KR102553331B1 - 4차원 레이더를 활용한 선외 감시 시스템 및 방법 - Google Patents

4차원 레이더를 활용한 선외 감시 시스템 및 방법 Download PDF

Info

Publication number
KR102553331B1
KR102553331B1 KR1020210089502A KR20210089502A KR102553331B1 KR 102553331 B1 KR102553331 B1 KR 102553331B1 KR 1020210089502 A KR1020210089502 A KR 1020210089502A KR 20210089502 A KR20210089502 A KR 20210089502A KR 102553331 B1 KR102553331 B1 KR 102553331B1
Authority
KR
South Korea
Prior art keywords
outboard
information
monitoring
radar
ship
Prior art date
Application number
KR1020210089502A
Other languages
English (en)
Other versions
KR20230009002A (ko
Inventor
강현석
구정민
김인일
Original Assignee
한화오션 주식회사
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 한화오션 주식회사 filed Critical 한화오션 주식회사
Priority to KR1020210089502A priority Critical patent/KR102553331B1/ko
Publication of KR20230009002A publication Critical patent/KR20230009002A/ko
Application granted granted Critical
Publication of KR102553331B1 publication Critical patent/KR102553331B1/ko

Links

Images

Classifications

    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/937—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of marine craft
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B43/00—Improving safety of vessels, e.g. damage control, not otherwise provided for
    • B63B43/18—Improving safety of vessels, e.g. damage control, not otherwise provided for preventing collision or grounding; reducing collision damage
    • B63B43/20—Feelers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B45/00—Arrangements or adaptations of signalling or lighting devices
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm systems
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G01S7/4004—Means for monitoring or calibrating of parts of a radar system
    • G01S7/4026—Antenna boresight
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B2203/00—Communication means

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Ocean & Marine Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

본 발명은 틸트(Tilt) 각도의 제어가 가능한 4차원 레이더(RADAR)를 선외에 효율적으로 배치하여 구역별 연동 감시 및 제어를 수행할 수 있는 선외 감시 시스템 및 방법에 관한 것이다. 본 발명의 실시예에 따름 선외 감시 시스템은, 미리 설정된 구역으로 구분된 선박 외부에 틸트(tilt) 각도 조절이 가능하도록 배치되어 선박 외부의 대상체에 대한 선외 감시 정보를 형성하는 다수의 레이더와, 다수의 레이더로부터 선외 감시 정보를 수신하여 대상체 정보를 형성하는 다수의 감시제어부와, 대상체 정보를 이용하여 대상체의 위험도를 산출하고, 산출된 위험도에 따라서 대상체 정보의 공유 범위와 방법을 결정하는 중앙 제어부를 포함한다.

