KR102632708B1

KR102632708B1 - 파편 낙하 안전 영역 산출 시스템 및 방법

Info

Publication number: KR102632708B1
Application number: KR1020210025950A
Authority: KR
Inventors: 류재은; 강태영; 김세준; 유창경; 김태현
Original assignee: 국방과학연구소
Priority date: 2021-02-25
Filing date: 2021-02-25
Publication date: 2024-02-02
Also published as: KR20220121626A

Abstract

간단하게 유도탄 파편 낙하 위치 및/또는 안전영역 산출이 가능한 파편 낙하 안전 영역 산출 시스템이 개시된다. 상기 파편 낙하 안전 영역 산출 시스템은, 비행체의 상태 정보, 바람정보, 파편 정보를 이용하여 파편 낙하 정보를 산출하고 학습에 적합한 데이터로 생성하는 데이터 생성부, 상기 데이터의 입력정보(비행체의 상태 정보, 바람정보, 파편 정보)와 출력정보(파편 낙하 정보)간의 상관관계를 파악하는 신경망 모델을 학습하는 학습부, 상기 비행체의 특성을 반영한 모델 시뮬레이션을 통해 상기 비행체의 예상 궤적 정보를 산출하는 예상 궤적 산출부, 및 상기 예상 궤적 정보 및 상기 파편 낙하 정보를 이용하여 산출되는 파편 분포 영역을 통해 파편 낙하 안전 영역을 예측하는 파편 예측 결과 산출부를 포함하는 것을 특징으로 한다.

Description

파편 낙하 안전 영역 산출 시스템 및 방법{System and Method for calculating safety area from debris falling}

본 발명은 파편 낙하 안전 영역 산출 기술에 관한 것으로서, 더 상세하게는 심층 신경망 모델을 이용한 유도탄 파편 낙하 위치 및 안전영역 산출 방법에 대한 것이다.

유도탄의 발사시험 과정에서 고장 혹은 이상기동으로 인한 자폭 시 이로 인한 파편의 낙하 위치 및 안전영역을 산출하는 것은 시험 과정에서의 안전 확보를 위해 중요하다. 이와 관련하여 유도탄 혹은 발사체의 낙하영역을 산출하는 다양한 방법이 발명되었다.

대표적으로 실제 시험을 통해 확보한 데이터를 통계적으로 가공하여 낙하되는 잔해물의 낙하 영역을 예측하는 방법이 발명되었다. 이러한 방법은 추정하려는 대상을 선정하고 수집 가능한 데이터를 수집한 후 이에 대한 신뢰도 평가를 기반으로 한다.

평가가 완료된 데이터를 정규화(Normalize)한 후 재가공하여 사용하며 정성적인 방법과 정량정인 방법 두 가지를 통해 탄체 분산 인자를 선택한다. 정성적인 방법은 탄체 분산 분석가 및 폭발 전문가들의 의견수렴을 통해 요인을 식별하는 방법이며, 정량적인 방법은 가능한 모든 경우의 수를 조합하여 단순 또는 다중 선형회귀를 수행하여 회귀식을 통해 판단하는 방법이다.

정량적인 방법에서는 탄체 분산 인자의 수와 탄체 분산 인자의 종류에 따른 모든 회귀식을 구현하고, 수치 값을 상호 비교하여 탄체 분산 인자를 식별한다. 탄체 분산 인자가 선택되면 탄체 분산 인자 간 다중공선성(Multicolinearity)의 존재 여부를 분석한다. 이를 식별하는 방법으로는 분산팽창계수(VIF, Variation Inflation Factor)와 상태지수(C, Condition Index)가 있으며 각각 아래 식과 같다.

여기서,

는 회귀모형의 결정계수이고,

는 자연수이고,

는 고유치이다.

다중공선성이 존재하는 경우 상관관계가 높은 변수 중 중요도가 낮다고 판단되는 변수를 제거하거나 이상치 및 시분산성이 존재하지 않을 경우 주성분회귀(Principal Component Regression) 또는 능형회귀(Ridge Regression)를 수행한다.

이상치가 존재할 경우 단순히 이상치를 제거할 수 있으나, 데이터 수가 적거나 이상치로 식별된 데이터가 중요하다고 판단될 경우 이를 제거하는데 한계가 있다. 그렇기 때문에 다중공선성 및 이분산성이 존재하지 않고 이상치만 존재할 경우 로버스트 회귀를 수행한다.

이러한 과정을 통해 가용하다고 판단된 회귀 방법들을 사용하여 통계적 평가를 수행한다. 이후 상호 비교를 통해 가장 우수하다고 판단되는 회귀모형을 선택한다. 이러한 방법은 시뮬레이션을 기반으로 하지 않기 때문에 상대적으로 적은 시간으로 분산정도를 추정할 수 있다는 장점이 있다. 그러나 보유하고 있는 데이터 영역 밖의 조건에 대해 신뢰도 및 추정 결과의 정확도가 저하되며, 바람에 따른 낙하 예상 지역 산출이 어렵다는 단점이 있다.

