KR102577728B1 - 랜덤 바람에 대한 시간 시뮬레이션을 이용한 비행체의 바람 추정 방법 및 장치 - Google Patents

랜덤 바람에 대한 시간 시뮬레이션을 이용한 비행체의 바람 추정 방법 및 장치 Download PDF

Info

Publication number
KR102577728B1
KR102577728B1 KR1020210162720A KR20210162720A KR102577728B1 KR 102577728 B1 KR102577728 B1 KR 102577728B1 KR 1020210162720 A KR1020210162720 A KR 1020210162720A KR 20210162720 A KR20210162720 A KR 20210162720A KR 102577728 B1 KR102577728 B1 KR 102577728B1
Authority
KR
South Korea
Prior art keywords
wind
random
aircraft
samples
generation
Prior art date
Application number
KR1020210162720A
Other languages
English (en)
Other versions
KR20230075977A (ko
Inventor
김석우
최한림
Original Assignee
국방과학연구소
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 국방과학연구소, 한국과학기술원 filed Critical 국방과학연구소
Priority to KR1020210162720A priority Critical patent/KR102577728B1/ko
Publication of KR20230075977A publication Critical patent/KR20230075977A/ko
Application granted granted Critical
Publication of KR102577728B1 publication Critical patent/KR102577728B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F41—WEAPONS
    • F41G—WEAPON SIGHTS; AIMING
    • F41G7/00—Direction control systems for self-propelled missiles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G01P5/001—Full-field flow measurement, e.g. determining flow velocity and direction in a whole region at the same time, flow visualisation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G01P5/02—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring forces exerted by the fluid on solid bodies, e.g. anemometer

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

랜덤 바람에 대한 시간 시뮬레이션을 이용한 비행체의 바람 추정 방법 및 장치가 개시된다. 바람 추정 방법은 비행체가 비행하는 영역의 기상 데이터들이 포함된 바람 데이터베이스에 따라 랜덤 바람 샘플을 생성하는 단계; 상기 랜덤 바람 샘플을 이용하여 시뮬레이션을 수행하는 단계; 및 상기 시뮬레이션에 따라 생성한 비행체의 프로파일과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 차이에 따라 상기 비행체가 비행 과정에서 경험한 바람을 추정하는 단계를 포함할 수 있다.