Description

4차원 레이더를 활용한 선외 감시 시스템 및 방법{SYSTEM AND METHOD FOR OUTBOARD MONITORING BY USING 4D RADAR}
본 발명은 선외 감시 시스템 및 방법에 관한 것으로, 보다 상세하게는 틸트(Tilt) 각도의 제어가 가능한 4차원 레이더(RADAR)를 선외에 효율적으로 배치하여 구역별 연동 감시 및 제어를 수행할 수 있는 선외 감시 시스템 및 방법에 관한 것이다.
선박 운항의 특성상 심야시간, 기상불량 등으로 인근 물체의 탐지/식별이 어려운 상황이 빈번히 발생한다. 이에 따라, 소형 선박과의 충돌사고, 실족으로 인한 인명사고에 쉽게 노출될 뿐만 아니라, 사고 발생 시 상황 파악과 대처가 어려운 문제점이 있다. 최근에는 해적들에 의한 선박 납치사고도 발생함에 따라 선박 주변에 대한 감시 시스템이 더욱 필요한 상황이다
기존에 선박에서는 AIS(Auto Identification System), ECDIS(Electronic Chart Display and Information System), 육안, X-Band Radar 등을 이용하여 주변 선박과 지형지물, 실족 선원, Non-SOLAS 선박 등을 선원이 직접 인식하여 상황을 파악하고 대처했으나, 육안 탐지의 제한성, 낮은 해상도 등으로 인한 식별 불가 등으로 인해, 효율적 대응과 대처가 어려운 실정이다.
한편, 일반적으로, 레이더 장치는 전파 송수신을 통해 표적까지의 거리, 속도 및 각도를 탐지하거나 추적하기 위해 고해상도의 각도 분해능을 가져야 한다.
그런데 최근에는 거리, 높이, 깊이, 속도 등의 4가지 차원의 환경을 감지할 수 있는 4차원 레이더(RADAR)가 개발되어 무인 주행 자동차 등의 활용에 대한 다양한 연구가 진행되고 있는 바, 조선해양의 관점에서 4차원 레이더의 기능적 측면을 활용한 연구의 필요성이 증가하고 있다.
한국 등록특허공보 제10-1404689호(선박 감시시스템 및 그의 방법, 2014.06.09.공고)
본 발명은 틸트(Tilt) 각도의 제어가 가능한 4차원 레이더(RADAR)를 선외에 효율적으로 배치하여 구역별 연동 감시 및 제어를 수행할 수 있는 선외 감시 시스템 및 방법을 제공한다.
본 발명의 실시예에 따른 선외 감시 시스템은, 미리 설정된 구역으로 구분된 선박 외부에 틸트(tilt) 각도 조절이 가능하도록 배치되어 선박 외부의 대상체에 대한 선외 감시 정보를 형성하는 다수의 레이더; 상기 다수의 레이더로부터 상기 선외 감시 정보를 수신하여 상기 대상체의 정보를 형성하고, 상기 대상체의 정보를 이용하여 상기 대상체의 위험도를 산출하는 다수의 감시제어부; 및 상기 산출된 위험도에 따라서 상기 대상체의 정보의 공유 범위와 방법을 결정하는 중앙 제어부를 포함한다.
또한, 상기 다수의 레이더는, 상기 대상체의 상대 위치를 측정하여, 상기 대상체에 대한 거리, 속도, 각도 및 높이 정보 중 어느 하나 이상을 포함하는 상기 선외 감시 정보로서 고해상도의 실시간 3차원 이미지를 형성하는 4차원 레이더를 포함할 수 있다.
또한, 상기 미리 설정된 구역은, 상기 선박의 좌현(port), 우현(starboard) 및 선수(bow) 중 어느 하나 이상을 포함할 수 있다.
또한, 상기 다수의 레이더는, 상기 선박의 건현(freeboard)을 고려하여 미리 설정된 간격으로 선박의 난간(handrail) 지지대 상에 배치될 수 있다.
또한, 상기 감시제어부는, 상기 선박의 흘수 상태 및 상기 대상체의 예상 높이에 따라 상기 틸트 각도의 상한 및 하한을 설정하고, 상기 대상체의 추적 관찰 시 상기 틸트 각도의 상한 및 하한을 초과하지 않도록 상기 다수의 레이더의 상기 틸트 각도를 제어할 수 있다.
또한, 상기 감시제어부는, 상기 틸트 각도의 상한은 수학식 1에 의해서 산출하고, 상기 틸트 각도의 하한은 수학식 2에 의해서 산출하되,
[수학식 1]
Figure 112021078749103-pat00001
[수학식 2]
Figure 112021078749103-pat00002
상기 θv는 상기 레이더의 수직 방향 탐지 각을 나타내고, 상기 h는 상기 레이더가 설치되는 높이, 상기 hT는 상기 대상체의 높이, 상기 Range는 상기 레이더의 최대 탐지 거리일 수 있다.
또한, 상기 감시제어부는, 상기 선외 감시 정보의 신호처리를 통해 상기 대상체를 탐지하고, 아이디 태깅을 이용하여 탐지된 상기 대상체의 추적을 수행하여 상기 대상체의 정보를 형성할 수 있다.
또한, 상기 중앙 제어부는, 상기 산출된 위험도가 제1 임계값을 초과할 경우 알람 신호를 형성할 수 있다.
또한, 상기 중앙 제어부는, 상기 산출된 위험도가 제2 임계값을 초과할 경우 위험 상황 발생 정보를 형성할 수 있다.
또한, 상기 위험 상황 발생 정보를 상기 선박 외부로 전송하는 통신부를 더 포함할 수 있다.
또한, 상기 위험 상황 발생 정보를 저장하는 데이터베이스를 더 포함할 수 있다.
본 발명의 실시예에 따른 선외 감시 방법은, 틸트(tilt) 각도 조절이 가능하도록 선박 외부에 배치된 다수의 레이더에 의해서, 상기 선박 외부의 대상체에 대한 선외 감시 정보를 형성하는 단계; 감시제어부에 의해 상기 다수의 레이더로부터 상기 선외 감시 정보를 수신하여 상기 대상체의 정보를 형성하는 단계; 상기 감시제어부에 의해 상기 대상체의 정보를 이용하여 상기 대상체의 위험도를 산출하는 단계; 및 중앙 제어부에 의해 상기 산출된 대상체 정보의 공유 범위와 방법을 결정하는 단계를 포함한다.
또한, 상기 감시제어부에 의해 상기 다수의 레이더로부터 상기 선외 감시 정보를 수신하여 상기 대상체의 정보를 형성하는 단계 이후, 상기 선외 감시 정보의 신호처리를 통해 상기 대상체를 탐지하는 단계; 및 아이디 태깅을 이용하여 탐지된 대상체의 추적을 수행하여 상기 대상체 정보를 형성하는 단계를 더 포함할 수 있다.
또한, 상기 중앙 제어부에 의해 상기 산출된 위험도에 따라서 상기 대상체 정보의 공유 범위와 방법을 결정하는 단계는, 상기 산출된 위험도가 제1 임계값을 초과할 경우 알람 신호를 형성하는 단계를 포함할 수 있다.
또한, 상기 중앙 제어부에 의해 상기 산출된 위험도에 따라서 상기 대상체 정보의 공유 범위와 방법을 결정하는 단계는, 상기 산출된 위험도가 제2 임계값을 초과할 경우 위험 상황 발생 정보를 형성하는 단계 및 통신부를 통해 상기 위험 상황 발생 정보를 상기 선박 외부로 전송하는 단계를 더 포함할 수 있다.
본 발명의 실시예들에 따르면, 근거리 저전력 고해상도의 4차원 레이더를 활용하여, 선박 인근 해상 부유물의 존재 여부뿐만 아니라 물체에 따른 위험도를 정밀하게 식별할 수 있다.