다른 유사한 발명으로는 유도탄의 파편과 유사한 페어링 분리, 단분리 등에 의해 지상으로 낙하되는 잔해물에 대한 낙하 안전구역 예측 시스템이 개발되었다. 이는 대공 유도탄의 사격 시험 및 유도탄 발사 시험시, 지상으로 낙하되는 잔해물에 대한 것이며 이동체의 운동조건, 낙하물의 형상, 기상 환경 등을 종합한 낙하영역을 획득한다.

앞서 개발된 통계적 특성을 가공하여 예측하는 방법의 신뢰성이 떨어지는 영역에서 낙하 안전영역을 산출할 수 있다. 그러나 단분리나 페어링 등의 비교적 큰 낙하물을 대상으로 하고 이들의 최소 항력 낙하자세를 산출하여 낙하 분포 범위를 산출하므로 파편에 대한 안전영역을 산출에 적용하기에는 다소 상이한 부분이 있다.

부연하면, 유도탄의 파편 낙하 영역 산출의 경우 실제 시험을 통한 데이터 획득에 많은 시간과 비용이 소모된다. 또한, 적은 횟수의 데이터를 가공하여 통계적 특성으로 추정하는 방법은 환경 요소를 반영하기 어렵고 확보하고 있는 데이터 외의 영역에 대하여 신뢰도에 한계가 있다.

이러한 점을 보완하기 위해 유도탄의 정밀한 모델을 반영한 시뮬레이션을 이용하여 안전영역 산출이 필요하다.

그런데, 이러한 시뮬레이션을 이용한 안전 영역 산출의 경우, 신뢰도 확보를 위하여 몬테카를로(Monte-Carlo) 시뮬레이션을 이용하여 통계적 특성을 반영하며 충분한 신뢰도를 확보하기 위하여 단일 경우에 대해 약 300회 정도의 반복 시뮬레이션이 필요하다. 이는 많은 연산량이 필요하며 실시간으로 연산을 수행하거나 다양한 경우에 대한 데이터를 확보하기엔 무리가 따르게 된다.

1.한국등록특허번호 제10-1997801호(등록일자: 2019년07월02일) 2.한국등록특허번호 제10-1672844호(등록일자: 2016년10월31일)

본 발명은 위 배경기술에 따른 문제점을 해소하기 위해 제안된 것으로서, 간단하게 유도탄 파편 낙하 위치 및/또는 안전영역 산출이 가능한 파편 낙하 안전 영역 산출 시스템 및 방법을 제공하는데 그 목적이 있다.

본 발명은 위에서 제시된 과제를 달성하기 위해, 간단하게 유도탄 파편 낙하 위치 및/또는 안전영역 산출이 가능한 파편 낙하 안전 영역 산출 시스템이 제공된다.

상기 파편 낙하 안전 영역 산출 시스템은,

비행체의 상태정보, 바람정보 및 상기 비행체의 파편에 대한 파편 정보를 포함하는 입력 정보와 파편 낙하 정보를 포함하는 출력정보로 이루어지는 학습 데이터를 생성하는 데이터 생성부;

상기 학습 데이터를 사용하여 상기 입력정보와 상기 출력정보간의 상관관계를 학습한 신경망 모델을 생성하고, 상기 신경망 모델을 통해 산출되는 상기 파편에 대한 파편 분포 영역을 갖는 출력 데이터를 산출하는 학습부;

상기 비행체의 모델에 대한 수치해석을 통해 상기 비행체의 예상 궤적 정보를 산출하는 예상 궤적 산출부; 및

상기 출력 데이터 및 상기 예상 궤적 정보를 기반으로 파편 낙하 안전 영역을 예측하는 예측 데이터를 생성하는 파편 예측 결과 산출부;를 포함하는 것을 특징으로 한다.

또한, 상기 파편 정보는 상기 파편의 항력 계수를 포함하는 것을 특징으로 한다.

또한, 상기 파편 낙하 정보는 상기 비행체의 파편의 낙하 중심점의 예상 낙하 위치(PIP: Predicted Impact Point), 원형공산오차(CEP: Circular Error Probable), 및 낙하지점까지의 도달시간을 포함하는 것을 특징으로 한다.

또한, 상기 파편 낙하 정보는 무향 변환(Unscented Transform)을 이용하여 산출되는 것을 특징으로 한다.

또한, 상기 파편 낙하 정보는 무향 변환(Unscented Transform)을 이용하여 산출되며, 상기 무향 변환의 추정 정확도를 위해 몬테 카를로 기법이 적용된 시뮬레이션(Monte-Carlo Simulation)의 결과와 비교하여 무향 변환 파라미터가 선정되는 것을 특징으로 한다.

또한, 상기 무향 변환에 따른 상기 파편 분포 영역은 지구중심고정 좌표계(ECEF: Earth-Centered Earth-Fixed)에서 상기 비행체의 예상 궤적 정보와 상기 파편의 항력계수에 상기 바람 정보를 반영한 상기 예상 낙하 위치, 상기 원형공산오차, 및 상기 도달 시간을 통해 산출되는 것을 특징으로 한다.

또한, 상기 낙하 위치, 상기 원형공산오차, 및 상기 도달 시간은 파편의 3자유도 운동 모델의 상태벡터에 영향을 받으며, 상기 상태벡터(

)는 수학식

(여기서,

는 파편 속력,

은 비행 경로각,

은 방위각,

은 지구 중심으로부터의 거리,

은 위도,

은 경도,

는 항력계수이고,

는 전치 행렬을 나타낸다)으로 정의되는 것을 특징으로 한다.

또한, 상기 상태벡터(

)에 따른 상기 파편의 3자유도 운동 방정식은 수학식

, 수학식

, 수학식

, 수학식

(여기서 c,s,t는 각각 cos,sin,tan를 의미하며

은 항력에 의한 속력, 비행 경로각, 방위각의 변화율 성분을 나타내며,

는 지구 회전 각속도,

는 중력 가속도이고, 항력은

,

는 공기의 밀도를 나타낸다.)으로 정의되는 것을 특징으로 한다.

또한, 상기 원형공산오차(CEP)는 수학식

(여기서,

,

는

,

좌표값이고,

는 표준편차를 나타낸다)으로 정의되는 것을 특징으로 한다.

또한, 상기 상태 정보는 상기 비행체의 미리 설정되는 기준 속력, 비행 경로각, 방위각에 상기 파편의 현재 위치, 상기 파편의 분출 속도를 포함하고, 상기 바람 정보는 풍속 및 풍향을 포함하는 것을 특징으로 한다.

또한, 비행체의 상기 특성은 고유 특성인 물리량, 공력, 및 추력을 추가로 포함하는 것을 특징으로 한다.

또한, 비행체의 상기 특성은 상기 비행체의 탐색기, 환경, 항법, 통신, 및 구동기를 포함하는 항목의 각 특성을 반영하며, 상기 항목은 충실도 및 연산 속도에 따라 로우, 중간, 하이 및 특이를 갖는 4가지의 해상도 중 하나로 분류되는 것을 특징으로 한다.

또한, 상기 로우의 경우, 상기 충실도는 낮음이고 상기 연산속도는 빠름으로 정의되고, 상기 특이의 경우, 상기 충실도는 높음이고 상기 연산속도는 느림으로 정의되는 것을 특징으로 한다.

또한, 상기 예상 궤적 정보는 PNG(Propotional Navigation Guidance) 및 IAC(Impact Angle Control) 기법을 적용하여 산출되는 것을 특징으로 한다.

또한, 상기 모델 시뮬레이션은 6자유도 모델 시뮬레이션이고, 상기 학습부(120)는 신경망 모델으로 이루어지며, 상기 신경망 모델은 FCNN(Fully Connected Neural Network)인 것을 특징으로 한다.

또한, 상기 파편 낙하 안전 영역은 상기 파편 분포 영역의 외곽을 잇는 다각형을 안전영역으로 지정함에 따라 이루어지는 것을 특징으로 한다.

다른 한편으로, 본 발명의 다른 일실시예는, (a) 데이터 생성부가 비행체의 상태정보, 바람정보 및 상기 비행체의 파편에 대한 파편 정보를 포함하는 입력 정보와 파편 낙하 정보를 포함하는 출력정보로 이루어지는 학습 데이터를 생성하는 단계; (b) 학습부가 상기 학습 데이터를 사용하여 상기 입력정보와 상기 출력정보간의 상관관계를 학습한 신경망 모델을 생성하고, 상기 신경망 모델을 통해 산출되는 상기 파편에 대한 파편 분포 영역을 갖는 출력 데이터를 산출하는 단계; (c) 예상 궤적 산출부가 상기 비행체의 모델에 대한 수치해석을 통해 상기 비행체의 예상 궤적 정보를 산출하는 단계; 및 (d) 파편 예측 결과 산출부가 상기 출력 데이터 및 상기 예상 궤적 정보를 기반으로 파편 낙하 안전 영역을 예측하는 예측 데이터를 생성하는 단계;를 포함하는 것을 특징으로 하는 파편 낙하 안전 영역 산출 방법을 제공한다.

본 발명에 따르면, 배경기술에 따른 문제점을 보완하기 위하여 무향 변환(UT: Unscented Transform)을 이용한 파편 분포 영역 추정을 통해 비교적 빠른 시간에 많은 데이터 확보가 가능하다.

또한, 본 발명의 다른 효과로서는 신경망 모델 학습을 통해 입력된 정보에 대해 실시간으로 안전영역 산출이 가능하다는 점을 들 수 있다.

또한, 본 발명의 또 다른 효과로서는 다양한 경우에 대해 학습을 수행한 경우, 예상 궤적이 아닌 실제 비행시험 단계에서 유도탄의 상태가 추정이 되면 이를 통해 매 시간 빠른 속도로 안전영역을 산출할 수 있다는 점을 들 수 있다.

도 1은 본 발명의 일실시예에 따른 파편 낙하 안전 영역 산출 시스템의 구성 블럭도이다.
도 2는 도 1에 도시된 데이터 생성부의 세부 구성 블럭도이다.
도 3은 도 1에 도시된 학습부의 세부 구성 블럭도이다.
도 4는 본 발명의 일실시예에 따른 신경망 모델 설정 화면예시이다.
도 5는 본 발명의 일실시예에 따른 파편 낙하 안전 영역 산출 과정을 보여주는 흐름도이다.
도 6은 본 발명의 일실시예에 따른 파편 낙하점 및 분포 영역 생성 알고리즘의 개념도이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야한다.

각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다.

제 1, 제 2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.

이하 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 파편 낙하 안전 영역 산출 시스템 및 방법을 상세하게 설명한다.

도 1은 본 발명의 일실시예에 따른 파편 낙하 안전 영역 산출 시스템(100)의 구성 블럭도이다. 도 1을 참조하면, 임의 생성된 비행체의 상태 정보, 바람정보 및 파편 정보를 입력으로 하여 파편 낙하 정보를 출력으로 하는 학습 데이터를 생성하는 데이터 생성부(110), 상기 데이터 생성부에서 생성된 학습 데이터를 이용하여 신경망 모델을 생성하는 학습부(120), 상기 비행체의 고유 특성을 반영한 모델 시뮬레이션을 통해 상기 비행체의 예상 궤적 정보를 산출하는 예상 궤적 산출부(130), 상기 예상 궤적 정보 및 상기 신경망 모델을 이용하여 산출되는 파편 분포 영역을 통해 파편 낙하 안전 영역을 예측하는 파편 예측 결과 산출부(140) 등을 포함하여 구성될 수 있다.

데이터 생성부(110)는 비행체(미도시)의 상태 정보, 바람정보, 파편 정보를 임의 생성하여 이에 따른 파편 낙하 정보를 생성하는 기능을 수행한다. 비행체는 일반적으로 유도탄이 될 수 있으나, 이에 한정되는 것이 아니며 발사체가 될 수 있다.

학습부(120)는 데이터 생성부(110)로부터 생성된 시뮬레이션 결과를 입력으로 받아 학습을 통해 신경망 모델을 생성한다. 이에 한정되는 것은 아니며 기계 학습(Machine learning) 모델도 가능하다. 신경망 모델은 학습 데이터를 사용하여 입력정보(비행체의 상태 정보, 바람정보, 파편 정보)와 출력정보(상기 비행체의 파편 낙하 정보)간의 상관관계를 나타낸 것이다. 물론, 신경망 모델이 생성되기전에는 미리 설계된 원시 모델을 이용하며, 이 원시 모델에 학습 데이터를 적용하여 학습함으로써 신경망 모델이 생성된다.

예상 궤적 산출부(130)는 비행체의 특성을 반영한 6자유도 모델 시뮬레이션을 통해 비행체의 예상 궤적을 산출한다. 비행체의 고유 특성인 물리량(질량, 관성모멘트)과 공력, 추력을 포함하며, 탐색기, 환경, 항법, 통신, 구동기 등의 세부 항목별로 각각의 특성을 반영한다. 각 항목은 충실도(Fidelity)에 따라 4 가지 해상도로 분류되며 그 특성은 아래 표와 같다.

해상도	로우(low)	중간(medium)	하이(high)	특이(specific)
특징	- 기능을 구현하는 가장 간단한 모델 - 이상(Ideal) 상태 가정	- 간단한 오차요소 반영 - 지연 또는 잡음 반영	- 시스템 주요 특성 반영 - 시스템 성능 결정에 영향이 큰 주요 파라미터 반영	- 시스템 상세 모델링 - 시스템 전반에 걸친 다양한 파라미터 반영
충실도(Fidelity)	낮음	<----------------	---------------->	높음
연산 속도	빠름	<----------------	---------------->	느림

유도는 직진입하는 표적에 대해 수행하며 PNG(Propotional Navigation Guidance)와 IAC(Impact Angle Control) 기법을 적용하여 궤적을 산출한다. 유도 기법의 파라미터는 사용자의 입력으로 정할 수 있다.

파편 예측 결과 산출부(140)는 학습부(120)에서 산출된 학습 결과와 예상 궤적 산출부(130)를 통해 산출된 예상 궤적 및 바람 정보를 입력으로 한다. 지구중심고정 좌표계(ECEF: Earth-Centered Earth-Fixed)에서 예상 궤적의 위치와 속도에 대하여 바람 정보를 반영한 낙하 위치, 원형공산오차(CEP: Circular Error Probable), 도달 시간을 산출한다. 예상 궤적에 대해 산출된 낙하 위치와 CEP를 통해 파편 분포 영역을 산출하고 이를 외곽으로 잇는 다각형을 안전 영역으로 산출한다.

도 2는 도 1에 도시된 데이터 생성부(110)의 세부 구성 블럭도이다. 도 2를 참조하면, 데이터 생성부(110)는 무향 변환의 파라미터 선정을 위한 무향변환 파라미터 선정 모듈(210)과 파편 낙하 정보 생성을 위한 파편 낙하 위치 산출 모듈(220)로 구분된다.

우선 무향 변환 파라미터 선정 모듈(210)은 시뮬레이션모듈(230)과 변환모듈(240)으로 구성된다. 시뮬레이션 모듈(230)은 몬테카를로 시뮬레이션(Monte-Carlo Simulation)을 이용하여 파편 낙하 정보를 산출하고, 변환 모듈(240)은 무향 변환을 이용하여 산출한다. 두 모듈의 결과를 비교하여 몬테카를로 시뮬레이션과 유사한 결과를 얻기 위한 무향 변환의 파라미터를 선정한다. 파편의 낙하 시뮬레이션은 파편의 3자유도 운동 모델을 고려하여 구성되고 파편의 종류에 따른 항력계수를 고려한다. 3자유도 운동 모델의 상태벡터(X)는 아래와 같이 구성된다.

여기서,

은 파편 속력,

은 비행 경로각,

은 방위각,

은 지구 중심으로부터의 거리,

은 위도,

은 경도,

는 항력계수이고,

는 전치 행렬을 나타낸다.

위 상태벡터의 요소들은 파편의 낙하 위치, 파편 분포 영역(정확하게는 원형공산오차), 도달시간에 영향을 미치는 요인이다. 이에 따른 파편의 3자유도 운동 방정식은 아래와 같이 구성된다.

여기서 c,s,t는 각각 cos,sin,tan를 의미하며

는 지구 회전 각속도,

는 중력 가속도를 나타낸다.

항력은 아래 식과 같이 계산되며 ρ는 공기의 밀도를 나타낸다.

파편 종류에 따른 항력계수는 ‘Stars mission 1 vehicle’의 파편 모델을 기준으로 구성할 수 있으며, 설계자의 요구에 맞게 변경하여 산출할 수 있다.

한편, 파편 낙하 정보 산출 모듈(220)은 변환 모듈(240)을 포함하며 무향 변환 파라미터 선정 모듈(210)을 통해 선정된 파라미터 결과 반영한 변환모듈(240)을 이용하여 파편 낙하 정보를 산출한다.

시뮬레이션 모듈(230)은 폭파로 인한 파편의 분출 속도를 고려하여 시뮬레이션을 수행한다. 폭파 위치에서의 비행체의 상태정보를 기준으로 하며 비행체의 속력, 비행 경로각, 방위각에 파편의 속력, 비행 경로각, 방위각을 더하는 형태로 구성된다. 파편의 분출은 비행 경로각과 방위각에 대해 각각 -π,+π의 범위에서 균등분포하며 속력에 대해 0m/s에서 30m/s 사이에서 균등분포한다고 가정한다. 300회의 반복 시뮬레이션을 수행하며 파편의 분포 데이터를 통해 원형공산오차(Circular Error Probable, CEP) 반격을 산출한다. CEP는 평균을 중심으로 하여 원의 반지름으로 정의되는 정확도 척도로, 50%가 명중하는 원의 반경을 나타낸다. CEP는 x와 y간에 상관관계(Correlation)가 없고

일 때 아래식과 같이 산출된다.

여기서, x,y는 x,y 좌표값이고, m은 파편 탄착점의 평균, σ는 표준편차이다.

Monte-Carlo기법인 적용된 시뮬레이션에 대한 수치해석을 통해 파편 분포 영역을 산출할 경우 통계적 특성을 반영하여 비교적 정밀한 결과를 산출할 수 있다. 그러나 많은 연산이 필요하기 때문에 전체 궤적에 따른 안전 영역을 실시간으로 산출하기에 문제가 있다. 또한 신경망 모델 학습을 위한 데이터 생성에 많은 시간이 소요된다. 이를 보완하기 위해 무향변환을 통해 학습 데이터를 생성하고 Monte-Carlo 시뮬레이션을 통해 산출한 결과와 비교하여 타당성 검증을 수행한다.

무향 변환은 한정된 통계 집합을 통해 비선형 함수의 가우시안(Gaussian) 분포를 추정하는 방법이다. 통계 집합을 대변할 수 있는 시그마 포인트(Sigma Point)(즉 샘플 포인트)를 산출하고 비선형 함수를 통해 시그마 포인트의 출력을 계산한다. 시그마 포인트는 아래 식과 같이 산출되며 비선형 함수는 앞서 언급한 3자유도 미분방정식과 동일하다.

여기서,

는 시그마 포인트의 평균,

은 시그마 포인트 산출의 기준 차원 수,

는 Scailing Parameter,

는 공분산 행렬, 상첨자

는 행렬의

번째 대각 원소를 나타낸다.

이를 통해 출력된 결과를 시그마 포인트(Sigma Point)들에 가중치를 통해 평균과 공분산을 산출하며 각 Sigma Point는 아래 식과 같은 가중치를 갖는다.

여기서,

은 평균 계산을 위한 가중치이며,

는 Scailing Parameter이고,

공분산 계산을 위한 가중치이다. Scailing Parameter

는 아래 식과 같이 산출되며

,

는 Scailing Parameter 선정을 위한 사용자 파라미터이다. 이는 Monte-Carlo 기법과 유사한 결과를 산출할 수 있도록 비교하여 설정한다.

결론적으로, 무향 변환을 통해 통계 집합을 대표하는 적은 수의 점들을 통해 파편 분포 영역을 산출하기 때문에 Monte-Carlo 기법이 적용된 시뮬레이션에 비해 빠른 연산 속도를 가지며 많은 양의 학습 데이터를 확보하기 적합하다.

도 1 및 도 2에 도시된 "~부", "~모듈"의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 소프트웨어 및/또는 하드웨어로 구현될 수 있다. 하드웨어 구현에 있어, 상술한 기능을 수행하기 위해 디자인된 ASIC(application specific integrated circuit), DSP(digital signal processing), PLD(programmable logic device), FPGA(field programmable gate array), 프로세서, 마이크로프로세서, 다른 전자 유닛 또는 이들의 조합으로 구현될 수 있다. 소프트웨어 구현에 있어, 소프트웨어 구성 컴포넌트(요소), 객체 지향 소프트웨어 구성 컴포넌트, 클래스 구성 컴포넌트 및 작업 구성 컴포넌트, 프로세스, 기능, 속성, 절차, 서브 루틴, 프로그램 코드의 세그먼트, 드라이버, 펌웨어, 마이크로 코드 , 데이터, 데이터베이스, 데이터 구조, 테이블, 배열 및 변수를 포함할 수 있다. 소프트웨어, 데이터 등은 메모리에 저장될 수 있고, 프로세서에 의해 실행된다. 메모리나 프로세서는 당업자에게 잘 알려진 다양한 수단을 채용할 수 있다.

도 3은 도 1에 도시된 학습부(120)의 세부 구성 블럭도이다. 도 3을 참조하면, 학습부(120)는 입력 정보가 입력되는 입력 층(input layer)(310), 은닉층(hidden layer)(320), 출력 정보가 출력되는 출력층(output layer)(330) 등으로 구성된다. 학습부(120)는 신경망 모델으로 이루어질 수 있다. 이 경우, 신경망 모델은 FCNN(Fully Connected Neural Network)으로 구성되며 비행체의 상태 정보, 바람정보(풍속, 풍향), 파편 정보를 입력으로 받아 파편의 낙하 중심점의 예상 위치(Predicted Impact Point, PIP), CEP, 낙하지점까지의 도달시간을 출력으로 한다. 예상 위치는 위도와 경도로 이루어질 수 있다. 비행체의 상태 정보로는 미리 설정되는 비행체의 기준 비행 경로, 파편의 현재 위치, 현재 속도 등을 들 수 있다.

사용자의 편의에 따라 비행체의 상태 중 일부를 제외하여 학습을 수행할 수 있으며 이에 따라 신경망 모델의 깊이와 학습에 소요되는 시간이 짧아질 수 있다.

은닉층(Hidden Layer)(320)의 층수와 층별 노드 수는 초기 설정 값이며 내부를 확인할 수 없는 신경망 모델의 특성상 설계자의 경험에 의해 정해진다. 학습을 위한 입력 데이터와 정답 데이터는 모두 0 ~ 1 사이의 값으로 정규화(Normalize)된 후 학습을 수행한다.

활성 함수는 ReLU(Rectified Linear Unit)함수를 사용하며 오차 역전파 알고리즘을 이용하여 학습을 수행한다. 각 층에서 가중치 행렬과 Bias 벡터에 의해 다음 층으로 전달되며 가중치 행렬은 현재층의 노드 수를 열 크기로, 다음 층의 노드 수를 행 크기로 가지며 Bias 벡터는 현재 층의 노드 수와 동일하다. 가중치 행렬(w)과 바이어스(Bias) 벡터(b)는 각 노드의 로컬 그래디언트(Local Gradient)에 의해 아래 식과 같이 갱신된다.

여기서, i,j는 각 층의 입력 노드수와 출력 노드수, o[i]는 활성함수를 거친 출력값, err[j]는 출력 노드의 오차, α는 학습률을 나타낸다.

도 4는 본 발명의 일실시예에 따른 신경망 모델 설정 화면예시이다. 도 4를 참조하면, 신경망 모델 설정을 위해 입력 데이터의 위치를 지정하는 입력 지정창(411), 출력 데이터가 저장되는 위치를 지정하는 출력 지정창(412), 히든층(320)의 층수를 설정하는 층수 설정창(421), 층별 노드수를 설정하는 노드수 설정창(422), 반복 횟수를 설정하는 반복 횟수 설정창(423) 등으로 구성될 수 있다.

도 5는 본 발명의 일실시예에 따른 파편 낙하 안전 영역 산출 과정을 보여주는 흐름도이다. 도 5를 참조하면, 데이터 생성부(110)는 학습부(120)에 입력할 데이터(즉 정보)를 생성하고, 이를 학습부(120)에 입력한다(단계 S510). 입력할 데이터로는 비행체의 상태 정보, 바람정보 등을 들 수 있다.

이후, 학습부(120)는 신경망 모델을 이용하여 출력 데이터를 생성한다(단계 S520,S550).

한편, 출력 데이터의 생성 단계(S550)는 파편 탄착 지점에 따른 파편 낙하 위치, 도달 시간(즉 낙하시간), 원형공산오차를 산출하는 단계를 포함한다(단계 S550-1,S550-2).

한편, 예상 궤적 산출부(130)는 미리 설계되는 비행체의 모델에 대한 수치해석을 위해 데이터를 입력하여, 비행체의 예상 궤적 정보를 산출한다(단계 S502-1,S502-2).

이후, 파편 예측 결과 산출부(140)는 신경망 모델을 통한 학습 결과인 출력 데이터 및 예상 궤적 산출부(130)에 의해 생성된 예상 궤적 정보를 이용하여 낙하 안전 영역을 예측하는 예측 데이터를 생성한다(단계 S560).

도 6은 본 발명의 일실시예에 따른 파편 낙하점 및 분포 영역 생성 알고리즘의 개념도이다. 도 6을 참조하면, 파편의 현재 위치, 속도(610), 비행체의 기준 비행 경로(Norminal Flight Direction)(620), 기준 바람 방향(Norminal Wind Direction)(630) 등이 도시된다. 도 6에서 β는 파편의 항력 계수를 나타낸다.

또한, 여기에 개시된 실시형태들과 관련하여 설명된 방법 또는 알고리즘의 단계들은, 마이크로프로세서, 프로세서, CPU(Central Processing Unit) 등과 같은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 (명령) 코드, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.

상기 매체에 기록되는 프로그램 (명령) 코드는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프 등과 같은 자기 매체(magnetic media), CD-ROM, DVD, 블루레이 등과 같은 광기록 매체(optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 (명령) 코드를 저장하고 수행하도록 특별히 구성된 반도체 기억 소자가 포함될 수 있다.

여기서, 프로그램 (명령) 코드의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

100: 파편 낙하 안전 영역 산출 시스템
110: 데이터 생성부
120: 학습부
130: 예상 궤적 산출부
140: 파편 예측 결과 산출부
210: 무향변환 파라미터 선정 모듈
220: 파편 낙하 정보 산출 모듈
230: 시뮬레이션 모듈
240: 변환 모듈
310: 입력층
320: 은닉층
330: 출력층

Claims

비행체의 상태정보, 바람정보 및 상기 비행체의 파편에 대한 파편 정보를 포함하는 입력 정보와 파편 낙하 정보를 포함하는 출력정보로 이루어지는 학습 데이터를 생성하는 데이터 생성부(110);
상기 학습 데이터를 사용하여 상기 입력정보와 상기 출력정보간의 상관관계를 학습한 신경망 모델을 생성하고, 상기 신경망 모델을 통해 산출되는 상기 파편에 대한 파편 분포 영역을 갖는 출력 데이터를 산출하는 학습부(120);
상기 비행체의 모델에 대한 수치해석을 통해 상기 비행체의 예상 궤적 정보를 산출하는 예상 궤적 산출부(130); 및
상기 출력 데이터 및 상기 예상 궤적 정보를 기반으로 파편 낙하 안전 영역을 예측하는 예측 데이터를 생성하는 파편 예측 결과 산출부(140);를 포함하며,
상기 파편 낙하 안전 영역은 상기 파편 분포 영역의 외곽을 잇는 다각형을 안전영역으로 지정함에 따라 이루어지는 것을 특징으로 하는 파편 낙하 안전 영역 산출 시스템.
제 1 항에 있어서,
상기 파편 정보는 상기 파편의 항력 계수를 포함하고, 상기 파편 낙하 정보는 상기 파편의 낙하 중심점의 예상 낙하 위치(PIP: Predicted Impact Point), 원형공산오차(CEP: Circular Error Probable), 및 낙하지점까지의 도달시간을 포함하는 것을 특징으로 하는 파편 낙하 안전 영역 산출 시스템.
제 2 항에 있어서,
상기 파편 낙하 정보는 무향 변환(Unscented Transform)을 이용하여 산출되며, 상기 무향 변환의 추정 정확도를 위해 몬테 카를로 기법이 적용된 시뮬레이션(Monte-Carlo Simulation)의 결과와 비교하여 무향 변환 파라미터가 선정되는 것을 특징으로 하는 파편 낙하 안전 영역 산출 시스템.
제 3 항에 있어서,
상기 무향 변환에 따른 상기 파편 분포 영역은 지구중심고정 좌표계(ECEF: Earth-Centered Earth-Fixed)에서 상기 비행체의 예상 궤적 정보와 상기 파편의 항력 계수에 상기 바람 정보를 반영한 상기 예상 낙하 위치, 상기 원형공산오차, 및 상기 도달 시간을 통해 산출되는 것을 특징으로 하는 파편 낙하 안전 영역 산출 시스템.
제 4 항에 있어서,
상기 낙하 위치, 상기 원형공산오차, 및 상기 도달 시간은 상기 파편의 3자유도 운동 모델의 상태벡터(X)에 영향을 받으며, 상기 상태벡터(X)는 수학식
(여기서,
는 파편 속력,
은 비행 경로각,
은 방위각,
은 지구 중심으로부터의 거리,
은 위도,
은 경도,
는 항력계수이고,
는 전치 행렬을 나타낸다)으로 정의되는 것을 특징으로 하는 파편 낙하 안전 영역 산출 시스템.
제 5 항에 있어서,
상기 상태벡터(X)에 따른 상기 파편의 3자유도 운동 방정식은 수학식
, 수학식
, 수학식
, 수학식
, 수학식
, 수학식
, 수학식
(여기서 c,s,t는 각각 cos,sin,tan를 의미하며,
은 항력에 의한 속력, 비행 경로각, 방위각의 변화율 성분을 나타내며,
는 지구 회전 각속도,
는 중력 가속도이고, 항력은
,
는 공기의 밀도를 나타낸다)으로 정의되는 것을 특징으로 하는 파편 낙하 안전 영역 산출 시스템.
제 5 항에 있어서,
상기 원형공산오차(CEP)는 수학식
(여기서,
,
,
는
,
좌표값이고,
는 표준편차를 나타낸다)으로 정의되는 것을 특징으로 하는 파편 낙하 안전 영역 산출 시스템.
제 1 항에 있어서,
상기 상태 정보는 상기 비행체의 미리 설정되는 기준 비행 경로각, 방위각(620), 상기 파편의 현재 위치(610), 상기 파편의 분출 속도를 포함하고, 상기 바람 정보는 풍속 및 풍향(630)을 포함하는 것을 특징으로 하는 파편 낙하 안전 영역 산출 시스템.
제 1 항에 있어서,
상기 비행체의 모델은 고유 특성인 물리량, 공력, 및 추력을 추가로 포함하는 것을 특징으로 하는 파편 낙하 안전 영역 산출 시스템.
제 1 항에 있어서,
상기 예상 궤적 정보는 PNG(Propotional Navigation Guidance) 및 IAC(Impact Angle Control) 기법을 적용하여 산출되는 것을 특징으로 하는 파편 낙하 안전 영역 산출 시스템.
제 1 항에 있어서,
상기 비행체의 모델은 6자유도 모델 시뮬레이션이고, 상기 신경망 모델은 FCNN(Fully Connected Neural Network)인 것을 특징으로 하는 파편 낙하 안전 영역 산출 시스템.
삭제
(a) 데이터 생성부(110)가 비행체의 상태정보, 바람정보 및 상기 비행체의 파편에 대한 파편 정보를 포함하는 입력 정보와 파편 낙하 정보를 포함하는 출력정보로 이루어지는 학습 데이터를 생성하는 단계;
(b) 학습부(120)가 상기 학습 데이터를 사용하여 상기 입력정보와 상기 출력정보간의 상관관계를 학습한 신경망 모델을 생성하고, 상기 신경망 모델을 통해 상기 파편에 대한 파편 분포 영역을 갖는 출력 데이터를 산출하는 단계;
(c) 예상 궤적 산출부(130)가 상기 비행체의 모델에 대한 수치해석을 통해 상기 비행체의 예상 궤적 정보를 산출하는 단계; 및
(d) 파편 예측 결과 산출부(140)가 상기 출력 데이터 및 상기 예상 궤적 정보를 기반으로 파편 낙하 안전 영역을 예측하는 예측 데이터를 생성하는 단계;를 포함하며,
상기 파편 낙하 안전 영역은 상기 파편 분포 영역의 외곽을 잇는 다각형을 안전영역으로 지정함에 따라 이루어지는 것을 특징으로 하는 파편 낙하 안전 영역 산출 방법.