KR20240028739A - AI-based Dynamic model extraction System and Method - Google Patents

AI-based Dynamic model extraction System and Method Download PDF

Info

Publication number
KR20240028739A
KR20240028739A KR1020220106870A KR20220106870A KR20240028739A KR 20240028739 A KR20240028739 A KR 20240028739A KR 1020220106870 A KR1020220106870 A KR 1020220106870A KR 20220106870 A KR20220106870 A KR 20220106870A KR 20240028739 A KR20240028739 A KR 20240028739A
Authority
KR
South Korea
Prior art keywords
model
learning
artificial intelligence
data
motion model
Prior art date
Application number
KR1020220106870A
Other languages
Korean (ko)
Inventor
하태흡
정호채
김상범
Original Assignee
아피아엔지니어링(주)
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 아피아엔지니어링(주) filed Critical 아피아엔지니어링(주)
Priority to KR1020220106870A priority Critical patent/KR20240028739A/en
Publication of KR20240028739A publication Critical patent/KR20240028739A/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Processing Or Creating Images (AREA)

Abstract

본 발명의 일 실시예에 따른 인공지능 기반 운동모델 추출 시스템은 항공기의 비행데이터를 수집 및 추출하기 위한 오픈소스기반 항공역학 운동모델(FDM, Flight Dynamic Model) 라이브러리가 탑재된 학습 데이터 수집부; 상기 학습 데이터 수집부에서 수집된 학습용 비행데이터를 기초로 ELM(Extream Machine Learning) 모델의 학습이 실시되는 환경이 구축된 운동모델 학습부; 및 학습된 인공지능 모델을 상기 학습 데이터 수집부에서 별도 저장한 검증용 데이터를 기초로 검증하는 인공지능 검증부를 포함한다.An artificial intelligence-based motion model extraction system according to an embodiment of the present invention includes a learning data collection unit equipped with an open source-based aerodynamic motion model (FDM, Flight Dynamic Model) library for collecting and extracting flight data of an aircraft; A motion model learning unit configured to establish an environment in which learning of an ELM (Extream Machine Learning) model is performed based on the training flight data collected by the learning data collection unit; and an artificial intelligence verification unit that verifies the learned artificial intelligence model based on verification data separately stored in the learning data collection unit.

Description

인공지능 기반 운동모델 추출 시스템 및 방법 {AI-based Dynamic model extraction System and Method}AI-based Dynamic model extraction System and Method}

본 발명은 인공지능 기반 운동모델 추출 시스템 및 방법에 관한 것이다.The present invention relates to an artificial intelligence-based motion model extraction system and method.

비행동역학은 항공기의 조향과 주요 비행계수 Pich/Roll/Yaw, 항공기의 자세와 위치를 나타내는 6 DOF(Degrees Of Freedom), 안전성에 대해 해석한다.Flight dynamics analyze the aircraft's steering, major flight coefficients Pich/Roll/Yaw, 6 DOF (Degrees Of Freedom) indicating the aircraft's attitude and position, and safety.

고정익 항공기의 기본적인 운동모델은 역학모델, 공력모델, 추력모델, 중력모델 등으로 이루어진다.The basic motion model of a fixed-wing aircraft consists of a dynamics model, aerodynamic model, thrust model, and gravity model.

도 1 참조, 기존의 수학적인 고정익 항공기의 동역학 모델링에서는 어떤 데이터를 고정익 항공기의 입출력 데이터로 취해야 정확한 동역학 모델링이 얻어질 수 있는지에 대한 실질적인 연구 결과가 없는 실정이다. Referring to Figure 1, in the existing mathematical dynamic modeling of fixed-wing aircraft, there are no practical research results on what data should be taken as input and output data of the fixed-wing aircraft to obtain accurate dynamic modeling.

따라서 어떠한 데이터를 입출력 데이터로 하면, 보다 정확한 고정익 항공기의 동역학 모델링을 생성할 수 있는지 분석하기 어렵다는 문제점이 있었다.Therefore, there was a problem in that it was difficult to analyze which data could be used as input and output data to create a more accurate dynamic modeling of a fixed-wing aircraft.

등록특허공보 제10-1923073호Registered Patent Publication No. 10-1923073 등록특허공보 제10-2021384호Registered Patent Publication No. 10-2021384

본 발명이 해결하고자 하는 과제는 현실과 사물과 공간을 복제한 디지털 트윈과 메타버스의 수요의 증가로 시뮬레이션 기술의 수요가 증가함에 따라 시뮬레이션 구현의 핵심기술인 모델링을 수학적인 방법을 통해 구현하고, 인공지능 기술을 활용하여 동역학 모델링을 구현 시, 모델링 과정을 단순화하여 개발가능하고 공수와 비용을 줄일 수 있는 인공지능 기반 운동모델 추출 시스템 및 방법을 제공하는 데 그 목적이 있다.The problem that the present invention aims to solve is to implement modeling, a core technology of simulation implementation, through mathematical methods as the demand for simulation technology increases due to the increase in demand for digital twins and metaverses that replicate reality, objects, and space, and to implement artificial The purpose is to provide an artificial intelligence-based motion model extraction system and method that can be developed by simplifying the modeling process and reduce man-hours and costs when implementing dynamic modeling using intelligent technology.