또한, 선외 감시 시스템이 위험상황을 식별함에 따라 위험상황 발생 시 선원의 상황인식에 필요한 시간과 노력을 최소화할 수 있고, 비상상황 발생 시 선원의 상황 이해와 판단 대응 단계를 거치지 않고 육상으로 비상상황 정보와 구조신호를 전달함으로써 신속한 위기대응능력을 갖출 수 있다.
또한, 거리, 높이, 깊이, 속도 등의 4가지 차원의 환경을 감지할 수 있는 4차원 레이더(RADAR)를 활용하여 조선해양의 기술 분야에서 요구되는 효율적 선외 감시 시스템을 실현할 수 있다.
도 1은 본 발명의 실시예에 따른 선외 감시 시스템의 구성을 보이는 예시도이다.
도 2는 본 발명의 실시예에 따른 선외 감시 시스템의 배치 예시도이다.
도 3은 본 발명의 실시예에 따른 레이더의 배치 및 틸트 각도 제어를 설명하기 위한 개념도이다.
도 4는 본 발명의 실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 선외 감시 방법의 절차를 보이는 흐름도이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
도 1은 본 발명의 실시예에 따른 선외 감시 시스템의 구성을 보이는 예시도이다.
도 1에 도시한 바와 같이, 선외 감시 시스템(100)은, 모니터링부(110), 센서 및 제어부(120), 선내 통신망(130), 데이터베이스(140), 통신부(150) 등을 포함할 수 있다. 모니터링부(110)는, 경보 시스템(111) 및 중앙 제어부(112, 113)를 포함하고, 센서 및 제어부(120)는 다수의 레이더(121, 122, 123) 및 감시제어부(124, 125, 126)를 포함할 수 있다. 일 실시예에 따르면, 모니터링부(110), 센서 및 제어부(120), 데이터베이스(140) 및 통신부(150)는 선내 통신망(130)을 통해서 통신 가능하도록 연결될 수 있다.
다수의 레이더(121, 122, 123)는 미리 설정된 구역으로 구분된 선박(VE) 외부에 틸트(tilt) 각도 조절이 가능하도록 배치되어 선박(VE) 외부의 대상체에 대한 선외 감시 정보를 형성할 수 있다. 일 실시예에 따르면, 다수의 레이더(121, 122, 123)는 대상체의 상대 위치를 측정하여 대상체에 대한 고해상도의 실시간 3차원 이미지를 선외 감시 정보로서 형성하는 50GHz 이상의 EHF(Extremely High Frequency) 4차원 레이더가 바람직하며, 4차원 레이더는 대상체에 대한 거리, 속도, 각도 및/또는 높이 정보를 포함할 수 있다. 4차원 레이더는 대상체에 대한 포인트 클라우드를 형성하여 대상체의 움직임을 모니터링할 수 있으며, 특히 동일 대상체의 움직임, 속도, 높이 등을 인식하여 동일 대상체의 모션 등을 정밀하게 추적할 수 있다. 예를 들어, 다수의 레이더(121, 122, 123)는 선박(VE)의 좌현(port), 우현(starboard), 선수(bow) 중 적어도 하나를 포함하는 미리 설정된 구역에 설치될 수 있다. 다른 실시예에 따르면, 다수의 레이더(121, 122, 123)는 선박(VE)의 건현(freeboard)을 고려하여 미리 설정된 간격으로 선박(VE)의 난간(handrail) 지지대 상에 배치될 수 있다. 여기서, 건현은 선체 중앙부 상갑판의 선측 상면에서 만재 흘수선까지의 수직거리를 나타낸다. 선박(VE)이 완성되면 선박 만재 흘수선 규정에 의하여 선형, 구조 등에 따라 건현과 만재 흘수선이 결정된다. 건현이 클수록 선박(VE)의 예비부력이 크다는 것이므로, 결국 선박(VE)의 안전성이 높다는 것을 의미한다. 건현의 지정은 만재 흘수선을 지정하는 것과 같은 의미이므로, 적재에 의해 배가 잠기는 깊이를 법적으로 제한한다는 의미이다. 만재 흘수선 규정은 충분한 복원성을 확보토록 고려되어 있다는 가정아래, 그 배에 필요한 최소 건현을 지정하여 바다 위에서의 내항성을 확보하기에 충분한 예비 부력을 보유하도록 하는데 그 목적이 있다.
다수의 레이더(121, 122, 123)는 대상체를 연속적으로 탐지하여 추적하기 위해 틸트 각도의 제어가 가능한 4차원 레이더를 탐지 성능, 건현을 고려하여 최적의 간격으로 핸드레일 지지대 상에 배치될 수 있다. 적용 선박(VE)과 흘수 상태, 탐지 대상의 예상 높이에 따라 4차원 레이더의 틸트 각도 상한(highest tilt)과 하한(lowest tilt)을 결정할 수 있다. 선외 감시 시 틸트 각도 상한과 하한을 초과하지 않는 범위에서 대상체를 추적하도록 4차원 레이더의 틸트 각도를 제어함으로써 대상체에 대한 탐지 성능을 극대화할 수 있다.
감시제어부(124, 125, 126)는, 다수의 레이더(121, 122, 123)로부터 선외 감시 정보를 수신하여 대상체 정보를 형성할 수 있다. 일 실시예에 따르면, 감시제어부(124, 125, 126)는 선외 감시 정보의 신호처리를 통해 대상체를 탐지하고, 아이디 태깅을 이용하여 탐지된 대상체의 추적을 수행하여 대상체 정보(예를 들면, 포인트 클라우드)를 형성할 수 있다. 예를 들어, 감시제어부(124, 125, 126)는 선박(VE)의 좌현, 우현, 선수에 각각 구성하여 구역별 레이더(121, 122, 123)의 계측 정보 수집 및 처리를 수행할 수 있다.
감시제어부(124, 125, 126)는, 대상체 정보를 이용하여 대상체의 위험도를 산출할 수 있다. 일 실시예에 따르면, 감시제어부(124, 125, 126)는, 선박(VE)의 흘수 상태 및 대상체의 예상 높이에 따라 틸트 각도의 상한 및 하한을 설정하고, 대상체의 추적 관찰 시 틸트 각도의 상한 및 하한을 초과하지 않도록 다수의 레이더(121, 122, 123)의 틸트 각도를 제어할 수 있다. 예를 들어, 감시제어부(124, 125, 126)는, 딥러닝(Deep Learning)과 같은 기계학습 알고리즘을 이용하여 대상체를 식별하고 가중치를 고려하여 대상체별 위험도를 산출할 수 있고, 대상체별로 미리 설정된 위험 분류 테이블의 제1 을 초과할 경우 알람 신호를 형성할 수 있다. 예를 들면, 탐지 물체는 부유물(floating matter), 미확인 물체(undiscerned object), 미확인 선박(unknown vessel), 예인선(tug), 해적선(pirate vessel), 사람(human), 무장 해적(armed pirate) 등을 포함할 수 있지만, 이에 한정되지 않는다. 이들 탐지 물체별 위험도에 대한 판단은 후술하는 표 1 내지 표 3을 참고할 수 있다.
