes, devices automatically broadcasting distress signals
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
드론 포렌식을 이용한 사고 원인 분석 방법 및 장치를 개시한다.
본 실시예는 여가활동 또는 레크리에이션뿐만 아니라 국방, 운송, 측량, 재난, 보안까지 드론(UAV: Unmanned Aerial Vehicle)의 응용 범위가 늘어나고 있기 때문에, 드론 관련 사고에 대해 드론 포렌식을 적용하여 드론 사고의 원인을 정확하게 분석하여 수사기관에 제공하기 위한 방법 및 장치를 제공한다.
본 실시예는 여가활동 또는 레크리에이션뿐만 아니라 국방, 운송, 측량, 재난, 보안까지 드론(UAV: Unmanned Aerial Vehicle)의 응용 범위가 늘어나고 있기 때문에, 드론 관련 사고에 대해 드론 포렌식을 적용하여 드론 사고의 원인을 정확하게 분석하여 수사기관에 제공하기 위한 방법 및 장치를 제공한다.
Description
본 실시예는 드론 포렌식을 이용한 사고 원인 분석 방법 및 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
최근 들어, 드론을 적용하는 분야가 증가함에 따라 다양한 문제점 발생하고 있다. 드론의 수요가 늘어나고 드론의 가용성이 높아짐에 따라 드론이 범죄에 사용되거나 드론과 관련된 사건, 사고가 증가하고 있다.
예컨대, 한국에서는 부산의 방송국 앞에서 시위를 하던 사람들 위로 촬영중인 드론이 가로수와 충돌 후 추락하여 인명사고가 발생할 뻔 했다. 이탈리아에서는 밀라노의 두오모 성당에서 국내 촬영진이 조종하던 드론이 충돌하는 사고가 나면서 국제적 명소에서의 무분별한 촬영이 문제되었다. 미국에서는 매사추세츠 주에서 메모리얼데이를 축하하려고 띄운 드론이 갑자기 오작동으로 인근 건물과 부딪치고 떨어져 두 명이 부상하였다. 일본에서는 총리 관저 내에 불법 침입한 드론에 미량의 방사능 물질이 들어 있었다. 미국에서는 술에 취한 정보기관 요원이 날린 드론이 백악관 건물을 들이받고 추락하는 사고가 발생하였다.
드론 적용 분야가 증가함에 따라 전술한 바와 같은 다양한 문제점 발생하고 있다. 드론의 수요가 늘어나고 가용성이 높아짐에 따라 드론의 사고도 증가하고 있는 추세이기 때문에 드론 사고 원인(기체이상, 조종과실, 충돌, 해킹 등)과 정확한 사고 조사를 필수적으로 필요로 한다.
드론 사고 원인을 조사하기 위해서는 많은 시간과 비용이 소요된다. 드론 사고 원인은 예측하기 어렵고, 드론 사고에 대한 조사는 매우 전문적이고 복잡하여 전문적 시스템엔지니어가 필요한 상황이며 또한 현재 드론 사고 조사기관의 전문지식 및 인력이 매우 부족한 상황이다.
드론은 제조사별, 제품별, 적용 FC(Flight Control)별, 장치별로 드론 내에 저장되는 디지털 데이터가 상이하기 때문에, 드론의 사고 조사시 데이터별로 분석방법 및 분석툴이 상이해야 한다. 드론의 사고 조사시 분석된 데이터 값이 정확한지에 대한 객관적 검증도 어렵고 특히 드론 포렌식을 위한 시간과 전문성이 절대적으로 필요하다.
본 실시예는 여가활동 또는 레크리에이션뿐만 아니라 국방, 운송, 측량, 재난, 보안까지 드론(UAV: Unmanned Aerial Vehicle)의 응용 범위가 늘어나고 있기 때문에, 드론 관련 사고에 대해 드론 포렌식을 적용하여 드론 사고의 원인을 정확하게 분석하여 수사기관에 제공하기 위한 방법 및 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 드론(Drone) 탑재되어, 상기 드론의 비행과 관련된 드론 비행 데이터를 수집하여 외부로 전송하는 수집부; 드론 비행과 관련하여 기 분석한 딥러닝 비행 데이터 세트를 저장하는 DB; 및 상기 드론 비행 데이터를 수신하여 디코딩하고, 상기 딥러닝 비행 데이터 세트를 로딩하고, 상기 드론 비행 데이터와 상기 딥러닝 비행 데이터 세트를 기반으로 사고 원인 분석 데이터를 생성하는 드론 포렌식부를 포함하는 것을 특징으로 하는 드론 포렌식을 이용한 사고 원인 분석장치를 제공한다.
본 실시예의 다른 측면에 의하면, 탑재된 드론으로부터 비행과 관련된 드론 비행 데이터를 수집하는 과정; 상기 드론 비행 데이터를 디코딩하는 과정; 드론 비행과 관련하여 기 분석한 딥러닝 비행 데이터 세트를 저장하는 DB로부터 딥러닝 비행 데이터 세트를 로딩하는 과정; 및 상기 드론 비행 데이터와 상기 딥러닝 비행 데이터 세트를 기반으로 사고 원인 분석 데이터를 생성하는 과정을 포함하는 것을 특징으로 하는 드론 포렌식을 이용한 사고 원인 분석 방법을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 여가활동 또는 레크리에이션뿐만 아니라 국방, 운송, 측량, 재난, 보안까지 드론(UAV: Unmanned Aerial Vehicle)의 응용 범위가 늘어나고 있기 때문에, 드론 관련 사고에 대해 드론 포렌식을 적용하여 드론 사고의 원인을 정확하게 분석하여 수사기관에 제공할 수 있는 효과가 있다.
본 실시예에 의하면, 드론 포렌식을 이용하여 발생하는 사고의 원인을 분석하여 수사기관에 제공하면 검찰, 경찰 등의 수사기관에서 사고 원인 결과를 수사 분야에 활용될 수 있을 뿐만 아니라, 공공 및 민간 분야에 폭넓게 적용할 수 있는 효과가 있다.
도 1은 본 실시예에 따른 드론 포렌식을 이용한 사고 원인 분석 시스템을 개략적으로 나타낸 블럭 구성도이다.
도 2는 본 실시예에 따른 드론 정보 수집장치를 개략적으로 나타낸 블럭 구성도이다.
도 3a,3b는 본 실시예에 따른 드론 포렌식 장치를 개략적으로 나타낸 블럭 구성도이다.
도 4는 본 실시예에 따른 사고원인 분석부에서 단계별 드론 비행 데이터 세트 생성 과정을 나타낸 도면이다.
도 5는 본 실시예에 따른 단계별 드론 비행 데이터 세트에 포함된 데이터 세트를 나타낸 도면이다.
도 6a,6b,6c는 본 실시예에 따른 사고원인 분석부에서 학습용 데이터 세트, 평가용 데이터 세트, 검증용 데이터 세트를 생성하는 과정을 나타낸 도면이다.
도 7a,7b는 본 실시예에 따른 드론 정보 수집장치에서 드론 비행 데이터를 수집하는 방법을 설명하기 위한 순서도이다.
도 8은 본 실시예에 따른 드론 포렌식을 이용한 사고 원인 분석 방법을 설명하기 위한 순서도이다.
도 2는 본 실시예에 따른 드론 정보 수집장치를 개략적으로 나타낸 블럭 구성도이다.
도 3a,3b는 본 실시예에 따른 드론 포렌식 장치를 개략적으로 나타낸 블럭 구성도이다.
도 4는 본 실시예에 따른 사고원인 분석부에서 단계별 드론 비행 데이터 세트 생성 과정을 나타낸 도면이다.
도 5는 본 실시예에 따른 단계별 드론 비행 데이터 세트에 포함된 데이터 세트를 나타낸 도면이다.
도 6a,6b,6c는 본 실시예에 따른 사고원인 분석부에서 학습용 데이터 세트, 평가용 데이터 세트, 검증용 데이터 세트를 생성하는 과정을 나타낸 도면이다.
도 7a,7b는 본 실시예에 따른 드론 정보 수집장치에서 드론 비행 데이터를 수집하는 방법을 설명하기 위한 순서도이다.
도 8은 본 실시예에 따른 드론 포렌식을 이용한 사고 원인 분석 방법을 설명하기 위한 순서도이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 드론 포렌식을 이용한 사고 원인 분석 시스템을 개략적으로 나타낸 블럭 구성도이다.
본 실시예에 따른 드론 포렌식을 이용한 사고 원인 분석 시스템은 드론(110), 드론정보 수집장치(122), 드론 포렌식 장치(124), DB(126) 및 수사기관 서버(130)를 포함한다. 드론 포렌식을 이용한 사고 원인 분석 시스템에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
드론(110)은 비행과 관련된 각종 센서, 모터 등에서 출력되는 데이터를 구비된 스토리지의 종류에 따라 자기장이나 전기적 방식으로 저장한다. 드론(110) 내에 저장되는 데이터는 복수의 제조사별, 제품별, FC(Flight Control)별, 장치별 등에 따라 데이터 포멧이 상이하다.
드론정보 수집장치(122), 드론 포렌식 장치(124) 및 DB(126)는 하나의 장치인 사고원인 분석장치(120)로 구현될 수 있다.
드론정보 수집장치(122)는 일종의 수집부(수집모듈)로서, 드론 사고의 재발 방지를 위해 드론(110)으로부터 비행 데이터, 통신내역, 장비 데이터를 필수적으로 수집하는 일종의 수집 장치(블랙박스)를 의미한다.
드론정보 수집장치(122)는 드론(110)의 구성 형태(제조사별, 제품별, FC별, 장치별)와 무관하게 드론(110)으로부터 데이터를 수집하여, 드론(110) 내부 생성된 오류와도 무관하게 독립적인 방식으로 드론(110)으로부터 데이터를 수집한다. 드론정보 수집장치(122)는 표준화된 방식으로 서로 상이한 복수의 드론(110)으로부터 데이터를 수집한다.
드론정보 수집장치(122)는 드론(110)으로부터 디지털 증거에 해당하는 데이터를 수집한 후 내부 스토리지에 일정기간 보관한다. 드론정보 수집장치(122)는 드론(100)으로부터 수집한 디지털 증거(데이터)를 위변조할 수 없도록 암호화하여, 수집한 디지털 증거(데이터)의 무결성(Integrity), 정당성, 재현성, 연계 보관성(Chain of custody) 및 원본성(Originality) 등 증거능력이 확보되도록 한다.
드론정보 수집장치(122)는 드론 제조사, 드론 모델, 드론 FC에 무관하게 복수의 드론(110)으로부터 독립적으로 드론 비행 데이터를 수집한다. 드론정보 수집장치(122)는 드론(110) 내에 탑재된 FC에서 발생하는 오류와 무관하게 드론 비행 데이터를 수집한다. 드론정보 수집장치(122)는 드론 비행시 센싱되는 자이로, 가속도, 기압계, 기울기 등의 센싱 정보를 독자적으로 수집한다. 드론정보 수집장치(122)는 드론(110)으로부터 GPS, 배터리, 모터부, 통신부 인터페이스로부터 정보를 수집한다.
드론정보 수집장치(122)가 커넥터를 이용하여 드론 포렌식 장치(130)와 연결되면, 드론 포렌식 장치(130) 내의 디코더(320)에서 별도의 고유 암호키값을 이용하여 드론정보 수집장치(122)로 접속을 승인한다. 드론정보 수집장치(122)도 위변조 방지를 위해 기 저장된 암호키값과 수신된 암호키값을 비교하여 드론(110)으로부터 드론 비행과 관련된 데이터를 취합하여 하나의 패킷인 드론 비행 데이터로 생성한다. 드론정보 수집장치(122)는 드론 포렌식 장치(130)와의 연결이 승인되면 커넥터를 경유하여 데이터를 드론 포렌식 장치(130)로 전송한다.
드론정보 수집장치(122)는 드론(110) 내부 또는 외부에 탑재되어, 드론(110)의 비행과 관련된 드론 비행 데이터를 수집하여 외부 장치(드론 포렌식 장치(130))로 전송한다. 드론정보 수집장치(122)는 드론(110) 내부 또는 외부에 탑재된 FC가 내부 메모리에 드론 비행 데이터를 저장할 때, 기 설정된 암호화 코드를 이용하여 드론 비행 데이터를 암호화한 상태로 수집한다. 드론정보 수집장치(122)는 드론(110) 내부 또는 외부에서 표준화된 방식으로 복수의 데이터를 수집한다.
드론 포렌식 장치(124)는 일종의 드론 포렌식부(모듈)로서 구현되어, 디지털 포렌식 기법을 적용하여 드론(110)의 사고내역을 조사하고 사고유형과 원인을 분석하여 사고처리 대응방안을 확보하는 장치를 의미한다. 드론 포렌식 장치(124)는 드론정보 수집장치(122)로부터 수신된 데이터를 기반으로 드론 사고를 조사하고 사고 유형 및 현황을 확인한다.
드론 포렌식 장치(124)는 디지털 포렌식 기법을 이용하여 드론(110)으로부터 드론 비행 데이터를 수집하여 수사에 필요한 중요 증거 또는 단서를 분석한다. 드론 포렌식 장치(124)는 디지털 포렌식 기법을 이용하여 드론(110)에 내장된 디지털 자료를 근거로 드론(110)을 매개체로 하여 발생한 비행 정보의 사실 관계를 증명한다.
드론 포렌식 장치(124)는 드론정보 수집장치(122)로부터 수집된 드론 비행 데이터에 대해 딥러닝 기반의 표준화된 분석 툴, 분석에 필요한 선행 데이터 세트(딥러닝 데이터 세트)를 적용하여 정확하고 객관화된 포렌식 결과를 생성한다.
일반적으로 드론 사고 조사는 크게 사고 외형 조사와 수집 데이터 분석으로 구분될 수 있다. 수집 데이터 분석은 표준 규격이 없어 신뢰성과 객관성을 확보할 수 없고 일관성을 확보할 수 있는 충분한 선행 데이터가 없어서, 주로 사고 드론 외관, 촬영영상, 사고목격자 및 조종사 조사 등의 사고 외형 조사만이 이루어지고 있다.
드론 포렌식 장치(124)는 드론(110)에 내장된 디지털 데이터를 드론정보 수집장치(122)를 경유하여 수집하고, 드론(110)을 매개체로 드론(110)에서 발생한 어떤 행위의 사실 관계를 규명하고, 포렌식 결과를 경찰, 검찰 등의 수사기관 서버(130)로 전송한다.
드론 포렌식 장치(124)는 드론사고 원인을 분석하기 위해 다양한 데이터 속성으로 이루어진 드론 비행 데이터를 분석하여, 유용한 패턴을 추출하여 사고 원인을 도출하는 작업(데이터마이닝)을 수행한다. 드론 포렌식 장치(124)는 드론 비행 데이터로부터 유용한 패턴을 추출하기 위한 데이터마이닝 기법으로 군집화 기법, 연관규칙 학습기법, 서브그룹 발견기법을 이용할 수 있다.
드론 포렌식 장치(124)에서 군집화 기법을 이용하는 경우, 주어진 데이터를 서로 유사한 몇 개의 그룹으로 묶어 준다. 드론 포렌식 장치(124)에서 연관규칙 학습기법을 이용하는 경우, 비지도 학습 기법의 하나로 데이터 내에서 동시에 많이 등장하는 아이템을 찾아 규칙의 형태로 가공하여, 자주 등장하는 요인들의 패턴을 찾는다. 드론 포렌식 장치(124)는 서브그룹 발견기법을 이용하는 경우, 사용자가 지정한 대상 속성이 결론으로 나타나는 규칙을 학습하는 지도학습 기법으로 일반성과 흥미도가 높은 규칙을 학습을 수행한다.
드론 포렌식 장치(124)는 연관규칙 학습기법과 서브그룹 발견기법을 이용하여, 예측하기 어려운 속성 사이의 관계를 발견할 수 있으며, 드론 비행 데이터(드론 모터 전압, 전류, 부하, GPS 정보 등)와 비행 환경 데이터(기온, 습도, 기압 등)를 분석하여, 비행사고 원인을 도출하는 학습 모델을 제공한다.
드론 포렌식 장치(124)는 드론 사고 발생의 원인이 될 수 있는 비행 특이 데이터 발생 구간을 시각적으로 출력할 수 있는 비행사고 시뮬레이션 분석 도구를 제공한다. 드론 포렌식 장치(124)는 드론정보 수집장치(122)로부터 수집된 로우(Raw) 데이터를 정제하여, 드론 비행 데이터의 각종 센서값을 디스플레이하고, 시간별 경로를 지도에 트레킹, 드론의 비행을 3인칭 시점에서 시각적으로 출력할 수 있다. 드론 포렌식 장치(124)는 비행 사고 원인 분석 모형을 활용하여, 드론의 비행정보 데이터를 분석하고, 특이 데이터를 도출하여 사고 원인에 대해 상세하게 분석한 내용을 리포트 형태로 생성할 수 있다.
드론 포렌식 장치(124)는 비행사고 예측 모델의 성능을 극대화하기 위해서 연관규칙 학습기법과 서브그룹 발견기법을 이용하여, 데이터 속성 사이의 관계 분석을 진행한다. 드론 포렌식 장치(124)는 사고 발생 예측을 위해, 머신러닝 기법인 인공 신경망(Neural Network), 의사결정 트리(Decision Tree), 나이브 베이즈 분류 모델(Naive Bayes Classification), k 인접 이웃 알고리즘(k-nearest neighbour rules) 등을 이용할 수 있다. 드론 포렌식 장치(124)는 드론 비행 환경을 분석하여 사고 가능성을 예측하여 비행사고를 사전 예측 및 비행 적합 여부 등의 정보를 출력할 수 있다.
드론 포렌식 장치(124)는 선행 데이터 수집 소프트웨어를 이용하여 드론정보 수집장치(122)로부터 드론 비행 데이터를 수집하고, 수집된 드론 비행 데이터를 최적화 상태로 가공한다. 드론 포렌식 장치(124)는 드론정보 수집장치(122)로부터 수집된 드론 비행 데이터에 대해 코드 단위의 데이터를 정리(데이터 정리), 정리된 데이터를 폴더단위로 정리(데이터 백업), 기본데이터, 외부요인 데이터, 비행법규 위반 정보 데이터 등을 분석(데이터 분석), 분석된 데이터를 상호간에 믹싱하여 재구성(분석 데이터 믹싱), 재구성된 데이터를 이벤트별로 모델링(분석결과 모델링) 등을 수행한다.
드론 포렌식 장치(124)는 드론 사고 원인을 운행자과실, 타인과실, 제조물 결함(장치, 부품, SW), 해킹, 전파 및 GPS 교란, 자연환경 원인(강우, 온도, 바람, 타생물과의 충돌) 등으로 판별할 수 있다.
드론 포렌식 장치(124)는 드론 사고 유형으로 대인사고, 대물사고, 차량 및 기체고장/파손, 환경회손, 드론 분실/도난, 특급 보안지역 비행, 불법촬영, 비행금지/제한구역 침입, 사유지 침입, 주파수교란, 불법주파수 사용, 사생활 침해 등으로 판별할 수 있다.
드론 포렌식 장치(124)는 드론정보 수집장치(122)로부터 드론 비행 데이터를 수신하여 디코딩한다. 드론 포렌식 장치(124)는 DB(126)로부터 딥러닝 비행 데이터 세트를 로딩한다. 드론 포렌식 장치(124)는 드론 비행 데이터와 딥러닝 비행 데이터 세트를 기반으로 사고 원인 분석 데이터를 생성한다.
DB(126)는 데이터의 검색(추출), 삭제, 편집, 추가 등을 수행할 수 있는 데이터 저장형태를 의미하며, 드론 비행과 관련하여 기 분석한 딥러닝 비행 데이터 세트를 저장한다. DB(126)는 관계형 데이터베이스 관리 시스템(RDBMS: Relational Data Base Management System)을 이용하여 구현될 수 있다.
수사기관 서버(130)는 드론 포렌식 장치(124)로부터 사고 원인 분석 데이터를 수신하여 수사에 이용한다. 수사기관 서버(130)는 사고 원인 분석 데이터의 현황을 분석하고, 항목을 분석한다.
도 2는 본 실시예에 따른 드론정보 수집장치를 개략적으로 나타낸 블럭 구성도이다.
본 실시예에 따른 드론정보 수집장치(122)는 모터정보 수집부(210), 배터리정보 수집부(212), GPS정보 수집부(214), 조정정보 수집부(216), 가속도정보 수집부(218), 기압정보 수집부(220), 수평정보 수집부(222), 사고지점 설정부(224) 및 데이터 취합부(226)를 포함한다. 드론정보 수집장치(122)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
모터정보 수집부(210)는 드론(110) 내에 구비된 복수의 모터로부터 모터 회전수(예컨대, RPM), 모터 출력, 모터 상태를 포함하는 모터 구동 데이터를 수집한다. 배터리정보 수집부(212)는 드론(110) 내에 구비된 배터리로부터 배터리 관리 정보(배터리 용량, 충전률)를 수집한다.
GPS정보 수집부(214)는 드론(110) 내에 구비된 GPS 모듈로부터 GPS 정보를 수집한다. 조정정보 수집부(216)는 드론(110) 내에 구비된 조정모듈로부터 컨트롤 정보를 수집한다.
가속도정보 수집부(218)는 드론(110) 내에 구비된 가속도 모듈로부터 가속도 정보를 수집한다. 기압정보 수집부(220)는 드론(110) 내에 구비된 기압 모듈로부터 기압 정보를 수집한다. 수평정보 수집부(222)는 드론 내에 구비된 수평 모듈로부터 수평 정보를 수집한다.
사고지점 설정부(224)는 GPS 정보를 기반으로 드론의 위치 좌표를 확인한다. 사고지점 설정부(224)는 동일한 위치 좌표상에서 가속도 정보 및 기압 정보 중 적어도 하나 이상의 정보가 기 설정된 임계범위를 벗어나는 경우, 급격한 변화로 감지하여 해당 위치 좌표를 사고 지점(예컨대, 충돌 지점)으로 설정한다. 사고지점 설정부(224)는 사고 지점에 대한 사고 시점을 설정한다.
데이터 취합부(226)는 모터 구동 데이터, 배터리 관리 정보, GPS 정보, 컨트롤 정보, 가속도 정보, 기압 정보, 수평 정보, 사고 지점, 사고 시점 중 적어도 하나 이상의 정보를 하나의 데이터 패킷인 드론 비행 데이터로 변환하여 드론 포렌식 장치(124)로 전송한다.
도 3a,3b는 본 실시예에 따른 드론 포렌식 장치를 개략적으로 나타낸 블럭 구성도이다.
본 실시예에 따른 드론 포렌식 장치(124)는 데이터 수집부(310), 디코더(320), 사고원인 분석부(330) 및 사고분석결과 도출부(340)를 포함한다. 드론 포렌식 장치(124)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
드론 포렌식 장치(124)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.
도 3에 도시된 드론 포렌식 장치(124)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
데이터 수집부(310)는 드론정보 수집장치(122)로부터 드론 비행 데이터를 수신한다.
디코더(320)는 식별코드를 이용하여 외부 인터페이스로부터 드론정보 수집장치(122)와 직접적인 연결을 막고 위변조를 방지한다. 디코더(320)는 암호화 통신으로 데이터 정형화 지원변동으로 식별 코드를 해독한다. 디코더(320)는 데이터 백업(이동시), 절대값 변환 (표준시, 표준 방위각 등의 정보를 절대값을 변환), 백업데이터 오류 검출(외부 접근 흔적 등)을 수행한다.
디코더(320)는 데이터 수집부(310)로부터 수신된 드론 비행 데이터를 디코딩한 디코딩 드론 데이터를 기준정보(진북, 자북, 방위각정보)와 비교하여 보정한 보정 드론 비행 데이터를 생성한다.
디코더(320)는 디코딩 드론 데이터에 포함된 드론 비행경로를 확인한다. 디코더(320)는 기준정보에 포함된 진북 정보(True North), 자북 정보(Magnetic North), 방위각 정보(Azimuth)를 확인한다. 디코더(320)는 드론 비행경로를 진북 정보, 자북 정보, 방위각 정보와 각각 비교하여 기 설정된 임계치 이상으로 차이가 발생하는 경우, 드론 비행경로를 보정한 보정 드론 비행 데이터를 생성한다.
다시 말해, 디코더(320)는 현재 GPS 정보와 진북, 자북과 비교한다. 디코더(320)에서 드론 비행경로를 보정한 보정 드론 비행 데이터를 생성하는 과정은 선택적(Optional)으로 수행 가능하다.
사고원인 분석부(330)는 보정 드론 비행 데이터를 로드하고, 딥러닝 비행 데이터 세트를 로드한 후 보정 드론 비행 데이터 및 딥러닝 비행 데이터 세트를 기반으로 딥러닝을 적용하여 사고원인 분석한 사고원인 분석 데이터를 생성한다.
사고원인 분석부(330)는 드론 비행 데이터 중 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터에 대해 학습, 평가, 검증을 수행하여 딥러닝 비행 데이터 세트를 생성한다.
사고원인 분석부(330)는 선행 학습부(331), 비행경로이탈 판별부(332), 모터이상 판별부(333), 배터리이상 판별부(334), 해킹여부 판별부(335) 및 사고원인 조합부(336)를 포함한다.
선행 학습부(331)는 딥러닝 비행 데이터 세트 내에 과적합(Overfitting)을 피할 수 있도록 단계별 드론 비행 데이터 세트를 포함한다. 선행 학습부(331)는 단계별 드론 비행 데이터 세트를 학습용 데이터 세트, 평가용 데이터 세트, 검증용 데이터 세트로 구분한다.
선행 학습부(331)는 단계별 드론 비행 데이터 세트로서 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터 중 기 설정된 학습비율(예컨대, 70%)만큼의 데이터를 딥러닝하여 학습용 데이터 세트를 생성한다. 선행 학습부(331)는 단계별 드론 비행 데이터 세트로서 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터 중 기 설정된 평가비율(예컨대, 20%)만큼의 데이터를 결과를 보완할 수 있도록 한 평가용 데이터 세트를 생성한다. 선행 학습부(331)는 단계별 드론 비행 데이터 세트로서 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터 중 기 설정된 검증비율(예컨대, 10%)의 데이터를 사고 검증을 위한 검증용 데이터 세트를 생성한다.
선행 학습부(331)는 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터 중 기 설정된 학습비율(예컨대, 70%)의 데이터에 장단기 기억 네트워크(LSTM: Long Short Term Memory Networks)기법을 이용하여 드론 비행 데이터에 포함된 GPS, 속도, 가속도, 기울기, 압력센서, 모터출력, 모터회전수, 배터리량, 통신내역(명령, 제어, 조정 등)을 기반으로 입력층, 은닉층의 개수, 반복횟수(Iteration)에 따라 파악하여 실제값과 예측값의 차이가 크지 않은 조합을 평가용 모형으로 선정하여 딥러닝한 학습용 데이터 세트를 생성한다.
선행 학습부(331)는 과적합(Overfitting)을 피하기 위해 선행 학습으로 기 선정된 복수 개의 학습 모형 각각에 학습으로 미사용된 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터 중 기 설정된 평가비율(예컨대, 20%)의 데이터를 입력하여 가장 예측력이 가장 높은(MSE값이 가장 작은) 학습모형(예컨대, 1개)을 선정하여 평가용 데이터 세트로 생성한다.
선행 학습부(331)는 기 설정된 평가로 선정된 특정 학습 모형에 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터 중 기 설정된 검증비율(예컨대, 10%)의 데이터를 입력하여 예측을 진행할 때, 가중치를 미반영한 상태에서 전달(Forward) 방향으로만 에러를 산출한 합을 계산한다. 선행 학습부(331)는 에러를 산출한 합이 임계치 미만인 경우 학습 모형을 완료하고, 에러를 산출한 합이 임계치 이상인 경우 학습단계로서 입력층, 은닉층의 개수, 반복횟수를 조절하는 딥러닝을 반복하여 검증용 데이터 세트를 생성한다.
비행경로이탈 판별부(332)는 디코딩 드론 데이터에 포함된 드론 비행경로를 추출한다. 비행경로이탈 판별부(332)는 딥러닝 비행 데이터 세트에 포함된 정상 비행경로, 비정상 비행경로를 추출한다. 비행경로이탈 판별부(332)는 드론 비행경로를 정상 비행경로, 비정상 비행경로와 각각 비교하여 드론 비행경로가 정상 비행경로를 기 설정된 임계치를 벗어나거나 드론 비행경로가 비정상 비행경로와 기 설정된 유사도만큼 유사한 경우 드론이 비행경로가 급격히 벗어나거나 급격히 선회한 것으로 인지하여 사고원인을 비행경로 이탈로 판단한다.
비행경로이탈 판별부(332)는 드론 비행경로를 반드시 딥러닝 비행 데이터 세트와 비교하는 것은 아니다. 비행경로이탈 판별부(332)는 드론 비행경로를 정상적인 비행경로(자동비행, 수동비행)와 비교 가능하다. 비행경로이탈 판별부(332)는 드론 비행경로를 확인하여 자동비행, 자율비행, 경로비행시 기 설정된 웨이포이트(경로)를 벗어나는 경우 비행경로 이탈로 판단할 수 있다. 비행경로이탈 판별부(332)는 자동비행, 수동비행과 무관하게 비행 가능 구역을 벗어나는 경우 비행경로 이탈로 판단할 수 있다.
모터이상 판별부(333)는 드론 비행 데이터 내에 포함된 사고 지점을 추출한다. 모터이상 판별부(333)는 드론 비행 데이터 내에서 사고 발생 시점에 대응하는 모터 구동 데이터를 추출한다. 모터이상 판별부(333)는 딥러닝 비행 데이터 세트에 포함된 정상비행 모터 구동 데이터를 추출한다.
모터이상 판별부(333)는 모터 구동 데이터를 정상비행 모터 구동 데이터와 비교하여 모터 구동 데이터에 포함된 모터 회전수, 모터 출력, 모터 상태 중 적어도 하나 이상의 정보가 정상비행 모터 구동 데이터를 기 설정된 임계치를 벗어나는 경우 사고원인을 모터 이상으로 판단한다.
배터리이상 판별부(334)는 드론 비행 데이터 내에 포함된 사고 지점을 추출한다. 배터리이상 판별부(334)는 드론 비행 데이터 내에서 사고 발생 시점에 대응하는 배터리 관리 정보를 추출한다. 배터리이상 판별부(334)는 딥러닝 비행 데이터 세트에 포함된 정상비행 배터리 데이터를 추출한다.
배터리이상 판별부(334)는 배터리 관리 정보를 정상비행 배터리 데이터와 비교하여 배터리 관리 정보에 포함된 배터리 용량, 충전률 중 적어도 하나 이상의 정보가 정상비행 배터리 데이터와 기 설정된 임계치를 벗어나도록 차이가 발생한 경우 사고원인을 배터리 이상으로 판단한다.
해킹여부 판별부(335)는 드론 비행 데이터 내에 포함된 사고 지점을 추출한다. 해킹여부 판별부(335)는 드론 비행 데이터 내에서 사고 발생 시점에 대응하는 컨트롤 정보를 추출한다. 해킹여부 판별부(335)는 딥러닝 비행 데이터 세트에 포함된 정상비행 컨트롤 데이터를 추출한다.
해킹여부 판별부(335)는 컨트롤 정보에 포함된 주파수 정보, 허가 정보를 추출한다. 해킹여부 판별부(335)는 주파수 정보가 정상비행 컨트롤 데이터에 포함된 주파수 정보와 상이하거나 허가 정보가 변경된 경우, 사고원인을 해킹으로 판단한다.
사고원인 조합부(336)는 보정 드론 비행 데이터 및 딥러닝 비행 데이터 세트를 기반으로 사고원인을 비행경로 이탈, 모터 이상, 배터리 이상, 기계결함, 조정미숙, 배터리 이상, 해킹 중 적어도 하나 이상으로 판단한다.
사고원인 조합부(336)는 비행경로 이탈, 모터 이상, 배터리 이상, 기계결함, 조정미숙, 배터리 이상, 해킹 중 하나 이상의 정보를 조합하여 가능성이 가장 높다고 판단되는 분석 정보(예컨대, 기체 결함 60% 조정미숙 10% 고의사고 10% 해킹 10%)를 사고원인 분석 데이터로 생성한다.
사고분석결과 도출부(340)는 사고원인 분석 데이터를 기반으로 사고 분석 결과를 디스플레이한다.
도 4는 본 실시예에 따른 사고원인 분석부에서 단계별 드론 비행 데이터 세트 생성 과정을 나타낸 도면이다.
드론 포렌식 장치(124)는 드론정보 수집장치(122)로부터 수신한 드론 비행 데이터를 중 1만시간 이상 비행 데이터만을 추출한다. 드론 포렌식 장치(124)는 드론 포렌식을 위한 딥러닝 비행 데이터 세트를 학습용, 평가용, 분석용으로 구분한다. 드론 포렌식 장치(124)는 드론 포렌식을 위한 딥러닝 기반 분석 소프트웨어를 이용하여 사고 드론 비행 데이터를 확보한 후 약 95% 이상의 정확한 사고 원인을 분석한다.
도 5는 본 실시예에 따른 단계별 드론 비행 데이터 세트에 포함된 데이터 세트를 나타낸 도면이다.
드론 포렌식 장치(124)는 과적합(Overfitting)을 피하기 위해 드론정보 수집장치(122)로부터 수신한 드론 비행 데이터를 중 1만시간 이상 비행 데이터를 기반으로 단계별 드론 비행 데이터 세트(학습용, 평가용, 분석용)를 생성한다.
드론 포렌식 장치(124)는 드론 비행 데이터의 70%를 학습(딥러닝)하여 학습용 데이터 세트를 생성한다. 드론 포렌식 장치(124)는 드론 비행 데이터를 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터 중 기 설정된 비율(예컨대, 70%)만큼의 데이터를 딥러닝하여 학습용 데이터 세트로 생성한다.
드론 포렌식 장치(124)는 드론 비행 데이터의 20%를 학습(딥러닝)하여 평가용 데이터 세트를 생성한다. 드론 포렌식 장치(124)는 드론 비행 데이터를 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터 중 기 설정된 비율(예컨대, 20%)만큼의 데이터를 딥러닝하여 평가용 데이터 세트로 생성한다. 드론 포렌식 장치(124)는 학습용 데이터 세트를 이용하여 결과를 보완할 수 있는 평가용 데이터 세트를 생성한다.
드론 포렌식 장치(124)는 드론 비행 데이터의 10%를 학습(딥러닝)하여 검증용 데이터 세트를 생성한다. 드론 포렌식 장치(124)는 드론 비행 데이터를 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터 중 기 설정된 비율(예컨대, 10%)만큼의 데이터를 딥러닝하여 검증용 데이터 세트로 생성한다. 드론 포렌식 장치(124)는 사고/비사고 모든 비행 데이터를 기본으로 학습하나 드론 사고가 발생하는 경우, 사고 데이터를 반드시 학습하여 검증용 데이터 세트를 생성한다.
도 6a는 본 실시예에 따른 사고원인 분석부에서 학습용 데이터 세트를 생성하는 과정을 나타낸 도면이다.
드론 포렌식 장치(124)는 순환신경망(RNN: Recurrent Neural Networks)의 기울기의 사라짐 문제(Gradient Vanishing Problem), 장기 의존성 문제(The Problem of Long-Term Dependencies)를 해결하기 위해 진화된 RNN인 장단기 기억 네트워크(LSTM: Long Short Term Memory Networks)를 이용하여 학습용 데이터 세트를 생성한다.
드론 포렌식 장치(124)는 학습용 데이터를 이용하여 실제값과 예측값의 에러가 적어지도록 딥러닝 모형을 생성한다. 드론 포렌식 장치(124)는 학습용 데이터 세트를 생성하기 위해 GPS, 속도, 가속도, 기울기, 압력센서, 모터출력, 모터회전수, 배터리량, 통신내역(명령, 제어, 조정 등) 모든 비행 데이터를 기본으로 수집한다. 드론 포렌식 장치(124)는 입력층, 은닉층의 개수, 반복횟수(Iteration)에 따라 파악하여 실제값과 예측값의 차이가 크지 않은 조합을 평가용 모형으로 선정한다.
도 6b는 본 실시예에 따른 사고원인 분석부에서 평가용 데이터 세트를 생성하는 과정을 나타낸 도면이다.
드론 포렌식 장치(124)는 과적합(Overfitting)을 피하기 위해 평가용 데이터를 입력하여 학습한 모형이 좋은 예측력을 갖는지 평가한다. 드론 포렌식 장치(124)는 학습으로 선정된 복수의 학습모형 각각에 평가용 데이터(학습에 미사용된 데이터)를 입력하여 가장 예측력이 좋은(MSE값이 가장 작은) 모형 1개를 선정한다.
도 6c는 본 실시예에 따른 사고원인 분석부에서 검증용 데이터 세트를 생성하는 과정을 나타낸 도면이다.
드론 포렌식 장치(124)는 평가용 데이터 세트를 생성 후 선정된 모형 1개에 검증용 데이터를 입력하여 예측을 진행한다. 드론 포렌식 장치(124)는 가중치 업데이트를 수행하지 않고 전달(Forward) 방향으로만 에러를 산출하여 합산한다. 드론 포렌식 장치(124)는 에러가 충분히 작다고 판단되면 학습모형을 완료하고 에러가 크다면 학습단계로 가서 입력층, 은닉층의 개수, 반복횟수를 조절하여 재진행한다.
드론 포렌식 장치(124)는 반복 학습으로 정확도 96%까지 나올 때까지 반복 학습을 진행한다. 드론 포렌식 장치(124)는 학습이 완료되면 실제 드론 사고 기체에서 수집된 데이터를 판독하여 실시간 예측값을 계산하고 96% 정확성으로 사고 원인을 분석한다.
도 7a,7b는 본 실시예에 따른 드론 정보 수집장치에서 드론 비행 데이터를 수집하는 방법을 설명하기 위한 순서도이다.
드론정보 수집장치(122)는 드론(110) 내에 구비된 복수의 모터로부터 모터 회전수(예컨대, RPM), 모터 출력, 모터 상태를 포함하는 모터 구동 데이터를 수집한다(S710). 드론정보 수집장치(122)는 드론(110) 내에 구비된 배터리로부터 배터리 관리 정보(배터리 용량, 충전률)를 수집한다(S720).
드론정보 수집장치(122)는 는 드론(110) 내에 구비된 GPS 모듈로부터 GPS 정보를 수집한다(S730). 드론정보 수집장치(122)는 드론(110) 내에 구비된 조정모듈로부터 컨트롤 정보를 수집한다(S740).
드론정보 수집장치(122)는 드론(110) 내에 구비된 가속도 모듈로부터 가속도 정보를 수집한다(S750). 드론정보 수집장치(122)는 드론(110) 내에 구비된 기압 모듈로부터 기압 정보를 수집한다(S760).
드론정보 수집장치(122)는 드론 내에 구비된 수평 모듈로부터 수평 정보를 수집한다(S770).
드론정보 수집장치(122)는 GPS 정보를 기반으로 드론(110)의 위치 좌표를 확인한다. 드론정보 수집장치(122)는 동일한 위치 좌표상에서 가속도 정보 및 기압 정보 중 적어도 하나 이상의 정보가 기 설정된 임계범위를 벗어나는 경우, 급격한 변화로 감지하여 해당 위치 좌표를 사고 지점(예컨대, 충돌 지점)으로 설정한다. 드론정보 수집장치(122)는 사고 지점에 대한 사고 시점을 설정한다(S780).
드론정보 수집장치(122)는 모터 구동 데이터, 배터리 관리 정보, GPS 정보, 컨트롤 정보, 가속도 정보, 기압 정보, 수평 정보, 사고 지점, 사고 시점 중 적어도 하나 이상의 정보를 하나의 데이터 패킷인 드론 비행 데이터로 변환하여 드론 포렌식 장치(124)로 전송한다(S790).
도 7에서는 단계 S710 내지 단계 S790을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 7에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 7은 시계열적인 순서로 한정되는 것은 아니다.
전술한 바와 같이 도 7에 기재된 본 실시예에 따른 드론 정보 수집장치에서 드론 비행 데이터를 수집하는 방법은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 드론 정보 수집장치에서 드론 비행 데이터를 수집하는 방법을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
도 8은 본 실시예에 따른 드론 포렌식을 이용한 사고 원인 분석 방법을 설명하기 위한 순서도이다.
드론 포렌식 장치(124)는 드론정보 수집장치(122)로부터 드론 비행 데이터를 수신한다(S810).
드론 포렌식 장치(124)는 데이터 수집부(310)로부터 수신된 드론 비행 데이터를 디코딩하여 로딩한다(S820). 단계 S820에서, 드론 포렌식 장치(124)는 데이터 수집부(310)로부터 수신된 드론 비행 데이터를 디코딩한 디코딩 드론 데이터를 기준정보(진북, 자북, 방위각정보)와 비교하여 보정한 보정 드론 비행 데이터를 생성한다.
드론 포렌식 장치(124)는 디코딩 드론 데이터에 포함된 드론 비행경로를 확인한다. 드론 포렌식 장치(124)는 기준정보에 포함된 진북 정보, 자북 정보, 방위각 정보를 확인한다. 드론 포렌식 장치(124)는 드론 비행경로를 진북 정보, 자북 정보, 방위각 정보와 각각 비교하여 기 설정된 임계치 이상으로 차이가 발생하는 경우, 드론 비행경로를 보정한 보정 드론 비행 데이터를 생성한다.
드론 포렌식 장치(124)는 DB(126)로부터 드론 비행과 관련하여 기 분석한 딥러닝 비행 데이터 세트를 로딩한다(S830). 드론 포렌식 장치(124)는 드론 비행 데이터와 딥러닝 비행 데이터 세트를 기반으로 사고 원인 분석 데이터를 생성한다(S840).
단계 S840에서, 드론 포렌식 장치(124)는 드론 비행 데이터 중 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터에 대해 학습, 평가, 검증을 수행하여 딥러닝 비행 데이터 세트를 생성한다. 딥러닝 비행 데이터 세트 내에는 단계별 드론 비행 데이터 세트를 포함하며, 단계별 드론 비행 데이터 세트는 학습용 데이터 세트, 평가용 데이터 세트, 검증용 데이터 세트로 구분된다.
드론 포렌식 장치(124)는 단계별 드론 비행 데이터 세트로서 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터 중 기 설정된 학습비율(예컨대, 70%)만큼의 데이터를 딥러닝하여 학습용 데이터 세트를 생성한다. 드론 포렌식 장치(124)는 단계별 드론 비행 데이터 세트로서 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터 중 기 설정된 평가비율(예컨대, 20%)만큼의 데이터를 결과를 보완할 수 있도록 한 평가용 데이터 세트를 생성한다. 드론 포렌식 장치(124)는 단계별 드론 비행 데이터 세트로서 기 설정된(예컨대, 1만시간) 시간 이상 비행한 드론 비행 데이터 중 기 설정된 검증비율(예컨대, 10%)의 데이터를 사고 검증을 위한 검증용 데이터 세트를 생성한다.
드론 포렌식 장치(124)는 디코딩 드론 데이터에 포함된 드론 비행경로를 추출한다. 드론 포렌식 장치(124)는 딥러닝 비행 데이터 세트에 포함된 정상 비행경로, 비정상 비행경로를 추출한다. 드론 포렌식 장치(124)는 드론 비행경로를 정상 비행경로, 비정상 비행경로와 각각 비교하여 드론 비행경로가 정상 비행경로를 기 설정된 임계치를 벗어나거나 드론 비행경로가 비정상 비행경로와 기 설정된 유사도만큼 유사한 경우 드론이 비행경로가 급격히 벗어나거나 급격히 선회한 것으로 인지하여 사고원인을 비행경로 이탈로 판단한다.
드론 포렌식 장치(124)는 드론 비행 데이터 내에 포함된 사고 지점을 추출한다. 드론 포렌식 장치(124)는 드론 비행 데이터 내에서 사고 발생 시점에 대응하는 모터 구동 데이터를 추출한다. 드론 포렌식 장치(124)는 딥러닝 비행 데이터 세트에 포함된 정상비행 모터 구동 데이터를 추출한다. 드론 포렌식 장치(124)는 모터 구동 데이터를 정상비행 모터 구동 데이터와 비교하여 모터 구동 데이터에 포함된 모터 회전수, 모터 출력, 모터 상태 중 적어도 하나 이상의 정보가 정상비행 모터 구동 데이터를 기 설정된 임계치를 벗어나는 경우 사고원인을 모터 이상으로 판단한다.
드론 포렌식 장치(124)는 드론 비행 데이터 내에 포함된 사고 지점을 추출한다. 드론 포렌식 장치(124)는 드론 비행 데이터 내에서 사고 발생 시점에 대응하는 배터리 관리 정보를 추출한다. 드론 포렌식 장치(124)는 딥러닝 비행 데이터 세트에 포함된 정상비행 배터리 데이터를 추출한다. 드론 포렌식 장치(124)는 배터리 관리 정보를 정상비행 배터리 데이터와 비교하여 배터리 관리 정보에 포함된 배터리 용량, 충전률 중 적어도 하나 이상의 정보가 정상비행 배터리 데이터와 기 설정된 임계치를 벗어나도록 차이가 발생한 경우 사고원인을 배터리 이상으로 판단한다.
드론 포렌식 장치(124)는 드론 비행 데이터 내에 포함된 사고 지점을 추출한다. 드론 포렌식 장치(124)는 드론 비행 데이터 내에서 사고 발생 시점에 대응하는 컨트롤 정보를 추출한다. 드론 포렌식 장치(124)는 딥러닝 비행 데이터 세트에 포함된 정상비행 컨트롤 데이터를 추출한다. 드론 포렌식 장치(124)는 컨트롤 정보에 포함된 주파수 정보, 허가 정보를 추출한다. 드론 포렌식 장치(124)는 주파수 정보가 정상비행 컨트롤 데이터에 포함된 주파수 정보와 상이하거나 허가 정보가 변경된 경우, 사고원인을 해킹으로 판단한다.
드론 포렌식 장치(124)는 보정 드론 비행 데이터 및 딥러닝 비행 데이터 세트를 기반으로 사고원인을 비행경로 이탈, 모터 이상, 배터리 이상, 기계결함, 조정미숙, 배터리 이상, 해킹 중 적어도 하나 이상으로 판단한다. 드론 포렌식 장치(124)는 비행경로 이탈, 모터 이상, 배터리 이상, 기계결함, 조정미숙, 배터리 이상, 해킹 중 하나 이상의 정보를 조합하여 가능성이 가장 높다고 판단되는 분석 정보(예컨대, 기체 결함 60% 조정미숙 10% 고의사고 10% 해킹 10%)를 사고원인 분석 데이터로 생성한다.
드론 포렌식 장치(124)는 사고원인 분석 데이터를 기반으로 사고 분석 결과를 디스플레이하거나 수사기관 서버(130)로 전송한다(S850).
도 8에서는 단계 S810 내지 단계 S850을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 8에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 8은 시계열적인 순서로 한정되는 것은 아니다.
전술한 바와 같이 도 8에 기재된 본 실시예에 따른 드론 포렌식을 이용한 사고 원인 분석 방법은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 드론 포렌식을 이용한 사고 원인 분석 방법을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
110: 드론 120: 사고원인 분석장치
122: 드론정보 수집장비 124: 드론 포렌식 장치
126: DB 130: 수사기관 서버
210: 모터정보 수집부 212: 배터리정보 수집부
214: GPS정보 수집부 216: 조정정보 수집부
218: 가속도정보 수집부 220: 기압정보 수집부
222: 수평정보 수집부 224: 사고지점 설정부
226: 데이터 취합부
310: 데이터 수집부 320: 디코더
330: 사고원인 분석부 340: 사고분석결과 도출부
122: 드론정보 수집장비 124: 드론 포렌식 장치
126: DB 130: 수사기관 서버
210: 모터정보 수집부 212: 배터리정보 수집부
214: GPS정보 수집부 216: 조정정보 수집부
218: 가속도정보 수집부 220: 기압정보 수집부
222: 수평정보 수집부 224: 사고지점 설정부
226: 데이터 취합부
310: 데이터 수집부 320: 디코더
330: 사고원인 분석부 340: 사고분석결과 도출부
Claims (16)
- 드론(Drone)에 탑재되어, 상기 드론의 비행과 관련된 드론 비행 데이터를 수집하여 외부로 전송하는 수집부;
드론 비행과 관련하여 기 분석한 딥러닝 비행 데이터 세트를 저장하는 DB; 및
상기 드론 비행 데이터를 수신하여 디코딩하고, 상기 딥러닝 비행 데이터 세트를 로딩하고, 상기 드론 비행 데이터와 상기 딥러닝 비행 데이터 세트를 기반으로 사고 원인 분석 데이터를 생성하는 드론 포렌식부
를 포함하고,
상기 드론 포렌식부는,
상기 드론 비행 데이터를 수신하여 데이터 수집부;
상기 드론 비행 데이터를 디코딩한 디코딩 드론 데이터를 기준정보와 비교하여 보정한 보정 드론 비행 데이터를 생성하는 디코더;
상기 보정 드론 비행 데이터를 로드하고, 상기 딥러닝 비행 데이터 세트를 로드한 후 상기 보정 드론 비행 데이터 및 상기 딥러닝 비행 데이터 세트를 기반으로 딥러닝을 적용하여 사고원인 분석한 상기 사고원인 분석 데이터를 생성하는 사고원인 분석부; 및
상기 사고원인 분석 데이터를 기반으로 사고 분석 결과를 디스플레이하는 사고 분석 결과 도출부
를 포함하는 것을 특징으로 하는 드론 포렌식을 이용한 사고 원인 분석장치. - 삭제
- 제 1 항에 있어서,
상기 사고원인 분석부는,
상기 드론 비행 데이터 중 기 설정된 시간 이상 비행한 드론 비행 데이터에 대해 학습, 평가, 검증을 수행하여 상기 딥러닝 비행 데이터 세트를 생성하는 것을 특징으로 하는 사고 원인 분석장치. - 제 3 항에 있어서,
상기 사고원인 분석부는,
상기 딥러닝 비행 데이터 세트 내에 과적합(Overfitting)을 피할 수 있도록 단계별 드론 비행 데이터 세트를 포함하며, 상기 단계별 드론 비행 데이터 세트를 기 설정된 시간 이상 비행한 드론 비행 데이터 중 기 설정된 학습비율만큼의 데이터를 딥러닝한 학습용 데이터 세트, 기 설정된 시간 이상 비행한 드론 비행 데이터 중 기 설정된 평가비율만큼의 데이터를 결과를 보완할 수 있도록 한 평가용 데이터 세트, 기 설정된 시간 이상 비행한 드론 비행 데이터 중 기 설정된 검증비율의 데이터를 사고 검증을 위한 검증용 데이터 세트로 구분하는 선행 학습부
를 포함하는 것을 특징으로 하는 사고 원인 분석장치. - 제 4 항에 있어서,
상기 선행 학습부는,
기 설정된 시간 이상 비행한 드론 비행 데이터 중 기 설정된 학습비율의 데이터에 장단기 기억 네트워크(LSTM: Long Short Term Memory Networks)기법을 이용하여 상기 드론 비행 데이터에 포함된 GPS, 속도, 가속도, 기울기, 압력센서, 모터출력, 모터회전수, 배터리량, 통신내역을 기반으로 입력층, 은닉층의 개수, 반복횟수(Iteration)에 따라 파악하여 실제값과 예측값의 차이가 크지 않은 조합을 평가용 모형으로 선정하여 딥러닝한 상기 학습용 데이터 세트를 생성하는 것을 특징으로 하는 사고 원인 분석장치. - 제 4 항에 있어서,
상기 선행 학습부는,
과적합을 피하기 위해 선행 학습으로 기 선정된 복수 개의 학습모형 각각에 학습으로 미사용된 기 설정된 시간 이상 비행한 드론 비행 데이터 중 기 설정된 평가비율의 데이터를 입력하여 상기 복수 개의 학습모형 중 예측력이 가장 높은 학습모형을 선정하여 상기 평가용 데이터 세트로 생성하는 것을 특징으로 하는 사고 원인 분석장치. - 제 4 항에 있어서,
상기 선행 학습부는,
기 설정된 평가로 선정된 특정 학습 모형에 기 설정된 시간 이상 비행한 드론 비행 데이터 중 기 설정된 검증비율의 데이터를 입력하여 예측을 진행할 때, 가중치를 미반영한 상태에서 전달(Forward) 방향으로만 에러를 산출한 합을 계산하고, 상기 에러를 산출한 합이 임계치 미만인 경우 상기 학습 모형을 완료하고, 상기 에러를 산출한 합이 임계치 이상인 경우 학습단계로서 입력층, 은닉층의 개수, 반복횟수를 조절하는 딥러닝을 반복하여 상기 검증용 데이터 세트를 생성하는 것을 특징으로 하는 사고 원인 분석장치. - 제 1 항에 있어서,
상기 디코더는,
상기 디코딩 드론 데이터에 포함된 드론 비행경로를 확인하고, 상기 기준정보에 포함된 진북 정보(True North), 자북 정보(Magnetic North), 방위각 정보(Azimuth)를 확인하고, 상기 드론 비행경로를 상기 진북 정보, 상기 자북 정보, 상기 방위각 정보와 각각 비교하여 기 설정된 임계치 이상으로 차이가 발생하는 경우, 상기 드론 비행경로를 보정한 상기 보정 드론 비행 데이터를 생성하는 것을 특징으로 하는 드론 포렌식을 이용한 사고 원인 분석장치. - 제 1 항에 있어서,
상기 사고원인 분석부는,
상기 디코딩 드론 데이터에 포함된 드론 비행경로를 추출하고, 상기 딥러닝 비행 데이터 세트에 포함된 정상 비행경로, 비정상 비행경로를 추출하고, 상기 드론 비행경로를 상기 정상 비행경로, 상기 비정상 비행경로와 각각 비교하여 상기 드론 비행경로가 상기 정상 비행경로를 기 설정된 임계치를 벗어나거나 상기 드론 비행경로가 상기 비정상 비행경로와 기 설정된 유사도만큼 유사한 경우, 상기 드론이 비행경로가 급격히 벗어나거나 급격히 선회한 것으로 인지하여 상기 사고원인을 비행경로 이탈로 판단하는 비행경로이탈 판별부
를 포함하는 것을 특징으로 하는 사고 원인 분석장치. - 제 1 항에 있어서,
상기 사고원인 분석부는,
상기 드론 비행 데이터 내에 포함된 사고 지점을 추출하고, 상기 드론 비행 데이터 내에서 사고 발생 시점에 대응하는 모터 구동 데이터를 추출하고, 상기 딥러닝 비행 데이터 세트에 포함된 정상비행 모터 구동 데이터를 추출하고, 상기 모터 구동 데이터를 상기 정상비행 모터 구동 데이터와 비교하여 상기 모터 구동 데이터에 포함된 모터 회전수, 모터 출력, 모터 상태 중 적어도 하나 이상의 정보가 상기 정상비행 모터 구동 데이터를 기 설정된 임계치를 벗어나는 경우 상기 사고원인을 모터 이상으로 판단하는 모터이상 판별부
를 포함하는 것을 특징으로 하는 사고 원인 분석장치. - 제 1 항에 있어서,
상기 사고원인 분석부는,
상기 드론 비행 데이터 내에 포함된 사고 지점을 추출하고, 상기 드론 비행 데이터 내에서 사고 발생 시점에 대응하는 배터리 관리 정보를 추출하고, 상기 딥러닝 비행 데이터 세트에 포함된 정상비행 배터리 데이터를 추출하고, 상기 배터리 관리 정보를 상기 정상비행 배터리 데이터와 비교하여 상기 배터리 관리 정보에 포함된 배터리 용량, 충전률 중 적어도 하나 이상의 정보가 상기 정상비행 배터리 데이터와 기 설정된 임계치를 벗어나도록 차이가 발생한 경우 상기 사고원인을 배터리 이상으로 판단하는 배터리이상 판별부
를 포함하는 것을 특징으로 하는 사고 원인 분석장치. - 제 1 항에 있어서,
상기 사고원인 분석부는,
상기 드론 비행 데이터 내에 포함된 사고 지점을 추출하고, 상기 드론 비행 데이터 내에서 사고 발생 시점에 대응하는 컨트롤 정보를 추출하고, 상기 딥러닝 비행 데이터 세트에 포함된 정상비행 컨트롤 데이터를 추출하고, 상기 컨트롤 정보에 포함된 주파수 정보, 허가 정보를 추출하고, 상기 주파수 정보가 상기 정상비행 컨트롤 데이터에 포함된 주파수 정보와 상이하거나 상기 허가 정보가 변경된 경우, 상기 사고원인을 해킹으로 판단하는 해킹여부 판별부
를 포함하는 것을 특징으로 하는 사고 원인 분석장치. - 제 1 항에 있어서,
상기 사고원인 분석부는,
상기 보정 드론 비행 데이터 및 상기 딥러닝 비행 데이터 세트를 기반으로 상기 사고원인을 비행경로 이탈, 모터 이상, 배터리 이상, 기계결함, 조정미숙, 배터리 이상, 해킹 중 적어도 하나 이상으로 판단하고, 상기 비행경로 이탈, 상기 모터 이상, 상기 배터리 이상, 상기 기계결함, 상기 조정미숙, 상기 배터리 이상, 상기 해킹 중 하나 이상의 정보를 조합하여 가능성이 가장 높다고 판단되는 분석 정보를 상기 사고원인 분석 데이터로 생성하는 사고원인 조합부
를 포함하는 것을 특징으로 하는 사고 원인 분석장치. - 제 1 항에 있어서,
상기 수집부는,
상기 드론 내에 구비된 복수의 모터로부터 모터 회전수, 모터 출력, 모터 상태를 포함하는 모터 구동 데이터를 수집하는 모터 정보 수집부;
상기 드론 내에 구비된 배터리로부터 배터리 관리 정보를 수집하는 배터리 정보 수집부;
상기 드론 내에 구비된 GPS 모듈로부터 GPS 정보를 수집하는 GPS 정보 수집부;
상기 드론 내에 구비된 조정모듈로부터 컨트롤 정보를 수집하는 조정 정보 수집부;
상기 드론 내에 구비된 가속도 모듈로부터 가속도 정보를 수집하는 가속도 정보 수집부;
상기 드론 내에 구비된 기압 모듈로부터 기압 정보를 수집하는 기압 정보 수집부;
상기 드론 내에 구비된 수평 모듈로부터 수평 정보를 수집하는 수평 정보 수집부;
상기 모터 구동 데이터, 상기 배터리 관리 정보, 상기 GPS 정보, 상기 컨트롤 정보, 상기 가속도 정보, 상기 기압 정보, 수평 정보 중 적어도 하나 이상의 정보를 하나의 데이터 패킷인 상기 드론 비행 데이터로 변환하여 상기 드론 포렌식 장치로 전송하는 데이터 취합부
를 포함하는 것을 특징으로 하는 드론 포렌식을 이용한 사고 원인 분석장치. - 제 14 항에 있어서,
상기 GPS 정보를 기반으로 상기 드론의 위치 좌표를 확인하고, 동일한 위치 좌표상에서 상기 가속도 정보 및 상기 기압 정보 중 적어도 하나 이상의 정보가 기 설정된 임계범위를 벗어나는 경우, 급격한 변화로 감지하여 해당 위치 좌표를 사고 지점으로 설정하고, 상기 사고 지점에 대한 사고 시점을 설정하여 상기 드론 비행 데이터 내에 포함시키는 사고 지점 설정부
를 추가로 포함하는 것을 특징으로 하는 드론 포렌식을 이용한 사고 원인 분석장치. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180135290A KR102112581B1 (ko) | 2018-11-06 | 2018-11-06 | 드론 포렌식을 이용한 사고 원인 분석 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180135290A KR102112581B1 (ko) | 2018-11-06 | 2018-11-06 | 드론 포렌식을 이용한 사고 원인 분석 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102112581B1 true KR102112581B1 (ko) | 2020-05-19 |
Family
ID=70913469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180135290A KR102112581B1 (ko) | 2018-11-06 | 2018-11-06 | 드론 포렌식을 이용한 사고 원인 분석 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102112581B1 (ko) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220000229A (ko) * | 2020-06-25 | 2022-01-03 | 금오공과대학교 산학협력단 | 해킹 방지 기술이 적용된 딥러닝 기반의 무인 항공기 및 이를 이용한 무인 항공기 시스템 |
| KR20220029433A (ko) * | 2020-08-31 | 2022-03-08 | 순천향대학교 산학협력단 | 무인항공기의 행위 분석 시스템, 행위 분석 모델 학습 시스템 및 방법 |
| CN114187783A (zh) * | 2021-12-06 | 2022-03-15 | 中国民航大学 | 一种用于机场飞行区潜在冲突分析预测的方法 |
| KR20220160382A (ko) * | 2021-05-27 | 2022-12-06 | 주식회사 바른기술 | 드론 포렌식을 이용한 드론 비행 상황 제공 시스템 |
| KR102504701B1 (ko) * | 2021-10-14 | 2023-02-27 | 한국항공대학교산학협력단 | 블록체인 기반의 드론 군집에 대한 데이터 수집 및 이상 관제 장치 및 방법 |
| KR20230102556A (ko) | 2021-12-30 | 2023-07-07 | 주식회사 지엠디소프트 | 시계열 데이터 학습 기반 드론 사고 원인 분석 방법 및 장치 |
| CN116561530A (zh) * | 2023-05-26 | 2023-08-08 | 深圳大漠大智控技术有限公司 | 一种无人机飞行数据分析方法、装置、设备及介质 |
| CN116882751A (zh) * | 2023-07-19 | 2023-10-13 | 江苏锐天智能科技股份有限公司 | 基于多源异构数据融合的设备分析系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050050381A (ko) * | 2003-11-25 | 2005-05-31 | 한국항공우주산업 주식회사 | 항공기 비행 데이터 기록 장치 |
| KR20140121976A (ko) * | 2013-04-09 | 2014-10-17 | 남기훈 | 로그 정보에 포함된 위치 정보 기반의 모바일 포렌식 방법 |
| KR20140140717A (ko) * | 2013-05-30 | 2014-12-10 | 한국전자통신연구원 | 원격 디지털 포렌식 환경에서 보안 제공 장치 및 그 방법 |
| KR101728641B1 (ko) * | 2016-09-30 | 2017-04-20 | 주식회사 포드림 | 무인비행체 조종이력 검증 시스템 |
| KR20170111946A (ko) * | 2016-03-30 | 2017-10-12 | 주식회사 유비마이크로 | 멀티 로터형 드론의 사고 및 고장 예측을 위한 복합 데이터 기록 및 분석 시스템 |
-
2018
- 2018-11-06 KR KR1020180135290A patent/KR102112581B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050050381A (ko) * | 2003-11-25 | 2005-05-31 | 한국항공우주산업 주식회사 | 항공기 비행 데이터 기록 장치 |
| KR20140121976A (ko) * | 2013-04-09 | 2014-10-17 | 남기훈 | 로그 정보에 포함된 위치 정보 기반의 모바일 포렌식 방법 |
| KR20140140717A (ko) * | 2013-05-30 | 2014-12-10 | 한국전자통신연구원 | 원격 디지털 포렌식 환경에서 보안 제공 장치 및 그 방법 |
| KR20170111946A (ko) * | 2016-03-30 | 2017-10-12 | 주식회사 유비마이크로 | 멀티 로터형 드론의 사고 및 고장 예측을 위한 복합 데이터 기록 및 분석 시스템 |
| KR101728641B1 (ko) * | 2016-09-30 | 2017-04-20 | 주식회사 포드림 | 무인비행체 조종이력 검증 시스템 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102414986B1 (ko) * | 2020-06-25 | 2022-06-29 | 금오공과대학교 산학협력단 | 해킹 방지 기술이 적용된 딥러닝 기반의 무인 항공기 및 이를 이용한 무인 항공기 시스템 |
| KR20220000229A (ko) * | 2020-06-25 | 2022-01-03 | 금오공과대학교 산학협력단 | 해킹 방지 기술이 적용된 딥러닝 기반의 무인 항공기 및 이를 이용한 무인 항공기 시스템 |
| KR102501268B1 (ko) | 2020-08-31 | 2023-02-21 | 순천향대학교 산학협력단 | 무인항공기의 행위 분석 시스템, 행위 분석 모델 학습 시스템 및 방법 |
| KR20220029433A (ko) * | 2020-08-31 | 2022-03-08 | 순천향대학교 산학협력단 | 무인항공기의 행위 분석 시스템, 행위 분석 모델 학습 시스템 및 방법 |
| KR20220160382A (ko) * | 2021-05-27 | 2022-12-06 | 주식회사 바른기술 | 드론 포렌식을 이용한 드론 비행 상황 제공 시스템 |
| KR102482028B1 (ko) * | 2021-05-27 | 2022-12-27 | 주식회사 바른기술 | 드론 포렌식을 이용한 드론 비행 상황 제공 시스템 |
| KR102504701B1 (ko) * | 2021-10-14 | 2023-02-27 | 한국항공대학교산학협력단 | 블록체인 기반의 드론 군집에 대한 데이터 수집 및 이상 관제 장치 및 방법 |
| CN114187783A (zh) * | 2021-12-06 | 2022-03-15 | 中国民航大学 | 一种用于机场飞行区潜在冲突分析预测的方法 |
| CN114187783B (zh) * | 2021-12-06 | 2023-10-31 | 中国民航大学 | 一种用于机场飞行区潜在冲突分析预测的方法 |
| KR20230102556A (ko) | 2021-12-30 | 2023-07-07 | 주식회사 지엠디소프트 | 시계열 데이터 학습 기반 드론 사고 원인 분석 방법 및 장치 |
| KR102602346B1 (ko) | 2021-12-30 | 2023-11-17 | 주식회사 지엠디소프트 | 시계열 데이터 학습 기반 드론 사고 원인 분석 방법 및 장치 |
| CN116561530A (zh) * | 2023-05-26 | 2023-08-08 | 深圳大漠大智控技术有限公司 | 一种无人机飞行数据分析方法、装置、设备及介质 |
| CN116561530B (zh) * | 2023-05-26 | 2024-01-26 | 深圳大漠大智控技术有限公司 | 一种无人机飞行数据分析方法、装置、设备及介质 |
| CN116882751A (zh) * | 2023-07-19 | 2023-10-13 | 江苏锐天智能科技股份有限公司 | 基于多源异构数据融合的设备分析系统及方法 |
| CN116882751B (zh) * | 2023-07-19 | 2024-02-06 | 江苏锐天智能科技股份有限公司 | 基于多源异构数据融合的设备分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102112581B1 (ko) | 드론 포렌식을 이용한 사고 원인 분석 방법 및 장치 | |
| Renduchintala et al. | A comprehensive micro unmanned aerial vehicle (UAV/Drone) forensic framework | |
| US20220005332A1 (en) | Facility surveillance systems and methods | |
| US10472091B2 (en) | Method and apparatus using a drone to input vehicle data | |
| US20210224539A1 (en) | Automatic location-based media capture tracking | |
| KR101995107B1 (ko) | 딥 러닝을 이용한 인공지능 기반 영상 감시 방법 및 시스템 | |
| US11699085B2 (en) | Methods and arrangements to identify activation profile context in training data | |
| US20220390964A1 (en) | Cloud & hybrid-cloud flight vehicle & robotic control system ai & ml enabled cloud-based software & data system method for the optimization and distribution of flight control & robotic system solutions and capabilities | |
| Zheng et al. | Unsupervised driving performance assessment using free-positioned smartphones in vehicles | |
| US11860645B1 (en) | Unmanned vehicle security guard | |
| Young et al. | A framework for predicting future system performance in autonomous unmanned ground vehicles | |
| Chriki et al. | Uav-based surveillance system: an anomaly detection approach | |
| Gülataş et al. | Unmanned aerial vehicle digital forensic investigation framework | |
| Galvan et al. | Sensor data-driven uav anomaly detection using deep learning approach | |
| Cho et al. | Learning and detecting abnormal speed of marine robots | |
| Akbal et al. | An automated accurate sound-based amateur drone detection method based on skinny pattern | |
| CN107851358A (zh) | 监控 | |
| CN116861370A (zh) | 用于井下防爆胶轮车的运动数据处理方法 | |
| Safitri | Penggunaan algoritma apriori dalam penerapan data mining untuk analisis pola pembelian pelanggan (studi kasus: toko diengva bandar jaya) | |
| EP3248888B1 (en) | Apparatus, system, and method for maintenance of complex structures | |
| Yuan | Automatic Fire Detection Using Computer Vision Techniques for UAV-based Forest Fire Surveillance | |
| US11995412B1 (en) | Video based question and answer | |
| Xin et al. | Advanced Computational Intelligence and Intelligent Informatics: 8th International Workshop, IWACIII 2023, Beijing, China, November 3–5, 2023, Proceedings, Part I | |
| Kim et al. | Airborne monitoring of ground traffic behaviour for hidden threat assessment | |
| Narendran et al. | Aerial Drones for Fire Disaster Response |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |