KR20190138294A - 드론 네트워크에서 효율적인 배터리 충전을 위한 클라우드 기반 드론 내비게이션 방법 - Google Patents

Abstract

드론 네트워크에서, 드론에게 비행경로를 할당해주기 위해 트래픽 제어 장치에서 수행되는 방법은, 비행 경로가 할당된 적어도 하나의 드론들 또는 적어도 하나의 빠른 배터리 충전소(Quick Battery Charging Machine: QCM)들로부터 상기 드론 네트워크상의 트래픽 정보를 획득하는 단계, 상기 트래픽 정보는 상기 드론 네트워크상의 상기 적어도 하나의 드론들의 제 1 정보 또는 상기 적어도 하나의 QCM들의 제2 정보 중 적어도 하나를 포함하고; 상기 트래픽 정보를 바탕으로 상기 적어도 하나의 드론들을 고려한 비행경로 설정을 위한 알고리즘을 이용하여 최적의 비행경로를 결정하는 단계; 및 상기 드론에게 상기 최적의 비행경로를 할당하는 단계를 포함하되, 상기 최적의 비행 경로는 상기 드론의 비행시간, 상기 드론의 상기 적어도 하나의 QCM들에서의 충전시간 및 상기 적어도 하나의 QCM들에서 상기 적어도 하나의 드론들의 총 대기 시간의 합을 나타내는 정보인 전역적 대기시간을 기초로 결정되고, 및 상기 최적의 비행경로는 상기 드론 네트워크를 구성하는 드론들의 전체 비행시간을 최소화하는 경로인 것을 특징으로 한다.

Description

드론 네트워크에서 효율적인 배터리 충전을 위한 클라우드 기반 드론 내비게이션 방법{Method for Cloud-Based Drone Navigation for Efficient Battery Charging in Drone Networks}

본 발명은 드론 네트워크에서의 드론 네비게이션 방법에 관한 것으로서, 보다 상세하게 드론 네트워크에 포함된 드론들의 트래픽 정보를 수집하고, 이를 기초로 배터리 충전을 고려한 최적의 비행경로를 드론들에게 제공함으로써, 전체적인 드론들의 비행시간을 최소화 하는 글로벌 드론 서비스 경로들을 찾는 방법에 관한 것이다.

최근 무인 항공기(드론(Drone), 이하 드론이라고 한다.)을 활용한 다양한 서비스가 등장하고 있다.

드론은 군사 정찰 (예를 들어 : 정찰, 감시 및 폭파 등)을 수행하기 위해 개발되었으나, 최근에는 다양한 기업이 운송, 농축, 인프라 관리, 데이터 공유, 실외 / 실내 내비게이션과 같은 상용 무인 애플리케이션에 드론 기술을 적용함에 따라, 드론은 다양한 산업 목적을 위해 빠르게 개발되고 있다.

Amazon은 2013 년 12 월에 "Prime Air"라는 새로운 운송 시스템을 발표했고, "Prime Air"는 대신 드론 운반 서비스를 수행한다.

Google은 무선 인터넷에 야외 열기구와 유사한 거대한 풍선을 제공하는 "Project Loon" 서비스 개발 중에 있다.

또한, facebook은 최근 Amazon과 Google에 가입하여 운송 서비스 및 무선 인터넷 공급을 위한 드론 개발을 시작했다.

이러한 개발은 다른 다양한 기업들도 드론 관련 연구(예를 들어, 소프트웨어 플랫폼, 배터리, 배터리 충전기, 통신 및 개인 정보 보호 등)에 대한 투자를 하도록 만들었다.

드론들과 드론 관리 시스템으로 이루어진 일종의 네트워크를 드론 네트워크라고 한다. 이 드론 네트워크에는 많은 수의 드론들이 포함될 수 있으며, 드론 네트워크에 포함된 많은 수의 드론들을 관리하는 시스템을 드론 네트워크 관리 시스템이라고 한다. 드론 네트워크 관리 시스템은 드론 네트워크에 속한 드론들에게 목적지까지의 비행경로를 할당하여 준다. 이 드론 네트워크에서 서비스 중인 많은 수의 드론들은 제한된 배터리 용량을 가지고 드론 네트워크 관리 시스템으로부터 할당 받은 비행경로를 이용하여 단거리 비행 또는 장거리 비행을 수행하게 된다.

이 때, 특히 드론들이 장거리 비행을 수행하는 경우에, 드론들은 제한된 배터리 용량으로 인해 빠른 배터리 충전소(Quick battery-Charging Machines, QCM)를 경유하여 QCM에서 배터리를 충전함으로써 설정된 목적지에 도달할 수 있다. 그런데 이와 같이 드론이 설정된 목적지 도달을 위해 QCM을 경유해야 하는 경우에서, 종래 기술에 따른 기존의 드론 네트워크 관리 시스템은 다른 드론들의 QCM이용 여부를 고려하지 않고, 목적지까지의 비행경로를 드론들에게 할당해주었다. 이렇게 기존 네트워크 시스템이 다른 드론들의 QCM이용 여부에 대한 고려 없이 드론들에게 배터리 충전을 위한 QCM을 경유하는 비행경로를 할당함으로써, 많은 수의 드론들은 배터리 충전을 위해 특정한 QCM을 이용하게 된다. 상기 특정한 QCM에서는, 드론들의 도착 순서에 따라 늦게 도착한 드론은 배터리 충전을 위해 긴 대기시간이 발생하는 등의 혼잡이 야기 된다. 이러한 특정 QCM에서의 혼잡은 드론 서비스에서의 전체적인 드론들의 비행시간을 증가시켜, 드론 서비스의 효율적인 운영을 어렵게 하는 문제가 있다.

이 배경기술 부분에 기재된 사항은 발명의 배경에 대한 이해를 증진하기 위하여 작성된 것으로서, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술이 아닌 사항을 포함할 수 있다.

본 명세서는 드론 네트워크에 포함된 비행 중인 드론들에게, 배터리 충전을 고려한 효율적인 드론 서비스 경로를 할당하는 방법을 제공함에 그 목적이 있다.

또한, 본 명세서는 드론 네트워크에 포함된 비행 중인 드론들에게, 드론 배터리 충전소에서의 혼잡을 줄임으로써 드론들의 전체적인 비행시간을 단축할 수 있는 글로벌 드론 서비스 경로들을 찾는 방법을 제공함에 그 목적이 있다.

본 명세서에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 명세서는, 드론 네트워크에서, 드론에게 비행경로를 할당해주기 위해 트래픽 제어 장치에서 수행되는 방법은, 비행 경로가 할당된 적어도 하나의 드론들 또는 적어도 하나의 빠른 배터리 충전소(Quick Battery Charging Machine: QCM)들로부터 상기 드론 네트워크상의 트래픽 정보를 획득하는 단계, 상기 트래픽 정보는 상기 드론 네트워크상의 상기 적어도 하나의 드론들의 제 1 정보 또는 상기 적어도 하나의 QCM들의 제2 정보 중 적어도 하나를 포함하고; 상기 트래픽 정보를 바탕으로 상기 적어도 하나의 드론들을 고려한 비행경로 설정을 위한 알고리즘을 이용하여 최적의 비행경로를 결정하는 단계; 및 상기 드론에게 상기 최적의 비행경로를 할당하는 단계를 포함하되, 상기 최적의 비행 경로는 상기 드론의 비행시간, 상기 드론의 상기 적어도 하나의 QCM들에서의 충전시간 및 상기 적어도 하나의 QCM들에서 상기 적어도 하나의 드론들의 총 대기 시간의 합을 나타내는 정보인 전역적 대기시간을 기초로 결정되고, 및 상기 최적의 비행경로는 상기 드론 네트워크를 구성하는 드론들의 전체 비행시간을 최소화하는 경로인 것을 특징으로 한다.

또한 본 명세서에서는, 상기 제1 정보는 상기 적어도 하나의 드론들의 평균속도 정보, 속도 표준편차 정보, 출발지 정보, 목적지 정보, 현재 위치 정보 또는 이동방향 정보 중 적어도 하나를 포함하고, 상기 제2 정보는 상기 적어도 하나의 QCM들의 현재 상태, 충전예약 정보 또는 충전 대기시간 정보 중 적어도 하나를 포함할 수 있다.

또한 본 명세서에서는, 최적의 비행경로를 결정하는 단계는, 상기 트래픽 제어 장치의 메모리에 저장된 값을 초기화하는 단계; 상기 드론의 배터리 충전 여부를 판단하는 단계; 상기 드론의 배터리 잔량으로 도달할 수 있는 QCM들의 정보인 QCM 세트를 결정하는 단계; 각 QCM에서 상기 드론의 총 대기 시간의 정보를 나타내는 개별적 대기시간 및 상기 QCM 세트에 기초하여 k개의 제 1 경로들을 결정하는 단계, 상기 제 1 경로들은 상기 개별적 대기시간에 기초하여 경로를 결정한 경우, 최소한의 시간이 소요된 경로이고; 상기 각 QCM에서 상기 개별적 대기시간 및 상기 적어도 하나의 드론들의 총 대기 시간의 합을 나타내는 정보인 전역적 대기시간을 상기 제1 경로들에 적용하여 k개의 경로 별 소요시간을 계산하는 단계를 더 포함할 수 있다.

또한 본 명세서에서는, 배터리 충전이 필요하지 않다고 판단된 경우, 최적의 비행경로를 결정하는 단계는; QCM을 경유하지 않는 목적지까지의 가장 짧은 비행경로를 결정하는 단계를 더 포함할 수 있다.

또한 본 명세서에서는, 상기 제1 비행 경로들은 비행시간(Flight time) 변수 및 충전시간(Charging time) 변수를 이용하여 결정될 수 있다.

또한 본 명세서에서는, 드론에게 비행경로를 할당해주기 위는 트래픽 제어 장치에 있어서, 무선 신호를 송수신하기 RF유닛; 및 RF 유닛과 기능적으로 연결되는 프로세서를 포함하고, 상기 프로세서는, 비행 경로가 할당된 적어도 하나의 드론들 또는 적어도 하나의 빠른 배터리 충전소(Quick Battery Charging Machine: QCM)들로부터 상기 드론 네트워크상의 트래픽 정보를 획득하는 단계, 상기 트래픽 정보는 상기 드론 네트워크상의 상기 적어도 하나의 드론들의 제 1 정보 또는 상기 적어도 하나의 QCM들의 제2 정보 중 적어도 하나를 포함하고; 상기 트래픽 정보를 바탕으로 상기 적어도 하나의 드론들을 고려한 비행경로 설정을 위한 알고리즘을 이용하여 최적의 비행경로를 결정하는 단계; 및 상기 드론에게 상기 최적의 비행경로를 할당하는 단계를 포함하되, 상기 최적의 비행 경로는 상기 드론의 비행시간, 상기 드론의 상기 적어도 하나의 QCM들에서의 충전시간 및 상기 적어도 하나의 QCM들에서 상기 적어도 하나의 드론들의 총 대기 시간의 합을 나타내는 정보인 전역적 대기시간을 기초로 결정되고, 및 상기 최적의 비행경로는 상기 드론 네트워크를 구성하는 드론들의 전체 비행시간을 최소화하는 경로인 트래픽 제어장치인 것을 특징으로 한다.

본 발명은 드론 네트워크 상의 비행 중인 드론들에게 배터리 충전을 고려한 최적의 서비스 경로를 할당할 수 있는 효과가 있다.

또한, 본 발명은 드론 네트워크 상의 비행 중인 드론들에게 배터리 충전을 고려한 효율적인 서비스 경로들을 드론들에게 할당하여 전체적인 드론들의 평균 비행시간을 최소화할 수 있는 효과가 있다.

본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 명세서에서 제안하는 드론 네트워크 아키텍쳐의 일례를 나타낸 도이다.
도 2는 본 명세서에서 제안하는 서비스 중인 다른 드론들을 고려하지 않고 오직 자신의 배터리 충전만을 고려한 로컬 QCM 최적화 기법을 보여주는 일례를 나타낸 도이다.
도 3은 본 명세서에서 제안하는 드론 네트워크에 포함된 다른 드론들도 함께 고려하는 글로벌 QCM 선택 최적화 기법의 일례를 나타낸 도이다.
도 4는 본 명세서에서 제안하는 드론이 출발지에서 목적지까지의 비행을 위하여 다양한 경로를 얻을 수 있음을 보여주는 일례를 나타낸 도이다.
도 5는 본 명세서에서 제안하는 노드간 링크에서의 비행지연 및 E2E 경로에서의 비행 지연을 계산하는 방법의 이해를 돕기 위한 일례를 나타낸 도이다.
도 6은 본 명세서에서 제안하는 전역적 대기시간을 계산하는 방법의 이해를 돕기 위한 일례를 나타낸 도이다.
도 7은 본 명세서에서 제안하는 전역적 대기시간을 계산하는 방법의 이해를 돕기 위한 일례를 나타낸 도이다.
도 8은 본 명세서에서 제안하는 드론이 출발지에서 배터리 잔량으로 도달할 수 있는 QCM 집합을 나타내는 그래프를 나타낸 도이다.
도 9는 본 명세서에서 제안하는 다른 드론들을 고려한 최적의 비행경로할당 알고리즘의 순서도를 나타낸 도이다.
도 10은 본 명세서에서 제안하는 비행경로 할당 알고리즘에 따라 할당된 경로를 따라 비행할 때 소요되는 드론의 총 비행시간을 나타낸 도이다.
도 11은 본 명세서에서 제안하는 비행경로 할당 알고리즘에 따라 할당된 경로를 따라 비행할 때 소요되는, 드론 네트워크상의 다른 드론들의 추가적인 대기시간을 고려한 총 비행시간을 나타낸 도이다.
도 12는 본 명세서에서 제안하는 드론 네트워크 시뮬레이션 스냅샷을 나타낸 도이다.
도 13은 본 명세서에서 제안하는 드론 네트워크에서 각 알고리즘 별 QCM 사용률에 대한 시뮬레이션 결과를 나타낸 도이다.
도 14는 본 명세서에서 제안하는 드론 수에 따른 본 발명 성능의 영향에 대한 시뮬레이션 결과를 나타낸 도이다.
도 15는 본 명세서에서 제안하는 드론 속력에 따른 본 발명 성능의 영향에 대한 시뮬레이션 결과를 나타낸 도이다.
도 16은 본 명세서에서 제안하는 드론 속력의 표준편차 크기에 따른 본 발명 성능의 영향에 대한 시뮬레이션 결과를 나타낸 도이다.
도 17은 본 명세서에서 제안하는 QCM 수에 따른 본 발명 성능의 영향에 대한 시뮬레이션 결과를 나타낸 도이다.
도 18은 본 명세서에서 제안하는 QCM의 성능에 따른 본 발명 성능의 영향에 대한 시뮬레이션 결과를 나타낸 도이다
도 19는 본 명세서에서 제안하는 배송 물품의 무게에 따른 따른 본 발명 성능의 영향에 대한 시뮬레이션 결과를 나타낸 도이다
도 20은 본 명세서에서 제안하는 클라우드 기반 내비게이션 트래픽 제어 센터(Traffic Control Center: TCC) 동작의 일례를 나타낸 도이다.
도 21은 본 명세서에서 제안하는 방법들이 적용될 수 있는 트래픽 제어 장치의 블록 구성도를 예시한다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 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.

장거리 비행의 경우 드론 제한된 배터리 용량 때문에 빠른 배터리 충전소 (Quick Battery Charging Machine: QCM, 이하 QCM이라 한다.)에서 배터리를 충전해야 하는 경우가 있다.

드론이 배터리 충전을 위해 QCM을 개별적으로 선택하면 드론 네트워크는 여러 무인 항공기가 동일한 QCM을 선택하게 되고, 이는 QCM에서의 혼잡을 발생시킬 수 있고, 이는 QCM에서의 트래픽 지연으로 이어지게 된다.

이러한 문제를 해결하기 위해 본 발명은 무인 항공기 네트워크에서 효율적인 무인 배터리 충전을 위한 클라우드 기반 드론 내비게이션 (Cloud Based Drone Navigation: CBDN) 시스템을 제안한다.

본 명세서에서, CBDN은 드론들의 트래픽 정보를 수집하고 효율적인 무인 경로를 결정하여 클라우드 기반 관리를 사용하여 무인 항공기 배터리 충전을 위한 전체 QCM 혼잡도를 최소화한다.

보다 구체적으로, CBDN은 드론 네트워크 상의 전역적인(global) QCM 혼잡도를 줄임으로써, 드론 네트워크의 총 트래픽 지연을 최소할 수 있는 전역적으로 최적화 된 드론의 비행 경로를 제공한다.

또한, 본 명세서는 상기 제안 된 CBDN 시스템의 효율성을 입증하기 위해 다양한 네트워크 조건에서 무인 항공기 네트워크의 시뮬레이션을 통해 CBDN의 성능을 평가한 시뮬레이션 결과들을 제공한다.

시뮬레이션 결과는 본 명세서에서 제안하는 CBDN 시스템이 기존의 최단 경로 기반 무인 항공기 경로 계획 알고리즘보다 E2E (End-to-End) 트래픽 지연 및 QCM 평균 활용도 측면에서 더 효율적임을 보여준다.

이하에서, 본 명세서에서 제안하는 클라우드 기반 드론 내비게이션 방법에 대하여 보다 구체적으로 살펴보기로 한다.

드론 네트워크 아키텍쳐

도 1은 드론(Drone) 네트워크 아키텍쳐의 일례를 나타낸다. 도 1을 살펴보면, 트래픽 제어 센터(Traffic Control Center: TCC)(101), 빠른 배터리 충전소(Quick Battery Charging Machine: QCM, 이하 QCM이라 한다.)(102) 및 출발지에서 출발하는 드론(103)으로 구성되는 드론 네트워크 아키텍쳐와 출발지(104), 목적지(105)가 나타나있다.

구체적으로, 드론 클라우드의 핵심 컴퓨팅(Computing) 및 저장(Storage) 노드인 TCC(101)는 위치 관리를 위하여 드론(103) 및 QCM(102) 의 상태를 유지 관리하는 클라우드 기반 관리 시스템이다. TCC(101)는 드론(103) 및 QCM(102)의 최신 트래픽 통계 정보를 제공한다. 드론의 트래픽 통계 정보는 출발지(104), 목적지(105), 현재 위치 및 이동방향에 따른 드론(103)의 평균속력, 드론(103) 속력의 표준편차 등의 정보를 포함하고, QCM(102)의 트래픽 통계 정보는 현재QCM(102) 상태, 충전 예약 정보, 충전 대기시간 등의 정보를 포함한다.

QCM(102)은 드론(103)의 배터리를 충전해주는 충전 스테이션이다. QCM(102)은 TCC(101)에게 주기적으로 현재 QCM(102) 상태, 충전 예약 정보, 충전 대기시간 정보 등을 보고한다. QCM(102)은 드론(103) 네트워크 전역에 걸쳐 임의적으로 배치된다.

드론(103)은 출발지로부터 목적지까지 비행하는 무인 비행 장치(Unmanned Aerial Vehicle: UAV)이다. 드론(103)은 각 QCM(102)에서의 배터리 충전을 위한 대기시간 지연을 TCC(101)와의 통신을 통해 알 수 있다. TCC(101)와의 잦은 통신으로 인한 배터리 소모를 감소시키기 위해서, 드론(103)은 비상시를 제외하고 출발지(104)에서 단 한 번만 TCC(101)와 통신한다.

도 1과 같이 드론(103)들은 배터리의 용량에 제한이 있어 서비스 도중에 배터리 충전이 필요한 경우, QCM(102)에서 배터리 충전함으로써 서비스를 계속 제공할 수 있다.

드론 서비스는 드론(103)을 이용한 배송 서비스, 알람 서비스, 또는 살충제 살포 서비스 등 물건 및 정보를 목적지(105)까지 전달하기 위한 다양한 서비스를 의미할 수 있다. 이하에서도 이와 같은 의미로 사용된다.

또한, 본 명세서에는 아래와 같은 사항들을 가정한다.

드론은 출발지, 목적지, 현재 위치 및 이동 정보 (즉, 방향 및 속도)를 주기적으로 보고한다.

또한, QCM은 상태 및 서비스 통계(예를 들어, 예약 정보 및 대기 정보)를 주기적으로 보고한다.

또한, QCM은 한 번에 한 개의 드론 배터리만 충전 할 수 있다. 상기 충전 방식은 다중 충전기를 구비한 하나의 QCM 또는 하나의 충전기만을 구비한 다중 QCM을 통한 다중 충전 방식으로 쉽게 확장될 수 있다.

또한, 드론이 QCM에서 배터리를 충전하면 배터리는 항상 완전히 충전되고, 충전 시간은 사용한 배터리 용량에 따라 다르다.

또한, 드론은 예상 도착 시간에 QCM 또는 목적지에 도착할 수 있다. 이 능력은 드론이 드론 네트워크의 예상 도착 시간에 도달하기 위해 자체 속도를 제어 할 수 있기 때문에 가능하며 이는 바람과 같은 일부 저항 하에서도 마찬가지이다.

또한, 드론의 배터리 소모량은 휴대 수하물의 무게와는 무관하다고 가정한다.

또한, QCM에서는 드론을 버리거나 교체하지 않는다.

마지막으로, 드론과 QCM 사이에는 이미 인증 메커니즘이 있어서, 인증된 드론만 QCM에서 충전 서비스를 이용할 수 있다.

클라우드 기반 드론 내비게이션의 개념

이하에서 클라우드 기반 드론 내비게이션(Cloud-Based Drone Navigation: CBDN)의 개념에 대해서 설명한다. 클라우드 기반 드론 내비게이션은 각 QCM에서 충전 예약시스템을 이용한다. 클라우드 기반 드론 내비게이션은 드론 네트워크상의 드론들의 총 비행시간을 줄이는 것을 목표로 한다. 총 비행시간은 QCM에서의 대기시간, QCM에서의 충전시간 및 출발지에서 목적지까지의 비행시간의 합으로 계산된다.

클라우드 기반 드론 내비게이션은 개별 드론 수준에서의 비행경로를 제공하지 않고, TCC가 제공하는 드론 네트워크 수준에서의 최적 비행경로를 드론에게 제공한다. 즉, 드론 네트워크상의 다른 드론들을 고려한 비행경로를 할당한다. 이를 글로벌 QCM 최적화 기법이라고 한다.

도 2는 드론 서비스 중인 다른 드론들을 고려하지 않고 오직 자신의 배터리 충전만을 고려하여 비행경로를 할당하는 기법인 로컬 QCM 최적화 기법을 보여주는 일례이다.

도 2에서, 서비스 중인 드론은 d1~d8으로 표시하였고, 서비스 중인 드론들이 이용할 수 있는 QCM은 q1~q7으로 표시하였다.

설명의 편의를 위해서, 다섯 대의 드론(d1~d5)들에 한정하여 본 발명을 설명하도록 한다.

도 2를 참조하면, 서비스 중인 드론들에게 인접한 다른 드론들의 경로를 고려하지 않고 QCM을 할당하는 경우, 인접한 다른들에게 할당된 QCM에서 많은 수의 드론들로 인한 혼잡이 발생하게 된다.

이때, 이 드론들의(d1~d5) 출발지와 목적지는 모두 다를 수 있다.

각 드론들은 목적지까지 도달하기 위해서 순차적으로 또는 서로 다른 시점에 출발지에서 출발하고, 결정된 경로 상의 q1 내지q5중 하나의 QCM을 선택하여 배터리를 선택하여 배터리를 충전할 수 있다.

설명의 편의를 위해, 드론들이(d1~d5) 출발지에서 목적지까지 도달하는 경로상에서 배터리 충전이 필요한 경우로 한정한다. 드론들은 목적지까지 비행하는 경로상에서 배터리 충전을 위해 QCM을 경유하게 된다. 드론들은(d1~d5) 드론 서비스를 위해, d1, d2, d3, d4, d5 순서로 순차적으로 출발지에서 출발하였다고 가정한다.

도 2에 도시된 바와 같이, 다른 드론들을 고려하지 않은 로컬 QCM 선택 최적화 기법에 따를 때, 각 드론들은(d1~d5) q1으로 표시된 QCM을 경유하여 배터리를 충전하고 목적지에 도달하는 경로가 가장 빠른 경로에 해당할 수 있다.

이 경우, 드론들이(d1~d5) 출발순서와는 반대로 d5, d4, d3, d2, d1순서로 QCM q1에 도착한다면, 출발시점에 각 드론들은(d1~d5) 로컬 QCM 선택 최적화 기법에 따라 QCM q1을 경유하는 목적지까지의 경로가 가장 빠른 비행경로로 선택되었음에도 불구하고, 가장 먼저 도착한 드론 d5를 제외한 나머지 d1~d4드론들은 제일 빠른 비행경로가 아닐 수 있다.

즉, 뒤늦게 출발한 드론들이(예를 들어, d2~d5) 출발시점에 로컬 QCM 선택 최적화 기법을 적용하여 목적지까지의 경로상에서 경유하여 배터리를 충전할 QCM을 선택(및 예약)할 때, 먼저 출발하여 QCM을 선택(및 예약)한 다른 드론은 고려하지 않고 오직 자신의 배터리 충전만을 고려하여 최적 경로를 할당 받았기 때문이다.

이러한 최적 경로 계산방법은 QCM q1에서의 배터리 충전을 위한 대기시간으로 인한 혼잡을 발생시키게 된다.

QCM q1에 가장 먼저 도착한 드론 d5는 배터리 충전을 위한 대기시간이 발생하지 않으므로, QCM q1에 도착하자 마자 배터리 충전을 할 수 있고, 배터리 충전이 완료되면 목적지까지의 설정된 최적의 경로(즉, 가장 적은 시간이 필요한)를 따라서 비행할 수 있다.

이 경로는 QCM q1에서의 대기시간이 발생하지 않은 경로이므로 실제로도 최적의 경로에 해당하게 된다. 그러나 q1에 뒤늦게 도착한 드론들은(d1~d4) q1에 도착한 시점에서, 먼저 QCM q1에 도착하여 배터리 충전을 하였으나 아직 배터리 충전이 끝나지 않은 드론이 있는 경우에 배터리 충전을 위한 대기시간이 발생하게 된다.

따라서 출발시점에는 q1에서 배터리를 충전하고 목적지까지 비행하는 경로가 최적의 경로인 것으로 계산되었지만, 실제로는 배터리 충전을 위한 대기시간의 발생으로 인하여 계산된 최적의 경로가 실제로는 최적의 경로가 아닐 수 있다. 또한 여기서 QCM에 늦게 도착한 드론들(d1~d4)에게 추가적으로 발생한 대기시간은 드론 네트워크에 포함된 드론들의 전체적인 비행시간을 증가시키게 된다.

이러한 문제점을 해결하기 위해서, 본 발명은 서비스 중인 다른 드론들도 함께 고려하는 글로벌 QCM 선택 최적화 기법을 통하여 비행경로를 할당하는 클라우드 기반 드론 내비게이션 시스템을 제안한다.

도 3은 드론 네트워크에 포함된 다른 드론들도 함께 고려하는 글로벌 QCM 선택 최적화 기법의 일례를 보여준다. 글로벌 QCM 선택 최적화 기법은 클라우드 기반 드론 네트워크 관리 시스템을 활용하여 드론들 및 QCM들의 트래픽 정보를 수집하고, 수집한 트래픽 정보를 바탕으로 효율적인 배터리 충전을 고려한 비행경로를 드론들에게 할당하는 기법이다. 위의 정보수집 및 비행경로 할당은 클라우드 기반 드론 네트워크 시스템의 TCC에서 수행된다.

상기 드론들의 트래픽 정보는 드론의 속도 정보, 속도 표준편차 정보, 출발지 정보, 목적지 정보, 현재 위치정보, 이동방향 정보 등의 정보를 포함한다.

상기 QCM의 트래픽 정보는 현재 QCM의 상태, QCM에서의 충전 예약정보, QCM에서의 충전 대기시간 정보 등을 포함할 수 있다.

보다 자세하게, 글로벌 QCM 선택 최적화 기법은, 어떤 특정한 드론의 배터리 충전으로 인해 발생할 수 있는 다른 드론들의 추가적인 대기시간 및 다른 QCM을 이용하는 우회 경로와 비교하여 보다 더 빠른 경로를 이용하는 기법이다.

도 3에서 서비스 중인 드론은 d1~d8로 표시되었고, QCM은 q1~q7로 표시되었다.

설명의 편의를 위해, d1~d5의 드론에 한정하여 설명한다. 각 드론들(d1~d5)은 d1, d2, d3, d4, d5순서로 출발지에서 출발하게 된다. 도 2의 로컬 QCM선택 최적화 기법이 적용되는 경우와는 다르게, 도 3의 드론들은(d1~d5) 출발시점에서 다른 드론들을 고려한 비행경로를 클라우드 기반 드론 네트워크 관리 시스템의 TCC로부터 할당 받게 된다.

이러한 방법을 통해 비행경로를 할당 받은 결과, 드론들이(d1~d5) 목적지까지의 비행경로 상에서 경유하게 되는 QCM은 각각의 드론별로 상이하게 설정될 수 있다. 예를 들면, 도3에서와 같이 드론 d1, d5는 q1을 할당 받고, 드론 d3는 q2를 할당 받으며, 드론 d2, d4는 q3을 할당 받게 된다.

드론 별로 상이한 QCM을 할당 받게 됨으로써, 특정 QCM에 늦게 도착한 드론이 먼저 도착한 드론들의 배터리 충전 완료 시까지의 대기를 위해 필요한 시간이 크게 줄어들거나, 아예 발생하지 않게 될 수 있다.

위와 같이, 글로벌 QCM 선택 최적화 기법을 적용하면 특정 QCM에서의 대기 시간으로 인한 혼잡이 발생하지 않게 되고, 드론 네트워크에 포함된 드론들의 전체적인 비행시간을 최소화 할 수 있는 효과가 있다.

즉, 글로벌 QCM 선택 최적화 기법을 통하여 과도한 숫자의 드론이 특정한 하나의 QCM을 경유하는 것을 피할 수 있고, 이에 따라 해당 QCM에서 배터리 충전을 위한 대기시간으로 인한 혼잡이 발생하지 않게 된다. 이는 드론 네트워크에 포함된 전체 드론들의 비행시간을 최소화 할 수 있는 효과로 이어진다.

다만 각 드론의 개별적인 입장에서 보았을 때, 글로벌 QCM 선택 최적화 기법을 따르게 되면 특정 QCM에서의 혼잡을 피하기 위해 자신이 이용할 수 있는 최적의 경로를 포기하게 되는 문제점이 생길 수 있다.

예를 들면, 어느 드론(드론 1)의 목적지까지 도달하는 여러 가지 경로 중, 목적지에 도달하기 위해 가장 적은 시간을 필요로 하는 최적의 경로(경로1)가 있다고 하자.

이 경로 1에는 드론 1이 배터리 충전을 위하여 경유하여야 할 QCM(QCM1) 이 있으나, 다수의 다른 드론들도 이 QCM1을 선택한 상황이 발생할 수 있다.

글로벌 QCM 선택 최적화 기법에 따르면, 드론 1이 할당 받은 QCM1에서 다른 드론들과의 혼잡이 예상되고, 이러한 혼잡을 피하기 위해 다른 QCM(QCM2)으로 우회하는 경로(경로2)를 드론1에게 할당하게 될 것이다.

새로운 경로인 경로2를 할당 받은 드론1은 목적지까지의 최적의 경로였던 경로1을 이용하지 못하고, 더 긴 이동시간을 필요로 하는 새롭게 할당된 경로2를 택하게 된다.

즉, 각 개별적인 드론의 입장에서는 네트워크에 포함된 드론들의 전체적인 비행시간 감소라는 목적을 위해, 자신에게 최선이었던 경로를 포기해야 하는 상황이 발생할 수 있다.

하지만, 전체적인 드론 네트워크 측면에서 보면 개별적인 드론들이 자신의 최적의 경로를 포기함으로써 해당 드론 네트워크를 이용하는 드론들의 전체적인 비행시간이 감소할 수 있고, 이는 효율적인 전체 드론 네트워크의 운용을 가능하게 한다.

위와 같이, 드론들의 전체적인 비행시간의 큰 상승을 가져올 수 있는 로컬 QCM 선택 최적화 기법에 비하여, 클라우드 기반 관리 시스템을 활용한 드론 글로벌 QCM 선택 최적화 기법이 명백히 유리한 효과를 가진다고 볼 수 있다.

도 4는 드론이 출발지에서 목적지까지의 비행을 위하여 다양한 경로를 얻을 수 있음을 보여주는 일례를 나타낸 도이다.

도 4를 보면 드론이 얻을 수 있는 경로는 4가지가 있다.

도 4에서와 같이, 드론은 다양한 경로를 통하여 목적지까지 도달할 수 있다.

따라서, 클라우드 기반 내비게이션 시스템을 활용하여 이러한 다양한 경로들 중에서 가장 적합한 경로를 드론에게 할당하여 주는 것은 효율적인 드론 네트워크 운영 및 드론 네트워크에 속한 개별 드론들의 배터리 절약 측면에서 중요성을 갖는다.

이하에서, 클라우드 기반 드론 네트워크 관리 시스템을 활용한 글로벌 QCM 선택 최적화 기법의 적용 알고리즘, 즉 클라우드 기반 드론 내비게이션의 알고리즘을 더 구체적으로 살펴본다.

클라우드 기반 드론 내비게이션의 구체적인 디자인

본 명세서는, 최적의 E2E(End-to-End) 경로의 식별을 위한 이동 시간 (즉, 비행 시간, 글로벌 대기 시간 및 충전 시간의 합) 예측의 모델링을 포함한다.

드론 서비스가 시작되면, 드론은 자신의 이동성 정보 (예를 들어, 평균 속도, 방향, 소스 위치 및 목적지 위치)를 TCC에 보고한다.

TCC는 이 정보를 사용하여 링크를 기반으로 비행 시간을 계산하고 E2E 경로를 따라 QCM에서 대기 및 충전 시간을 계산할 수 있다. 따라서, CBDN은 TCC에서 계산 된 이동 시간을 이용하여 가장 효율적인 내비게이션 경로를 획득 할 수 있다.

드론 비행 시간 예측

먼저, 두 QCM 사이의 링크 및 출발지-목적지 E2E 비행 경로 관점에서의 드론의 비행시간 예측 모델을 살펴본다.

고정된 거리를 따라 움직이는 차량, 비행기 및 드론의 비행 지연은 감마 분포를 따른다.

따라서, 드론 네트워크에서 노드와 노드 사이의 링크 i를 통한 비행 지연(이하 링크 비행 지연 fi라고 한다.)은 다음과 같이 모델링 될 수 있다.

여기서 ki는 형상 파라미터이고,

는 스케일 파라미터에 해당한다.

Ki와

를 계산하기 위해, fi의 평균과 분산(varianace)이 이용될 수 있다. 따라서, fi의 평균을

와 같이 정의하고, fi의 분산을

와 같이 정의한다.

따라서 ki와

는 아래와 같은 수학식 1및 수학식 2와 같이 계산된다.

더 정확한 링크 비행 지연이 있는 경우, 다른 수학적 모델 또는 경험적 측정(예를 들어, 무인 항공기의 실시간 비행 경험)으로부터의 예상치를 사용하여 노드와 노드 사이의 링크에서 비행 지연을 추정 할 수 있다.

또한, 드론의 End-to-End 비행 경로에서의 지연 모델은 아래와 같이 모델링 될 수 있다.

도 5는 End-to-End 비행 경로에서의 비행 지연 모델링을 위한 비행경로의 일 례를 나타낸 도이다.

도 5에서와 같이 연속된 두 개의 링크 f1, f2는 하나의 공통 꼭지점을 갖는다.

상기 공통 꼭지점은 QCM 1이 대응되고, 따라서 해당 공통 꼭지점에서는 QCM 지연이 발생하게 된다.

특정 비행 경로 (즉, 드론 경로)가 주어지면, 경로상의 상이한 노드 - 대 - 노드 링크들의 링크 비행 지연이 독립적이라고 가정한다.

이 가정 하에서, E2E 비행 지연의 평균 (또는 분산)은 E2E 경로상의 링크에 대한 링크 비행 지연의 평균 (또는 분산)의 합으로 근사화된다.

도 5에서와 드론 비행 경로가 QCM Node-to-Node 링크로 구성된 경우, 같이 E2E 비행 지연 F의 평균과 분산은 링크 비행 지연 독립성에 따라 다음 수학식 3및 수학식 4와 같이 계산된다.

여기서, 감마 분포로서 E2E 비행 지연 F는, kF와

는 상기 수학식 1및 수학식 2를 이용하여 E[F]와 Var[F]에 의해서 계산되고,

를 따르도록 모델링 될 수 있다.

앞서 살펴본 비행 지연 예측 모델링은 다른 수학적 모델(QCM에서의 트래픽 혼잡을 고려함) 또는 경험적 측정 (예를 들어, 무인 항공기의 실시간 비행 경험)에서 사용할 수 있는 경우 더 나은 E2E 경로 지연 추정을 가능하게 할 수 있다.

따라서, 주어진 드론 비행 경로에 대한 출발지에서 목적지까지 드론의 E2E 비행 지연을 계산할 수 있다.

QCM에서의 드론 배터리 충전 시간 계산

QCM에서의 충전시간은 아래와 같이 모델링 될 수 있다.

충전 시간은 사용 된 배터리 양에 따라 다른데, QCM 충전 시간, 전체 배터리 충전 시간, 전체 배터리 양 및 사용 된 배터리 양을 각각 R_qcm, R_full, a_full 및 a_used로 정의 한다.

QCM에서 드론 배터리 충전 시간은 아래와 같은 수학식 5에 의하여 주어진다.

전역적 대기시간 계산

이하에서, 클라우드 기반 드론 내비게이션의 시스템의 구체적인 디자인을 위한 알고리즘을 살펴보기에 앞서, 전역적 대기시간(Global Waiting Time)을 계산하는 방법에 대하여 살펴본다.

전역적 대기시간은 현재 클라우드 기반 관리 시스템으로부터 비행경로를 할당 받는 드론 자신의 배터리 충전을 위한 대기시간(개별적 대기시간)뿐만 아니라, 현재 비행경로를 할당 받는 드론으로 인하여 발생하는 다른 드론들의 배터리 충전을 위한 대기시간(추가적인 대기시간)까지 고려한 시간 값이다.

구체적으로, 만약 현재 드론 1이 QCM 1을 경유하는 비행경로를 클라우드 기반 드론 내비게이션으로부터 할당 받는다고 하자.

QCM 1에는 다른 드론들(예를 들어 드론2 및 드론3)의 배터리 충전이 예약되어 있다. 드론들은 QCM 1에 드론 2, 드론 1, 드론 3 순서로 도착한다.

현재 QCM 1에서 드론 2가 배터리 충전을 하고 있다. 드론 1이 QCM 1을 경유하는 비행경로를 할당 받기 전에는, 드론 2가 배터리 충전을 마치면 드론 3이 배터리 충전을 하려고 했다.

그런데 드론 1이 드론 3보다 먼저 도착하게 됨으로써, 드론 3은 드론 2의 배터리 충전이 끝났음에도, 드론 1의 배터리 충전이 완료될 때까지 대기해야 한다. 이렇게, 드론 1의 배터리 충전을 위한 대기시간(즉, 드론 2가 충전을 마칠 때까지 대기하는 시간)과 드론 3에게 추가적으로 발생한 대기시간(즉, 드론 1이 드론 3보다 먼저 도착함으로써 드론 3이 배터리 충전을 위해 추가적으로 대기해야 하는 시간)을 더한 시간이 전역적 대기시간에 해당한다.

전역적 대기시간을 계산하는 수식은 아래와 같이 주어진다.

도 6는 전역적 대기시간을 계산하는 방법의 이해를 돕기 위한 일례를 나타낸 도이다. 도 6에서 시간의 단위는 분(min)단위를 따른다.

Wg는 구하고자 하는 전역적 대기시간을 나타낸다.

Wi는 현재 비행경로를 할당 받는 드론의 QCM에서의 개별적인 대기시간(Individual Waiting Time)을 나타낸다. Zj는 도 5의 j번째 존(Zone)에 있는 드론의 수를 나타낸다.

Wo는 현재 QCM에 예약되어있는 드론의 충전시간과 늦게 도착한 드론의 충전시간이 겹치는(Overlapped) 시간을 나타낸다. Gi는 QCM에 충전하는 드론이 없는 구간의 인덱스를 나타낸다.

위의 수식 1 및 도 6의 일례를 통하여 전역적 대기시간을 계산하는 방법은 다음과 같이 설명될 수 있다.

QCM의 첫 번째 영역(영역1)(641)에서 발생하는 대기시간을 살펴보면, 6분부터 230분 구간까지 4대의 드론(611, 612, 613, 614)의 충전이 예약되어 있다. 15분에 새로운 드론이(601) QCM에 도착하고, 15분에 도착한 이 드론은(601) 먼저 충전하고 있던 드론의(611) 충전이 65분에 끝나는 65분부터 배터리 충전을 할 수 있다. 여기서 15분에 도착한 드론에게(601) 50분이라는 개별적인 대기시간(Individual Waiting Time)이 발생한다.

먼저 도착한 드론의(611) 충전이 65분에 끝나면, 15분에 도착한 드론은(601) 65분부터 75분 동안의 배터리 충전을 시작한다. 15분에 도착한 드론이(601) 충전을 시작하게 되면서 65분부터 배터리 충전을 하기로 예약한 드론(612), 110분부터 배터리 충전을 하기로 예약한 드론(613), 230분부터 배터리 충전을 하기로 예약한 드론(614)들의 충전시간은 각각 75분씩 늦춰진다. 15분에 도착한 드론의(601) 충전으로 인하여, 총 225(3*75)분의 드론 네트워크 전체 비행시간의 증가를 가져온다.

두 번째 영역(영역2)(642)에서 발생하는 대기시간을 살펴본다. 첫 번째 영역(641)에서의 모든 드론들의 충전이 끝나는 시간은 305(230+75)분이 된다. 두 번째 영역(642)의 예상 충전시작시간은 260분 이었지만, 실제 충전 시작 시간은 45분이 늦춰진 305분이 된다. 이로 인하여, 260분부터 배터리 충전을 하기로 예약한 드론(621)과, 305분부터 배터리 충전을 하기로 예약한 드론(622)들의 충전은 각각 45분씩 늦춰지게 된다. 첫 번째 영역에서 지연된 시간으로 인하여, 총 90(45*2)분의 드론 네트워크 전체 비행시간의 증가를 더 가져온다.

세 번째 영역(영역3)(643)에서 발생하는 대기시간을 살펴본다. 두 번째 영역(542)에서의 모든 드론들의 충전이 끝나는 시간은 425(380+45)분이 된다. 따라서, 세 번째 영역(643)의 예상 충전시작시간은 420분 이었지만, 실제 충전 시작 시간은 5분이 늦춰진 425분이 된다. 이로 인하여, 420분부터 배터리 충전을 하기로 예약한 드론(631)과, 495분부터 배터리 충전을 하기로 예약한 드론(632)들의 충전은 각각 5분씩 늦춰지게 된다. 두 번째 존(642)에서 지연된 시간으로 인하여, 총 10(5*2)의 드론 네트워크 전체 비행시간의 증가를 더 가져온다.

위와 같이 첫 번째 내지 세 번째 영역에서 발생한 모든 추가적인 대기시간의 합인 전역적 대기시간은 375분이 된다.

수학식 6은 이와 같은 방식으로 전역적 대기시간이 계산됨을 표현한 것이다.

도 7은, 드론들의 충전이 예약 된 특정 QCM에 새로운 드론이 배터리 충전을 위해 도착하는 3가지 경우를 나타낸 도이다.

도 7(a)에서, 새로운 드론은, 특정 QCM에 드론들의 충전이 예약된 시간보다 먼저 도착하므로, 개별적인 대기시간이 발생하지 않는다. 그러나, 새로운 드론의 충전으로 인하여, 배터리 충전이 예약된 다른 드론들의 추가적인 대기시간이 발생하게 된다.

도 7(b)에서, 새로운 드론은, 특정 QCM에 드론들의 충전이 예약된 시간보다 늦게 도착하므로, 개별적인 대기시간이 발생한다.

여기서, 발생한 개별적인 대기시간은 겹쳐진 시간만큼이 된다.

도 7(c)는, 앞서 설명한 도 6의 경우와 동일하므로 설명을 생략한다.

클라우드 기반 드론 네트워크 네비게이션 알고리즘

이하에서 클라우드 기반 드론 네트워크 내비게이션 동작의 구체적인 알고리즘에 대해서 살펴본다. 아래의 표는 클라우드 기반 드론 네트워크의 알고리즘이다.

이하에서 위 표 1에 나타난 알고리즘의 변수들의 의미와 각 line 이 나타내는 의미를 설명한다.

Dcur: 출발지에서 출발하는 드론을 나타낸다.

Cbattery: 출발지에서 출발하는 드론의 출발시의 배터리 잔량을 나타낸다.

Bw: 출발지에서 출발하는 드론의 운반물의 무게를 나타낸다.

Qall: 드론 네트워크상의 모든 QCM 세트(set)를 나타낸다.

Gu,v: 출발지 u에서 목적지 v까지의 경로상에서 현재의 배터리로 도달할 수 있는 QCM을 나타낸 그래프이다.

u: 출발지(source)의 위치를 나타낸다.

v: 목적지(destination)의 위치를 나타낸다.

Pu,v: 출발지 u 에서 목적지 v까지의 경로를 나타낸다.

Pi: k-shortest path 함수를 통해서 도출된 k개의 출발지에서 목적지까지의 경로 중, 출발지에서 목적지까지의 비행거리와 Gu,v의 그래프상에 있는 QCM까지의 거리를 더한 거리가 i번째로 짧은 경로를 나타낸다. 예를 들어, 7개의 경로 중, 3번째로 짧은 거리의 경로는 P3으로 나타낸다.

Ti:Pi 경로의 예상 총 비행시간을 나타낸다(비행시간, 충전시간, 개별 충전대기시간 및 전역적 충전 대기시간의 합).

Tu,v: 출발지 u에서 목적지 v까지의 총 비행시간을 나타낸다.

Fi: 출발지에서 목적지까지의 예상되는 비행시간을 나타낸다.

Ci: Pi경로에 포함되는 QCM들에서의 예상되는 충전시간의 합을 나타낸다.

Wi: Pi 경로에서 포함되는 QCM들에서의 예상 전역적 대기시간의 합을 나타낸다.

이하에서 각 line의 의미에 대해 설명한다.

1: 클라우드 기반 드론 내비게이션 시스템의 TCC(Traffic control center)는 현재 드론 서비스 시작을 위한 드론들의 정보를 받아 배터리 충전 스케쥴링을 실행한다.

2.: 변수들은 무한대로 초기화 된다.

3: 드론이 비행하여야 할 목적지까지의 거리가 배터리 충전을 필요로 하는 거리인지를 판단하는 단계.

이 때, 드론의 비행 가능한 시간은 드론이 목적지까지 운반해야하는 운반물의 무게에 따라 달라지게 된다.

4: line3에서 드론이 비행하여야 할 목적지까지의 거리가 배터리 충전 없이 갈 수 있는 경로라고 판단한 경우, Pu,v 변수값에 출발지에서 목적지까지 배터리 충전 없이 갈 수 있는 경로를 나타내는 Pdirect값을 입력한다.

여기서 u는 출발지를 나타내고 v는 목적지를 나타낸다. 또한, Pu,v 는 출발지 u에서 목적지 v까지의 경로를 나타내는 변수이다.

5: Pdirect값이 입력된 Pu,v 값을 반환한다.

6~8: line 3 에서 드론이 목적지까지 비행하여야 하는 거리가 배터리 충전을 필요로 하는 거리라면, 효율적인 배터리 충전 할당을 위해 해당 배터리로 도달할 수 있는 QCM들의 집합을 구한다.

9: line 6-8에서 구한 집합을 이용하여 그래프를 만든다. 예를 들면, 이 그래프는 출발지가 u 이고 목적지가 v인 특정 드론이 현재 배터리로 도달할 수 있는 QCM의 집합을 나타낸 그래프일 수 있다.

도 8은 도출된 QCM 집합을 이용하여 그려진 그래프는 나타낸 도이다.

10: line 9에서 만들어진 그래프에 k-Shortest-path 알고리즘을 사용하여 가장 효율적인 경로 순으로, k개 만큼의 목적지까지의 경로를 얻는다. K-Shortest-Path 알고리즘은 두 가지 변수를 사용할 수 있다. 예를 들어, 드론이 출발지에서 QCM까지의 경로를 이동하는 데에 걸리는 시간(시간1) 및 드론이 QCM에서 목적지까지의 경로를 이동하는 데에 걸리는 시간(시간2)의 합인 flight time(시간1+시간2)변수와 QCM에서의 충전시간인 charging time 변수를 이용할 수 있다. 이 가능한 두 가지의 변수의 합이 작은 순서로 k개의 경로를 도출한다. 도출된 k개의 경로들은 각각 1부터 k까지의 인덱스가 부여될 수 있다.

11-12: k개의 경로들은 {P1, P2, P3?Pk} 와 같이 변수로 표시될 수 있다. Line 12의Compute_Travel_Time_of_Path(P_i)는 P1부터 Pk까지 각 경로 별로 소요되는 시간(Ti)을 계산하는 함수를 나타낸다.

i번째 경로Pi에서 소요되는 시간을 나타내는 변수 Ti는 세가지 변수의 합으로 나타낼 수 있다.

세가지 변수는, 드론이 출발지에서 QCM까지의 경로를 이동하는 데에 걸리는 시간(시간1) 및 드론이 QCM에서 목적지까지의 경로를 이동하는 데에 걸리는 시간(시간2)의 합인 flight time(시간1+시간2)변수와 QCM에서의 충전시간인 charging time 변수를 이용할 수 있고, 또한 네트워크에 포함된 다른 드론들을 고려한 QCM에서의 대기시간인 전역적 대기시간 변수가 될 수 있다.

그리고 이 세가지 변수 flight time, charging time 및 전역적 대기시간을 합함으로써 i번째 경로 Pi에서 소요되는 시간 Ti-를 구할 수 있다.

13: 출발지 u에서 목적지 v까지 소요되는 시간을 나타내는 변수 Tu,v와 line 12에서 도출된 경로 Pi에서 소요되는 시간 Ti를 비교한다.

이 때, 위 line 2에서 모든 변수를 초기화하며, 초기값으로 모든 변수들에게 무한대의 값을 입력하였는바, 초기 비교단계, 즉 경로 P1에서의 전역적 대기시간을 고려한 소요시간인 T1값과 초기값이 설정된 Tu,v의 비교단계에서는 아래의 line 14에서 Tu,v값에 T1값이 메모리에 입력 될 것이다.

14: T1가 Tu,v 보다 작은 경우, Ti값을 Tu,v에 입력한다.

예를 들어, 경로 P2에서의 소요시간 T2가 Tu,v에 저장되어 있고, 경로 P3에서의 소요시간 T3와 Tu,v 를 비교하는 경우에, 만약 T3의 값이 Tu,v보다 작다면, Tu,v값에 T3값이 입력될 것이다.

반대로 T3의 값이 Tu,v 보다 크다면, Tu,v에 메모리에 저장된 값은 변경되지 않을 것이다.

15: Tu,v 값과 비교하였을 때, 소요되는 시간이 더 적었던 Ti의 경로인 Pi 경로를 출발지 u에서 목적지 v까지의 경로로 수정한다.

16-19: 최종적으로 선택 된 경로인 Pu,v 값을 반환한다. 최종적으로 설정된 Pu,v 는 드론의 비행시간, QCM에서의 충전시간 및 global waiting 타임을 고려한 최적의 경로에 해당하게 된다.

20: 알고리즘을 종료한다.

도 9는 앞서 살펴본 알고리즘을 나타낸 순서도의 일례이다. 글로벌 QCM 선택 최적화 기법의 적용을 위해, 모든 변수를 초기화한다(S9010).

이 때, 모든 변수는 도6의 단계 1에서 언급한 변수들을 포함한다.

다음 단계에서, 목적지 u까지 가기 위해 드론 배터리의 충전이 필요한지 여부를 판단한다(S9020). 배터리 충전이 필요하지 않다면 출발지 u에서 목적지 v까지 가는 경로 Pu,v에 Pdirect값을 입력하고(S9032), 절차를 종료한다(S9091).

배터리 충전이 필요한 경우, 다음 단계에서 현재 드론의 배터리 잔량으로 도달할 수 있는QCM의 집합인 Qset을 도출하고, 도출한 Qset을 이용하여 그래프를 작성한다(S9031).

다음, 출발지에서 QCM을 경유하여 목적지까지 가는 k개의 경로를 도출한다(S9040).

전역적 대기시간을 고려하여 i번째 경로 Pi를 따라가는 경우 소요되는 시간 Ti를 계산한다(S9070).

경로 Pi를 따라가는 경우 소요되는 시간 Ti가 현재 설정된 Tu,v보다 작은지 비교하는 절차를 수행한다(S9060).

Ti가 Tu,v보다 작은 경우, Pu,v에 Pi 값을 입력한다(S9071).

Ti가 Tu,v보다 큰 경우 Pu,v 값은 변경되지 않는다(S9072).

다음 단계에서, i의 값이 k와 같은지를 판단한다(S9080).

k값이 i값과 같다면 절차를 종료한다(S9091).

k값이 i값보다 크다면 현재 i값에 1을 더해주고(S9092), S9050절차로 되돌아가서 S9050부터 그 이후의 절차들을 위에서 설명한 내용과 같이 다시 반복하게 된다.

클라우드 기반 드론 내비게이션은 TCC가 비행 중인 다른 드론들과 QCM의 트래픽 정보를 수집하고, 수집한 정보를 바탕으로 앞서 살핀 클라우드 기반 드론 내비게이션 알고리즘(즉, 글로벌 QCM 선택 최적화 기법 적용 알고리즘)을 통해 드론 네트워크의 전체적인 비행시간을 최소화할 수 있는 경로를 할당해주는 방법을 구현하는 시스템이다.

QCM 선택 및 비행 경로 할당을 위한 다른 알고리즘들과의 비교

앞에 살핀 도 4의 4가지 경로(401 내지 404)는, 각각 다른 알고리즘을 통하여 선택된 경로이다. 위 도 4의 4가지 경로를 할당하는 데에 사용된 알고리즘은 다음과 같다.

(1)Shortest-Flight-Wait-Time(SFWT)(경로 1), (2)Shortest-Flight-Time(SFT)(경로 2), (3) Individual Reservation Navigation(IRN)(경로 3), (4)Cloud-Based Drone Navigation(CBDN)(경로 4)이 사용되었다.

보다 상세하게, 도 4의 경로 1(401)을 할당하는 데에 사용된 (1)Shortest-Flight-Wait-Time(SFWT) 알고리즘은, QCM에서 드론의 배터리 충전을 위한 통계적인 대기시간을 활용한 알고리즘이다.

도 4의 경로 2(402)를 할당하는 데에 사용된 (2) Shortest-Flight-Time(SFT) 알고리즘은, 오직 드론들의 비행시간만을 고려한 알고리즘이다.

도 4의 경로 3(403)(3) Individual Reservation Navigation(IRN) 알고리즘은, QCM에서 오직 자신의(즉, 현재 비행경로를 할당 받는 드론) 배터리 충전을 위한 대기시간만을 고려한 QCM 예약 시스템 알고리즘이다.

도 4의 경로 4(404)를 할당하는 데에 사용된 (4) Cloud-Based Drone Navigation(CBDN) 알고리즘은, QCM에서 자신의 배터리 충전 대기시간뿐만 아니라, 다른 드론들의 충전 대기시간을 함께 고려한 예약 시스템 알고리즘이다.

도 10은, 앞서 살펴본 알고리즘에 따라 할당된 경로를 따라 비행할 때 소요되는 드론의 총 비행시간을 각각(10010내지 10040) 나타낸 도이다.

보다 상세하게, 도 10은 다른 드론들의 추가적인 대기시간은 고려하지 않고(즉, 전역적 대기시간을 고려하지 않고), 오직 자신(즉, 경로를 할당 받은 드론)의 배터리 충전을 위한 대기시간만을 고려한 비행시간을 나타낸 도이다.

구체적으로, 도10의 전체적인 결과를 보면, 오직 자신의 대기시간만을 고려한 경우 IRN 시스템 알고리즘을 적용하여 비행경로를 설정할 때, 개별적인 드론 입장에서는 최적의 비행경로를 할당 받을 수 있다는 것을 알 수 있다.

이러한 결과는 개별적인 드론으로 인하여, 다른 드론들의 QCM에서의 대기시간이 늘어날 수 있다는 것을 고려하지 않은 결과이다.

따라서 전체 드론 네트워크의 입장에서는, 현재 비행경로를 할당받는 드론이 IRN알고리즘을 통한 비행경로를 할당 받음으로써, 네트워크에 포함된 모든 드론들의 전체적인 비행시간은 늘어나게 되는 결과를 초래할 수 있다.

이는 전체 드론 네트워크의 효율적인 운영측면에서 좋지 못한 결과이다.

따라서, 드론 네트워크의 효율적인 운영을 위해서는, 전체 드론 네트워크의 총 비행시간을 감소하는 방법이 적합하다. 이하에서 드론 자신의 대기시간뿐만 아니라, 다른 드론들의 배터리 충전 대기시간까지 고려한 전역적 대기시간을 적용한 경우의 결과에 대해서 살펴본다.

도 11는, 앞서 살펴본 알고리즘에 따라 할당된 경로를 따라 비행할 때 소요되는 드론의 총 비행시간을 각각(11010내지 11040)나타낸 도이다.

보다 상세하게, 도 11은 다른 드론들의 추가적인 대기시간을 고려한(즉, 전역적 대기시간을 고려한) 총 비행시간을 나타낸 도이다.

구체적으로, 도 11의 전체적인 결과를 보면, 다른 드론들의 대기시간도 함께 고려한CBDN 시스템 알고리즘을 적용하여 비행경로를 설정할 때, 전체 드론 네트워크의 입장에서 가장 효율적인 네트워크 운영이 가능해 진다.

예를 들어, 현재 드론 네트워크에 3대의 드론이(드론 A 내지 드론 C)비행 중이고, 드론들이 이용가능한 QCM이 2곳(QCM A 및 QCM B) 있다고 가정한다. 각 드론들의 목적지는 상이하나, 목적지까지 도달하기 위해서 3대의 드론 모두 QCM A를 경유하여 배터리충전을 1회 하여야 한다고 가정한다.

현재, 드론 A 내지 드론 C의 목적지까지의 비행시간을 각각 Ta, Tb, Tc라고 하면, 현재 네트워크상의 모든 드론들의 총 비행시간(즉, 출발지에서 목적지까지의 순수 비행시간, 충전 대기시간 및 충전시간을 모두 더한 시간)을 더한 네트워크 전체 비행시간 T=Ta+Tb+Tc가 된다.

현재, 새롭게 목적지로 향하는 드론 D가 출발지점에서 비행경로를 할당 받는다. 드론 D가 QCM A를 경유하는 경우와, QCM B를 경유하는 경우에서 충전대기시간을 제외하면 출발지에서 목적지까지 소요되는 시간은 두 경우가 60분으로 동일하다고 한다.

즉, 출발지에서 QCM까지의 이동에 소요되는 시간(20분), QCM에서의 충전시간(20분) 및 QCM에서 목적지까지의 이동에 소요되는 시간(20)의 합이 동일하다.

드론 D의 QCM A에서의 대기시간은 20분이고, QCM B에서의 대기시간은 30분이라고 가정한다. 드론 D의 비행시간을 Td라고 한다.

이하에서, 드론 네트워크 전체 비행시간을 살펴본다. 드론 D의 입장에서, 자신의 충전 대기시간만을 고려한다면, 대기시간이 더 적은 QCM A를 경유해서 목적지로 가는 경로가 가장 적합한 경로일 것이다. 이 때 드론 D의 비행시간 Td는 80(20+20+20+20)분이 된다.

그런데 드론 D가 QCM A를 이용하는 경우, 드론 A 내지 드론 C의 대기시간이 20분씩 늘어난다고 하자. 그렇게 되면 전역적 대기시간은 총 60분이 증가하게 된다.

이 경우에서 네트워크의 전체 비행시간 T(T1)=Ta+Tb+Tc+80(Td)+60(전역적 대기시간)이 된다.

반대로, 드론 D가 다른 드론들의 대기시간까지 고려한 경로를 할당 받아서 QCM B를 이용하면, 이 때 드론 D의 비행시간 Td는 90분이 된다(20+20+20+30). 드론 D의 비행시간은 늘어났지만, 다른 드론들은 QCM B를 이용하지 않고 오직 QCM A만을 이용하므로 드론 A 내지 C의 비행시간은 늘어나지 않게 된다.

즉, 전역적 대기시간이 0이 된다. 이 경우에서 네트워크의 전체 비행시간T(T2)=Ta+Tb+Tc+90(Td)+0(전역적 대기시간)이 된다.

CBDN 시스템 알고리즘을 적용한 결과 네트워크 전체의 비행시간이 총 50분이 감소하게 된다. 따라서 CBDN 알고리즘 시스템을 활용하여 비행경로를 할당하는 것은, 개별적인 드론에게는 더 긴 비행경로를 할당하여 줄 수도 있지만, 네트워크는 전체적인 비행시간을 최소화할 수 있는 효과가 있음을 확인할 수 있다.

이와 같이 클라우드 기반 드론 내비게이션(CBDN)은 오직 자신의 최적 경로를 찾는 것이 아니라 전체적인 드론들의 평균 비행시간을 최소화할 수 있는 최적의 경로를 찾는 기법이다.

다양한 변수 및 다른 알고리즘 적용에 따른 실험예들

이하에서, 앞서 살핀 본 발명의 방법에 다양한 환경과 여러 변수들이 적용 될 경우 본 발명 방법의 성능이 어떠한 영향을 받는 지에 대한 성능평가를 실시한 실험 예들을 살펴본다.

앞서 살핀 다른 알고리즘들에 대비한 본 발명의 유리한 효과를 명확히 드러내기 위해, 다른 알고리즘 시스템과의 비교를 통해 살펴본다.

본 발명의 성능을 평가하기 위하여 OMNeT++ 시뮬레이션을 사용하여 실험을 하였고, 드론 시뮬레이션을 위하여 DJI사에서 개발한 Matrice 200 Series의 드론 스펙을 이용하였다.

사용된 시뮬레이션 설정 값은 아래의 표 2와 같다.

본 방법의 성능평가 실험은 표 2의 시뮬레이션 설정 값을 바탕으로 하였다.

도 12은 드론 네트워크 시뮬레이션 스냅샷을 나타내는 도이다.

도 13은 본 실험에서, 적용된 각 알고리즘 별 QCM 사용률을 보여준다. 도 13의(d)는 본 발명인 CBDN 시스템 알고리즘의 결과를 보여준다. CBDN 시스템 알고리즘은, QCM에서의 혼잡을 피해 드론들에게 효율적인 배터리 충전을 고려하여 QCM을 할당해준다. 따라서, 각 QCM별 사용률이 고르게 분포되어 있음을 알 수 있고, CBDN 시스템 알고리즘의 특징 및 드론 네트워크상의 QCM을 균형적이고 효율적으로 사용할 수 있는 유리한 효과가 잘 드러난다.

이하에서 다양한 환경에서 여러 변수에 따른 실험예를 살펴본다. 이하 도면 14내지 19의 그래프에서, 도 14 내지 19의 (a) 그래프의 y축은 드론 네트워크상에 포함된 드론들의 평균적인 비행시간을 나타내고, 도 14내지 19의 (b)그래프의 y축은 평균적인 QCM 사용률을 나타낸다. 이하 설명의 편의를 위해, 도면 14내지 19의 (a), (b) 그래프의 y축에 대한 설명을 생략한다.

(1)드론의 수에 따른 영향

도14은 드론 수에 따른 본 발명 성능의 영향을 나타낸 도이다. 도 14의 (a) 및 (b) 그래프의 x축은 드론 네트워크상에 포함된 드론의 수를 나타낸다. 도 14의 (a)그래프의 결과를 분석하면, CBDN 시스템 알고리즘의 경우, 드론들의 평균적인 비행시간이 다른 알고리즘과 비교하였을 때 가장 짧음을 확인할 수 있다. 또한, 다른 시스템과 달리 드론의 숫자가 증가함에도 불구하고, 그에 따라서 드론 네트워크상의 드론들의 비행시간은 크게 변하지 않음을 알 수 있다.

또한, 도 14의 (b) 그래프의 결과를 분석하면, CBDN의 경우 다른 알고리즘과 비교하였을 때 QCM 평균 사용률이 가장 높다. 또한, 드론의 수가 늘어남에 따라, 평균적인 QCM 사용률이 높아지고, 그 증가폭도 다른 알고리즘과 비교하였을 때 가장 크다는 것을 알 수 있다.

(2)드론의 속력에 따른 영향

도 15는 드론 속력에 따른 본 발명 성능의 영향을 나타낸 도이다. 도 15의 (a) 및 (b) 그래프의 x축은 드론의 속력을 나타낸다.

도 15의 (a)그래프의 결과를 분석하면, CBDN 시스템 알고리즘의 경우, 드론들의 평균적인 비행시간이 다른 알고리즘과 비교하였을 때 가장 짧음을 확인할 수 있다.

또한, 도 15의 (b) 그래프의 결과를 분석하면, CBDN의 경우 다른 알고리즘과 비교하였을 때 QCM 평균 사용률이 가장 높다.

또한, 드론의 속력이 커짐에 따라, 평균적인 QCM 사용률이 높아지고, 그 증가폭도 다른 알고리즘과 비교하였을 때 가장 크다는 것을 알 수 있다.

(3)드론의 속력 표준 편차 크기에 따른 영향

도 16은 드론 속력의 표준편차 크기에 따른 본 발명 성능의 영향을 나타낸 도이다.

도 16의 (a) 및 (b) 그래프의 x축은 드론 속력의 표준편차 크기를 나타낸다.

도 16의 (a)그래프의 결과를 분석하면, CBDN 시스템 알고리즘의 경우, 드론들의 평균적인 비행시간이 다른 알고리즘과 비교하였을 때 가장 짧음을 확인할 수 있다. 또한, 도 16의 (b) 그래프의 결과를 분석하면, CBDN의 경우 다른 알고리즘과 비교하였을 때 QCM 평균 사용률이 가장 높다.

(4)QCM의 수에 따른 영향

도 17는 QCM 수에 따른 본 발명 성능의 영향을 나타낸 도이다. 도 15의 (a) 및 (b) 그래프의 x축은 드론 네트워크상에 포함된 QCM의 수를 나타낸다.

도 17의 (a)그래프의 결과를 분석하면, CBDN 시스템 알고리즘의 경우, 드론들의 평균적인 비행시간이 다른 알고리즘과 비교하였을 때 가장 짧음을 확인할 수 있다.

또한, 도 17의 (b) 그래프의 결과를 분석하면, CBDN의 경우 다른 알고리즘과 비교하였을 때 QCM 평균 사용률이 가장 높다.

또한, 드론의 수가 늘어남에 따라, 평균적인 QCM 사용률이 낮아지고, 그 감소폭도 다른 알고리즘과 비교하였을 때 가장 크다는 것을 알 수 있다.

QCM수 증가에 따른 QCM평균 사용률의 감소폭이 크다는 것은 드론들이 많은 수의 QCM을 고르게 이용하고 있다는 것을 의미하므로, 이 결과는 CBDN 시스템 알고리즘의 유리한 효과를 잘 드러내주는 실험 결과이다.

(5)QCM의 성능에 따른 영향

도 18는 QCM의 성능에 따른 본 발명 성능의 영향을 나타낸 도이다. 도 18의 (a) 및 (b) 그래프의 x축은 QCM의 성능(즉, 드론의 배터리가 방전된 상태에서 완전 충전 상태까지 충전하는 데 걸리는 시간)을 나타낸다.

도 18의 (a)그래프의 결과를 분석하면, CBDN 시스템 알고리즘의 경우, 드론들의 평균적인 비행시간이 다른 알고리즘과 비교하였을 때 가장 짧음을 확인할 수 있다.

또한, 도 18의 (b) 그래프의 결과를 분석하면, CBDN의 경우 다른 알고리즘과 비교하였을 때 QCM 평균 사용률이 가장 높다.

(6)배송 물품의 무게에 따른 영향

도 19은 배송 물품의 무게에 따른 본 발명 성능의 영향을 나타낸 도이다. 도 19의 (a) 및 (b) 그래프의 x축은 배송물의 무게를 나타낸다.

도 19의 (a)그래프의 결과를 분석하면, CBDN 시스템 알고리즘의 경우, 드론들의 평균적인 비행시간이 다른 알고리즘과 비교하였을 때 가장 짧음을 확인할 수 있다.

또한, 도 19의 (b) 그래프의 결과를 분석하면, CBDN의 경우 다른 알고리즘과 비교하였을 때 QCM 평균 사용률이 가장 높다.

도 20은 클라우드 기반 내비게이션에서 트래픽 제어 센터(Traffic Control Center: TCC) 의 동작을 나타낸 일례이다.

즉, 드론 네트워크에서, 드론에게 비행경로를 할당해주기 위해 트래픽 제어 장치에서 수행되는 방법은,

비행 경로가 할당된 적어도 하나의 드론들 또는 적어도 하나의 빠른 배터리 충전소(Quick Battery Charging Machine: QCM)들로부터 상기 드론 네트워크상의 트래픽 정보를 획득하는 단계를 수행한다(S2010).

상기 트래픽 정보는 상기 드론 네트워크상의 상기 적어도 하나의 드론들의 제 1 정보 또는 상기 적어도 하나의 QCM들의 제2 정보 중 적어도 하나를 포함 수 있다.

다음, 상기 트래픽 정보를 바탕으로 상기 적어도 하나의 드론들을 고려한 비행경로 설정을 위한 알고리즘을 이용하여 최적의 비행경로를 결정하는 단계를 수행한다(S2020).

다음, 상기 드론에게 상기 최적의 비행경로를 할당하는 단계를 수행한다(S2030).

상기 최적의 비행경로는 상기 드론 네트워크를 구성하는 드론들의 전체 비행시간을 최소화하는 경로이다.

또한, 상기 최적의 비행 경로는 상기 드론의 비행시간, 상기 드론의 상기 적어도 하나의 QCM들에서의 충전시간 및 상기 드론의 상기 적어도 하나의 QCM들에서의 대기시간과 상기 적어도 하나의 QCM들에서 상기 적어도 하나의 드론들의 총 대기 시간(상기 드론으로 인하여 발생되는 상기 적어도 하나의 드론들의 추가적인 대기시간 포함)의 합을 나타내는 정보인 전역적 대기시간을 기초로 결정된다.

도 21는 본 명세서에서 제안하는 방법들이 적용될 수 있는 트래픽 제어 장치의 블록 구성도를 예시한다.

도 21를 참조하면, 트래픽 제어 장치는 프로세서(2110), 메모리(2120), RF유닛(2130) 및 제어부(2140)를 포함한다.

프로세서(2110)는 앞서 도1내지 도 20에서 제안된 기능 , 과정 및/또는 방법을 구현한다. 메모리(2120)는 프로세서와 연결되어 프로세서를 구동하기 위한 다양한 정보를 저장한다. RF유닛(2130)은 프로세서와 연결되어 드론들 및 QCM들로부터의 정보를 송/수신한다. 제어부는(2140)는 트래픽 제어 장치의 동작을 제어한다.

나아가, 설명의 편의를 위하여 각 도면을 나누어 설명하였으나, 각 도면에 서술되어 있는 실시 예들을 병합하여 새로운 실시 예를 구현하도록 설계하는 것도 가능하다. 그리고, 당업자의 필요에 따라, 이전에 설명된 실시 예들을 실행하기 위한 프로그램이 기록되어 있는 컴퓨터에서 판독 가능한 기록 매체를 설계하는 것도 본 발명의 권리범위에 속한다.

본 명세서에 따른 방향 기반 기기 검색 방법은 상기한 바와 같이 설명된 실시 예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시 예들은 다양한 변형이 이루어질 수 있도록 각 실시 예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

한편, 본 명세서의 방향 기반 기기 검색 방법은 네트워크 디바이스에 구비된 프로세서가 읽을 수 있는 기록매체에 프로세서가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 프로세서가 읽을 수 있는 기록매체는 프로세서에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 프로세서가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한, 인터넷을 통한 전송 등과 같은 캐리어 웨이브의 형태로 구현되는 것도 포함한다. 또한, 프로세서가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 프로세서가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

또한, 이상에서는 본 명세서의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 명세서는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해돼서는 안 될 것이다.

그리고, 당해 명세서에서는 물건 발명과 방법 발명이 모두 설명되고 있으며, 필요에 따라 양 발명의 설명은 보충적으로 적용될 수가 있다.

Claims (10)

1. 드론 네트워크에서, 드론에게 비행경로를 할당해주기 위해 트래픽 제어 장치에서 수행되는 방법은,
   비행 경로가 할당된 적어도 하나의 드론들 또는 적어도 하나의 빠른 배터리 충전소(Quick Battery Charging Machine: QCM)들로부터 상기 드론 네트워크상의 트래픽 정보를 획득하는 단계,
   상기 트래픽 정보는 상기 드론 네트워크상의 상기 적어도 하나의 드론들의 제 1 정보 또는 상기 적어도 하나의 QCM들의 제2 정보 중 적어도 하나를 포함하고;
   상기 트래픽 정보를 바탕으로 상기 적어도 하나의 드론들을 고려한 비행경로 설정을 위한 알고리즘을 이용하여 최적의 비행경로를 결정하는 단계; 및
   상기 드론에게 상기 최적의 비행경로를 할당하는 단계를 포함하되,
   상기 최적의 비행 경로는 상기 드론의 비행시간, 상기 드론의 상기 적어도 하나의 QCM들에서의 충전시간 및 상기 드론의 상기 적어도 하나의 QCM들에서의 대기시간과 상기 적어도 하나의 QCM들에서 상기 적어도 하나의 드론들의 총 대기 시간의 합을 나타내는 정보인 전역적 대기시간을 기초로 결정되고, 및
   상기 최적의 비행경로는 상기 드론 네트워크를 구성하는 드론들의 전체 비행시간을 최소화하는 경로인 것을 특징으로 하는 방법.
   
2. 제 1항에 있어서, 상기 제1 정보는 상기 적어도 하나의 드론들의 평균속도 정보, 속도 표준편차 정보, 출발지 정보, 목적지 정보, 현재 위치 정보 또는 이동방향 정보 중 적어도 하나를 포함하고,
   상기 제2 정보는 상기 적어도 하나의 QCM들의 현재 상태, 충전예약 정보 또는 충전 대기시간 정보 중 적어도 하나를 포함하는 방법.
   
3. 제 1항에 있어서, 최적의 비행경로를 결정하는 단계는,
   상기 트래픽 제어 장치의 메모리에 저장된 값을 초기화하는 단계;
   상기 드론의 배터리 충전 여부를 판단하는 단계;
   상기 드론의 배터리 잔량으로 도달할 수 있는 QCM들의 정보인 QCM 세트를 결정하는 단계;
   각 QCM에서 상기 드론의 총 대기 시간의 정보를 나타내는 개별적 대기시간 및 상기 QCM 세트에 기초하여 k개의 제 1 경로들을 결정하는 단계,
   상기 제 1 경로들은 상기 개별적 대기시간에 기초하여 경로를 결정한 경우, 최소한의 시간이 소요된 경로이고; 및
   상기 각 QCM에서 상기 개별적 대기시간 및 상기 적어도 하나의 드론들의 총 대기 시간의 합을 나타내는 정보인 전역적 대기시간을 상기 제1 경로들에 적용하여 k개의 경로 별 소요시간을 계산하는 단계를 더 포함하는 방법.
   
4. 제 3항에 있어서, 배터리 충전이 필요하지 않다고 판단된 경우, 최적의 비행경로를 결정하는 단계는,
   QCM을 경유하지 않는 목적지까지의 가장 짧은 비행경로를 결정하는 단계를 더 포함하는 방법.
   
5. 제 3항에 있어서, 상기 제1 비행 경로들은 비행시간(Flight time) 변수 및 충전시간(Charging time) 변수를 이용하여 결정되는 방법.
   
6. 드론 네트워크에서, 드론에게 비행경로를 할당해주기 위는 트래픽 제어 장치에 있어서,
   무선 신호를 송수신하기 RF유닛; 및
   RF 유닛과 기능적으로 연결되는 프로세서를 포함하고,
   상기 프로세서는, 비행 경로가 할당된 적어도 하나의 드론들 또는 적어도 하나의 빠른 배터리 충전소(Quick Battery Charging Machine: QCM)들로부터 상기 드론 네트워크상의 트래픽 정보를 획득하고,
   상기 트래픽 정보는 상기 드론 네트워크상의 상기 적어도 하나의 드론들의 제 1 정보 또는 상기 적어도 하나의 QCM들의 제2 정보 중 적어도 하나를 포함하고,
   상기 트래픽 정보를 바탕으로 상기 적어도 하나의 드론들을 고려한 비행경로 설정을 위한 알고리즘을 이용하여 최적의 비행경로를 결정하고,
   상기 드론에게 상기 최적의 비행경로를 할당하고,
   상기 최적의 비행 경로는 상기 드론의 비행시간, 상기 드론의 상기 적어도 하나의 QCM들에서의 충전시간 및 상기 드론의 상기 적어도 하나의 QCM들에서의 대기시간과 상기 적어도 하나의 QCM들에서 상기 적어도 하나의 드론들의 총 대기 시간의 합을 나타내는 정보인 전역적 대기시간을 기초로 결정되고, 및
   상기 최적의 비행경로는 상기 드론 네트워크를 구성하는 드론들의 전체 비행시간을 최소화하는 경로인 것을 특징으로 하는 트래픽 제어 장치.
   
7. 제6항에 있어서, 상기 제1 정보는 상기 적어도 하나의 드론들의 평균속도 정보, 속도 표준편차 정보, 출발지 정보, 목적지 정보, 현재 위치 정보 또는 이동방향 정보 중 적어도 하나를 포함하고,
   상기 제2 정보는 상기 적어도 하나의 QCM들의 현재 상태, 충전예약 정보 또는 충전 대기시간 정보 중 적어도 하나를 포함하는 트래픽 제어장치.
   
8. 제 6항에 있어서, 상기 프로세서는, 최적의 비행경로를 결정하기 위해,
   상기 트래픽 제어 장치의 메모리에 저장된 값을 초기화하고,
   상기 드론의 배터리 충전 여부를 판단하고,
   상기 드론의 배터리 잔량으로 도달할 수 있는 QCM들의 정보인 QCM 세트를 결정하고
   각 QCM에서 상기 드론의 총 대기 시간의 정보를 나타내는 개별적 대기시간 및 상기 QCM 세트에 기초하여 k개의 제 1 경로들을 결정하고,
   상기 제 1 경로들은 상기 개별적 대기시간에 기초하여 경로를 결정한 경우, 최소한의 시간이 소요된 경로이고,
   상기 각 QCM에서 상기 개별적 대기시간 및 상기 적어도 하나의 드론들의 총 대기 시간의 합을 나타내는 정보인 전역적 대기시간을 상기 제1 경로들에 적용하여 k개의 경로 별 소요시간을 계산하는 트래픽 제어장치.
   
9. 제 8항에 있어서, 상기 프로세서는, 배터리 충전이 필요하지 않다고 판단된 경우 최적의 비행경로를 결정하기 위해,
   QCM을 경유하지 않는 목적지까지의 가장 짧은 비행경로를 결정하는 트래픽 제어장치.
   
10. 제 8항에 있어서, 상기 제1 비행 경로들은 비행시간(Flight time) 변수 및 충전시간(Charging time) 변수를 이용하여 결정되는 트래픽 제어장치.

Images