중앙 제어부(112, 113)는, 감시제어부(124, 125, 126)에서 산출된 위험도에 따라서 대상체 정보의 공유 범위와 방법을 결정할 수 있다. 일 실시예에 따르면, 선교(Bridge) 및 기관실(Engineering Room)에 각각 중앙 제어부(112, 113)를 구성하고, 선내 통신망(130)을 통해 감시제어부(124, 125, 126)에서 산출된 대상체별 위험도를 수신하여 디스플레이부(도시하지 않음) 또는 사이렌 등의 경보를 통해 위험 상황에 대한 정보를 선박 탑승자들에게 전달할 수 있다.
또한 중앙 제어부(112, 113)는, 산출된 위험도가 제2 임계값을 초과할 경우 위험 상황 발생 정보를 형성하여 위험 상황 발생 정보를 선박(VE) 외부로 전송하도록 할 수 있다. 일 실시예에 따르면, 제2 임계값은 제1 임계값보다 높은 값을 포함할 수 있다. 전술한 바와 같이, 탐지 물체는 부유물(floating matter), 미확인 물체(undiscerned object), 미확인 선박(unknown vessel), 예인선(tug), 해적선(pirate vessel), 사람(human), 무장 해적(armed pirate) 등을 포함할 수 있으며 이들 탐지 물체별 위험도에 대한 판단은 후술하는 표 1 내지 표 3을 참고할 수 있다.
따라서, 중앙 제어부(112, 113)는, 선박(VE)에 위치한 선원 등이 외부로 알리지 않아도 육상 관제 센터 등에서 위험 상황 발생에 대한 사실을 인지하여 적합한 조치를 취하도록 할 수 있다.
위험도를 산출할 수 있는 지표는 전술한 예에 한정되는 것은 아니며, 선외 감시에 필요한 다양한 지표를 적용할 수 있다.
좌현, 우현, 선수 구역에 위치한 감시제어부(124, 125, 126)는 신호처리를 통해 대상체를 탐지하고 아이디 태깅(ID Tagging)(포인트 클라우드)을 통해 추적할 수 있다. 선내 통신망(130)에 연결된 선교와 기관실에 위치한 중앙 제어부(112, 113)에 탐지/추적된 대상체 정보를 전달하며, 추적된 대상체의 특징 또는 위험도에 따라 선교와 기관실에 상주하는 선원에 경고 알람으로 상황을 전달할 수 있다. 선박 운항의 특성상 심야시간, 기상불량 등으로 인근 물체의 탐지/식별이 어려운 상황이 빈번히 존재함에 따라 근거리 저전력 4차원 레이더를 활용한 선외감시시스템의 효과는 크게 나타날 수 있다.
선내 통신망(130)은, 모니터링부(110), 센서 및 제어부(120), 데이터베이스(140) 및 통신부(150) 등 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 선내 통신망(130)은 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 선내 통신망(130)은 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수도 있다.
데이터베이스(140)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(140)에 저장되는 데이터는, 모니터링부(110), 센서 및 제어부(120), 데이터베이스(140) 및 통신부(150)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(140)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스(140)는, 감시제어부(124, 125, 126)에서 형성된 대상체 정보, 중앙 제어부(112, 113)에서 형성된 대상체별 위험도, 대상체별로 미리 설정된 위험 분류 테이블, 제1 및 제2 임계값 등을 저장할 수 있다. 예를 들어, 데이터베이스(140)는, VDR(Voyage Data Recorder)을 포함할 수 있지만, 이에 한정되지 않는다.
본 발명에서, 프로그램은 데이터베이스(140)에 저장되는 소프트웨어로서, 선외 감시 시스템(100)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 선외 감시 시스템(100)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.
통신부(150)는, 중앙 제어부(112, 113)에서 형성된 위험 상황 발생 정보를 선박(VE) 외부로 전송할 수 있다. 일 실시예에 따르면, 통신부(150)는, 위성통신망을 이용하여 선박(VE) 외부와 통신을 수행하는 VSAT(Very Small Aperture Terminal)를 포함할 수 있지만, 이에 한정되지 않는다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화 해나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현 예가 사용될 수 있다.
도 2는 본 발명의 실시예에 따른 선외 감시 시스템의 배치 예시도이다.
도 2에 도시한 바와 같이, 파이프(pipe)/케이블 트렁크(cable trunk)를 통해 다수의 레이더(121, 122, 123) 및 감시제어부(124, 125, 126)에 전원을 공급하며, 다수의 레이더(121, 122, 123) 및 감시제어부(124, 125, 126)는 선내 통신망(130)에 연결될 수 있다. 감시제어부(124, 125, 126)는 선내 통신망(130)에 연결된 선교 구역과 기관실 구역에 위치한 중앙 제어부(112, 113)에 탐지/추적된 대상체 정보를 전달하고, 추적된 대상체의 식별 결과와 위험도에 따라 선교 구역과 기관실 구역에 경고 알람을 발생시킬 수 있다.
도 2를 참고하면, 우현(starboard side)측 레이더(121), 좌현(port side)측 레이더(123), 선수(bow)측 레이더(122)가 미리 설정된 간격으로 선박(VE)의 난간 지지대 상에 배치되는 점을 도시하고 있으며, 선미측에 레이더가 별도로 존재하지 않는 이유는 선미측의 추진체계(프로펠러 등)의 구동에 따라 해수의 유동이 발생하여 통상 선미측으로의 해적의 접근이 어려울 뿐만 아니라, 선박의 진행방향 후미에 해당하여 소형 선박이나 지형지물과의 접촉 사고가 일어날 가능성도 적기 때문이다.
도 3은 본 발명의 실시예에 따른 레이더의 배치 및 틸트 각도 제어를 설명하기 위한 개념도이다.
도 3에 도시한 바와 같이, 선박(VE)의 건현(hfb)에 대한 레이더(121, 122, 123)간 배치 간격의 산출을 위해서는, 건현에 비해 갑판에서 레이더(121, 122, 123) 까지의 높이가 현저히 낮고 레이더(121, 122, 123)의 설치 위치가 상부 갑판 구조물에 따라 조정 가능하므로, 레이더(121, 122, 123) 까지의 높이를 무시하고 레이더(121, 122, 123)가 설치되는 높이(hR)를 건현(hfb)으로 통칭할 수 있다. 선외 감시 시스템(100)이 탑재된 선박(VE)의 건현(hfb)과 레이더(121, 122, 123)의 수평 방향으로의 탐지 각 θH에 따라 탐지 영역에 그레이존(gray zone)을 만들지 않는 레이더(121, 122, 123) 간 간격을 수학식 1을 이용하여 결정될 수 있다.
Figure 112021078749103-pat00003
레이더(121, 122, 123) 탐지 범위에 본선의 외벽으로 틸트 각도의 하한을 설정할 수 있다.
레이더(121, 122, 123)는, 상부 갑판 핸드레일 바깥으로 탑재되어 틸트 각도의 제어로 선박(VE) 외부 선체(hull) 일부에 대해 탐지가 가능하다. 선박(VE) 외부 선체로의 불필요한 탐지를 방지하기 위해 레이더(121, 122, 123)의 수직 방향 탐지 각 θV를 고려한 틸트 각도 하한을 수학식 2로 결정할 수 있다. 여기서, 틸트 각도는 수평 방향 0°에 기준하여 φtilt 만큼 아래로 향함을 나타내고, 선박(VE) 외부 선체의 표면은 지면에 대해 직각인 것으로 가정할 수 있다.
Figure 112021078749103-pat00004
레이더(121, 122, 123)로 물체를 탐지하고 추적하기 위한 최대 거리 즉, 레이더(121, 122, 123)의 최대 탐지 거리(Range)와 레이더(121, 122, 123)가 탑재된 높이 h, 탐지 대상체의 예상 높이 hT를 고려하여 레이더(121, 122, 123)의 틸트 각도 상한을 수학식 3으로 결정할 수 있다.
Figure 112021078749103-pat00005
따라서, 레이더(121, 122, 123)의 틸트 각도 제어 범위는 수학식 4와 같이 나타날 수 있다.
Figure 112021078749103-pat00006
Figure 112021078749103-pat00007
도 4는 본 발명의 실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 4에 도시한 바와 같이, 4차원 레이더 이미지가 포함하는 대상체 인식을 위하여 뉴럴 네트워크(128)를 학습시킬 수 있다. 일 실시예에 따르면, 학습 장치는 감시제어부(124, 125, 126)와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.
뉴럴 네트워크(128)는 트레이닝 샘플들이 입력되는 입력 레이어(127)와 트레이닝 출력들을 출력하는 출력 레이어(129)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 4차원 레이더 이미지에 대응하는 대상체 정보에 기초하여 정의될 수 있다. 뉴럴 네트워크(128)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
학습 장치는 GD(Gradient Descent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크(128)를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크(128)의 출력들 및 레이블들에 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.
학습 장치는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크(128) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.
학습 장치는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크(128) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 4차원 레이더 이미지들을 획득하고, 트레이닝 4차원 레이더 이미지들로부터 트레이닝 대상체들을 추출할 수 있다. 학습 장치는 트레이닝 대상체들에 대해서 각각 미리 레이블링 된 정보(제1 레이블들)를 획득할 수 있는데, 트레이닝 대상체들에 미리 정의된 대상체 정보를 나타내는 제1 레이블들을 획득할 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 대상체들의 외관 특징들, 패턴 특징들 및 색상 특징들에 기초하여 제1 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
일 실시예에 따르면, 학습 장치는 제1 트레이닝 특징 벡터들을 뉴럴 네트워크(128)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(128)를 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(128) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(128)를 학습시킬 수 있다. 감시제어부(124, 125, 126)는 학습이 완료된 뉴럴 네트워크(128)를 이용하여 4차원 레이더 이미지로부터 대상체를 추출할 수 있다.
도 5는 본 발명의 실시예에 따른 선외 감시 방법의 절차를 보이는 흐름도이다. 도　5의 흐름도에서 프로세스 단계들,　방법 단계들,　알고리즘들 등이 순차적인 순서로 설명되었지만,　그러한 프로세스들,　방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면,　본 발명의 다양한 실시예들에서 설명되는 프로세스들,　방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한,　일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도,　다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며,　예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며,　예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
도 5에 도시한 바와 같이, 선외 감시 시스템(100)은 상시 선외 감시를 수행할 수 있다. 단계(S410)에서, 다수의 레이더(121, 122, 123)는 틸트 각도의 하한(
Figure 112021078749103-pat00008
)으로 최대 사거리에 대한 포인트 클라우드 데이터를 수집할 수 있다. 예를 들어, 도 1 내지 도 4를 참조하면, 선외 감시 시스템(100)에 포함된 다수의 레이더(121, 122, 123)는, 틸트 각도의 하한(
Figure 112021078749103-pat00009
)으로 설정되어 포인트 클라우드 데이터를 선외 감시 정보로서 형성할 수 있다.
단계(S420)에서, 감시제어부(124, 125, 126)에서 다수의 레이더(121, 122, 123)의 포인트 클라우드 데이터를 수신하여 처리된다. 예를 들어, 도 1 내지 도 4를 참조하면, 선외 감시 시스템(100)에 포함된 감시제어부(124, 125, 126)는 다수의 레이더(121, 122, 123)에서 수신된 선외 감시 정보(포인트 클라우드 데이터)를 처리하여 의심 물체 탐지 여부를 판단할 수 있다.