Description

랜덤 바람에 대한 시간 시뮬레이션을 이용한 비행체의 바람 추정 방법 및 장치{METHOD AND APPARATUS FOR ESTIMATING WIND OF AIR VEHICLE USING TIME SIMULATION FOR RANDOM WIND}
본 발명은 비행체의 바람 추정 방법 및 장치에 관한 것으로, 보다 구체적으로는 랜덤 바람에 대한 시간 시뮬레이션을 이용하여 비행체가 비행 과정에서 경험한 바람을 추정하는 방법 및 장치에 관한 것이다.
아음속으로 비행하는 공대지 유도탄과 같은 비행체는 고공의 바람에 비행특성 및 사거리에 영향을 많이 받는다.
피토 튜브 같이 대기속도(airspeed)를 측정할 수 있는 센서를 장착한다면 대기속도와 항법장치에서 측정하는 지면속도(ground speed)의 삼각형 관계를 이용하여 비교적 쉽게 풍향과 풍속을 추정할 수 있다. 그리고, 비행체는 추정한 풍향 및 풍속을 고려하여 비행체를 조종함으로써, 바람에 의한 비행의 영향을 최소화할 수 있다.
그러나, 단거리 공대지 유도탄과 같이 소형, 또는 저가의 비행체는 부피나 무게, 신뢰도, 가격상승의 이유로 대기 속도 센서를 장착하지 않으므로, 비행체가 비행 과정에서 경험한 바람을 추정할 수 없는 실정이다.
따라서, 대기 속도의 센서 없이 비행체가 비행 과정에서 경험한 바람을 추정하는 방법이 요청되고 있다.
본 발명은 시험 비행의 바람 프로필이 과거 같은 달/계절의 통계적 패턴에 대응하는 특징을 기초로 과거 같은 달/계절의 통계적 패턴에 대응하는 랜덤 바람 샘플들을 생성하고, 생성한 랜덤 바람 샘플들을 이용한 시뮬레이션 결과와 실제 측정 데이터 간의 차이에 따라 바람을 추정함으로써, 비행체가 바람을 측정하기 위한 센서를 부착하지 않고도 비행체가 비행 과정에서 경험한 바람을 추정하는 방법 및 장치를 제공한다.
또한, 본 발명은 휴리스틱 최적화 방법으로 랜덤 바람 샘플들을 이용한 시뮬레이션 결과와 실제 측정 데이터 간의 차이가 최소화되도록 랜덤 바람 샘플들을 생성하고, 생성한 랜덤 바람 샘플들을 이용한 시뮬레이션 결과와 실제 측정 데이터 간의 차이에 따라 바람을 추정함으로써, 비행체가 바람을 측정하기 위한 센서를 부착하지 않고도 비행체가 비행 과정에서 경험한 바람을 추정하는 방법 및 장치를 제공한다.
본 발명의 일실시예에 따른 바람 추정 방법은 비행체가 비행하는 영역의 기상 데이터들이 포함된 바람 데이터베이스에 따라 랜덤 바람 샘플을 생성하는 단계; 상기 랜덤 바람 샘플을 이용하여 시뮬레이션을 수행하는 단계; 및 상기 시뮬레이션에 따라 생성한 비행체의 프로파일과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 차이에 따라 상기 비행체가 비행 과정에서 경험한 바람을 추정하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법의 상기 원격 측정 데이터는, 상기 비행체가 비행 시험을 수행하는 동안 상기 비행체의 비행 궤적, 및 비행 속도를 측정하여 생성될 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법은 상기 원격 측정 데이터의 최초 값을 이용하여 상기 시뮬레이션을 초기화하는 단계를 더 포함할 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법의 상기 랜덤 바람 샘플을 생성하는 단계는, 최초 고도에서 랜덤 바람 샘플을 생성하는 경우, 비행체가 출발한 공항, 또는 비행체를 발사한 플랫폼에서 바람 측정 센서로 측정한 바람으로부터 일정 범위 안의 확률 분포에 따라 랜덤 바람 샘플들을 생성할 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법의 상기 바람 데이터베이스는, 라윈 손데(rawinsonde)를 이용하여 비행체가 비행하는 영역의 고도 레이어 별로 측정한 평균 풍속(MWAL : Mean Wind of Altitude Layer) 데이터를 포함할 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법의 상기 랜덤 바람 샘플을 생성하는 단계는, 이전 고도에서 추정한 바람이 있는 경우, 이전 고도에서 추정된 바람으로부터 일정 범위 안의 확률 분포에 따라 상기 랜덤 바람 샘플들을 생성할 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법의 상기 랜덤 바람 샘플을 생성하는 단계는, 이전 고도에서 추정된 랜덤 바람 샘플과 현재 고도의 MWAL 간의 차이가 임계값을 초과하는 경우, 이전 고도에서 생성한 랜덤 바람 샘플들 중 적어도 하나를 현재 고도에 추가하여 상기 확률 분포를 결정할 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법의 상기 바람을 추정하는 단계는, 상기 시뮬레이션에 따라 생성한 비행체의 프로파일들 각각과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 RMSE(Root Mean Square Error)를 계산하고, 상기 RMES가 가장 작은 비행체의 프로파일에 대응하는 랜덤 바람 샘플을 상기 비행체가 비행 과정에서 경험한 바람으로 추정할 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법은 휴리스틱 최적화 방법에 기초하여 n 세대의 랜덤 바람 샘플들을 생성하는 단계; 상기 n 세대의 랜덤 바람 샘플들에 시간 간격 시뮬레이션(TIMC : Time Interval Monte-Carlo simulation)을 수행하여 상기 n 세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일을 계산하는 단계; 및 상기 n 세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일과 상기 비행체를 측정하여 생성한 원격 측정 데이터 간의 차이에 따라 상기 비행체가 비행 과정에서 경험하는 바람을 추정하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법은 1세대의 랜덤 바람 샘플들을 생성하는 단계; 및 1세대의 랜덤 바람들 각각의 비행 궤적, 또는 속도 프로파일을 계산하는 단계; 를 더 포함하고, 상기 랜덤 바람 샘플을 생성하는 단계는, 상기 1세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일을 기초로 n 세대의 랜덤 바람 샘플들을 생성할 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법의 상기 1세대의 랜덤 바람 샘플들을 생성하는 단계는, 비행체가 출발한 공항, 또는 비행체를 발사한 플랫폼에서 바람 측정 센서로 측정한 바람으로부터 일정 범위 안의 확률 분포에 따라 상기 1세대의 랜덤 바람 샘플들을 생성할 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법의 상기 랜덤 바람 샘플들을 생성하는 단계는, 상기 n이 2인 경우, 1세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일과 상기 비행체에서 측정한 정보를 비교하여 1세대의 랜덤 바람 샘플들 각각의 RMSE(Root Mean Square Error)를 계산하는 단계; 1세대의 랜덤 바람 샘플들 중에서 상기 RMSE가 가장 작은 1세대의 랜덤 바람 샘플을 식별하는 단계; 및 식별한 1세대의 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 상기 n 세대의 랜덤 바람 샘플들을 생성하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법의 상기 랜덤 바람 샘플들을 생성하는 단계는, 상기 n이 3이상인 경우, 이전 세대에 추정된 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 상기 n 세대의 랜덤 바람 샘플들을 생성할 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법의 상기 n 세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일과 상기 비행체에서 측정한 정보 간의 차이에 기초하여 결정되는 최적 비용이 임계 비용 미만인지 여부를 식별하는 단계를 더 포함하고, 상기 바람을 추정하는 단계는, 상기 최적 비용이 임계 비용 미만인 경우 수행될 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법은 상기 최적 비용이 임계 비용 이상인 경우, n을 증가시키는 단계를 더 포함하고, 상기 랜덤 바람 샘플들을 생성하는 단계는, 상기 최적 비용에 대응하는 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 n 세대의 랜덤 바람 샘플들을 생성할 수 있다.
본 발명의 일실시예에 따른 바람 추정 방법의 상기 바람을 추정하는 단계는, 상기 최적 비용에 대응하는 랜덤 바람 샘플을 상기 비행체가 비행 과정에서 경험한 바람으로 추정할 수 있다.
본 발명의 일실시예에 따른 바람 추정 장치는 비행체가 비행하는 영역의 기상 데이터들이 포함된 바람 데이터베이스; 및 상기 기상 데이터들에 따라 랜덤 바람 샘플을 생성하고, 상기 랜덤 바람 샘플을 이용하여 시뮬레이션을 수행하며, 상기 시뮬레이션에 따라 생성한 비행체의 프로파일과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 차이에 따라 상기 비행체가 비행 과정에서 경험한 바람을 추정하는 프로세서를 포함할 수 있다.
본 발명의 일실시예에 따른 바람 추정 장치의 상기 프로세서는, 최초 고도에서 랜덤 바람 샘플을 생성하는 경우, 비행체가 출발한 공항, 또는 비행체를 발사한 플랫폼에서 바람 측정 센서로 측정한 바람으로부터 일정 범위 안의 확률 분포에 따라 랜덤 바람 샘플들을 생성할 수 있다.
본 발명의 일실시예에 따른 바람 추정 장치의 상기 바람 데이터베이스는, 라윈 손데(rawinsonde)를 이용하여 비행체가 비행하는 영역의 고도 레이어 별로 측정한 평균 풍속(MWAL : Mean Wind of Altitude Layer) 데이터를 포함할 수 있다.
본 발명의 일실시예에 따른 바람 추정 장치의 상기 프로세서는, 이전 고도에서 추정한 바람이 있는 경우, 이전 고도에서 추정된 바람으로부터 일정 범위 안의 확률 분포에 따라 상기 랜덤 바람 샘플들을 생성할 수 있다.
본 발명의 일실시예에 따른 바람 추정 장치의 상기 프로세서는, 이전 고도에서 추정된 랜덤 바람 샘플과 현재 고도의 MWAL 간의 차이가 임계값을 초과하는 경우, 이전 고도에서 생성한 랜덤 바람 샘플들 중 적어도 하나를 현재 고도에 추가하여 상기 확률 분포를 결정할 수 있다.
본 발명의 일실시예에 따른 바람 추정 장치의 상기 프로세서는, 상기 시뮬레이션에 따라 생성한 비행체의 프로파일들 각각과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 RMSE(Root Mean Square Error)를 계산하고, 상기 RMES가 가장 작은 비행체의 프로파일에 대응하는 랜덤 바람 샘플을 상기 비행체가 비행 과정에서 경험한 바람으로 추정할 수 있다.
본 발명의 일실시예에 따른 바람 추정 장치는 휴리스틱 최적화 방법에 기초하여 n 세대의 랜덤 바람 샘플들을 생성하는 PSO(Particle Swarm Optimization); 및 상기 n 세대의 랜덤 바람 샘플들에 시간 간격 시뮬레이션(TIMC : Time Interval Monte-Carlo simulation)을 수행하여 상기 n 세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일을 계산하는 프로세서를 포함하고, 상기 PSO는, 상기 n 세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일과 상기 비행체를 측정하여 생성한 원격 측정 데이터 간의 차이에 따라 상기 비행체가 비행 과정에서 경험하는 바람을 추정할 수 있다.
본 발명의 일실시예에 따른 바람 추정 장치의 상기 PSO는, 비행체가 출발한 공항, 또는 비행체를 발사한 플랫폼에서 바람 측정 센서로 측정한 바람으로부터 일정 범위 안의 확률 분포에 따라 상기 1세대의 랜덤 바람 샘플들을 생성하고, 상기 1세대의 랜덤 바람 샘플들의 비행 궤적, 또는 속도 프로파일을 기초로 n 세대의 랜덤 바람 샘플들을 생성할 수 있다.
본 발명의 일실시예에 따른 바람 추정 장치의 상기 프로세서는, 상기 n이 2인 경우, 1세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일과 상기 비행체에서 측정한 정보를 비교하여 1세대의 랜덤 바람 샘플들 각각의 RMSE(Root Mean Square Error)를 계산하고, 상기 PSO는, 1세대의 랜덤 바람 샘플들 중에서 상기 RMSE가 가장 작은 1세대의 랜덤 바람 샘플을 식별하며, 식별한 1세대의 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 상기 n 세대의 랜덤 바람 샘플들을 생성할 수 있다.
본 발명의 일실시예에 따른 바람 추정 장치의 상기 PSO는, 상기 n이 3이상인 경우, 이전 세대에 추정된 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 상기 n 세대의 랜덤 바람 샘플들을 생성할 수 있다.
본 발명의 일실시예에 따른 바람 추정 장치의 상기 PSO는, 상기 n 세대의 랜덤 바람 샘플들의 비행 궤적, 또는 속도 프로파일과 상기 비행체에서 측정한 정보 간의 차이에 기초하여 결정되는 최적 비용이 임계 비용 미만인지 여부를 식별하고, 상기 최적 비용이 임계 비용 미만인 경우, 상기 비행체가 비행 과정에서 경험하는 바람을 추정할 수 있다.
본 발명의 일실시예에 따른 바람 추정 장치의 상기 바람을 추정하는 단계는, 상기 최적 비용에 대응하는 랜덤 바람 샘플을 상기 비행체가 비행 과정에서 경험한 바람으로 추정할 수 있다.
본 발명의 일실시예에 의하면, 시험 비행의 바람 프로필이 과거 같은 달/계절의 통계적 패턴에 대응하는 특징을 기초로 과거 같은 달/계절의 통계적 패턴에 대응하는 랜덤 바람 샘플들을 생성하고, 생성한 랜덤 바람 샘플들을 이용한 시뮬레이션 결과와 실제 측정 데이터 간의 차이에 따라 바람을 추정함으로써, 비행체가 바람을 측정하기 위한 센서를 부착하지 않고도 비행체가 비행 과정에서 경험한 바람을 추정할 수 있다.
또한, 본 발명의 일실시예에 의하면, 휴리스틱 최적화 방법으로 랜덤 바람 샘플들을 이용한 시뮬레이션 결과와 실제 측정 데이터 간의 차이가 최소화되도록 랜덤 바람 샘플들을 생성하고, 생성한 랜덤 바람 샘플들을 이용한 시뮬레이션 결과와 실제 측정 데이터 간의 차이에 따라 바람을 추정함으로써, 비행체가 바람을 측정하기 위한 센서를 부착하지 않고도 비행체가 비행 과정에서 경험한 바람을 추정할 수 있다.
도 1은 본 발명의 제1 실시예에 따른 바람 추정 장치를 도시한 도면이다.
도 2는 본 발명의 제1 실시예에 따른 바람 추정 과정의 일례이다.
도 3은 본 발명의 제1 실시예에서 사용하는 원격 측정 데이터의 일례이다.
도 4는 도 3에 도시된 일례에 대한 MWAL의 일례이다.
도 5는 본 발명의 제1 실시예에 따라 제1 레이어(제1 고도)의 바람을 추정하는 과정의 일례이다.
도 6은 본 발명의 제1 실시예에 따라 제2 레이어(제2 고도)에 랜덤 바람 샘플들이 생성되는 범위를 설정하는 과정의 일례이다.
도 7은 본 발명의 제1 실시예에 따라 제2 레이어(제2 고도)에 랜덤 바람 샘플들을 생성하는 과정의 일례이다.
도 8은 본 발명의 제1 실시예에 따라 제2 레이어(제2 고도)에 제1 레이어의 가중치를 적용하여 랜덤 바람 샘플들을 생성하는 과정의 일례이다.
도 9는 본 발명의 제1 실시예에서 시뮬레이션에 따라 생성한 비행체의 프로파일들 각각과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 RMSE의 일례이다.
도 10은 본 발명의 제1 실시예에 따라 제2 레이어(제2 고도) 및 제2 레이어(제2 고도)의 바람을 추정하는 과정의 일례이다.
도 11은 본 발명의 제1 실시예에 따라 바람을 추정한 결과의 일례이다.
도 12는 본 발명의 제1 실시예에 따라 바람을 추정한 결과의 다른 일례이다.
도 13은 본 발명의 제1 실시예에 따른 바람 추정 방법을 도시한 플로우차트이다.
도 14은 본 발명의 제2 실시예에 따른 바람 추정 과정의 일례이다.
도 15는 본 발명의 제2 실시예에 따른 바람 추정 장치를 도시한 도면이다.
도 16은 본 발명의 제2 실시예에 따라 바람을 추정한 결과의 일례이다.
도 17은 본 발명의 제1 실시예 및 제2 실시예에 따른 바람 프로파일에 대한 추정 정확도 및 바람 추정을 위하여 필요한 시뮬레이션 회수의 일례이다.
도 18은 본 발명의 제2 실시예에 따른 바람 추정 방법을 도시한 플로우차트이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 제1 실시예에 따른 바람 추정 장치를 도시한 도면이다.
비행 시뮬레이터(100)는 비행체의 비행 상태를 시뮬레이션하는 장치이며, 도 1에 도시된 바와 같이 바람 추정 장치(110), 레이더(130), 데이터 링크부(140), 탐색기(150), 유도 및 제어기(160), 및 구동기(170)를 포함할 수 있다. 이때, 바람 추정 장치(110)는 단말이고, 레이더(130), 및 데이터 링크부(140)는 레이더 장치의 구성이며, 탐색기(150), 유도 및 제어기(160), 및 구동기(170)는 비행체의 구성일 수 있다.
레이더(130)는 비행체의 이동 목표가 되는 타겟(120)의 위치를 측정하여 데이터 링크부(140)로 전송할 수 있다.
데이터 링크부(140)는 레이더(130)로부터 수신한 타겟(120)의 위치를 데이터 링크를 이용하여 비행체의 유도 및 제어기(160)로 전송할 수 있다.
비행체에 장착된 탐색기(150)는 타겟(120)과 비행체 간의 거리가 일정 거리 이하로 감소된 경우, 적외선을 이용하여 타겟(120)의 위치를 정밀 추적할 수 있다.
유도 및 제어기(160)는 데이터 링크부(140)로부터 수신한 타겟(120)의 위치에 따라 타겟(120)으로 이동하기 위한 경로를 결정할 수 있다. 그리고, 유도 및 제어기(160)는 비행체가 경로에 따라 이동하도록 비행체의 속도, 및 방향을 제어하기 위한 명령을 생성하여 구동기(170)로 전송할 수 있다. 또한, 비행체가 미사일이고, 탐색기(150)로부터 정밀 추적한 타겟(120)의 위치를 수신한 경우, 유도 및 제어기(160)는 탐색기(150)가 정밀 추적한 타겟(120)의 위치에 비행체가 충돌하도록 비행체의 속도, 및 방향을 제어하기 위한 명령을 생성하여 구동기(170)로 전송할 수 있다. 그리고, 비행체가 무인 비행기, 또는 유인 비행기이고, 타겟(120)이 착륙지이며, 탐색기(150)로부터 정밀 추적한 타겟(120)의 위치를 수신한 경우, 유도 및 제어기(160)는 탐색기(150)가 정밀 추적한 타겟(120)의 위치에 비행체가 착륙하도록 비행체의 속도, 및 방향을 제어하기 위한 명령을 생성하여 구동기(170)로 전송할 수 있다.
구동기(ACT: actuator)(170)는 유도 및 제어기(160)로부터 수신한 명령에 따라 비행체의 속도, 및 방향을 제어하여 비행체의 비행 궤적, 및 비행 속도를 결정할 수 있다. 그리고, 구동기(170)는 비행체의 비행 궤적에 따른 비행체의 구동각을 바람 추정 장치(110)의 공기 역학부(111)로 전송할 수 있다.
본 발명의 제1 실시예에 따른 바람 추정 장치(110)는 비행체가 비행 과정에서 경험하는 바람을 추정하는 장치이며, 도 1에 도시된 바와 같이 공기 역학부(111), 추진부(112), 역학부(113), 환경부(114), 및 INS(115)를 포함할 수 있다. 이때, 공기 역학부(111), 추진부(112), 역학부(113), 환경부(114), 및 INS(115)는 서로 다른 프로세서, 또는 하나의 프로세서에서 수행되는 프로그램에 포함된 각각의 모듈일 수 있다.
예를 들어, 비행체는 미사일, 무인 비행기, 유인 비행기, 중 적어도 하나일 수 있으며, 본 명세서에서는 비행체가 미사일인 것으로 설정하여 설명한다. 다만 실시예에 따라 바람 추정 장치(100)는 무인 비행기, 또는 유인 비행기가 비행 과정에서 경험하는 바람을 추정할 수도 있다.
공기 역학부(Aero-dynamics)(111)는 환경부(114)로부터 환경 정보를 수신하며, 구동기(170)로부터 비행체의 구동각을 수신할 수 있다. 그리고, 공기 역학부(111)는 비행체의 유도탄의 속도, 자세 등의 비행 상태 정보와 임의의 바람에 대한 받음각, 측면 슬립 각도 및 상대 속도와 같은 공기 역학적 매개변수, 공기 역학적 계수 테이블 및 환경 정보에 공력 모델을 사용한 시뮬레이션을 수행하여 비행체에 가해지는 공력학적 힘과 모멘트를 결정할 수 있다.
추진부(112)는 추력 모델을 이용하여 비행체의 추진 기관이 발생시키는 추력을 시뮬레이션할 수 있다. 그리고, 추진부(112)는 시뮬레이션에 따라 결정된 비행체의 추력, 질량, 관성 모멘트와 같은 비행체의 물리적 상태 정보를 역학부(113)로 전송할 수 있다.
역학부(Dynamics)(113)는 관성 항법 시스템(INS)(111)으로부터 비행체를 원격 측정하여 생성한 원격 측정 데이터를 수신하여 초기화할 수 있다. 그리고, 역학부(113)는 공기 역학부(111)로부터 수신한 비행체에 가해지는 공력학적 힘과 모멘트 및 추진부(112)로부터 수신한 비행체의 물리적 상태 정보를 기초로 6자유도 동역학을 계산할 수 있다. 또한, 역학부(113)는 시뮬레이션에 따라 생성한 비행체의 프로파일과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 차이에 따라 비행체가 비행 과정에서 경험한 바람을 추정할 수 있다. 예를 들어, 시뮬레이션에 따라 생성한 비행체의 프로파일은 공기 역학부(111)로부터 수신한 비행체에 가해지는 공력학적 힘과 모멘트 및 추진부(112)로부터 수신한 비행체의 물리적 상태 정보에 따라 결정된 비행체의 비행 궤적 및 속도를 포함할 수 있다. 또한, 원격 측정 데이터에 포함된 비행체의 프로파일에는 역학부(113)가 6자유도 동역학을 계산하여 결정된 비행체의 비행 궤적 및 속도가 포함될 수 있다.
구체적으로, 역학부(113)는 랜덤 바람 샘플들 각각에 대하여 시뮬레이션에 따라 생성한 비행체의 프로파일들 각각과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 RMSE(Root Mean Square Error)를 계산할 수 있다. 그리고, 역학부(113)는 RMES가 가장 작은 비행체의 프로파일에 대응하는 랜덤 바람 샘플을 비행체가 비행 과정에서 경험한 바람으로 추정할 수 있다.
환경부(Environment)(114)는 역학부(113)로부터 비행체의 고도(altitude) 및 속도(velocity)를 수신할 수 있다. 이때, 환경부(114)는 수신한 고도 및 속도에 대기 환경 모델을 이용하여 고도에 따른 기압과 공기 밀도 등의 대기 환경을 시뮬레이션할 수 있다. 그리고, 환경부(114)는 시뮬레이션에 따라 결정된 환경 정보를 공기 역학부(114)로 전송할 수 있다. 또한, 환경부(114)는 랜덤 바람 샘플들을 생성하여 공기 역학부(111)로 전송할 수 있다.
관성 항법 시스템(INS: inertial navigation system)(115)는 가속도계 및 자이로와 같은 관성 센서를 포함할 수 있다. 그리고, 비행체가 비행 시험을 수행하는 동안 비행체의 비행 궤적, 및 비행 속도를 측정하여 원격 측정 데이터를 생성할 수 있다.
비행 시뮬레이터(100)는 원격 측정 데이터의 최초값, 또는 특정 시점의 원격 측정 데이터를 이용하여 비행 시뮬레이터(100)에 포함된 구성들을 초기화할 수 있다. 그리고, 비행 시뮬레이터(100)는 바람이 일정하다고 판단할 수 있을 만큼 충분히 짧은 시간(예를 들어, 1초) 간격으로 시뮬레이션을 수행할 수 있다. 이때, 시간 간격 동안 바람 조건은 일정하되, 매 회 시뮬레이션에서는 각기 다른 바람성분을 가지고 시뮬레이션 될 수 있다.
도 2는 본 발명의 제1 실시예에 따른 바람 추정 과정의 일례이다.
비행 시뮬레이터(100)의 바람 추정 장치(110)가 수행하는 바람 추정 프로세스(201)는 비행체가 비행하는 영역의 기상 데이터들이 포함된 바람 데이터베이스(250)를 포함할 수 있다. 이때, 바람 데이터베이스(250)는 라윈 손데(rawinsonde)를 이용하여 비행체가 비행하는 영역의 고도 레이어 별로 측정한 평균 풍속(MWAL : Mean Wind of Altitude Layer) 데이터를 포함할 수 있다.
바람 추정 프로세스(201)의 시간 인터벌 루프(Time Interval(Altitude layer) Loop)(202)는 바람 데이터베이스(250)를 이용하여 랜덤 바람 샘플인 CDRW(Conditionally Distributed Random Winds)(260)를 생성할 수 있다.
또한, 바람 추정 프로세스(201)는 비행 시험(210) 과정에서 비행체의 비행 궤적, 및 비행 속도를 측정하여 생성된 원격 측정 데이터(240)를 수신할 수 있다. 이때, 원격 측정 데이터(240)는 실제 바람을 측정하여 생성한 바람 프로파일(220)을 풀 6DOF(degree-of-freedom) 모델(230)에 입력하여 생성될 수도 있다.
그리고, 시간 인터벌 루프(202)의 MC 루프(Monte Carlo Loop)(203)의 수정된 모델(270)은 랜덤 바람 샘플들 각각에 대하여 시뮬레이션에 따라 생성한 비행체의 프로파일들 각각과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 RMSE(Root Mean Square Error)를 계산할 수 있다. 예를 들어, 수정된 모델(270)는 풀 6DOF 모델(230)에서 바람의 추정과 관련된 일부 구성들을 추출하여 생성된 모델일 수 있다.
다음으로, MC 루프(203)는 수정된 모델(270)이 계산한 RMES 들 중에서 가장 작은 RMES(min. RMES)를 검색할 수 있다.
그 다음으로, 시간 인터벌 루프(202)는 RMES가 가장 작은 비행체의 프로파일에 대응하는 랜덤 바람 샘플을 비행체가 비행 과정에서 경험한 바람으로 추정할 수 있다. 그리고, 시간 인터벌 루프(202)는 추정한 바람을 다음 고도의 CDRW(260) 생성에 사용할 수 있다.
그리고, 바람 추정 프로세스(201)는 시간 인터벌 루프(202)가 추정한 바람의 프로파일을 바람 프로파일(220)과 비교하여 시간 인터벌 루프(202)의 바람 추정 정확도를 확인할 수 있다.
바람 추정 장치(110)는 시험 비행의 바람 프로필이 과거 같은 달/계절의 통계적 패턴에 대응하는 특징을 기초로 과거 같은 달/계절의 통계적 패턴에 대응하는 랜덤 바람 샘플들을 생성하고, 생성한 랜덤 바람 샘플들을 이용한 시뮬레이션 결과와 실제 측정 데이터 간의 차이에 따라 바람을 추정함으로써, 비행체가 바람을 측정하기 위한 센서를 부착하지 않고도 비행체가 비행 과정에서 경험한 바람을 추정할 수 있다.
도 3은 본 발명의 제1 실시예에서 사용하는 원격 측정 데이터의 일례이다.
비행체가 미사일인 경우, 원격 측정 데이터(310)는 타겟을 향하여 하강하는 비행 궤적을 가질 수 있다. 이때, 바람 추정 장치(110)는 비행 궤적의 부분 궤적(311)을 복수의 세그먼트들로 분할할 수 있다. 구체적으로, 라디오 존데 데이터는 고도 간격으로 생성되어 있으므로, 바람 추정 장치(110)는 도 3에 도시된 바와 같이 시간 간격으로 분할된 원격 측정 데이터의 부분 궤적(311)을 해당 시간에 대응하는 고도 레이어(Altitude Layer)로 분할할 수 있다.
예를 들어, 바람 추정 장치(110)가 원격 측정 데이터(310)를 1초 단위로 분할하는 경우, 비행 시간 0초 내지 1초에서 비행체의 고도는 4100m 내지 3700m 일 수 있다.
도 4는 도 3에 도시된 일례에 대한 MWAL의 일례이다.
바람 프로필의 원시 데이터는 도 3에 도시된 바와 같이 분할된 원격 측정 데이터와 호환되도록 매트릭스 형식으로 다시 포맷될 수 있다. 도 4에서 Rawdata 1, Rawdata 2, 및 Rawdata 3은 rawinsonde 측정의 세 가지 다른 원시 데이터의 일례이다.
또한, Altitude layer 1, Altitude layer 2, 및 Altitude layer 3으로 정의된 고도 레이어들 각각의 평균 풍속(MWAL of flayer 1, MWAL of layer 2, 및 MWAL of layer 3)들은 각각 해당 고도 레이어의 대표 값으로 설정될 수 있다.
그리고, 도 4의 MWAL는 고도 레이어들에 대한 이러한 평균 풍속 값을 나타낼 수 있다.
또한, UM 및 VM은 각 평균 바람 프로파일의 열이 있는 각 U 성분 및 V 성분의 MWAL 행렬이며, UM과 VM의 각 행은 동일한 고도 레이어에서 평균 풍속을 가질 수 있다. 또한, 바람 프로파일의 U 성분은 수평 평면 상에서 바람이 남쪽, 또는 북쪽 방향을 향하는 벡터이고, 바람 프로파일의 V 성분은 수평 평면 상에서 바람이 동쪽, 또는 서쪽 방향을 향하는 벡터일 수 있다.
도 4는 3개의 바람 프로파일과 3개의 고도 레이어를 가지고 있으므로, 도 4에서 UM과 VM은 3 x 3일 수 있다. 또한, UM 및 VM의 각 행은 도 5에 도시된 바와 같이 동일한 고도 계층의 2차원 분포를 가질 수 있다.
도 5는 본 발명의 제1 실시예에 따라 제1 레이어(제1 고도)의 바람을 추정하는 과정의 일례이다.
비행체가 공대지 미사일인 경우, 비행체의 비행 궤적은 도 3에 도시된 바와 같이 가장 높은 고도에서 시작하여 시간이 지날수록 낮아질 수 있다. 이때, 비행체가 비행 과정에서 경험하는 바람은 어떤 순차적인 상관관계 구조를 취한다고 가정할 수 있다.
따라서, 바람 추정 장치(110)는 인접한 고고도 레이어의 바람 분포와 연관시켜 저고도 레이어의 바람 프로파일을 결정할 수 있다. 즉, 현재 고도 레이어의 확률 분포가 이전 고도 레이어의 바람에 의해 조건부로 경계를 이룰 수 있다. 또한, 비행체가 비행 과정에서 경험하는 초기 바람은 비행체를 발사하는 미사일 발사대에 장착된 센서로 측정할 수 있다.
비행체가 비행하고 있는 고도 계층이 변화한 경우, 바람 추정 장치(110)는 비행체가 이전에 비행하고 있던 이전 고도 계층의 랜덤 바람 샘플들 중 NC 개의 샘플들을 선택할 수 있다. 이때, NC 개의 샘플들은 이전 고도 계층의 랜덤 바람 샘플들 중에서 비행체가 경험한 것으로 추정한 바람과 거리가 가까운 순서에 따라 결정된 랜덤 바람 샘플들일 수 있다. 예를 들어, 도 5에서 510은 제1 레이어에서 추정된 바람이고 10개의 520들은 제1 레이어의 MWAL 중 510에 가장 가까운 바람 샘플들일 수 있다. 예를 들어, 도 5에서 NC는 10으로 설정되었으나, 다른 양의 정수로 설정될 수도 있다.
도 6은 본 발명의 제1 실시예에 따라 제2 레이어(제2 고도)에 랜덤 바람 샘플들이 생성되는 범위를 설정하는 과정의 일례이다.
바람 추정 장치(110)는 도 6에 도시된 바와 같이 이전 고도 계층의 가장 가까운 바람 프로파일의 데이터 포인트로 현재 고도 계층의 MWAL 분포를 계산할 수 있다.
현재 고도 레이어에서 선택된 바람의 U 및 V 성분은 NC 열을 갖는 US와 VS의 벡터 형태로 표현될 수 있다. 도 6에서 이전 고도 레이어인 제1 레이어(610)에서 가장 가까운 프로파일인 제2 레이어의 바람 데이터는 제2 레이어에서 선택된 바람 데이터(611)일 수 있다.
바람 추정 장치(110)는 US와 VS의 평균과 공분산을 현재 레이어의 이변량 정규 분포 계산에 사용할 수 있다. 예를 들어, 바람 추정 장치(110)는 수학식 1을 이용하여 US의 평균인 μUS를 계산할 수 있다.
이때, US,i는 현재 고도 레이어에서 US의 성분들 각각일 수 있다.
또한, 바람 추정 장치(110)는 수학식 2를 이용하여 VS의 평균인 μVS를 계산할 수 있다.
이때, VS,i는 현재 고도 레이어에서 VS의 성분들 각각일 수 있다.
그리고, 바람 추정 장치(110)는 수학식 3을 이용하여 US 및 VS의 평균 벡터인 를 계산할 수 있다.
또한, 바람 추정 장치(110)는 수학식 4을 이용하여 US와 VS의 공분산 행렬인 ΣS를 계산할 수 있다.
바람 추정 장치(110)는 이전 고도 레이어에서 추정된 랜덤 바람 샘플로부터 일정 범위 안의 조건부 확률 분포에 따라 현재 고도 레이어의 랜덤 바람 샘플들을 생성할 수 있다. 예를 들어, 바람 추정 장치(110)는 제2 레이어의 이변량 정규 분포의 샘플 확률 등고선(620)을 설정할 수 있다.
도 7은 본 발명의 제1 실시예에 따라 제2 레이어(제2 고도)에 랜덤 바람 샘플들을 생성하는 과정의 일례이다.
바람 추정 장치(110)는 도 6에서 설정한 제2 레이어의 이변량 정규 분포의 샘플 확률 등고선(620)의 범위 안에 제2 레이어의 랜덤 바람 샘플들을 생성할 수 있다.
예를 들어, 바람 추정 장치(110)는 수학식 5를 이용하여 바람의 U 성분에 대한 표준 정규 분포의 무작위 샘플인 ZU를 계산할 수 있다.
그리고, 바람 추정 장치(110)는 수학식 6을 이용하여 바람의 V 성분에 대한 표준 정규 분포의 무작위 샘플인 ZU를 계산할 수 있다.
또한, 바람 추정 장치(110)는 수학식 7을 이용하여 표준 정규 무작위 바람 벡터인 Z를 계산할 수 있다.
그리고, 바람 추정 장치(110)는 수학식 8을 이용하여 및 ΣS의 이변량 정규 분포를 따르는 랜덤 바람 샘플(700)의 벡터 WR을 계산할 수 있다.
또한, 랜덤 바람 샘플(700)의 벡터 WR을 수학식 9와 같이 나타낼 수 있다.
바람 추정 장치(110)가 생성한 랜덤 바람 샘플(700)들은 이전 고도에서 추정된 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 생성되므로, CDRW(Conditionally Distributed Random Winds)라고 정의할 수 있다.
그리고, 바람 추정 장치(110)는 랜덤 바람 샘플(700)들 중에서 하나의 바람을 제2 레이어의 추정 바람으로 선택할 수 있다.
이때, 바람 추정 장치(110)는 각 방향의 불확실성 수준을 고려하여 고도 레이어들 각각에서 생성할 랜덤 바람 샘플들의 개수 NMC를 결정할 수 있다. 하나의 시뮬레이션에 하나의 임의의 바람이 시간 간격 동안 일정한 바람으로 적용되므로, 고도 레이어들 각각에서 생성할 랜덤 바람 샘플들의 개수는 시간 간격 동안 수행되는 몬테카를로 시뮬레이션의 횟수와 동일할 수 있다.
바람 추정 장치(110)는 고도 레이어들 각각에서 생성할 랜덤 바람 샘플들의 개수를 결정할 수 있다.
현재 레이어의 선택된 바람에 대해 계산된 공분산은 도 8에 도시된 바와 같이 타원으로 표현될 수 있다.
이때, 바람 추정 장치(110)는 수학식 10을 사용하여 공분산의 1σ 등고선 타원의 면적을 계산할 수 있다.
이때, ΣS는 US와 VS의 공분산 행렬의 또 다른 표현일 수 있다. 또한, σUs는 US의 분산이고, σVs는 VS의 분산일 수 있다. 또한, ρS는 상관 계수이고, AS는 공분산의 1σ 타원 윤곽의 면적일 수 있다. 그리고, GMC는 Monte-Carlo의 수에 대한 면적의 비례 상수이며, NMC는 몬테카를로 시뮬레이션의 양자화된 수일 수 있다. 예를 들어, 최소 GMC는 최소 시뮬레이션 횟수를 보장하기 위해 10으로 설정될 수 있다.
도 8은 본 발명의 제1 실시예에 따라 제2 레이어(제2 고도)에 제1 레이어의 가중치를 적용하여 랜덤 바람 샘플들을 생성하는 과정의 일례이다.
앞서 설명한 방법으로 바람을 추정하는 경우, 프로파일이 바람 데이터베이스(250)에 저장된 고공 바람 계측 데이터의 평균과 가까운 바람에 대한 추정은 정확도가 높으나, 고공 바람 계측 데이터의 평균과 상이한 바람은 추정에 오류가 발생할 수 있다.
하나의 고도 레이어에서 평균과 매우 멀어 확률상 드물게 발생하는 바람은 가장 가까운 바람을 선정하더라도 가까운 바람의 분포는 실제 추정해야 할 바람과 다른 곳에 생성될 수 있다. 따라서, 바람 추정 장치(110)는 추정한 바람과 고공 바람 계측 데이터의 평균 간의 차이가 클 수록 이전 고도 레이어에서 추정한 바람(또는 발사시점에 제공된 바람) 근처에 확률 분포가 생성될 수 있도록 가중치를 적용할 수 있다.
구체적으로, 바람 추정 장치(110)는 이전 고도 레이어에서 추정된 바람과 해당 고도 레이어의 평균 풍속(MWAL)의 평균과의 거리를 계산할 수 있다. 예를 들어, 바람 추정 장치(110)는 시그마 단위로 몇 시그마 정도에 있는지 산정할 수 있다. 그리고, 바람 추정 장치(110)는 계산한 거리에 따라 이전 고도 레이어의 랜덤 바람 샘플에 가중치를 설정할 수 있다.
이때, 바람 추정 장치(110)는 가중치에 따라 이전 고도에서 생성한 랜덤 바람 샘플들 중 적어도 하나를 현재 고도에 추가할 수 있다.
예를 들어, 이전 고도 레이어에서 추정된 바람과 해당 고도 레이어의 평균 풍속(MWAL)의 평균과의 거리가 0~1시그마인 경우, 바람 추정 장치(110)는 가중치를 0으로 설정하고, 현재 고도 레이어의 바람들 중 이전 고도 레이어에서 추정된 바람에 가까운 순서로 10개의 바람을 선택하여 해당 고도 레이어의 평균과 표준편차, 랜덤한 바람 개수를 결정할 수 있다. 또한, 이전 고도 레이어에서 추정된 바람과 해당 고도 레이어의 평균 풍속(MWAL)의 평균과의 거리가 1~2 시그마 사이에 위치한 경우, 바람 추정 장치(110)는 가중치를 1로 설정하고, 현재 고도 레이어에서 가까운 바람 10개에 상위 고도 레이어에서 추정한 바람이 하나 들어가서 11개의 바람을 이용하여 랜덤한 바람의 확률 분포와 개수를 결정할 수 있다.
도 8에서 810은 측정된 전체 바람들(Total Wind Measurements)이고, 820는 측정된 전체 바람들(Total Wind Measurements)의 1 σ, 2 σ, 3 σ, 4σ 라인일 수 있다. 또한, 830은 추정된 바람 샘플이고, 840은 830과의 거리가 가까운 순서대로 선택한 바람 샘플들일 수 있다. 그리고, 850은 가중치가 0인 경우, 1σ 라인이고, 860은 가중치가 4인 경우, 1σ 라인일 수 있다.
이때, 선택된 바람 벡터 US 및 VS를 확대하기 위하여 사용하는 가중치 벡터 UW 및 VW는 길이가 NW인 열 벡터일 수 있다. 그리고, 각 열의 값은 이전 레이어의 예상 바람 성분과 동일할 수 있다. 또한, NW는 고도 레이어의 과거 평균 바람에서 표준 편차 수준으로 추정된 바람까지의 거리에 비례할 수 있다.
도 8에 도시된 바와 같이 이전 고도 레이어에서 추정된 바람과 해당 고도 레이어의 평균 풍속(MWAL)의 평균 간의 거리가 4 시그마 이상이므로, 바람 추정 장치(110)는 가중치인 NW를 4로 설정하고, 현재 고도 레이어에서 가까운 바람(840) 10개에 상위 고도 레이어에서 추정한 바람(830)을 4개 추가하여 14개의 바람을 이용하여 랜덤한 바람의 확률 분포와 개수를 결정할 수 있다.
이때, 가중 벡터 UW 및 VW는 연결된 벡터 UC 및 VC를 구축하기 위해 US 및 VS와 연결될 수 있다. 그리고, 수학식 11과 같이 정의된 UC 벡터 및 VC 벡터는 새로운 이변량 정규 분포, NMC 계산 및 임의 바람 생성을 구축하는 데 사용될 수 있다.
이때, 바람 추정 장치(110)는 수학식 12를 이용하여 UC의 평균값인 μUC를 계산할 수 있다.
또한, 바람 추정 장치(110)는 수학식 13을 이용하여 VC의 평균값인 μVC를 계산할 수 있다.
그리고, 바람 추정 장치(110)는 수학식 14를 이용하여 μUC 및 μVC의 평균 벡터인 μC를 계산할 수 있다.
또한, 바람 추정 장치(110)는 수학식 15를 이용하여 UC 및 VC의 공분산 행렬인 ΣC를 계산할 수 있다.
그리고, 바람 추정 장치(110)는 수학식 16을 사용하여 연결된 벡터와 NMC에 대한 랜덤 바람은 계산할 수 있다.
이때, σUC와 σVC는 UC와 VC의 분산이고, ρC는 UC와 VC의 상관 계수이며, AC는 UC와 VC의 1σ 등고선 타원의 면적일 수 있다.
도 9는 본 발명의 제1 실시예에서 시뮬레이션에 따라 생성한 비행체의 프로파일들 각각과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 RMSE의 일례이다.
바람 추정 장치(110)는 시간 간격 동안 일정한 바람으로 적용되는 랜덤 바람 샘플들 각각에 대하여 고유한 속도 프로파일(930)을 생성할 수 있다.
그리고, 바람 추정 장치(110)는 랜덤 바람 샘플들 각각의 속도 프로파일(930)들을 원격 측정 데이터의 속도(910)와 비교할 수 있다. 이때, 랜덤 바람 샘플들 각각의 속도 프로파일(930)들과 원격 측정 데이터의 속도(910)는 도 9에 도시된 바와 같이 시간 간격의 초기 지점(initial point of each time interval)(920)에서는 일치하나 다른 구간에서는 차이가 있을 수 있다.
그리고, 바람 추정 장치(110)는 가장 작은 RMSE(940)를 발생시키는 랜덤 바람 샘플을 해당 시간 간격에서 비행체가 경험한 바람으로 추정할 수 있다.
도 10은 본 발명의 제1 실시예에 따라 제2 레이어(Layer 2) 및 제2 레이어(Layer 3)의 바람을 추정하는 과정의 일례이다.
단계(1010)에서 바람 추정 장치(110)는 제2 레이어에서 생성한 랜덤 바람 샘플(*)들 중에서 하나를 비행체가 제2 레이어를 통과하는 동안 경험한 바람으로 추정할 수 있다.
단계(1020)에서 바람 추정 장치(110)는 제2 레이어에서 추정한 바람에 기초하여 제3 레이어에 복수의 랜덤 바람 샘플(*)들을 생성할 수 있다. 그리고, 바람 추정 장치(110)는 제3 레이어에 생성한 랜덤 바람 샘플(*)들 중에서 하나를 비행체가 제3 레이어를 통과하는 동안 경험한 바람으로 추정할 수 있다.
바람 추정 장치(110)는 단계(1010) 내지 단계(1020)을 비행체가 목표에 도착할 때까지 반복하여 수행할 수 있다.
도 11은 본 발명의 제1 실시예에 따라 바람을 추정한 결과의 일례이다.
그래프(1110)는 실제 바람(1101), 발사 조건 A에서 방향 N(North)으로 발사된 비행체의 원격 측정 데이터를 기초로 바람 추정 장치(110)가 추정한 바람(1102), 및 발사 조건 A에서 방향 E(East)으로 발사된 비행체의 원격 측정 데이터를 기초로 바람 추정 장치(110)가 추정한 바람(1103)의 풍속 일례이다. 예를 들어, 발사 조건 A는 고도 12km, 60km 전방의 20m/s로 이동하는 표적에 대해 비행체를 발사하는 조건일 수 있다. 또한, 실시예에 따라 발사 조건 A에 포함된 조건들은 변경될 수도 있다.
그래프(1120)는 실제 바람(1101), 발사 조건 A에서 방향 N(North)으로 발사된 비행체의 원격 측정 데이터를 기초로 바람 추정 장치(110)가 추정한 바람(1102), 및 발사 조건 A에서 방향 E(East)으로 발사된 비행체의 원격 측정 데이터를 기초로 바람 추정 장치(110)가 추정한 바람(1103)의 방향 일례이다.
도 12는 본 발명의 제1 실시예에 따라 바람을 추정한 결과의 다른 일례이다.
도 12에서 평균(mean)(1201)은 바람 데이터베이스에 포함된 고공 기상 데이터에서 남북 방향 성분(U)와 동서 방향 성분(V)의 평균이고, +- 1σ, 2σ, 3σ는 바람 데이터베이스에 포함된 고공 기상 데이터에서 남북 방향 성분(U)와 동서 방향 성분(V)의 표준 편차일 수 있다.
그리고, 도 12에 도시된 실시예의 4km에서 8km 사이의 고도에서 실제 바람(1302)의 풍속은 U 성분 및 V 성분 모두에서 평균(mean)(1201)과 상이하며, 3σ 선을 벗어날 수 있다. 이것은 바람이 매우 드물고 각 방향으로 강하다는 것을 의미할 수 있다.
이때, 가중치를 적용하지 않고 추정한 바람(1204)은 실제 바람(1202)보다 평균(mean)(1201)과 유사하여 오차가 발생하고 있다. 반면, 가중치를 적용하여 추정한 바람(1203)는 가중치를 적용하지 않고 추정한 바람(1204)보다 실제 바람(1202)과의 유사도가 높으며 오차가 적을 수 있다.즉, 도 12에 도시된 바와 같이 가중치를 적용해야 오차 없이 실제 바람을 추정할 수 있다.
도 13은 본 발명의 제1 실시예에 따른 바람 추정 방법을 도시한 플로우차트이다.
단계(1310)에서 바람 추정 장치(110)는 원격 측정 데이터의 최초 값을 이용하여 시뮬레이션을 초기화할 수 있다. 이때, 원격 측정 데이터의 최초 값은 비행체가 출발한 공항, 또는 비행체를 발사한 플랫폼에서 바람 측정 센서로 측정한 값일 수 있다. 또한, 원격 측정 데이터는, 비행체가 비행 시험을 수행하는 동안 비행체의 비행 궤적, 및 비행 속도를 측정하여 생성될 수 있다.
단계(1320)에서 바람 추정 장치(110)는 비행체가 비행하는 영역의 기상 데이터들이 포함된 바람 데이터베이스에 따라 랜덤 바람 샘플을 생성할 수 있다. 이때, 바람 데이터베이스에 저장된 기상 데이터는 환경에 따른 통계적 바람 특성을 포함할 수 있다. 예를 들어, 바람 데이터베이스는, 라윈 손데(rawinsonde)를 이용하여 비행체가 비행하는 영역의 고도 레이어 별로 측정한 평균 풍속(MWAL : Mean Wind of Altitude Layer) 데이터를 포함할 수 있다.
또한, 최초 고도에서 랜덤 바람 샘플을 생성하는 경우, 바람 추정 장치(110)는 비행체가 출발한 공항, 또는 비행체를 발사한 플랫폼에서 바람 측정 센서로 측정한 바람으로부터 일정 범위 안의 확률 분포에 따라 랜덤 바람 샘플들을 생성할 수 있다.
그리고, 이전 고도에서 추정한 바람이 있는 경우, 바람 추정 장치(110)는 이전 고도에서 추정된 바람으로부터 일정 범위 안의 확률 분포에 따라 랜덤 바람 샘플들을 생성할 수 있다. 이때, 이전 고도는 단계(1360)에서 고도 변화하기 전에 바람을 추정한 고도일 수 있다.
또한, 이전 고도에서 추정된 랜덤 바람 샘플과 현재 고도의 MWAL 간의 차이가 임계값을 초과하는 경우, 바람 추정 장치(110)는 이전 고도에서 생성한 랜덤 바람 샘플들 중 적어도 하나를 현재 고도에 추가하여 확률 분포를 결정할 수 있다.
단계(1330)에서 바람 추정 장치(110)는 단계(1320)에서 생성한 랜덤 바람 샘플을 이용하여 시뮬레이션을 수행할 수 있다.
단계(1340)에서 바람 추정 장치(110)는 단계(1330)에서 시뮬레이션에 따라 생성한 비행체의 프로파일과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 차이에 따라 비행체가 비행 과정에서 경험한 바람을 추정할 수 있다.
이때, 바람 추정 장치(110)는 시뮬레이션에 따라 생성한 비행체의 프로파일들 각각과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 RMSE(Root Mean Square Error)를 계산할 수 있다. 그리고, 바람 추정 장치(110)는 RMES가 가장 작은 비행체의 프로파일에 대응하는 랜덤 바람 샘플을 비행체가 비행 과정에서 경험한 바람으로 추정할 수 있다.
단계(1350)에서 바람 추정 장치(110)는 비행체가 통과한 모든 고도에 대하여 바람을 추정하였는지 여부를 확인할 수 있다. 비행체가 통과한 모든 고도에 대하여 바람을 추정한 경우, 바람 추정 장치(110)는 동작을 종료할 수 있다. 비행체가 통과한 고도들 중에서 바람을 추정하지 않은 고도가 있는 경우, 바람 추정 장치(110)는 단계(1360)를 수행할 수 있다.
단계(1360)에서 바람 추정 장치(110)는 바람을 추정할 고도를 변화시킬 수 있다. 예를 들어, 비행체가 전투기에서 발사하는 공대지 미사일인 경우, 비행체의 고도는 지속적으로 낮아질 수 있다. 따라서, 단계(1360)에서 바람 추정 장치(110)는 단계(1340)에서 바람이 추정된 고도보다 낮은 고도를 바람을 추정할 고도로 결정할 수 있다. 반면, 비행체가 고도의 변화가 자유로운 비행기인 경우, 바람 추정 장치(110)는 비행기의 경로 및 경로에 따른 고도의 변화를 고려하여 다음에 바람을 추정할 고도를 결정할 수 있다.
도 14는 본 발명의 제2 실시예에 따른 바람 추정 과정의 일례이다.
본 발명의 제2 실시예에 따른 바람 추정 장치가 수행하는 바람 추정 프로세스(1401)의 시간 인터벌 루프(Time Interval(Altitude layer) Loop)(1402)는 MC 루프(Monte Carlo Loop)(1403)와 PSO(1450)를 포함할 수 있다.
MC 루프(1403)는 PSO(1450)로부터 랜덤 바람 샘플들을 수신할 수 있다. 또한, MC 루프(1403)는 비행 시험(1410) 과정에서 비행체의 비행 궤적, 및 비행 속도를 측정하여 생성된 원격 측정 데이터(1440)를 수신할 수 있다. 이때, 원격 측정 데이터(1440)는 실제 바람을 측정하여 생성한 바람 프로파일(1420)을 풀 6DOF(degree-of-freedom)(1430)에 입력하여 생성될 수도 있다.
그리고, MC 루프(1403)의 수정된 모델(1460)은 랜덤 바람 샘플들 각각에 대하여 시간 간격 시뮬레이션(TIMC : Time Interval Monte-Carlo simulation)을 수행할 수 있다. 이때, 랜덤 바람 샘플들의 TIMC 결과는 비행체의 비행 궤적, 또는 속도 프로파일 중 적어도 하나를 포함할 수 있다. 예를 들어, 수정된 모델(270)는 풀 6DOF 모델(230)에서 바람의 추정과 관련된 일부 구성들을 추출하여 생성된 모델일 수 있다.
다음으로, 수정된 모델(1460)은 랜덤 바람 샘플들의 TIMC 결과와 상기 비행체를 측정하여 생성한 원격 측정 데이터 간의 차이를 계산할 수 있다. 예를 들어, 수정된 모델(1460)은 비행체의 비행 궤적, 또는 속도 프로파일들 각각과 원격 측정 데이터에 포함된 비행체의 비행 궤적, 또는 속도 프로파일 간의 RMSE(Root Mean Square Error)를 계산할 수 있다. 그리고, MC 루프(1403)는 계산한 RMSE를 PSO(1450)로 전송할 수 있다.
PSO(Particle Swarm Optimization)(1450)는 휴리스틱 최적화 방법에 따라 최적의 랜덤 바람 샘플을 생성할 수 있다. 또한, 실시예에 따라서는 휴리스틱 최적화를 사용하는 다른 방법에 따라 랜덤 바람 샘플을 생성하는 구성으로 PSO(1450)를 대체할 수 있다. PSO(1450)는 비용 함수(cost function)를 최소화 하기 위해, 여러 세대에 걸쳐 랜덤 바람 샘플을 생성하는 과정을 반복하여 최적의 바람을 추정할 수 있다.
PSO(1450)는 세대 별로 랜덤 바람 샘플들 각각에 비용 함수를 적용하여 랜덤 바람 샘플들 각각의 비용(cost)를 계산할 수 있다. 그리고, PSO(1450)는 복수의 세대를 거쳐 비용이 가장 작은 랜덤 바람 샘플을 탐색할 수 있다. 이때, PSO(1450)는 이전 세대의 랜덤 바람 샘플들 중에서 비용이 가장 작은 랜덤 바람 샘플에서 일정 거리 안에 현재 세대의 랜덤 바람 샘플들을 생성하는 과정을 반복할 수 있다. 또한, 세대에 따라 랜덤 바람 샘플들의 개수나 이동하는 속도와 방향 또한 랜덤 하므로, PSO(1450)는 랜덤 바람 샘플들의 개수나 이동하는 속도와 방향을 조절 함으로서 비용이 가장 작은 랜덤 바람 샘플로 수렴하는 속도를 조절할 수 있다. 예를 들어, PSO(1450)는 MC 루프(1403)로부터 수신한 RMSE를 랜덤 바람 샘플들 각각의 비용 함수로 설정할 수 있다. 그리고, PSO(1450)는 가장 작은 비용 함수의 값인 최적 비용이 기 설정된 최소 오차인 임계 비용 미만인 경우, 최적 비용에 대응하는 랜덤 바람 샘플을 비행체가 비행 과정에서 경험하는 바람으로 추정할 수 있다.
구체적으로, PSO(1450)는 초기 고도의 1세대의 랜덤 바람 샘플들을 생성할 수 있다.
그리고, PSO(1450)는 생성한 초기 고도의 1세대의 랜덤 바람 샘플들을 MC 루프(1403)로 전송할 수 있다. 이때, MC 루프(1403)는 초기 고도의 1세대의 랜덤 바람 샘플들의 비행 궤적, 또는 속도 프로파일을 계산할 수 있다. 그리고, MC 루프(1403)는 초기 고도의 1세대의 랜덤 바람 샘플들 각각의 RMSE를 PSO(1450)로 전송할 수 있다.
다음으로, PSO(1450)는 초기 고도의 1세대의 랜덤 바람 샘플들의 비행 궤적, 또는 속도 프로파일을 기초로 n 세대의 랜덤 바람 샘플들을 생성할 수 있다. 이때, n은 2 이상의 정수일 수 있다. 예를 들어, PSO(1450)는 MC 루프(1403)로부터 수신한 1세대의 랜덤 바람 샘플들 각각의 RMSE들 중에서 가장 작은 RMSE를 식별할 수 있다. 그리고, PSO(1450)는 가장 작은 RMSE에 대응하는 초기 고도의 1세대의 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 n 세대의 랜덤 바람 샘플들을 생성할 수 있다.
그 다음으로, PSO(1450)는 생성한 n 세대의 랜덤 바람 샘플들을 MC 루프(1403)로 전송할 수 있다. 이때, MC 루프(1403)는 n 세대의 랜덤 바람 샘플들의 비행 궤적, 또는 속도 프로파일을 계산할 수 있다. 그리고, MC 루프(1403)는 n 세대의 랜덤 바람 샘플들 각각의 RMSE를 PSO(1450)로 전송할 수 있다.
다음으로, PSO(1450)는 가장 작은 RMSE의 값인 최적 비용이 기 설정된 최소 오차인 임계 비용 미만인지 여부를 식별 할 수 있다. 최적 비용이 임계 비용을 초과하는 경우, PSO(1450)는 n이 최대 세대 이상인지 여부를 확인할 수 있다. n이 최대 세대 미만인 경우, PSO(1450)는 n을 증가시키고, 최적 비용에 대응하는 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 랜덤 바람 샘플들을 생성할 수 있다. 이때, PSO(1450)가 생성하는 랜덤 바람 샘플들은 증가된 n 세대의 랜덤 바람 샘플일 수 있다. 또한, 최대 세대는 임계 비용 미만인 최적 비용이 발생하지 않아 n이 계속 증가하며 바람 추정에 과다한 시간이 소요되는 것을 방지하기 위하여 최적 비용이 임계 비용 이상이더라도 시뮬레이션의 수행을 종료 시키기 위한 제한 조건일 수 있다. 예를 들어, 최대 세대는 10일 수 있다.
최적 비용이 임계 비용 미만인 경우, PSO(1450)는 가장 작은 RMSE에 대응하는 랜덤 바람 샘플을 비행체가 비행 과정의 고도 m에서 경험한 바람으로 추정할 수 있다. 또한, n이 최대 세대 이상인 경우, PSO(1450)는 최대 세대에서 가장 작은 RMSE에 대응하는 랜덤 바람 샘플을 비행체가 비행 과정의 고도 m에서 경험한 바람으로 추정할 수 있다. 이때, m의 초기값은 초기 고도이며, 비행체의 비행 과정에서의 고도 변화에 따라 m의 값이 변경될 수 있다.
다음으로, PSO(1450)는 비행체가 비행 과정에서 통과한 모든 고도에서의 바람을 추정하였는지 여부를 확인할 수 있다. 비행체가 비행 과정에서 통과한 모든 고도에서의 바람을 추정한 경우, PSO(1450)는 비행체가 비행 과정에서 경험한 모든 바람을 추정한 것으로 판단하고, 바람 추정을 종료할 수 있다.
반면, 비행체가 비행 과정에서 통과한 모든 고도에서의 바람을 추정하지 않은 경우, 바람을 추정할 고도를 변화시킬 수 있다. 이때, PSO(1450)는 비행체의 비행 정보에 포함된 고도 변화를 참조하여 m=m+1 에 따라 고도 m을 증가시키거나, m=m-1 에 따라 고도 m을 감소시킬 수 있다.
그 다음으로, PSO(1450)는 이전 고도(고도 m-1), 또는 이전 시간에 추정된 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 고도 m의 1세대의 랜덤 바람 샘플들을 생성할 수 있다. 예를 들어, PSO(1450)는 이전 고도, 또는 이전 시간에 추정된 랜덤 바람 샘플을 중심으로 ±10 m/s 이내에서 고른 확률분포로 고도 m의 1세대의 랜덤 바람 샘플들을 생성할 수 있다. 또한, 고도 m의 1세대의 랜덤 바람 샘플들 중 적어도 하나는 이전 고도, 또는 이전 시간에 추정된 랜덤 바람 샘플일 수 있다.
즉, PSO(1450)는 비행체가 비행 과정에서 통과한 모든 고도에서의 바람을 추정할 때까지 앞서 설명한 과정을 반복함으로써, 비행체가 비행 과정에서 통과한 모든 고도에서의 바람을 추정할 수 있다.
바람 추정 장치는 휴리스틱 최적화 방법으로 랜덤 바람 샘플들을 이용한 시뮬레이션 결과와 실제 측정 데이터 간의 차이가 최소화되도록 랜덤 바람 샘플들을 생성하고, 생성한 랜덤 바람 샘플들을 이용한 시뮬레이션 결과와 실제 측정 데이터 간의 차이에 따라 바람을 추정함으로써, 비행체가 바람을 측정하기 위한 센서를 부착하지 않고도 비행체가 비행 과정에서 경험한 바람을 추정할 수 있다.
도 15는 본 발명의 제2 실시예에 따른 바람 추정 장치를 도시한 도면이다.
본 발명의 제2 실시예에 따른 바람 추정 장치는 도 15에 도시된 바와 같이 바람 추정부(1500) 및 PSO(1450)를 포함하며, 랜덤 바람 샘플과 원격 측정 데이터 간의 오차를 비용 함수로 설정한 휴리스틱 최적화 방법으로 랜덤 바람 샘플과 원격 측정 데이터 간의 오차를 최소화함으로써, 바람 센서 없이 바람을 추정할 수 있다.
바람 추정부(1500)는 도 14의 수정된 모델(1460)에 대응하는 구성이며, 도 15에 도시된 바와 같이 공기 역학부(1510), 추진부(1520), 역학부(1530), 환경부(1540), 및 INS(1550)를 포함할 수 있다. 이때, 공기 역학부(1510), 추진부(1520), 역학부(1530), 환경부(1540), 및 INS(1550)는 서로 다른 프로세서, 또는 하나의 프로세서에서 수행되는 프로그램에 포함된 각각의 모듈일 수 있다.
공기 역학부(1510)는 환경부(1540)로부터 환경 정보를 수신하며, 비행체로부터 비행 정보(1501)를 수신할 수 있다. 그리고, 공기 역학부(1510)는 비행체의 유도탄의 속도, 자세 등의 비행 상태 정보와 임의의 바람에 대한 받음각, 측면 슬립 각도 원격 측정 핀 편향(Telemetry Fin Deflection) 및 상대 속도와 같은 공기 역학적 매개변수, 공기 역학적 계수 테이블 및 환경 정보에 공력 모델을 사용한 시뮬레이션을 수행하여 비행체에 가해지는 공력학적 힘과 모멘트를 결정할 수 있다.
추진부(1520)는 추력 모델을 이용하여 비행체의 추진 기관이 발생시키는 추력을 시뮬레이션할 수 있다. 그리고, 추진부(1520)는 시뮬레이션에 따라 결정된 비행체의 추력, 질량, 관성 모멘트와 같은 비행체의 물리적 상태 정보를 역학부(113)로 전송할 수 있다.
역학부(Dynamics)(1530)는 관성 항법 시스템(INS)(111)으로부터 비행체를 원격 측정하여 생성한 원격 측정 데이터를 수신하여 초기화할 수 있다. 그리고, 역학부(1530)는 공기 역학부(1510)로부터 수신한 비행체에 가해지는 공력학적 힘과 모멘트 및 추진부(1520)로부터 수신한 비행체의 물리적 상태 정보를 기초로 6자유도 동역학을 계산할 수 있다. 또한, 역학부(1530)는 시뮬레이션에 따라 생성한 비행체의 프로파일과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 차이에 따라 비행체가 비행 과정에서 경험한 바람을 추정할 수 있다. 예를 들어, 시뮬레이션에 따라 생성한 비행체의 프로파일은 공기 역학부(1510)로부터 수신한 비행체에 가해지는 공력학적 힘과 모멘트 및 추진부(1520)로부터 수신한 비행체의 물리적 상태 정보에 따라 결정된 비행체의 비행 궤적 및 속도를 포함할 수 있다. 또한, 원격 측정 데이터에 포함된 비행체의 프로파일에는 비행체의 비행 궤적 및 속도가 포함될 수 있다.
구체적으로, 역학부(1530)는 랜덤 바람 샘플들 각각에 대하여 시뮬레이션에 따라 생성한 비행체의 프로파일들 각각과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 RMSE(Root Mean Square Error)를 계산할 수 있다. 그리고, 역학부(1530)는 RMES가 가장 작은 비행체의 프로파일에 대응하는 랜덤 바람 샘플을 비행체가 비행 과정에서 경험한 바람으로 추정할 수 있다.
환경부(Environment)(1540)는 역학부(1530)으로부터 비행체의 고도(altitude) 및 속도(velocity)를 수신할 수 있다. 이때, 환경부(1540)는 수신한 고도 및 속도에 대기 환경 모델을 이용하여 고도에 따른 기압과 공기 밀도 등의 대기 환경을 시뮬레이션할 수 있다. 그리고, 환경부(1540)는 시뮬레이션에 따라 결정된 환경 정보를 공기 역학부(1540)로 전송할 수 있다. 또한, 환경부(1540)는 PSO(1450)로부터 랜덤 바람 샘플(1502)들을 수신하여 공기 역학부(1510)로 전송할 수 있다.
관성 항법 시스템(INS: inertial navigation system)(1550)는 가속도계 및 자이로와 같은 관성 센서를 포함할 수 있다. 그리고, 비행체가 비행 시험을 수행하는 동안 비행체의 비행 궤적, 및 비행 속도를 측정하여 원격 측정 데이터(1440)을 생성할 수 있다.
도 16은 본 발명의 제2 실시예에 따라 바람을 추정한 결과의 일례이다.
도 16에서 평균(mean)(2101)은 바람 데이터베이스에 포함된 고공 기상 데이터에서 남북 방향 성분(U)와 동서 방향 성분(V)의 평균이고, +- 1σ, 2σ, 3σ는 바람 데이터베이스에 포함된 고공 기상 데이터에서 남북 방향 성분(U)와 동서 방향 성분(V)의 표준 편차일 수 있다.
그래프(2110)는 실제 바람(2102), 발사 조건 A에서 방향 N(North)으로 발사된 비행체의 원격 측정 데이터를 기초로 바람 추정 장치(110)가 추정한 바람(2103), 및 발사 조건 A에서 방향 E(East)으로 발사된 비행체의 원격 측정 데이터를 기초로 바람 추정 장치(110)가 추정한 바람(2104)의 U 성분의 일례이다. 예를 들어, 발사 조건 A는 고도 12km, 60km 전방의 20m/s로 이동하는 표적에 대해 비행체를 발사하는 조건일 수 있다. 또한, 실시예에 따라 발사 조건 A에 포함된 조건들은 변경될 수도 있다.
그래프(2120)는 실제 바람(2102), 발사 조건 A에서 방향 N(North)으로 발사된 비행체의 원격 측정 데이터를 기초로 바람 추정 장치(110)가 추정한 바람(2103), 및 발사 조건 A에서 방향 E(East)으로 발사된 비행체의 원격 측정 데이터를 기초로 바람 추정 장치(110)가 추정한 바람(2104)의 V 성분의 일례이다.
도 17는 본 발명의 제1 실시예 및 제2 실시예에 따른 바람 프로파일에 대한 추정 정확도 및 바람 추정을 위하여 필요한 시뮬레이션 회수의 일례이다.
그래프(1710)는 발사 조건 A에서 다양한 바람 프로파일들(X축)에 따른 바람 추정 장치(110)의 바람 추정 결과의 양자화 오류, 및 제2 실시예에 따른 바람 추정 장치의 바람 추정 결과의 양자화 오류를 나타낼 수 있다.
그래프(1720)는 발사 조건 A에서 다양한 바람 프로파일들(X축)에 따른 바람 추정 장치(110)의 시뮬레이션 수행 회수, 및 제2 실시예에 따른 바람 추정 장치의 시뮬레이션 수행 회수를 나타낼 수 있다.
그래프(1710) 및 그래프(1720)에서 1701은 제1 실시예에 따른 바람 추정 장치(110)의 결과 일례이고, 1702는 제2 실시예에 따른 바람 추정 장치의 결과 일례일 수 있다.
도 17에 따르면 대부분의 조건에서 제1 실시예에 따른 바람 추정 장치(110)의 시뮬레이션 수행 회수가 제2 실시예에 따른 바람 추정 장치의 시뮬레이션 수행 회수보다 적을 수 있다. 다만, 발사 조건 A와 BRD 데이터베이스를 사용하는 경우, 제2 실시예에 따른 바람 추정 장치(1500)의 시뮬레이션 수행 회수가 제1 실시예에 따른 바람 추정 장치(110)의 시뮬레이션 수행 회수보다 적을 수 있다.
도 18은 본 발명의 제2 실시예에 따른 바람 추정 방법을 도시한 플로우차트이다.
단계(1810)에서 PSO(1450)는 1세대의 랜덤 바람 샘플들을 생성할 수 있다. 이때, PSO(1450)는 비행체가 출발한 공항, 또는 비행체를 발사한 플랫폼에서 바람 측정 센서로 측정한 바람으로부터 일정 범위 안의 확률 분포에 따라 초기 고도의 1세대의 랜덤 바람 샘플들을 생성할 수 있다. 또한, 초기 고도의 1세대의 랜덤 바람 샘플들 중 적어도 하나는 비행체가 출발한 공항, 또는 비행체를 발사한 플랫폼에서 바람 측정 센서로 측정한 바람일 수 있다. 또한, 단계(1890)에서 초기 고도, 또는 현재 고도가 고도 m으로 변화한 경우, PSO(1450)는 이전 고도에서 추정한 바람으로부터 일정 범위 안의 확률 분포에 따라 고도 m의 1세대의 랜덤 바람 샘플들을 생성할 수 있다.
그리고, PSO(1450)는 생성한 1세대의 랜덤 바람 샘플들을 MC 루프(1403)로 전송할 수 있다.
단계(1820)에서 MC 루프(1403)는 시간 간격 시뮬레이션을 수행하여 1세대의 랜덤 바람 샘플들의 비행 궤적, 또는 속도 프로파일을 계산할 수 있다. 그리고, MC 루프(1403)는 계산한 1세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일과 비행체에서 측정한 비행 궤적, 또는 속도 프로파일 간의 차이를 비교할 수 있다. 이때, MC 루프(1403)는 비교 결과에 따라 1세대의 랜덤 바람 샘플들의 비행 궤적, 또는 속도 프로파일과 비행체에서 측정한 비행 궤적, 또는 속도 프로파일 간의 차이를 나타내는 1세대의 랜덤 바람 샘플들 각각의 RMSE를 PSO(1450)로 전송할 수 있다.
단계(1830)에서 PSO(1450)는 시간 간격 시뮬레이션을 수행하여 계산한 비행 궤적, 또는 속도 프로파일과 비행체에서 측정한 비행 궤적, 또는 속도 프로파일 간의 차이에 기초하여 결정되는 최적 비용이 임계 비용 미만인지 여부를 식별할 수 있다. 예를 들어, 최적 비용은 가장 작은 RMSE의 값이고, 임계 비용은 기 설정된 최소 오차의 값일 수 있다. 그리고, 최적 비용이 임계 비용 미만인 경우, PSO(1450)는 단계(1870)를 수행할 수 있다. 또한, 최적 비용이 임계 비용 이상인 경우, PSO(1450)는 단계(1835)를 수행할 수 있다.
단계(1835)에서 PSO(1450)는 n이 최대 세대 이상인지 여부를 확인할 수 있다. n이 최대 세대 미만인 경우, PSO(1450)는 단계(1840)를 수행할 수 있다. 또한, n이 최대 세대 이상인 경우, PSO(1450)는 단계(1870)를 수행할 수 있다. 예를 들어, 최대 세대는 10일 수 있다.
단계(1840)에서 PSO(1450)는 n을 증가 시킬 수 있다. 예를 들어, PSO(1450)는 n=n+1 에 따라 n을 증가시킬 수 있다. 또한, 단계(1810) 내지 단계(1820)는 n이 초기값인 1인 경우, 수행될 수 있다. 즉, 단계(1820)이 수행된 후, 단계(1830)에서 최적 비용이 임계 비용 이상으로 판단된 경우, PSO(1450)는 n의 초기값인 1에 n=n+1을 적용하여 2를 다음 n으로 결정할 수 있다.
단계(1850)에서 PSO(1450)는 n-1세대의 랜덤 바람 샘플들의 비행 궤적, 또는 속도 프로파일을 기초로 n 세대의 랜덤 바람 샘플들을 생성할 수 있다. 구체적으로, PSO(1450)는 n-1세대에 추정된 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 n 세대의 랜덤 바람 샘플들을 생성할 수 있다.
예를 들어, 단계(1840)에서 증가된 n이 2인 경우, PSO(1450)는 n-1인 1세대의 랜덤 바람 샘플들 중에서 비행체에서 측정한 비행 궤적, 또는 속도 프로파일과의 비행 궤적, 또는 속도 프로파일의 차이가 가장 작은 1세대의 랜덤 바람 샘플을 식별할 수 있다. 이때, PSO(1450)는 MC 루프(1403)로부터 수신한 1세대의 랜덤 바람 샘플들 각각의 RMSE들 중에서 가장 작은 RMSE를 식별할 수 있다. 그리고, PSO(1450)는 가장 작은 RMSE에 대응하는 1세대의 랜덤 바람 샘플을 비행체에서 측정한 비행 궤적, 또는 속도 프로파일과의 비행 궤적, 또는 속도 프로파일의 차이가 가장 작은 1세대의 랜덤 바람 샘플로 식별할 수 있다. 다음으로, PSO(1450)는 식별한 1세대의 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 n 세대의 랜덤 바람 샘플들을 생성할 수 있다.
단계(1860)에서 PSO(1450)는 단계(1850)에서 생성한 n 세대의 랜덤 바람 샘플들을 MC 루프(1403)로 전송할 수 있다. 이때, MC 루프(1403)는 시간 간격 시뮬레이션을 수행하여 n 세대의 랜덤 바람 샘플들의 비행 궤적, 또는 속도 프로파일을 계산할 수 있다. 그리고, MC 루프(1403)는 n 세대의 랜덤 바람 샘플들 각각의 RMSE를 PSO(1450)로 전송할 수 있다.
단계(1870)에서 PSO(1450)는 최적 비용에 대응하는 랜덤 바람 샘플을 비행체가 비행 과정의 고도 m에서 경험한 바람으로 추정할 수 있다. 즉, PSO(1450)는 가장 작은 RMSE의 값을 가지는 랜덤 바람 샘플을 비행체가 비행 과정의 고도 m에서 경험한 바람으로 추정할 수 있다. 또한, m의 초기값은 초기 고도이며, 비행체의 비행 과정에서의 고도 변화에 따라 단계(1890)에서 m의 값이 변경될 수 있다.
단계(1880)에서 PSO(1450)는 비행체가 비행 과정에서 통과한 모든 고도에서의 바람을 추정하였는지 여부를 확인할 수 있다. 비행체가 비행 과정에서 통과한 모든 고도에서의 바람을 추정한 경우, PSO(1450)는 비행체가 비행 과정에서 경험한 모든 바람을 추정한 것으로 판단하고, 바람 추정을 종료할 수 있다. 반면, 비행체가 비행 과정에서 통과한 모든 고도에서의 바람을 추정하지 않은 경우, PSO(1450)는 단계(1890)를 수행할 수 있다.
단계(1890)에서 PSO(1450)는 바람을 추정할 고도를 변화시킬 수 있다. 이때, PSO(1450)는 비행체의 비행 정보에 포함된 고도 변화를 참조하여 m=m+1 에 따라 고도 m을 증가시키거나, m=m-1 에 따라 고도 m을 감소시킬 수 있다.
예를 들어, 비행체가 공대지 미사일인 경우, 비행체는 비행체를 발사한 플랫폼에서 지상에 있는 타겟에 접속할 때까지 고도가 계속 낮아질 수 있다. 이때, PSO(1450)는 단계(1890)가 수행될 때마다 고도 m을 감소시킴으로써, 이전에 바람을 추정한 고도보다 낮은 고도에서 비행체가 경험한 바람을 추정하도록 할 수 있다.
또한, 비행체가 지대지 미사일인 경우, 비행체는 발사 직후 고도가 증가하였다가 수평 비행, 또는 탄도 비행 후 타겟을 향하여 하강할 수 있다. 따라서, PSO(1450)는 비행체의 비행 경로에 따라 고도 m을 증가, 또는 고도 m을 감소시킬 수 있다.
본 발명은 시험 비행의 바람 프로필이 과거 같은 달/계절의 통계적 패턴에 대응하는 특징을 기초로 과거 같은 달/계절의 통계적 패턴에 대응하는 랜덤 바람 샘플들을 생성하고, 생성한 랜덤 바람 샘플들을 이용한 시뮬레이션 결과와 실제 측정 데이터 간의 차이에 따라 바람을 추정함으로써, 비행체가 바람을 측정하기 위한 센서를 부착하지 않고도 비행체가 비행 과정에서 경험한 바람을 추정할 수 있다.
또한, 본 발명은 휴리스틱 최적화 방법으로 랜덤 바람 샘플들을 이용한 시뮬레이션 결과와 실제 측정 데이터 간의 차이가 최소화되도록 랜덤 바람 샘플들을 생성하고, 생성한 랜덤 바람 샘플들을 이용한 시뮬레이션 결과와 실제 측정 데이터 간의 차이에 따라 바람을 추정함으로써, 비행체가 바람을 측정하기 위한 센서를 부착하지 않고도 비행체가 비행 과정에서 경험한 바람을 추정할 수 있다.
한편, 본 발명에 따른 바람 추정 장치 또는 바람 추정 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성되어 마그네틱 저장매체, 광학적 판독매체, 디지털 저장매체 등 다양한 기록 매체로도 구현될 수 있다.
본 명세서에 설명된 각종 기술들의 구현들은 디지털 전자 회로조직으로, 또는 컴퓨터 하드웨어, 펌웨어, 소프트웨어로, 또는 그들의 조합들로 구현될 수 있다. 구현들은 데이터 처리 장치, 예를 들어 프로그램가능 프로세서, 컴퓨터, 또는 다수의 컴퓨터들의 동작에 의한 처리를 위해, 또는 이 동작을 제어하기 위해, 컴퓨터 프로그램 제품, 예를 들어 기계 판독가능 저장 장치(컴퓨터 판독가능 매체)에서 유형적으로 구체화된 컴퓨터 프로그램으로서 구현될 수 있다. 상술한 컴퓨터 프로그램(들)과 같은 컴퓨터 프로그램은 컴파일된 또는 인터프리트된 언어들을 포함하는 임의의 형태의 프로그래밍 언어로 기록될 수 있고, 독립형 프로그램으로서 또는 모듈, 구성요소, 서브루틴, 또는 컴퓨팅 환경에서의 사용에 적절한 다른 유닛으로서 포함하는 임의의 형태로 전개될 수 있다. 컴퓨터 프로그램은 하나의 사이트에서 하나의 컴퓨터 또는 다수의 컴퓨터들 상에서 처리되도록 또는 다수의 사이트들에 걸쳐 분배되고 통신 네트워크에 의해 상호 연결되도록 전개될 수 있다.
컴퓨터 프로그램의 처리에 적절한 프로세서들은 예로서, 범용 및 특수 목적 마이크로프로세서들 둘 다, 및 임의의 종류의 디지털 컴퓨터의 임의의 하나 이상의 프로세서들을 포함한다. 일반적으로, 프로세서는 판독 전용 메모리 또는 랜덤 액세스 메모리 또는 둘 다로부터 명령어들 및 데이터를 수신할 것이다. 컴퓨터의 요소들은 명령어들을 실행하는 적어도 하나의 프로세서 및 명령어들 및 데이터를 저장하는 하나 이상의 메모리 장치들을 포함할 수 있다. 일반적으로, 컴퓨터는 데이터를 저장하는 하나 이상의 대량 저장 장치들, 예를 들어 자기, 자기-광 디스크들, 또는 광 디스크들을 포함할 수 있거나, 이것들로부터 데이터를 수신하거나 이것들에 데이터를 송신하거나 또는 양쪽으로 되도록 결합될 수도 있다. 컴퓨터 프로그램 명령어들 및 데이터를 구체화하는데 적절한 정보 캐리어들은 예로서 반도체 메모리 장치들, 예를 들어, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 롬(ROM, Read Only Memory), 램(RAM, Random Access Memory), 플래시 메모리, EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM) 등을 포함한다. 프로세서 및 메모리는 특수 목적 논리 회로조직에 의해 보충되거나, 이에 포함될 수 있다.
또한, 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용매체일 수 있고, 컴퓨터 저장매체를 모두 포함할 수 있다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
마찬가지로, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 장치 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 장치들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징 될 수 있다는 점을 이해하여야 한다.
한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 자명한 것이다.
100: 비행 시뮬레이터
110: 바람 추정 장치
250: 바람 데이터베이스

Claims (28)

  1. 비행체가 비행하는 영역의 기상 데이터들이 포함된 바람 데이터베이스에 따라 랜덤 바람 샘플을 생성하는 단계;
    상기 랜덤 바람 샘플을 이용하여 시뮬레이션을 수행하는 단계; 및
    상기 시뮬레이션에 따라 생성한 비행체의 프로파일과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 차이에 따라 상기 비행체가 비행 과정에서 경험한 바람을 추정하는 단계
    를 포함하는 바람 추정 방법.
  2. 제1항에 있어서
    상기 원격 측정 데이터는,
    상기 비행체가 비행 시험을 수행하는 동안 상기 비행체의 비행 궤적, 및 비행 속도를 측정하여 생성되는 바람 추정 방법.
  3. 제1항에 있어서,
    상기 원격 측정 데이터의 최초 값을 이용하여 상기 시뮬레이션을 초기화하는 단계
    를 더 포함하는 바람 추정 방법.
  4. 제3항에 있어서,
    상기 랜덤 바람 샘플을 생성하는 단계는,
    최초 고도에서 랜덤 바람 샘플을 생성하는 경우, 비행체가 출발한 공항, 또는 비행체를 발사한 플랫폼에서 바람 측정 센서로 측정한 바람으로부터 일정 범위 안의 확률 분포에 따라 랜덤 바람 샘플들을 생성하는 바람 추정 방법.
  5. 제1항에 있어서,
    상기 바람 데이터베이스는,
    라윈 손데(rawinsonde)를 이용하여 비행체가 비행하는 영역의 고도 레이어 별로 측정한 평균 풍속(MWAL : Mean Wind of Altitude Layer) 데이터를 포함하는 바람 추정 방법.
  6. 제1항에 있어서
    상기 랜덤 바람 샘플을 생성하는 단계는,
    이전 고도에서 추정한 바람이 있는 경우, 이전 고도에서 추정된 바람으로부터 일정 범위 안의 확률 분포에 따라 상기 랜덤 바람 샘플들을 생성하는 바람 추정 방법.
  7. 제6항에 있어서
    상기 랜덤 바람 샘플을 생성하는 단계는,
    이전 고도에서 추정된 랜덤 바람 샘플과 현재 고도의 MWAL 간의 차이가 임계값을 초과하는 경우, 이전 고도에서 생성한 랜덤 바람 샘플들 중 적어도 하나를 현재 고도에 추가하여 상기 확률 분포를 결정하는 바람 추정 방법.
  8. 제1항에 있어서
    상기 바람을 추정하는 단계는,
    상기 시뮬레이션에 따라 생성한 비행체의 프로파일들 각각과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 RMSE(Root Mean Square Error)를 계산하고, 상기 RMSE가 가장 작은 비행체의 프로파일에 대응하는 랜덤 바람 샘플을 상기 비행체가 비행 과정에서 경험한 바람으로 추정하는 바람 추정 방법.
  9. 휴리스틱 최적화 방법에 기초하여 n 세대의 랜덤 바람 샘플들을 생성하는 단계;
    상기 n 세대의 랜덤 바람 샘플들에 시간 간격 시뮬레이션(TIMC : Time Interval Monte-Carlo simulation)을 수행하여 상기 n 세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일을 계산하는 단계; 및
    상기 n 세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일과 비행체를 측정하여 생성한 원격 측정 데이터 간의 차이에 따라 상기 비행체가 비행 과정에서 경험하는 바람을 추정하는 단계
    를 포함하는 바람 추정 방법.
  10. 제9항에 있어서
    1세대의 랜덤 바람 샘플들을 생성하는 단계; 및
    1세대의 랜덤 바람들 각각의 비행 궤적, 또는 속도 프로파일을 계산하는 단계;
    를 더 포함하고,
    상기 랜덤 바람 샘플을 생성하는 단계는,
    상기 1세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일을 기초로 n 세대의 랜덤 바람 샘플들을 생성하는 바람 추정 방법.
  11. 제10항에 있어서
    상기 1세대의 랜덤 바람 샘플들을 생성하는 단계는,
    비행체가 출발한 공항, 또는 비행체를 발사한 플랫폼에서 바람 측정 센서로 측정한 바람으로부터 일정 범위 안의 확률 분포에 따라 상기 1세대의 랜덤 바람 샘플들을 생성하는 바람 추정 방법.
  12. 제10항에 있어서
    상기 랜덤 바람 샘플들을 생성하는 단계는,
    상기 n이 2인 경우, 1세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일과 상기 비행체에서 측정한 정보를 비교하여 1세대의 랜덤 바람 샘플들 각각의 RMSE(Root Mean Square Error)를 계산하는 단계;
    1세대의 랜덤 바람 샘플들 중에서 상기 RMSE가 가장 작은 1세대의 랜덤 바람 샘플을 식별하는 단계; 및
    식별한 1세대의 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 상기 n 세대의 랜덤 바람 샘플들을 생성하는 단계
    를 포함하는 바람 추정 방법.
  13. 제10항에 있어서,
    상기 랜덤 바람 샘플들을 생성하는 단계는,
    상기 n이 3이상인 경우, 이전 세대에 추정된 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 상기 n 세대의 랜덤 바람 샘플들을 생성하는 바람 추정 방법.
  14. 제9항에 있어서,
    상기 n 세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일과 상기 비행체에서 측정한 정보 간의 차이에 기초하여 결정되는 최적 비용이 임계 비용 미만인지 여부를 식별하는 단계
    를 더 포함하고,
    상기 바람을 추정하는 단계는,
    상기 최적 비용이 임계 비용 미만인 경우 수행되는 바람 추정 방법.
  15. 제14항에 있어서,
    상기 최적 비용이 임계 비용 이상인 경우, n을 증가시키는 단계
    를 더 포함하고,
    상기 랜덤 바람 샘플들을 생성하는 단계는,
    상기 최적 비용에 대응하는 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 n 세대의 랜덤 바람 샘플들을 생성하는 바람 추정 방법.
  16. 제14항에 있어서,
    상기 바람을 추정하는 단계는,
    상기 최적 비용에 대응하는 랜덤 바람 샘플을 상기 비행체가 비행 과정에서 경험한 바람으로 추정하는 바람 추정 방법.
  17. 비행체가 비행하는 영역의 기상 데이터들이 포함된 바람 데이터베이스; 및
    상기 기상 데이터들에 따라 랜덤 바람 샘플을 생성하고, 상기 랜덤 바람 샘플을 이용하여 시뮬레이션을 수행하며, 상기 시뮬레이션에 따라 생성한 비행체의 프로파일과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 차이에 따라 상기 비행체가 비행 과정에서 경험한 바람을 추정하는 프로세서
    를 포함하는 바람 추정 장치.
  18. 제17항에 있어서,
    상기 프로세서는,
    최초 고도에서 랜덤 바람 샘플을 생성하는 경우, 비행체가 출발한 공항, 또는 비행체를 발사한 플랫폼에서 바람 측정 센서로 측정한 바람으로부터 일정 범위 안의 확률 분포에 따라 랜덤 바람 샘플들을 생성하는 바람 추정 장치.
  19. 제17항에 있어서,
    상기 바람 데이터베이스는,
    라윈 손데(rawinsonde)를 이용하여 비행체가 비행하는 영역의 고도 레이어 별로 측정한 평균 풍속(MWAL : Mean Wind of Altitude Layer) 데이터를 포함하는 바람 추정 장치.
  20. 제17항에 있어서
    상기 프로세서는,
    이전 고도에서 추정한 바람이 있는 경우, 이전 고도에서 추정된 바람으로부터 일정 범위 안의 확률 분포에 따라 상기 랜덤 바람 샘플들을 생성하는 바람 추정 장치.
  21. 제20항에 있어서
    상기 프로세서는,
    이전 고도에서 추정된 랜덤 바람 샘플과 현재 고도의 MWAL 간의 차이가 임계값을 초과하는 경우, 이전 고도에서 생성한 랜덤 바람 샘플들 중 적어도 하나를 현재 고도에 추가하여 상기 확률 분포를 결정하는 바람 추정 장치.
  22. 제17항에 있어서
    상기 프로세서는,
    상기 시뮬레이션에 따라 생성한 비행체의 프로파일들 각각과 원격 측정 데이터에 포함된 비행체의 프로파일 간의 RMSE(Root Mean Square Error)를 계산하고, 상기 RMSE가 가장 작은 비행체의 프로파일에 대응하는 랜덤 바람 샘플을 상기 비행체가 비행 과정에서 경험한 바람으로 추정하는 바람 추정 장치.
  23. 휴리스틱 최적화 방법에 기초하여 n 세대의 랜덤 바람 샘플들을 생성하는 PSO; 및
    상기 n 세대의 랜덤 바람 샘플들에 시간 간격 시뮬레이션(TIMC : Time Interval Monte-Carlo simulation)을 수행하여 상기 n 세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일을 계산하는 프로세서
    를 포함하고,
    상기 PSO는,
    상기 n 세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일과 비행체를 측정하여 생성한 원격 측정 데이터 간의 차이에 따라 상기 비행체가 비행 과정에서 경험하는 바람을 추정하는 바람 추정 장치.
  24. 제23항에 있어서,
    상기 PSO는,
    비행체가 출발한 공항, 또는 비행체를 발사한 플랫폼에서 바람 측정 센서로 측정한 바람으로부터 일정 범위 안의 확률 분포에 따라 1세대의 랜덤 바람 샘플들을 생성하고,
    상기 1세대의 랜덤 바람 샘플들의 비행 궤적, 또는 속도 프로파일을 기초로 n 세대의 랜덤 바람 샘플들을 생성하는 바람 추정 장치.
  25. 제23항에 있어서
    상기 프로세서는,
    상기 n이 2인 경우, 1세대의 랜덤 바람 샘플들 각각의 비행 궤적, 또는 속도 프로파일과 상기 비행체에서 측정한 정보를 비교하여 1세대의 랜덤 바람 샘플들 각각의 RMSE(Root Mean Square Error)를 계산하고,
    상기 PSO는,
    1세대의 랜덤 바람 샘플들 중에서 상기 RMSE가 가장 작은 1세대의 랜덤 바람 샘플을 식별하며, 식별한 1세대의 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 상기 n 세대의 랜덤 바람 샘플들을 생성하는 바람 추정 장치.
  26. 제23항에 있어서,
    상기 PSO는,
    상기 n이 3이상인 경우, 이전 세대에 추정된 랜덤 바람 샘플로부터 일정 범위 안의 확률 분포에 따라 상기 n 세대의 랜덤 바람 샘플들을 생성하는 바람 추정 장치.
  27. 제23항에 있어서,
    상기 PSO는,
    상기 n 세대의 랜덤 바람 샘플들의 비행 궤적, 또는 속도 프로파일과 상기 비행체에서 측정한 정보 간의 차이에 기초하여 결정되는 최적 비용이 임계 비용 미만인지 여부를 식별하고,
    상기 최적 비용이 임계 비용 미만인 경우, 상기 비행체가 비행 과정에서 경험하는 바람을 추정하는 바람 추정 장치.
  28. 제27항에 있어서,
    상기 바람을 추정하는 단계는,
    상기 최적 비용에 대응하는 랜덤 바람 샘플을 상기 비행체가 비행 과정에서 경험한 바람으로 추정하는 바람 추정 장치.
KR1020210162720A 2021-11-23 2021-11-23 랜덤 바람에 대한 시간 시뮬레이션을 이용한 비행체의 바람 추정 방법 및 장치 KR102577728B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210162720A KR102577728B1 (ko) 2021-11-23 2021-11-23 랜덤 바람에 대한 시간 시뮬레이션을 이용한 비행체의 바람 추정 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210162720A KR102577728B1 (ko) 2021-11-23 2021-11-23 랜덤 바람에 대한 시간 시뮬레이션을 이용한 비행체의 바람 추정 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20230075977A KR20230075977A (ko) 2023-05-31
KR102577728B1 true KR102577728B1 (ko) 2023-09-14

Family

ID=86543286

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210162720A KR102577728B1 (ko) 2021-11-23 2021-11-23 랜덤 바람에 대한 시간 시뮬레이션을 이용한 비행체의 바람 추정 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102577728B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101502402B1 (ko) 2013-12-13 2015-03-16 국방과학연구소 차분방식과 확률기법을 적용한 바람 모델링 방법
WO2018062336A1 (ja) 2016-09-30 2018-04-05 日本電気株式会社 飛行制御装置、無人飛行機、飛行制御方法、及びコンピュータ読み取り可能な記録媒体

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101980845B1 (ko) * 2017-08-01 2019-05-21 주식회사 유니브이알 가상현실 체험용 공기혼합현상을 이용한 송풍시스템
KR102396290B1 (ko) * 2019-12-23 2022-05-11 주식회사 포디솔루션 초 저고도 바람 예측 정보 제공 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101502402B1 (ko) 2013-12-13 2015-03-16 국방과학연구소 차분방식과 확률기법을 적용한 바람 모델링 방법
WO2018062336A1 (ja) 2016-09-30 2018-04-05 日本電気株式会社 飛行制御装置、無人飛行機、飛行制御方法、及びコンピュータ読み取り可能な記録媒体

Also Published As

Publication number Publication date
KR20230075977A (ko) 2023-05-31

Similar Documents

Publication Publication Date Title
EP2163844B1 (en) Vehicle for aerial delivery of fire retardant
Ray et al. Flight test techniques used to evaluate performance benefits during formation flight
US11815335B2 (en) Guided munition systems for detecting off-axis targets
KR102577728B1 (ko) 랜덤 바람에 대한 시간 시뮬레이션을 이용한 비행체의 바람 추정 방법 및 장치
WO2024042310A1 (en) Training data for air data estimation in aircraft
Deiler et al. Facing the challenges of supercooled large droplet icing: Results of a flight test based joint DLR-embraer research project
Madden Kinematic modeling of separation compression for paired approaches to closely-spaced parallel runways
Kapulu et al. Main rotor downwash effect on separation characteristics of external stores
KR20230075928A (ko) 랜덤 바람에 대한 가속도 시뮬레이션을 이용한 비행체의 실시간 바람 추정 방법 및 장치
Ranaudo et al. Effects of horizontal tail ice on longitudinal aerodynamic derivatives
Nepomuceno et al. Non-linear Lift Curve Modeling Using Neural Networks with Flight Test Data of a Subscale Fighter
US20200216166A1 (en) Terminal Approach Angle Guidance for Unpowered Vehicles
Nebula et al. Virtual air data system architecture for space reentry applications
Cenko Lessons learned in 30 years of store separation testing
CN114167890B (zh) 一种无人飞行装置智能避障方法
EP4328547A1 (en) Training data for air data estimation in aircraft
EP4328594A1 (en) Air data estimation in aircraft
Kim et al. A Telemetry-Based Post-flight Wind Profile Estimation Method for Air-to-Surface Missiles
Haqq et al. Identification of Flight Performance RX-450 Series-5
Wibowo Full envelope six-degree of freedom simulation of tactical missile
Freeman Applied Computational Fluid Dynamics for Aircraft-Store Design, Analysis and Compatibility
Eggers et al. Aerodynamic analysis of the DLR flight experiment SHEFEX
GB2621842A (en) Training data for air data estimation in aircraft
WO2024042309A1 (en) Air data estimation in aircraft
GB2621843A (en) Air data estimation in aircraft

Legal Events

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