본 발명의 일 실시예에 따른 인공지능 기반 운동모델 추출 시스템은 항공기의 비행데이터를 수집 및 추출하기 위한 오픈소스기반 항공역학 운동모델(FDM, Flight Dynamic Model) 라이브러리가 탑재된 학습 데이터 수집부; 상기 학습 데이터 수집부에서 수집된 학습용 비행데이터를 기초로 ELM(Extream Machine Learning) 모델의 학습이 실시되는 환경이 구축된 운동모델 학습부; 및 학습된 인공지능 모델을 상기 학습 데이터 수집부에서 별도 저장한 검증용 데이터를 기초로 검증하는 인공지능 검증부를 포함한다.An artificial intelligence-based motion model extraction system according to an embodiment of the present invention includes a learning data collection unit equipped with an open source-based aerodynamic motion model (FDM, Flight Dynamic Model) library for collecting and extracting flight data of an aircraft; A motion model learning unit configured to establish an environment in which learning of an ELM (Extream Machine Learning) model is performed based on the training flight data collected by the learning data collection unit; and an artificial intelligence verification unit that verifies the learned artificial intelligence model based on verification data separately stored in the learning data collection unit.

일 실시예에서, 상기 학습 데이터 수집부는 F-16 항공기모델을 Scenerio.xml 파일을 이용하여 모의 조종을 통해 출력되는 항공기의 속도, 자세, 추력, 공력 데이터를 운동모델 학습 데이터로 사용하도록 수집하는 것을 특징으로 한다.In one embodiment, the learning data collection unit collects the speed, attitude, thrust, and aerodynamic force data of the aircraft output through simulation of the F-16 aircraft model using the Scenerio.xml file to use it as exercise model learning data. It is characterized by

일 실시예에서, 상기 학습 데이터 수집부는 Senerio.xml 파일의 비행프로파일을 데이터베이스화하여 고정익 항공기운동모델의 특성을 추출하고, 운동모델 검증시, 학습된 데이터를 사용하지 않도록 하기 위해 학습용 비행데이터와 검증용 비행데이터를 분리하는 것을 특징으로 한다.In one embodiment, the learning data collection unit extracts the characteristics of the fixed-wing aircraft motion model by converting the flight profile of the Senerio. It is characterized by separating flight data.

일 실시예에서, 상기 운동모델 학습부는 인공지능을 통해 학습하여 추력 모델(Thrust Model), 공력 모델(Aerodynamic Model), 역학 모델(Dynamic Model)을 생성하고, 각 모델 별 특성에 따라 서로 다른 입/출력 데이터를 제공하는 것을 특징으로 한다.In one embodiment, the motion model learning unit learns through artificial intelligence to generate a thrust model, an aerodynamic model, and a dynamic model, and different input/output models are used according to the characteristics of each model. It is characterized by providing output data.

일 실시예에서, 상기 운동모델 학습부는 생성한 추력 모델(Thrust Model), 공력 모델(Aerodynamic Model), 역학 모델(Dynamic Model)을 1개의 은닉층을 가진 SFNs(Single Hidden Layer Feed-forward Networks)에 적용하여 각 모델을 학습하는 것을 특징으로 한다.In one embodiment, the motion model learning unit applies the generated thrust model, aerodynamic model, and dynamic model to SFNs (Single Hidden Layer Feed-forward Networks) with one hidden layer. It is characterized by learning each model.

일 실시예에서, 상기 인공지능 검증부는 검증용 데이터를 입력데이터로 사용하고, 맵핑된 출력데이터와 인공지능에서 출력된 데이터를 비교 검증하여 인공지능 모델의 성능을 확인하는 것을 특징으로 한다.In one embodiment, the artificial intelligence verification unit uses verification data as input data and verifies the performance of the artificial intelligence model by comparing and verifying the mapped output data and the data output from the artificial intelligence.

본 발명의 일 실시예에 따른 인공지능 기반 운동모델 추출 방법은 학습 데이터 수집부에서 오픈소스기반 항공역학 운동모델(FDM, Flight Dynamic Model) 라이브러리를 이용하여 항공기의 비행데이터를 수집 및 추출하는 단계; 운동모델 학습부에서 상기 학습 데이터 수집부에서 수집된 학습용 비행데이터를 기초로 ELM(Extream Machine Learning) 모델의 학습을 실시하는 단계; 및 인공지능 검증부에서 학습된 인공지능 모델을 상기 학습 데이터 수집부에서 별도 저장한 검증용 데이터를 기초로 검증하는 단계를 포함한다.The artificial intelligence-based motion model extraction method according to an embodiment of the present invention includes the steps of collecting and extracting flight data of an aircraft using an open source-based aerodynamic motion model (FDM, Flight Dynamic Model) library in a learning data collection unit; Performing learning of an ELM (Extream Machine Learning) model in a motion model learning unit based on the training flight data collected in the learning data collection unit; and verifying the artificial intelligence model learned in the artificial intelligence verification unit based on verification data separately stored in the learning data collection unit.

일 실시예에서, 상기 수집 및 추출하는 단계는 상기 학습 데이터 수집부에서 F-16 항공기모델을 Scenerio.xml 파일을 이용하여 모의 조종을 통해 출력되는 항공기의 속도, 자세, 추력, 공력 데이터를 운동모델 학습 데이터로 사용하도록 수집하는 단계를 포함하는 것을 특징으로 한다.In one embodiment, the step of collecting and extracting the speed, attitude, thrust, and aerodynamic force data of the aircraft output through simulation of the F-16 aircraft model using the Scenerio.xml file in the learning data collection unit is used as a motion model. It is characterized by including a step of collecting to be used as learning data.

일 실시예에서, 상기 수집 및 추출하는 단계는 상기 학습 데이터 수집부에서 Senerio.xml 파일의 비행프로파일을 데이터베이스화하여 고정익 항공기운동모델의 특성을 추출하고, 운동모델 검증시, 학습된 데이터를 사용하지 않도록 하기 위해 학습용 비행데이터와 검증용 비행데이터를 분리하는 단계를 포함하는 것을 특징으로 한다.In one embodiment, the collecting and extracting step extracts the characteristics of the fixed-wing aircraft motion model by converting the flight profile of the Senerio.xml file into a database in the learning data collection unit, and does not use the learned data when verifying the motion model. In order to prevent this, it is characterized by including a step of separating flight data for learning and flight data for verification.

일 실시예에서, 상기 ELM(Extream Machine Learning) 모델의 학습을 실시하는 단계는 상기 운동모델 학습부에서 인공지능을 통해 학습하여 추력 모델(Thrust Model), 공력 모델(Aerodynamic Model), 역학 모델(Dynamic Model)을 생성하고, 각 모델 별 특성에 따라 서로 다른 입/출력 데이터를 제공하는 단계를 포함하는 것을 특징으로 한다.In one embodiment, the step of learning the ELM (Extream Machine Learning) model involves learning through artificial intelligence in the motion model learning unit to create a thrust model, an aerodynamic model, and a dynamic model. Model) and providing different input/output data according to the characteristics of each model.

일 실시예에서, 상기 ELM(Extream Machine Learning) 모델의 학습을 실시하는 단계는 상기 운동모델 학습부에서 생성한 추력 모델(Thrust Model), 공력 모델(Aerodynamic Model), 역학 모델(Dynamic Model)을 1개의 은닉층을 가진 SFNs(Single Hidden Layer Feed-forward Networks)에 적용하여 각 모델을 학습하는 단계를 포함하는 것을 특징으로 한다.In one embodiment, the step of learning the ELM (Extream Machine Learning) model includes the thrust model, aerodynamic model, and dynamic model generated by the motion model learning unit. It is characterized by including a step of learning each model by applying it to SFNs (Single Hidden Layer Feed-forward Networks) with two hidden layers.

일 실시예에서, 상기 검증하는 단계는 상기 인공지능 검증부에서 검증용 데이터를 입력데이터로 사용하고, 맵핑된 출력데이터와 인공지능에서 출력된 데이터를 비교 검증하여 인공지능 모델의 성능을 확인하는 단계인 것을 특징으로 한다.In one embodiment, the verifying step includes using verification data as input data in the artificial intelligence verification unit and verifying the performance of the artificial intelligence model by comparing and verifying the mapped output data and the data output from the artificial intelligence. It is characterized by being.

본 발명에 따르면, 디지털 트윈, 메타버스 구축의 모델링 시간을 단출할 수 있고, 제한된 컴퓨팅 자원에서 사용가능한 운동모델로 적용이 가능하고, GPS/INS 등 간단한 센서 시뮬레이션으로 활용하여 다른 시스템에 활용이 가능하다는 이점이 있다.According to the present invention, the modeling time for building a digital twin and metaverse can be shortened, it can be applied as a motion model that can be used with limited computing resources, and it can be used in other systems by using simple sensor simulations such as GPS/INS. There is an advantage to this.

도 1은 종래의 고정익 항공기의 수학적 운동모델 과정을 설명한 예시도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반 운동모델 추출 시스템의 소프트웨어 블록도이다.
도 3은 도 2에 도시된 운동모델 학습부의 SFNs 구조의 예시도이다.
도 4는 본 발명의 일 실시예에 따른 인공지능 기반 운동모델 추출 방법을 설명한 흐름도이다.Figure 1 is an example diagram explaining the mathematical motion model process of a conventional fixed-wing aircraft.
Figure 2 is a software block diagram of an artificial intelligence-based motion model extraction system according to an embodiment of the present invention.
Figure 3 is an example diagram of the SFNs structure of the motor model learning unit shown in Figure 2.
Figure 4 is a flowchart explaining an artificial intelligence-based motion model extraction method according to an embodiment of the present invention.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Since the present invention can be subject to various changes and can have various forms, specific embodiments will be illustrated in the drawings and described in detail in the text. However, this is not intended to limit the present invention to a specific disclosed form, and should be understood to include all changes, equivalents, and substitutes included in the spirit and technical scope of the present invention.

제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다. Terms such as first, second, etc. may be used to describe various components, but the components should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another. For example, a first component may be referred to as a second component, and similarly, the second component may also be referred to as a first component without departing from the scope of the present invention.

본 출원에서 사용한 용어는 단지 특정한 실시예들을 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 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in this application are merely used to describe specific embodiments and are not intended to limit the invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, terms such as “comprise” or “have” are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more other features or It should be understood that this does not exclude in advance the possibility of the presence or addition of numbers, steps, operations, components, parts, or combinations thereof.

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 의미를 가진다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person of ordinary skill in the technical field to which the present invention pertains.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Terms defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and unless clearly defined in the present application, should not be interpreted as having an ideal or excessively formal meaning. No.

이하, 첨부된 도면들에 기초하여 본 발명의 일 실시예에 따른 인공지능 기반 운동모델 추출 시스템 및 방법을 보다 상세하게 설명하도록 한다.Hereinafter, an artificial intelligence-based motion model extraction system and method according to an embodiment of the present invention will be described in more detail based on the attached drawings.

도 2는 본 발명의 일 실시예에 따른 인공지능 기반 운동모델 추출 시스템의 소프트웨어 블록도이고, 도 3은 도 2에 도시된 운동모델 학습부의 SFNs 구조의 예시도이다.Figure 2 is a software block diagram of an artificial intelligence-based motion model extraction system according to an embodiment of the present invention, and Figure 3 is an example diagram of the SFNs structure of the motion model learning unit shown in Figure 2.

도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 기반 운동모델 추출 시스템(100)은 오픈소스로 수집한 데이터를 바탕으로 인공지능 기술을 활용하여 메트릭스 기반의 고정익 항공기의 추력, 공력, 역학모델을 생성하고, 검증하는 기술에 관한 발명이다.As shown in Figure 2, the artificial intelligence-based motion model extraction system 100 according to an embodiment of the present invention utilizes artificial intelligence technology based on data collected as open source to calculate the thrust of a matrix-based fixed-wing aircraft, This invention relates to technology for creating and verifying aerodynamic and dynamic models.

보다 구체적으로, 본 발명의 일 실시예에 따른 인공지능 기반 운동모델 추출 시스템(100)은 학습 데이터 수집부(110), 운동모델 학습부(120) 및 인공지능 검증부(130)를 포함한다.More specifically, the artificial intelligence-based motion model extraction system 100 according to an embodiment of the present invention includes a learning data collection unit 110, a motion model learning unit 120, and an artificial intelligence verification unit 130.

학습 데이터 수집부(110)는 항공기의 비행데이터를 수집 및 추출하기 위한 오픈소스기반 항공역학 운동모델(FDM, Flight Dynamic Model) 라이브러리가 탑재된 구성으로, F-16 항공기모델을 Scenerio.xml 파일을 이용하여 모의 조종을 통해 출력되는 항공기의 속도, 자세, 추력, 공력 데이터를 수집하여 운동모델 학습 데이터로 사용하도록 수집하는 구성일 수 있다.The learning data collection unit 110 is equipped with an open source-based aerodynamic movement model (FDM, Flight Dynamic Model) library for collecting and extracting flight data of the aircraft. The F-16 aircraft model is stored in the Scenerio.xml file. It may be a configuration that collects the speed, attitude, thrust, and aerodynamic force data of the aircraft output through simulation piloting to be used as exercise model learning data.

또한, Senerio.xml 파일의 비행프로파일을 데이터베이스화하여 고정익 항공기운동모델의 특성을 추출하고, 운동모델 검증시, 학습된 데이터를 사용하지 않도록 하기 위해 학습용 비행데이터와 검증용 비행데이터를 분리하여 제공하는 구성일 수 있다.In addition, the flight profile of the Senerio.xml file is converted into a database to extract the characteristics of the fixed-wing aircraft motion model, and the training flight data and verification flight data are provided separately to avoid using the learned data when verifying the motion model. It may be a configuration.

다음으로, 운동모델 학습부(120)는 도 3을 참조, 상기 학습 데이터 수집부(110)에서 수집된 학습용 비행데이터를 기초로 ELM(Extream Machine Learning) 모델의 학습이 실시되는 환경이 구축된 구성으로, 인공지능을 통해 학습하여 추력 모델(Thrust Model), 공력 모델(Aerodynamic Model), 역학 모델(Dynamic Model)을 생성하고, 각 모델 별 특성에 따라 서로 다른 입/출력 데이터(하기의 표 1 참조)를 제공하는 구성일 수 있다.Next, referring to FIG. 3, the motion model learning unit 120 is configured to construct an environment in which training of an ELM (Extream Machine Learning) model is conducted based on the training flight data collected by the learning data collection unit 110. By learning through artificial intelligence, a thrust model, aerodynamic model, and dynamic model are created, and different input/output data are generated according to the characteristics of each model (see Table 1 below). ) may be a configuration that provides.

[표 1] [Table 1]

여기서, 상기 운동모델 학습부(120)는 도 3을 참조, 생성한 추력 모델(Thrust Model), 공력 모델(Aerodynamic Model), 역학 모델(Dynamic Model)을 1개의 은닉층을 가진 SFNs(Single Hidden Layer Feed-forward Networks)에 적용하여 각 모델을 학습하여 가중치 매트릭스 기반의 운동모델을 생성하는 구성일 수 있다.Here, referring to FIG. 3, the motion model learning unit 120 converts the generated thrust model, aerodynamic model, and dynamic model into SFNs (Single Hidden Layer Feed) with one hidden layer. -forward Networks) and learn each model to create a weight matrix-based exercise model.

참고로, EML(Extreme Machine Learning)은 신경망 모델 대비 수천배 빠른 학습속도, 1개의 은닉층을 가진 SFNs(Single Hidden Layer Feed-forward Networks), 수식 근사화에 좋은 성능을 보이는 특징이 있다.For reference, EML (Extreme Machine Learning) has the characteristics of a learning speed that is thousands of times faster than neural network models, SFNs (Single Hidden Layer Feed-forward Networks) with one hidden layer, and good performance in formula approximation.

다음으로, 인공지능 검증부(130)는 학습된 인공지능 모델을 상기 학습 데이터 수집부에서 별도 저장한 검증용 데이터를 기초로 검증하는 구성일 수 있다.Next, the artificial intelligence verification unit 130 may be configured to verify the learned artificial intelligence model based on verification data separately stored in the learning data collection unit.

상기 인공지능 검증부(130)는 검증용 데이터를 입력데이터로 사용하고, 맵핑된 출력데이터와 인공지능에서 출력된 데이터를 비교 검증하여 인공지능 모델의 성능을 확인한다.The artificial intelligence verification unit 130 uses verification data as input data and verifies the performance of the artificial intelligence model by comparing and verifying the mapped output data with the data output from the artificial intelligence.

도 4는 본 발명의 일 실시예에 따른 인공지능 기반 운동모델 추출 방법을 설명한 흐름도이다.Figure 4 is a flowchart explaining an artificial intelligence-based motion model extraction method according to an embodiment of the present invention.

도 4를 참조하면, 본 발명의 일 실시예에 따른 인공지능 기반 운동모델 추출 방법(S700)은 먼저, 학습 데이터 수집부에서 오픈소스기반 항공역학 운동모델(FDM, Flight Dynamic Model) 라이브러리를 이용하여 항공기의 비행데이터를 수집 및 추출(S710)한다.Referring to Figure 4, the artificial intelligence-based motion model extraction method (S700) according to an embodiment of the present invention first uses an open source-based aerodynamic motion model (FDM, Flight Dynamic Model) library in the learning data collection unit. Collect and extract aircraft flight data (S710).

여기서, S710 과정은 상기 학습 데이터 수집부(110)에서 F-16 항공기모델을 Scenerio.xml 파일을 이용하여 모의 조종을 통해 출력되는 항공기의 속도, 자세, 추력, 공력 데이터를 수집하여 운동모델 학습 데이터로 사용하도록 수집하는 과정을 포함할 수 있다.Here, the S710 process collects the speed, attitude, thrust, and aerodynamic force data of the aircraft output through simulation of the F-16 aircraft model using the Scenerio.xml file in the learning data collection unit 110, thereby collecting motion model learning data. It may include the process of collecting for use.

또한, 상기 학습 데이터 수집부(110)에서 Senerio.xml 파일의 비행프로파일을 데이터베이스화하여 고정익 항공기운동모델의 특성을 추출하고, 운동모델 검증시, 학습된 데이터를 사용하지 않도록 하기 위해 학습용 비행데이터와 검증용 비행데이터를 분리하는 과정을 포함할 수 있다.In addition, the learning data collection unit 110 extracts the characteristics of the fixed-wing aircraft motion model by converting the flight profile of the Senerio. It may include the process of separating flight data for verification.

다음으로, S710 과정이 완료되면, 운동모델 학습부(120)에서 상기 학습 데이터 수집부에서 수집된 학습용 비행데이터를 기초로 ELM(Extream Machine Learning) 모델의 학습을 실시(S720)한다.Next, when the S710 process is completed, the motion model learning unit 120 performs training of an ELM (Extream Machine Learning) model based on the training flight data collected in the learning data collection unit (S720).

상기 S720 과정은 상기 운동모델 학습부(120)에서 인공지능을 통해 학습하여 추력 모델(Thrust Model), 공력 모델(Aerodynamic Model), 역학 모델(Dynamic Model)을 생성하고, 각 모델 별 특성에 따라 서로 다른 입/출력 데이터를 제공하는 과정으로, 상기 운동모델 학습부에서 생성한 추력 모델(Thrust Model), 공력 모델(Aerodynamic Model), 역학 모델(Dynamic Model)을 1개의 은닉층을 가진 SFNs(Single Hidden Layer Feed-forward Networks)에 적용하여 각 모델을 학습하는 과정일 수 있다.In the S720 process, the motion model learning unit 120 learns through artificial intelligence to generate a thrust model, aerodynamic model, and dynamic model, and each model is different depending on the characteristics of each model. In the process of providing other input/output data, the thrust model, aerodynamic model, and dynamic model generated by the motion model learning unit are converted to SFNs (Single Hidden Layer) with one hidden layer. This may be a process of learning each model by applying it to Feed-forward Networks.

이후, S720 과정이 완료되면, 인공지능 검증부에서 학습된 인공지능 모델을 상기 학습 데이터 수집부에서 별도 저장한 검증용 데이터를 기초로 검증(S730)하는 일련의 과정을 포함한다.Afterwards, when the S720 process is completed, it includes a series of processes to verify (S730) the artificial intelligence model learned in the artificial intelligence verification unit based on verification data separately stored in the learning data collection unit.

상기 S730 과정은 상기 인공지능 검증부(130)에서 검증용 데이터를 입력데이터로 사용하고, 맵핑된 출력데이터와 인공지능에서 출력된 데이터를 비교 검증하여 인공지능 모델의 성능을 확인하는 과정일 수 있다. The S730 process may be a process of confirming the performance of the artificial intelligence model by using verification data as input data in the artificial intelligence verification unit 130 and comparing and verifying the mapped output data with the data output from the artificial intelligence. .

따라서, 본 발명에 따르면, 디지털 트윈, 메타버스 구축의 모델링 시간을 단출할 수 있고, 제한된 컴퓨팅 자원에서 사용가능한 운동모델로 적용이 가능하고, GPS/INS 등 간단한 센서 시뮬레이션으로 활용하여 다른 시스템에 활용이 가능하다는 이점이 있다.Therefore, according to the present invention, the modeling time for building a digital twin and metaverse can be shortened, and it can be applied as a motion model that can be used with limited computing resources, and can be used in other systems by using simple sensor simulations such as GPS/INS. There is an advantage in that this is possible.

본 발명은 방법, 장치, 시스템 등으로서 실행될 수 있다. 본 발명의 상기 방법은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램, 코드, 애플리케이션, 소프트웨어 등으로서 구현하는 것이 가능하다. 소프트웨어나 애플리케이션으로 구현되어 실행될 때, 본 발명의 구성 수단들은 필연적으로 필요한 작업을 실행하는 프로그램이나 코드 세그먼트들이다. 프로그램 또는 코드 세그먼트들은 컴퓨터로 읽을 수 있는 기록매체에 저장될 수 있으며 또는 전송 매체 또는 통신망에서 반송파와 결합된 컴퓨터 데이터 신호에 의하여 전송될 수 있다. The invention may be practiced as a method, device, system, etc. The method of the present invention can also be implemented as a computer-readable program, code, application, software, etc. on a computer-readable recording medium. When implemented and executed as software or an application, the constituent means of the present invention are inevitably programs or code segments that execute necessary tasks. Programs or code segments may be stored on a computer-readable recording medium or transmitted by a computer data signal coupled with a carrier wave in a transmission medium or communication network.

이상에서는 도면에 도시된 구체적인 실시예를 참고하여 본 발명을 설명하였으나 이는 예시적인 것에 불과하므로, 본 발명이 속하는 기술 분야에서 통상의 기술을 가진 자라면 이로부터 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명의 보호 범위는 후술하는 특허청구범위에 의하여 해석되어야 하고, 그와 동등 및 균등한 범위 내에 있는 모든 기술적 사상은 본 발명의 보호 범위에 포함되는 것으로 해석되어야 할 것이다.In the above, the present invention has been described with reference to the specific embodiments shown in the drawings, but these are merely examples, and various modifications and variations will be possible to those skilled in the art to which the present invention pertains. Accordingly, the scope of protection of the present invention should be interpreted in accordance with the scope of the patent claims described later, and all technical ideas within the equivalent and equivalent scope thereof should be interpreted as being included in the scope of protection of the present invention.

100: 인공지능 기반 운동모델 추출 시스템
110: 학습 데이터 수집부
120: 운동모델 학습부
130: 인공지능 검증부100: Artificial intelligence-based motion model extraction system
110: Learning data collection unit
120: Movement model learning department
130: Artificial intelligence verification department

Claims (12)

항공기의 비행데이터를 수집 및 추출하기 위한 오픈소스기반 항공역학 운동모델(FDM, Flight Dynamic Model) 라이브러리가 탑재된 학습 데이터 수집부;
상기 학습 데이터 수집부에서 수집된 학습용 비행데이터를 기초로 ELM(Extream Machine Learning) 모델의 학습이 실시되는 환경이 구축된 운동모델 학습부; 및
학습된 인공지능 모델을 상기 학습 데이터 수집부에서 별도 저장한 검증용 데이터를 기초로 검증하는 인공지능 검증부를 포함하는 인공지능 기반 운동모델 추출 시스템.
A learning data collection unit equipped with an open source-based aerodynamic motion model (FDM, Flight Dynamic Model) library for collecting and extracting aircraft flight data;
A motion model learning unit configured to establish an environment in which learning of an ELM (Extream Machine Learning) model is performed based on the training flight data collected by the learning data collection unit; and
An artificial intelligence-based motion model extraction system including an artificial intelligence verification unit that verifies the learned artificial intelligence model based on verification data separately stored in the learning data collection unit.
 제1항에 있어서,
상기 학습 데이터 수집부는
F-16 항공기모델을 Scenerio.xml 파일을 이용하여 모의 조종을 통해 출력되는 항공기의 속도, 자세, 추력, 공력 데이터를 수집하여 운동모델 학습 데이터로 사용하도록 수집하는 것을 특징으로 하는 인공지능 기반 운동모델 추출 시스템.
According to paragraph 1,
The learning data collection unit
An artificial intelligence-based motion model that collects the speed, attitude, thrust, and aerodynamic data of the aircraft output through simulation of the F-16 aircraft model using the Scenerio.xml file to be used as motion model learning data. Extraction system.
 제1항에 있어서,
상기 학습 데이터 수집부는
Senerio.xml 파일의 비행프로파일을 데이터베이스화하여 고정익 항공기운동모델의 특성을 추출하고, 운동모델 검증시, 학습된 데이터를 사용하지 않도록 하기 위해 학습용 비행데이터와 검증용 비행데이터를 분리하는 것을 특징으로 하는 인공지능 기반 운동모델 추출 시스템.
According to paragraph 1,
The learning data collection unit
The flight profile of the Senerio.xml file is converted into a database to extract the characteristics of the fixed-wing aircraft motion model, and when verifying the motion model, the learning flight data and verification flight data are separated to avoid using the learned data. Artificial intelligence-based motion model extraction system.
 제1항에 있어서,
상기 운동모델 학습부는
인공지능을 통해 학습하여 추력 모델(Thrust Model), 공력 모델(Aerodynamic Model), 역학 모델(Dynamic Model)을 생성하고,
각 모델 별 특성에 따라 서로 다른 입/출력 데이터를 제공하는 것을 특징으로 하는 인공지능 기반 운동모델 추출 시스템.
According to paragraph 1,
The exercise model learning department
Learning through artificial intelligence creates a thrust model, aerodynamic model, and dynamic model,
An artificial intelligence-based motion model extraction system characterized by providing different input/output data according to the characteristics of each model.
 제4항에 있어서,
상기 운동모델 학습부는
생성한 추력 모델(Thrust Model), 공력 모델(Aerodynamic Model), 역학 모델(Dynamic Model)을 1개의 은닉층을 가진 SFNs(Single Hidden Layer Feed-forward Networks)에 적용하여 각 모델을 학습하는 것을 특징으로 하는 인공지능 기반 운동모델 추출 시스템.
According to paragraph 4,
The exercise model learning department
Characterized by learning each model by applying the generated thrust model, aerodynamic model, and dynamic model to SFNs (Single Hidden Layer Feed-forward Networks) with one hidden layer. Artificial intelligence-based motion model extraction system.
 제5항에 있어서,
상기 인공지능 검증부는
검증용 데이터를 입력데이터로 사용하고, 맵핑된 출력데이터와 인공지능에서 출력된 데이터를 비교 검증하여 인공지능 모델의 성능을 확인하는 것을 특징으로 하는 인공지능 기반 운동모델 추출 시스템.
According to clause 5,
The artificial intelligence verification unit
An artificial intelligence-based motion model extraction system that uses verification data as input data and verifies the performance of the artificial intelligence model by comparing and verifying the mapped output data with the data output from artificial intelligence.
 학습 데이터 수집부에서 오픈소스기반 항공역학 운동모델(FDM, Flight Dynamic Model) 라이브러리를 이용하여 항공기의 비행데이터를 수집 및 추출하는 단계;
운동모델 학습부에서 상기 학습 데이터 수집부에서 수집된 학습용 비행데이터를 기초로 ELM(Extream Machine Learning) 모델의 학습을 실시하는 단계; 및
인공지능 검증부에서 학습된 인공지능 모델을 상기 학습 데이터 수집부에서 별도 저장한 검증용 데이터를 기초로 검증하는 단계를 포함하는 인공지능 기반 운동모델 추출 방법.
Collecting and extracting flight data of the aircraft using an open source-based flight dynamic model (FDM) library in the learning data collection unit;
Performing learning of an ELM (Extream Machine Learning) model in a motion model learning unit based on the training flight data collected in the learning data collection unit; and
An artificial intelligence-based motion model extraction method comprising the step of verifying the artificial intelligence model learned in the artificial intelligence verification unit based on verification data separately stored in the learning data collection unit.
 제7항에 있어서,
상기 수집 및 추출하는 단계는
상기 학습 데이터 수집부에서 F-16 항공기모델을 Scenerio.xml 파일을 이용하여 모의 조종을 통해 출력되는 항공기의 속도, 자세, 추력, 공력 데이터를 수집하여 운동모델 학습 데이터로 사용하도록 수집하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반 운동모델 추출 방법.
In clause 7,
The collection and extraction steps are
Including the step of collecting the speed, attitude, thrust, and aerodynamic force data of the aircraft output through simulation of the F-16 aircraft model using the Scenerio.xml file in the learning data collection unit to be used as exercise model learning data. An artificial intelligence-based motion model extraction method characterized by:
 제8항에 있어서,
상기 수집 및 추출하는 단계는
상기 학습 데이터 수집부에서 Senerio.xml 파일의 비행프로파일을 데이터베이스화하여 고정익 항공기운동모델의 특성을 추출하고, 운동모델 검증시, 학습된 데이터를 사용하지 않도록 하기 위해 학습용 비행데이터와 검증용 비행데이터를 분리하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반 운동모델 추출 방법.
According to clause 8,
The collection and extraction steps are
In the learning data collection unit, the flight profile of the Senerio. An artificial intelligence-based motion model extraction method comprising a separation step.
 제9항에 있어서,
상기 ELM(Extream Machine Learning) 모델의 학습을 실시하는 단계는
상기 운동모델 학습부에서 인공지능을 통해 학습하여 추력 모델(Thrust Model), 공력 모델(Aerodynamic Model), 역학 모델(Dynamic Model)을 생성하고,
각 모델 별 특성에 따라 서로 다른 입/출력 데이터를 제공하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반 운동모델 추출 방법.
According to clause 9,
The step of learning the ELM (Extream Machine Learning) model is
The motion model learning unit learns through artificial intelligence to generate a thrust model, aerodynamic model, and dynamic model,
An artificial intelligence-based motion model extraction method comprising the step of providing different input/output data according to the characteristics of each model.
 제10항에 있어서,
상기 ELM(Extream Machine Learning) 모델의 학습을 실시하는 단계는
상기 운동모델 학습부에서 생성한 추력 모델(Thrust Model), 공력 모델(Aerodynamic Model), 역학 모델(Dynamic Model)을 1개의 은닉층을 가진 SFNs(Single Hidden Layer Feed-forward Networks)에 적용하여 각 모델을 학습하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반 운동모델 추출 방법.
According to clause 10,
The step of learning the ELM (Extream Machine Learning) model is
The thrust model, aerodynamic model, and dynamic model generated by the motion model learning unit are applied to SFNs (Single Hidden Layer Feed-forward Networks) with one hidden layer to create each model. An artificial intelligence-based motion model extraction method comprising a learning step.
 제11항에 있어서,
상기 검증하는 단계는
상기 인공지능 검증부에서 검증용 데이터를 입력데이터로 사용하고, 맵핑된 출력데이터와 인공지능에서 출력된 데이터를 비교 검증하여 인공지능 모델의 성능을 확인하는 단계인 것을 특징으로 하는 인공지능 기반 운동모델 추출 방법.According to clause 11,
The verification step is
An artificial intelligence-based exercise model characterized in that the artificial intelligence verification unit uses verification data as input data and verifies the performance of the artificial intelligence model by comparing and verifying the mapped output data with the data output from the artificial intelligence. Extraction method.
KR1020220106870A 2022-08-25 2022-08-25 AI-based Dynamic model extraction System and Method KR20240028739A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220106870A KR20240028739A (en) 2022-08-25 2022-08-25 AI-based Dynamic model extraction System and Method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220106870A KR20240028739A (en) 2022-08-25 2022-08-25 AI-based Dynamic model extraction System and Method

Publications (1)

Publication Number Publication Date
KR20240028739A true KR20240028739A (en) 2024-03-05

Family

ID=90298459

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220106870A KR20240028739A (en) 2022-08-25 2022-08-25 AI-based Dynamic model extraction System and Method

Country Status (1)

Country Link
KR (1) KR20240028739A (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101923073B1 (en) 2017-03-31 2018-11-28 박지혁 Method of constructing aircraft simulation model
KR102021384B1 (en) 2017-11-14 2019-09-20 주식회사 셈웨어 Method for creating dynamic modeling of drone based on artificial intelligence

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101923073B1 (en) 2017-03-31 2018-11-28 박지혁 Method of constructing aircraft simulation model
KR102021384B1 (en) 2017-11-14 2019-09-20 주식회사 셈웨어 Method for creating dynamic modeling of drone based on artificial intelligence

Similar Documents

Publication Publication Date Title
CN112232490B (en) Visual-based depth simulation reinforcement learning driving strategy training method
CN112859898B (en) Aircraft trajectory prediction method based on two-channel bidirectional neural network
CN106096194B (en) rapid modeling design method of fixed-wing aircraft based on pluggable interface
McDaniel et al. Multiple Bodies, Motion, and Mash-Ups: Handling Complex Use-Cases with Kestrel
KR20240028739A (en) AI-based Dynamic model extraction System and Method
CN116244473A (en) Multi-mode emotion recognition method based on feature decoupling and graph knowledge distillation
Wasim et al. Unscented Kalman filter for airship model uncertainties and wind disturbance estimation
Morton et al. Rigid, maneuvering, and aeroelastic results for Kestrel-a CREATE simulation tool
CN111506959A (en) Universal flight control system and method for flight simulation training
CN112749556B (en) Multi-language model training method and device, storage medium and electronic equipment
AbdElHamid et al. A novel software simulator model based on active hybrid architecture
Pedro et al. Online aerodynamic parameter estimation of a miniature unmanned helicopter using radial basis function neural networks
CN111241626A (en) Unmanned aerial vehicle arresting landing real-time simulation method based on rapid prototyping
Arias et al. Enabling HH-60G Predictive Maintenance via Computational Fluid Dynamics (CFD) Artificial Intelligence (AI) Rotorcraft Development and Modeling (CARD-M)
KR101575133B1 (en) M&S Entity assembly system and method for configurating aggregate objects in Modeling amp; Simulation environment
CN111722720B (en) Man-machine interaction method, device and terminal
Palmieri et al. Co-simulation of UAVs with INTO-CPS and PVSio-web
Benoit et al. Real-time physics-based simulation of mechanisms and systems
CN117056459B (en) Vector recall method and device
CN115328203B (en) Large-scale unmanned aerial vehicle cluster formation simulation acceleration method and system based on data driving
KR20140084645A (en) Computer readable recording medium for recording flight dynamic analysis/simulation program for helicopter fbw system development
CN116756047B (en) Software development method and system of vehicle controller based on GPT
CN116611027A (en) Hand motion trail prediction method for flight simulation environment
Jasim et al. Verification Framework for Control System Functionality of Unmanned Aerial Vehicles
Abdul-Aziz Flight Control Systems Using Neural Networks