단계(S430)에서, 선박(VE) 구역별 4차원 레이더 포인트 클라우드가 연동된다. 예를 들어, 도 1 내지 도 4를 참조하면, 선외 감시 시스템(100)에 포함된 감시제어부(124, 125, 126)는 미리 설정된 선박(VE) 구역(좌현, 우현, 선수)별 4차원 레이더 포인트 클라우드를 연동시킬 수 있다.
단계(S440)에서, 탐지 순서에 따라 아이디 태깅(tagging)(포인트 클라우드)이 수행된다. 예를 들어, 도 1 내지 도 4를 참조하면, 선외 감시 시스템(100)에 포함된 감시제어부(124, 125, 126)는 물체의 탐지 순서에 따라 4차원 레이더 레이블을 포함하는 아이디 태깅을 수행할 수 있다.
단계(S450)에서, 4차원 레이더 레이블과 탐지 물체 위치 비교를 통해 구역간 아이디(ID) 연동을 수행할 수 있다. 예를 들어, 도 1 내지 도 4를 참조하면, 선외 감시 시스템(100)에 포함된 감시제어부(124, 125, 126)는 아이디 태깅에 포함된 4차원 레이더 레이블과 탐지 물체 위치 비교를 통해 구역간 아이디(ID) 연동을 수행할 수 있다.
선외 감시 시스템(100)은 알람 프로세스를 수행할 수 있다. 단계(S460)에서, 4차원 레이더 수집 정보의 노이즈 필터링이 수행된다. 예를 들어, 도 1 내지 도 4를 참조하면, 선외 감시 시스템(100)에 포함된 감시제어부(124, 125, 126)는 다수의 레이더(121, 122, 123)에서 수집된 정보의 노이즈 필터링을 수행할 수 있다.
단계(S470)에서, 포인트 클라우드를 이용하여 물체가 탐지되고, 추적된다. 예를 들어, 도 1 내지 도 4를 참조하면, 선외 감시 시스템(100)에 포함된 감시제어부(124, 125, 126)는 포인트 클라우드를 이용하여 선외 물체를 탐지하고, 추적할 수 있다.
단계(S480)에서, 딥러닝 기반으로 탐지 물체를 식별하고, 가중치를 고려하여 탐지 물체별 위험도가 계산된다. 예를 들어, 도 1 내지 도 4를 참조하면, 선외 감시 시스템(100)에 포함된 감시제어부(124, 125, 126)는 딥러닝과 같은 기계학습 알고리즘을 이용하여 다수의 레이더(121, 122, 123)에서 탐지된 물체를 식별하고, 미리 설정된 가중치를 고려하여 탐지 물체별 위험도를 산출할 수 있다. 일 실시예에 따르면, 탐지 물체는 부유물(floating matter), 미확인 물체(undiscerned object), 미확인 선박(unknown vessel), 예인선(tug), 해적선(pirate vessel), 사람(human), 무장 해적(armed pirate) 등을 포함할 수 있지만, 이에 한정되지 않는다. 표 1은 식별 확률에 대한 가중치를 나타낸 테이블의 예시이다.
위험 분류 Expected Item Weight Factor
Emergency Pirate Armed Pirate 3 (per person)
Pirate vessel 5 (per vessel)
Accident Human 10 (per person)
Unknown vessel 2 (per person)
Undiscerned object 2 (per object)
Marine
operation		 예인선 1 (per tug)
… …
단계(S490)에서, 위험 분류에 따라 관련 물체를 나누어 위험도를 산출하고, 알람 여부가 판별된다. 예를 들어, 도 1 내지 도 4를 참조하면, 선외 감시 시스템(100)에 포함된 감시제어부(124, 125, 126)는 위험 분류에 따라 관련 물체를 나누어 위험도를 산출하고, 중앙 제어부(112, 113)는, 산출된 위험도에 따라서 알람 여부를 판별할 수 있다. 표 2는 위험 분류 테이블의 예시이다. 표 2에 기재된 알람 기준수치는 알람 신호를 형성의 기준이 되는 제1 임계값을 나타낼 수 있고, 표 2에 기재된 알람 기준수치에 미리 설정된 값을 더하여 위험 상황 발생 정보 형성의 기준이 되는 제2 임계값을 산출할 수 있다. 예를 들어, Emergency의 제1 임계값은 8, 제2 임계값은 10이고, Pirate의 제1 임계값은 10, 제2 임계값은 12이며, Accident의 제1 임계값은 8, 제2 임계값은 10이고, Marine operation의 제1 임계값은 3, 제2 임계값은 5일 수 있다.
위험 분류 알람 기준수치 고려된 물체
Emergency Emergency >8 All related to Pirate & Accident
Pirate >10 Pirate Vessel, Armed pirate
Accident >8 Human, Unknown vessel, Undiscerned object, …
Marine operation >3 Tug, Quay wall(안벽), wharf(부두), …
단계(S500)에서, 위험 요소로 고려된 물체에 따라 상황을 분류하고 시간과 위치, 알람/통신 여부로 테이블이 생성 및 저장된다. 예를 들어, 도 1 내지 도 4를 참조하면, 선외 감시 시스템(100)에 포함된 중앙 제어부(112, 113)는 위험 요소로 고려된 물체에 따라 상황을 분류하고 시간과 위치, 알람/통신 여부로 테이블을 생성 및 저장할 수 있다. 표 3은 결과 테이블의 예시이다.
상황 분류 상황 배경 알람 / 통신 시간 위치
(Lat, Lon)
Marine operation Tug, Quay wall Alarmed 2021.04.20. 35.10, 129.07
Accident Human, Undiscerned object Alarmed 2021.04.20. 35.10, 129.07
Emergency Pirate Alarmed / Called 2021.03.28. 1.16, 103.48
Pirate Pirate vessel,Armed pirate Alarmed 2021.03.28. 1.16, 103.48
이상, 본 발명을 도면에 도시된 실시예를 참조하여 설명하였다. 그러나, 본 발명은 이에 한정되지 않고 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명과 균등한 범위에 속하는 다양한 변형예 또는 다른 실시예가 가능하다. 따라서, 본 발명의 진정한 보호범위는 이어지는 특허청구범위에 의해 정해져야 할 것이다.
100: 선외 감시 시스템 110: 모니터링부
120: 센서 및 제어부 130: 선내 통신망
140: 데이터베이스 150: 통신부
111: 경보 시스템 112, 113: 중앙 제어부
121, 122, 123: 레이더 124, 125, 126: 감시제어부
127: 입력 레이어 128: 뉴럴 네트워크
129: 출력 레이어

Claims (15)

  1. 미리 설정된 구역으로 구분된 선박 외부에 상한 및 하한의 범위 내에서 틸트(tilt) 각도 조절이 가능하도록 배치되어 선박 외부의 대상체에 대한 선외 감시 정보를 형성하는 다수의 레이더;
    상기 다수의 레이더로부터 상기 선외 감시 정보를 수신하여 상기 대상체의 정보를 형성하고, 상기 대상체의 정보를 이용하여 상기 대상체의 위험도를 산출하는 다수의 감시제어부; 및
    상기 산출된 위험도에 따라서 상기 대상체의 정보의 공유 범위와 방법을 결정하는 중앙 제어부를 포함하고,
    상기 다수의 레이더는,
    상기 대상체의 상대 위치를 측정하여, 상기 대상체에 대한 거리, 속도, 각도 및 높이 정보를 포함하는 상기 선외 감시 정보로서 고해상도의 실시간 3차원 이미지를 형성하는 4차원 레이더를 포함하며,
    상기 감시제어부는,
    상기 선박 외부의 선체로의 불필요한 탐지를 막기 위해 상기 레이더의 수직 방향 탐지각을 고려하여, 상기 틸트 각도의 상한을 설정하고,
    상기 레이더의 수직 방향 탐지각과, 상기 레이더로 물체를 탐지하고 추적하기 위한 최대거리와, 상기 레이더가 탑재된 높이와, 그리고 상기 대상체의 높이를 고려하여 상기 틸트 각도의 하한을 설정하며,
    상기 산출된 위험도는,
    미리 학습된 기계학습 알고리즘에 의해 상기 대상체를 부유물, 미확인 물체, 미확인 선박, 예인선, 해적선, 사람, 및 무장 해적 중 어느 하나로 분류하고, 분류된 상기 대상체의 종류에 따라 가중치를 두어 산출하는 것을 특징으로 하는,
    선외 감시 시스템.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 미리 설정된 구역은,
    상기 선박의 좌현(port), 우현(starboard) 및 선수(bow) 중 어느 하나 이상을 포함하는,
    선외 감시 시스템.
  4. 제 1 항에 있어서,
    상기 다수의 레이더는,
    상기 선박의 건현(freeboard)을 고려하여 미리 설정된 간격으로 선박의 난간(handrail) 지지대 상에 배치되는,
    선외 감시 시스템.
  5. 제 4 항에 있어서,
    상기 감시제어부는,
    상기 선박의 흘수 상태 및 상기 대상체의 예상 높이에 따라 상기 틸트 각도의 상한 및 하한을 설정하고, 상기 대상체의 추적 관찰 시 상기 틸트 각도의 상한 및 하한을 초과하지 않도록 상기 다수의 레이더의 상기 틸트 각도를 제어하는,
    선외 감시 시스템.
  6. 제 5 항에 있어서,
    상기 감시제어부는,
    상기 틸트 각도의 상한은 수학식 1에 의해서 산출하고, 상기 틸트 각도의 하한은 수학식 2에 의해서 산출하되,
    [수학식 1]
    Figure 112021078749103-pat00010

    [수학식 2]
    Figure 112021078749103-pat00011

    상기 θv는 상기 레이더의 수직 방향 탐지 각을 나타내고, 상기 h는 상기 레이더가 설치되는 높이, 상기 hT는 상기 대상체의 높이, 상기 Range는 상기 레이더의 최대 탐지 거리인, 선외 감시 시스템.
  7. 제 1 항에 있어서,
    상기 감시제어부는,
    상기 선외 감시 정보의 신호처리를 통해 상기 대상체를 탐지하고, 아이디 태깅을 이용하여 탐지된 상기 대상체의 추적을 수행하여 상기 대상체의 정보를 형성하는,
    선외 감시 시스템.
  8. 제 1 항에 있어서,
    상기 중앙 제어부는,
    상기 산출된 위험도가 제1 임계값을 초과할 경우 알람 신호를 형성하는,
    선외 감시 시스템.
  9. 제 8 항에 있어서,
    상기 중앙 제어부는,
    상기 산출된 위험도가 제2 임계값을 초과할 경우 위험 상황 발생 정보를 형성하는,
    선외 감시 시스템.
  10. 제 9 항에 있어서,
    상기 위험 상황 발생 정보를 상기 선박 외부로 전송하는 통신부를 더 포함하는,
    선외 감시 시스템.
  11. 제 9 항에 있어서,
    상기 위험 상황 발생 정보를 저장하는 데이터베이스를 더 포함하는,
    선외 감시 시스템.
  12. 상한 및 하한의 범위 내에서 틸트(tilt) 각도 조절이 가능하도록 선박 외부에 배치된 다수의 레이더에 의해서, 상기 선박 외부의 대상체에 대한 선외 감시 정보를 형성하는 단계;
    감시제어부에 의해 상기 다수의 레이더로부터 상기 선외 감시 정보를 수신하여 상기 대상체의 정보를 형성하는 단계;
    상기 감시제어부에 의해 상기 대상체의 정보를 이용하여 상기 대상체의 위험도를 산출하는 단계; 및
    중앙 제어부에 의해 상기 산출된 위험도에 따라서 상기 대상체 정보의 공유 범위와 방법을 결정하는 단계를 포함하고,
    상기 다수의 레이더는,
    상기 대상체의 상대 위치를 측정하여, 상기 대상체에 대한 거리, 속도, 각도 및 높이 정보를 포함하는 상기 선외 감시 정보로서 고해상도의 실시간 3차원 이미지를 형성하는 4차원 레이더이며,
    상기 감시제어부는,
    상기 선박 외부의 선체로의 불필요한 탐지를 막기 위해 상기 레이더의 수직 방향 탐지각을 고려하여 상기 틸트 각도의 상한을 설정하고,
    상기 레이더의 수직 방향 탐지각과, 상기 레이더로 물체를 탐지하고 추적하기 위한 최대거리와, 상기 레이더가 탑재된 높이와, 그리고 상기 대상체의 높이를 고려하여 상기 틸트 각도의 하한을 설정하며,
    상기 산출된 위험도는,
    미리 학습된 기계학습 알고리즘에 의해 상기 대상체를 부유물, 미확인 물체, 미확인 선박, 예인선, 해적선, 사람, 및 무장 해적 중 어느 하나로 분류하고, 분류된 상기 대상체의 종류에 따라 가중치를 두어 산출하는 것을 특징으로 하는,
    선외 감시 방법.
  13. 제 12 항에 있어서,
    상기 감시제어부에 의해 상기 다수의 레이더로부터 상기 선외 감시 정보를 수신하여 상기 대상체의 정보를 형성하는 단계 이후,
    상기 선외 감시 정보의 신호처리를 통해 상기 대상체를 탐지하는 단계; 및
    아이디 태깅을 이용하여 탐지된 대상체의 추적을 수행하여 상기 대상체 정보를 형성하는 단계를 더 포함하는,
    선외 감시 방법.
  14. 제 13 항에 있어서,
    상기 중앙 제어부에 의해 상기 산출된 위험도에 따라서 상기 대상체 정보의 공유 범위와 방법을 결정하는 단계는,
    상기 산출된 위험도가 제1 임계값을 초과할 경우 알람 신호를 형성하는 단계를 포함하는,
    선외 감시 방법.
  15. 제 14 항에 있어서,
    상기 중앙 제어부에 의해 상기 산출된 위험도에 따라서 상기 대상체 정보의 공유 범위와 방법을 결정하는 단계는,
    상기 산출된 위험도가 제2 임계값을 초과할 경우 위험 상황 발생 정보를 형성하는 단계 및 통신부를 통해 상기 위험 상황 발생 정보를 상기 선박 외부로 전송하는 단계를 더 포함하는,
    선외 감시 방법.
KR1020210089502A 2021-07-08 2021-07-08 4차원 레이더를 활용한 선외 감시 시스템 및 방법 KR102553331B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210089502A KR102553331B1 (ko) 2021-07-08 2021-07-08 4차원 레이더를 활용한 선외 감시 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210089502A KR102553331B1 (ko) 2021-07-08 2021-07-08 4차원 레이더를 활용한 선외 감시 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20230009002A KR20230009002A (ko) 2023-01-17
KR102553331B1 true KR102553331B1 (ko) 2023-07-07

Family

ID=85111243

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210089502A KR102553331B1 (ko) 2021-07-08 2021-07-08 4차원 레이더를 활용한 선외 감시 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102553331B1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101078432B1 (ko) * 2009-04-30 2011-10-31 삼성중공업 주식회사 선박 해적 감시 및 방어 시스템과 그 방법
KR101404689B1 (ko) 2012-05-16 2014-06-09 동강엠텍(주) 선박 감시시스템 및 그의 방법
KR101399560B1 (ko) * 2012-07-25 2014-05-30 삼성중공업 주식회사 선박 위험 관리 장치 및 그 방법
KR101941521B1 (ko) * 2016-12-07 2019-01-23 한국해양과학기술원 해상객체의 자동추적 시스템 및 방법
KR20210074158A (ko) * 2019-12-11 2021-06-21 삼성전자주식회사 레이더 데이터 인식 장치 및 방법

Also Published As

Publication number Publication date
KR20230009002A (ko) 2023-01-17

Similar Documents

Publication Publication Date Title
WO2019126755A1 (en) Generating and classifying training data for machine learning functions
US20200012283A1 (en) System and method for autonomous maritime vessel security and safety
US10782691B2 (en) Deep learning and intelligent sensing system integration
CN110208816B (zh) 用于海上无人艇的自动障碍物识别系统及识别方法
Wang et al. A survey of technologies for unmanned merchant ships
US20200050893A1 (en) Training a deep learning system for maritime applications
Almeida et al. Radar based collision detection developments on USV ROAZ II
CN109765929B (zh) 一种基于改进rnn的uuv实时避障规划方法
Park et al. Development of an unmanned surface vehicle system for the 2014 Maritime RobotX Challenge
Zhuang et al. Radar-based collision avoidance for unmanned surface vehicles
CN111880535B (zh) 一种基于强化学习的无人艇混合感知自主避障方法及系统
CN113050121A (zh) 一种船舶导航系统和船舶导航方法
US9569959B1 (en) Predictive analysis for threat detection
Johansen et al. Unmanned aerial surveillance system for hazard collision avoidance in autonomous shipping
US10895802B1 (en) Deep learning and intelligent sensing systems for port operations
KR102131377B1 (ko) 감시를 위한 무인 이동체 및 이를 포함하는 시스템
KR100352346B1 (ko) 인공지능형 충돌,좌초 예방 시스템
KR102640795B1 (ko) 레이더 기반 선박의 이/접안 지원 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
CN111240229B (zh) 一种基于智能船舶靠离泊仿真测试的故障信息处理系统
Wu et al. An overview of developments and challenges for unmanned surface vehicle autonomous berthing
KR102553331B1 (ko) 4차원 레이더를 활용한 선외 감시 시스템 및 방법
Kim et al. Field experiment of autonomous ship navigation in canal and surrounding nearshore environments
Kim et al. Development of an autonomous docking system for autonomous surface vehicles based on symbol recognition
CN114185328A (zh) 基于海况自适应的无人船控制方法、装置、设备及介质
KR102650152B1 (ko) 4차원 레이더를 활용한 해적 선박 감지 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant