KR102641022B1 - 인공지능 기반 대포병탐지레이더 표적분류 방법 및 시스템 - Google Patents

Abstract

본 발명은 대포병탐지레이더에서 탐지되는 정보를 실시간으로 표적(박격포, 야포 등 포탄) 또는 비표적(그 외)으로 분류하기 위한 방법 및 시스템에 관한 것이다. 본 발명은 수초 내의 짧은 시간에 비표적을 정확하게 비표적으로 분류하여 비표적 및 허상표적의 발생을 감소시킬 수 있다. 즉, 비표적을 사용자 화면상에 미전시 함으로써 레이더 운용자의 피로 감소, 탐지 집중력 향상 등 운용성을 향상시키는 효과가 있고 허상표적 발생빈도를 줄임으로써 비상상황에 대한 긴급대응 소요를 줄여주는 효과가 있다. 또한 조기에 비표적에 대한 추적을 종료함으로써 동시추적능력, 탐지율 등 탐지성능을 극대화하는 효과가 있다.

Description

인공지능 기반 대포병탐지레이더 표적분류 방법 및 시스템{ARTIFICIAL INTELLIGENCE-BASED TARGET CLASSIFICATION METHOD AND SYSTEM FOR COUNTER-BATTERY RADAR}

본 발명은 대포병탐지레이더에서 탐지되는 정보를 실시간으로 표적(박격포, 야포 등 포탄) 또는 비표적(그 외)으로 분류하기 위한 방법 및 시스템에 관한 것이다.

대포병탐지레이더는 레이더 빔을 방사하여 목표물을 탐지하고, 탐지된 목표물을 추적하도록 빔을 방사하여 목표물의 궤적을 정확히 탐지하고 원점을 알아내기 위한 장비이다. 레이더의 특성상 원하는 표적(포탄) 외에도 새 떼, 구름 등 다양한 원인에 의한 비표적이 발생한다. 비표적의 발생을 억제하기 위해 동역학 파라미터를 활용한 알고리즘, 확률기반의 Fuzzy 알고리즘 등이 주로 사용된다. 하지만 다양하고 복잡한 비표적 사례에 대해 구분하기 어렵거나 실시간성이 떨어지는 등의 문제가 있다. 최근에는 이러한 문제를 해결하기 위해 인공지능 딥러닝을 활용하려는 시도들이 발생하고 있으나 이러한 시도들은 낮은 정확성과 어떤 방향에서도 높은 포탄 탐지율(재현율)을 만족해야 하는 실 작전상황에 적합하지 않다는 어려움이 있다. 이에, 대표병탐지레이더에서 탐지되는 정보를 실시간으로 분류하기 위한 방법 및 시스템의 구축이 필요한 실정이다.

한국공개특허 10-2022-0085977호

본 발명은 대포병탐지레이더에서 발생하는 비표적을 정확하게 분류하여 비표적 발생을 줄여주고, 비표적을 최종추적하여 오분류한 허상표적의 발생도 줄여주는데 그 목적이 있다. 또한 이러한 표적/비표적 분류 과정을 실 작전상에 적합하도록 즉, 어느 방향에서 날아오는 표적이라도 높은 탐지율(재현율)을 제공함과 동시에 실시간성을 갖춘 빠른 연산속도를 제공함을 목적으로 한다.

본 발명의 과제의 해결 수단은 대포병레이더의 탐지된 궤적들을 기반으로 신속하게 표적을 분류하는 필터를 생성하는 것이다. 추가된 AI 모델은 대포병 탐지레이더로부터 물체의 궤적 좌표 데이터를 받고 궤적을 표적/비표적 분류값을 산출한다. 산출된 결과를 토대로 대포병탐지레이더는 AI 모델이 표적이라 분류한 물체들에 대하여 추가 분류한다. 추가 분류 단계는 위치와 무관하게 맨 앞단에 삽입하는 것에 그치지 않고 중간 단에 삽입하는 경우도 포함한다.

대포병레이더의 표적 분류 시스템에 들어갈 AI 모델을 만드는 과정은 크게 학습과정, 수치조정 과정과 추론과정으로 나누어진다. 학습과정에서는 대포병탐지레이더에서 얻은 표적/비표적의 궤적 데이터를 사용해 인공신경망 모델을 학습시킨다. 수치조정 과정에서는 적절한 모델의 임계값을 찾아내고 추론과정에서는 인공신경망 모델이 학습과정에서 습득한 지식을 사용해 새로운 궤적을 표적/비표적으로 분류한다.

LSTM 기반 인공지능망 모델을 학습시키고 궤적을 표적/비표적으로 분류하는경우, 먼저 대포병 탐지레이더로부터 물체의 궤적 좌표 데이터를 받는다. 좌표는 ENU (East, North, Up)으로 이루어져 있으며, 일반적인 xyz좌표와 동일하다. AI 모델에 투입되는 특징값은 좌표들 사이의 ‘고도편차’와 ‘각도’이다. 해당 고도편차와 각도는 다음 전처리 과정을 통해 좌표값에서 추출한다.

고도편차 추출 방법은 궤적에서 연속되는 2개의 좌표 , 가 주어질 때: 고도편차 로 얻어진다.

각도 추출 방법은 궤적에서 연속되는 3개의 좌표 , , 가 주어질 때 로서, 각도 로 얻어진다.

최종적으로 AI 모델에 다음 특징값 시퀀스를 입력하여 분류값을 산출한다.

모델을 학습시키는 과정이라면, 이미 알고 있는 궤적의 실제 분류값(ground truth)을 기초로 손실함수를 이용해 AI 모델을 갱신한다. 추론 과정이라면 궤적의 실제 분류 값은 알 수 없고, 모델 또한 갱신하지 않는다.

본 발명에 의해 대포병탐지레이더는 수초 내의 짧은 시간에 비표적을 정확하게 비표적으로 분류하여 결과적으로 비표적 및 허상표적의 발생을 감소시킨다. 즉, 비표적을 사용자 화면상에 미전시 함으로써 레이더 운용자의 피로 감소, 탐지 집중력 향상 등 운용성을 향상시키는 효과가 있고 허상표적 발생빈도를 줄임으로써 비상상황에 대한 긴급대응 소요를 줄여주는 효과가 있다. 또한 조기에 비표적에 대한 추적을 종료함으로써 동시추적능력, 탐지율 등 탐지성능을 극대화하는 효과가 있다.

도 1은 인공지능 기반 표적분류 모델의 내부 구조를 나타내는 도면이다.
도 2는 LSTM 층의 내부 구조를 나타내는 도면이다.
도 3은 드롭아웃 층을 예시한 도면이다.
도 4는 포탄의 궤적과 궤적에서 LSTM 층의 입력으로 들어가는 핵심 특징을 나타내는 도면이다.
도 5는 전체 시퀀스 데이터의 처리 흐름을 예시한 도면이다.
도 6은 대포병탐지레이더 표적분류 시스템에서 본 발명의 적용을 예시한 도면이다.

이하, 본 발명의 실시예에서 대해 기술한다. 본 발명의 실시예들은 본 발명의 기술적 사상을 설명하기 위한 목적으로 예시된 것으로서, 본 발명에 따른 권리범위가 이하에서 제시되는 실시예들이나 이들 실시예들에 대한 구체적 설명으로 한정되는 것은 아니다.

본 발명에서 사용되는 모든 기술적 용어들 및 과학적 용어들은, 달리 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 일반적으로 이해되는 의미를 갖는다. 본 발명에 사용되는 모든 용어들은 본 발명을 더욱 명확히 설명하기 위한 목적으로 선택된 것이며, 본 발명에 따른 권리범위를 제한하기 위해 선택된 것은 아니다.

본 발명에서 사용되는 "포함하는", "구비하는", "갖는" 등과 같은 표현은, 해당 표현이 포함되는 어구 또는 문장에서 달리 언급되지 않는 한, 다른 실시예를 포함할 가능성을 내포하는 개방적 용어(open-ended terms)로 이해되어야 한다.

본 발명에서 기술된 단수형의 표현은 달리 언급하지 않는 한 복수형의 의미를 포함할 수 있으며, 이는 청구범위에 기재된 단수형의 표현에도 마찬가지로 적용된다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 설명한다.

발명의 실시하기 위한 AI모델의 한 예시는 다음과 같이 M개의 단방향 LSTM 레이어와 M-1개의 Dropout 레이어로 이루어져 있다(도면1). M의 크기가 커질수록 추론 능력은 높아지지만 학습에 필요한 데이터 또한 늘어난다. 모델은 Dropout 레이어 유무나 개수에 국한되지 않고 다수의 Dropout 레이어를 가지는 경우를 포함한다.

LSTM은 다음 수식들로 설명할 수 있다.

(위 수식에서 는 시그모이드 함수 (sigmoid function)를 의미하고, 은 아다마르 곱(Hadamard product)을 의미한다. 는 모두 벡터이다. 는 입력 시퀀스의 t번째 데이터를 의미한다. 는 입력 시퀀스의 t-1번째 데이터에 대한 모델의 출력 값이다. 는 입력 시퀀스의 t번째 데이터에 대한 모델의 출력 값이다. 는 입력 시퀀스의 t-1번째 데이터에 대한 모델의 기억 값이다. 는 입력 시퀀스의 t번째 데이터에 대한 모델의 기억 값이다. 는 AI 모델이 학습을 통해 갱신하는 행렬이다. 는 AI 모델이 학습을 통해 갱신하는 벡터이다. 입력값 크기 와 임의의 값 가 주어질 때, 는 사이즈 의 벡터이다. 는 사이즈 의 벡터이다. 는 모두 사이즈 의 행렬이다. 는 모두 사이즈 의 벡터이다. 는 모두 사이즈 의 행렬이다.)

본 발명의 일 실시예에서 상기 값에 의해 본 발명의 범위가 제한되지 않는다. 본 발명의 일 실시예에서 의 크기가 커질수록 추론 능력은 높아지지만 학습에 필요한 데이터 또한 늘어나는 것일 수 있다. 다만 이에 제한되는 것은 아니다.

본 발명의 일 실시예에 있어서 LSTM의 레이어 구조는 입력값 3개와 출력값 3개를 사용하여 이전 결과에서 과 을 입력값으로 받고, 현 순서에서 를 입력값으로 받은 후, 상기에서 언급된 LSTM 수식들로 출력값을 계산하고, 과 을 다음 순서의 데이터 추론에 사용하기 위해 전달하고, 을 출력하는 것일 수 있다(도면 2).

LSTM M 레이어의 구조에 있어서, 마지막 M번째 LSTM는 한 개의 요소 가 추가되고 일부 행렬이 다른 크기를 가진다.

(은 LSTM의 최종 출력 사이즈를 조절하기위한 projection matrix이고 또한 AI 모델이 학습을 통해 갱신하는 행렬이다. 입력값 크기 , 임의의 값 와 분류하는 class의 개수 가 주어질 때, 는 사이즈 의 벡터이다. 는 사이즈 의 벡터이다. 는 모두 사이즈 의 행렬이다. 는 모두 사이즈 의 벡터이다. 는 모두 사이즈 의 행렬이다. 은 사이즈 의 행렬이다.)

Dropout 레이어의 구조의 경우 학습시에만 과적합을 방지하기 위해 활성화시키고, 추론시에는 비활성화 시킨다(도면 3). 상기 Dropout의 비율의 예를 들면, 0% 내지 100%의 수치일 수 있고, 바람직하게는 5% 내지 50% 일 수 있다. 다만, 이에 제한되는 것은 아니다.

특징값 추출 방법은 대포병 탐지레이더로부터 물체의 궤적 좌표 데이터를 받는다. 좌표는 ENU로 이루어져 있다. AI 모델(LSTM)에 투입되는 특징값은 좌표들 사이의 ‘고도편차’와 ‘각도’이다. 해당 고도편차와 각도는 다음 전처리 과정을 통해 좌표값에서 추출될 수 있다.

고도편차 추출 방법은 궤적에서 연속되는 2개의 좌표 , , 가 주어질 때 고도편차 이다.

각도 추출 방법은 궤적에서 연속되는 3개의 좌표 , , 가 주어질 때, 각도 로 얻어진다.( )

상기 각도 추출 방법을 통해 추출된 각도는 각도 특징값으로 입력될 수 있으며, 상기 고도편차 추출 방법을 통해 추출된 고도편차 또한 특징값으로 입력될 수 있다. 다만 이에 제한되는 것은 아니다.
최종적으로 AI 모델에 다음 특징값 시퀀스를 입력하여 분류값을 산출한다.

삭제

모델의 학습방법은 이미 알고있는 궤적의 실제 분류값을 기초로 매 시간 간격의 출력값 마다 손실 함수를 계산하여 AI 모델을 갱신한다. 이때, 손실 함수의 종류에 제한되는 것은 아니고, 예를 들면 크로스 엔트로피 (cross entropy) 또는 평균 제곱 오차 (mean squared error) 일 수 있고, 중 적어도 하나 이상에 대해서만 손실 함수를 계산하여 AI 모델을 갱신하는 것일 수도 있다. 다만 이에 제한되는 것은 아니다.

포탄을 비표적으로 오분류하는 것을 최소화하기 위해 본 발명의 일 실시예에서는 모델을 포탄 분류 임계값을 낮춰서 적은 확신값의 결과도 포탄으로 분류할 수 있다. 예를 들면, 분류 임계값(threshold)을 낮춰 정밀도(precision)를 낮추는 대신 재현율(recall)을 올리는 것일 수 있다. 추론시에 사용할 적절한 임계값을 도출하기 위해서 검증 데이터에서 실험을 통해 각 임계값에서의 정밀도와 재현율을 계산하고, 정밀도-재현율 곡선 (precision-recall curve) 목적에 알맞은 임계값을 정할 수 있다.

학습 시킨 AI 모델을 추론에 상용하는 방법은 본 발명의 일 실시예에서 AI 모델의 학습과정을 채용하되, 추론 (inference) 시에는 매 timestep의 출력값 을 임의의 가중치로 종합하여 최종 분류를 결정하거나 마지막 timestep의 출력값 만을 사용하여 최종 분류를 결정하는 것일 수 있다. 추론시에는 손실 함수를 계산하거나 AI 모델을 갱신하지 않는다.

Claims (7)

1. 대포병탐지레이더의 표적분류 방법에 있어서,
   레이더에서 탐지된 데이터의 좌표에서 각도 특징값 및 고도 편차를 추출하는 단계;
   상기 추출된 각도 특징값 및 고도 편차를 -시퀀스 특징 벡터로 구성하는 단계;
   상기 -시퀀스 특징 벡터로 LSTM 층과 드롭아웃 층을 사용하여 구성된 인공신경망 모델을 학습시키는 단계;
   상기 학습된 모델의 임계값을 수치조정하는 단계; 및
   상기 -시퀀스 특징 벡터를 상기 수치조정된 모델에 입력하여 결과값을 도출하는 단계;를 포함하는 대포병탐지레이더의 표적분류 방법.
   
2. 제1항에 있어서, 상기 각도 특징값을 추출하는 단계는 탐지 데이터의 연속되는 3개의 좌표 에 수학식1
   [수학식 1]
   
   로 속도 벡터 을 계산하고, 수학식2
   [수학식 2]
   
   로 각도 특징을 계산하는 것이고,
   상기 고도편차를 추출하는 단계는, 수학식 3
   [수학식 3]
   
   로 고도편차 을 계산하는 것인 대포병탐지레이더의 표적분류 방법.
   
3. 제1항에 있어서, -시퀀스 특징 벡터의 은 수학식4
   [수학식4]
   (은 탐지된 데이터의 길이)이고,
   의 값은 수학식5
   [수학식5]
   (는 표적분류 제한시간이고, 는 탐지 데이터의 최소 시간 간격임)
   을 만족하는 최대의 자연수로 정해지는 것을 특징으로 하는 대포병탐지레이더의 표적분류 방법.
   
4. 제1항에 있어서, 상기 LSTM 층과 드롭아웃 층을 사용하여 구성된 인공신경망 모델은 LSTM 개 층과 드롭아웃 개 이하의 층으로 구성되고(단, M은 2 이상의 자연수임), 각 LSTM 층 사이에 드롭아웃 층이 구성되는 것을 특징으로 하는 대포병탐지레이더의 표적분류 방법.
   
5. 제1항에 있어서, 인공신경망 모델을 학습시키는 단계는 탐지 데이터의 실제 분류 값에 기초하여 매 탐지 데이터의 최소 시간 간격마다 발생하는 출력값의 전체 또는 일부의 손실함수를 계산하여 인공신경망 모델을 갱신하는 대포병탐지레이더의 표적분류 방법.
   
6. 제1항에 있어서, 상기 인공신경망 모델의 임계값을 수치조정하는 단계는 검증 데이터셋을 기준으로 재현율이 작전요구 성능에 부합하도록 하는 것을 조건으로 하고, 검증 데이터셋을 기준으로 상기 조건을 만족하면서 특이도가 최대가 되는 임계값을 모델의 최종 임계값으로 설정하는 단계를 특징으로 하는 대포병탐지레이더의 표적분류 방법.
   
7. 제1항에 있어서, 상기 결과값 도출 단계는 상기 임계값에 따라 표적(포탄)인지 비표적인지 추론하고, 비표적으로 추론한 경우에 무인기인지 그 외 비표적인지 추론하는 과정을 포함하는 대포병탐지레이더의 표적분류 방법.