KR20240073358A - 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법 - Google Patents

머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법 Download PDF

Info

Publication number
KR20240073358A
KR20240073358A KR1020220155075A KR20220155075A KR20240073358A KR 20240073358 A KR20240073358 A KR 20240073358A KR 1020220155075 A KR1020220155075 A KR 1020220155075A KR 20220155075 A KR20220155075 A KR 20220155075A KR 20240073358 A KR20240073358 A KR 20240073358A
Authority
KR
South Korea
Prior art keywords
aircraft
collision avoidance
machine learning
daidalus
learning
Prior art date
Application number
KR1020220155075A
Other languages
English (en)
Inventor
이학태
류재영
Original Assignee
인하대학교 산학협력단
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 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020220155075A priority Critical patent/KR20240073358A/ko
Publication of KR20240073358A publication Critical patent/KR20240073358A/ko

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/04—Anti-collision systems
    • G08G5/045—Navigation or guidance aids, e.g. determination of anti-collision manoeuvers
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
    • G05D1/1064—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones specially adapted for avoiding collisions with other aircraft
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D3/00—Control of position or direction
    • G05D3/12—Control of position or direction using feedback
    • G05D3/14—Control of position or direction using feedback using an analogue comparing device
    • G05D3/1445—Control of position or direction using feedback using an analogue comparing device with a plurality of loops
    • G05D3/1463—Control of position or direction using feedback using an analogue comparing device with a plurality of loops using PID devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법에 관한 것으로, 보다 상세하게는 NASA에서 시스템으로 구현한 항공기 탐지 회피 알고리즘인 DAIDALUS(Detect and AvoID Alerting Logic for Unmanned System)의 결과값을 경험으로 하는 머신러닝을 이용하여 항공기의 충돌 회피 알고리즘을 구현하고, 항공기 운동 모델과, 항공기 의사 결정 모델을 이용한 충돌 회피 시뮬레이션을 통해 구현된 충돌 회피 알고리즘을 평가 및 검증함으로써 유인 항공기와 무인 항공기에 통합적으로 적용 가능한 충돌 회피 시스템을 구현할 수 있도록 하는 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법에 관한 것이다.

Description

머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법{Aircraft collision avoidance method using machine learning and its evaluation method}
본 발명은 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법에 관한 것으로, 보다 상세하게는 NASA에서 시스템으로 구현한 항공기 탐지 회피 알고리즘인 DAIDALUS(Detect and AvoID Alerting Logic for Unmanned System)의 결과값을 경험으로 하는 머신러닝을 이용하여 항공기의 충돌 회피 알고리즘을 구현하고, 항공기 운동 모델과, 항공기 의사 결정 모델을 이용한 충돌 회피 시뮬레이션을 통해 구현된 충돌 회피 알고리즘을 평가 및 검증함으로써 유인 항공기와 무인 항공기에 통합적으로 적용 가능한 충돌 회피 시스템을 구현할 수 있도록 하는 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법에 관한 것이다.
무인 항공기는 초기에 군사용 목적으로 연구되었지만 최근 비약적인 발달과, Traffic Collision Avoidance System, Automatic Dependent Surveillance-Broadcast (ADS-B) 등과 같은 항공 전자 장비에 발달로 인해 민간 분야까지 활용도를 확대하고 있다.
감시, 재난 구호 지원, 산불 감시, 통신 중계 등에 무인 항공기가 사용되고 있으며 향후 드론 택시나 전기 동력 수직 이착륙기 같은 미래 교통 수단으로 사용될 것으로 예상된다.
무인 항공기의 개발과 더불어 무인 항공기의 비행 공역 범위도 다양해지면서 유인 항공기와 무인 항공기의 통합 운용에 대한 관심도 커지고 있다.
The International Civil Aviation Organization(ICAO)에서는 무인 항공기 시스템을 원격조종항공시스템(RPAS)과 레크레이션을 목적으로 하는 model aircraft, 조종사의 개입을 허용하지 않는 autonomous aircraft로 나누었다.
ICAO는 유인 항공기가 있는 공역에서 RPAS 통합 운용을 위한 표준화 작업을 선도하고 있으며 국내는 물론 해외에서도 관련 연구가 활발히 진행되고 있다.
일례로, National Aeronautics and Space Administration(NASA)에서는 유인 항공기와 무인 항공기의 통합 운용을 위해 RTCA DO-365 Minimum Operational Performances Standards(MOPS)에서 제시한 Detect and Avoid(DAA)를 소프트웨어화하여 Detect and AvoID Alerting Logic for Unmanned System(DAIDALUS)을 개발하였으며 European Union Aviation Safety Agency(EASA)에서는 MIDCAS 프로젝트를 진행하였다.
한편, 무인 항공기와 유인 항공기가 같은 공역을 쓰게 될 경우, 국내 공역의 복잡도는 당연히 늘어나게 될 것이다.
공역의 복잡도가 증가하게 되면, 항공기 사이의 충돌 가능성이 증가하여 충돌사고의 발생 위험이 높아짐은 물론, 관제사가 관제하여야 하는 비행 대수의 증가로 인해 관제사의 과부하로 연결될 수 있으며 심각할 경우, 관제사가 엉뚱한 충돌 회피 지시를 내릴 수 있는 등 관제 사고의 발생 위험 또한 높아지게 된다.
이와 관련된 종래기술로 대한민국 공개특허공보 제10-2019-0095920호와, 제10-2022-0013030호에는 각각 무인 항공기의 충돌 회피 시스템 및 방법과, 무인 공중 차량들에 대한 위험 평가가 게재되어 있는데, 상기 종래기술들은 항공기의 충돌 위험을 줄위기 위한 목적으로 사용되는 시스템 또는 방법과 관련된 기술이기는 하지만, 모두 무인 항공기의 충돌 회피, 즉 무인 항공기와 장애물 사이의 충돌을 회피하거나 무인 항공기들 상호 간의 충돌 회피를 목적으로 하는 것으로, 무인 항공기와 유인 항공기에 통합적으로 적용, 즉 무인 항공기와 유인 항공기의 통합 운용시에는 적용될 수 없는 단점이 있다.
따라서, 무인 항공기와 유인 항공기의 통합 운용시 관제사와 조종사에게 적용될 수 있는 새로운 충돌 회피 알고리즘 또는 방법에 대한 개발이 절실히 요구되고 있다.
1. 대한민국 공개특허공보 제10-2019-0095920호(2019. 08. 16. 공개) 2. 대한민국 공개특허공보 제10-2022-0013030호(2022. 02. 04. 공개)
본 발명은 상기와 같은 종래기술의 문제점들을 해결하기 위한 목적으로 안출된 것으로, 본 발명의 목적은 NASA에서 시스템으로 구현한 항공기 탐지 회피 알고리즘인 DAIDALUS(Detect and AvoID Alerting Logic for Unmanned System)의 결과값을 경험으로 하는 머신러닝을 이용하여 항공기의 충돌 회피 알고리즘을 구현하고, 항공기 운동 모델과, 항공기 의사 결정 모델을 이용한 충돌 회피 시뮬레이션을 통해 구현된 충돌 회피 알고리즘을 평가 및 검증함으로써 유인 항공기와 무인 항공기에 통합적으로 적용 가능한 충돌 회피 시스템을 구현할 수 있도록 하는 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법을 제공함에 있다.
상기와 같은 목적들을 달성하기 위한 본 발명은,
감시 데이터로서의 항공기(ownship)와 침입 항공기(intruder)의 고도, 대지속도(ground speed), 상승율(vertical rate) 및 헤딩(heading)과, 상기 항공기와 침입 항공기의 상대 위도 및 상대 경도를 입력값으로 하고, DAIDALUS(Detect and AvoID Alerting Logic for Unmanned System)에서 제시하는 좌,우 방향으로의 트랙 레절루션(track resolution)과 경고 레벨(alert level)을 출력값으로 하는 심층신경망을 이용한 지도학습의 학습 결과를 이용하여 상기 항공기의 충돌 회피 제어를 수행하는 것을 특징으로 한다.
이때, 상기 입력값과 출력값을 포함하는 데이터세트를 준비하는 데이터세트 준비단계와, 준비된 데이터세트에 포함된 입력값과 출력값을 이용하여 심층신경망 지도학습을 수행하는 학습수행단계를 포함하되, 상기 데이터세트는 ADS-B 데이터를 이용하여 구성한 제1데이터세트와, MOPS(RTCA DO-365 Minimum Operational Performances Standards)에서 제시한 테스트 벡터를 이용하여 구성한 제2데이터세트를 포함할 수 있다.
또한, 상기 데이터세트 준비단계는 위도와 경도로 구성된 ADS-B 데이터의 위치 정보에 대한 시간 동기화를 수행하는 시간 동기화 단계를 더 포함할 수 있다.
그리고, 상기 시간 동기화 단계는, ADS-B 데이터에 포함된 위도와 경도를 람베르트 정각원추도법을 이용하여 상대거리로 전환하는 제1전환단계와, 전환된 상대거리를 선형보간법을 이용하여 1초 간격으로 동기화시키는 동기화 단계 및 동기화된 상대거리를 다시 위도와 경도로 전환시키는 제2전환단계를 포함할 수 있다.
또한, 상기 학습수행단계에서는, 식을 이용하여 출력값(Y)에 대한 스케일링을 수행하는 것을 특징으로 한다.
한편, 본 발명에 따른 항공기 충돌 회피 방법을 평가하기 위한 방법은,
5 자유도 운동 방정식과 PID 제어기를 통해 구현되는 항공기 운동 모델과, 항공기 의사 결정 모델을 이용한 충돌 회피 시뮬레이션을 통해 상기 항공기 충돌 회피 방법의 위험도와 효율성을 평가하는 것을 특징으로 한다.
이때, 상기 항공기 의사 결정 모델은, 상기 DAIDALUS의 결과값을 이용한 항공기 의사 결정 모델인 DAIDALUS 모드와, 상기 심층신경망을 이용한 지도학습의 학습 결과를 이용한 항공기 의사 결정 모델인 AI 모드를 포함하고, 상기 충돌 회피 시뮬레이션은 DAIDALUS 모드와 AI 모드에 대해 각각 수행되는 것을 특징으로 한다.
여기서, 상기 충돌 회피 시뮬레이션을 수행하기 위한 시나리오는 MOPS(RTCA DO-365 Minimum Operational Performances Standards)로부터 획득한 테스트 벡터에서 제시한 시나리오의 속도와 고도를 변형하여 생성한 시나리오와, 상기 테스트 벡터에 다른 침입 항공기를 추가한 시나리오를 포함할 수 있다.
또한, 상기 항공기 충돌 회피 방법의 위험도는 DWC(DAA Well Clear) 위반이 일어난 시간을 기준으로 평가하고, 상기 항공기 충돌 회피 방법의 효율성은 지정된 경로로 기동한 항공기와 충돌 회피 기동을 수행한 항공기의 연료소모량 비교를 통해 평가할 수 있다.
본 발명에 따르면, 실제 발생된 항공기들의 조우 상황 또는 충돌 상황을 기반으로 한 데이터세트를 이용한 머신러닝, 즉 심층 신경망을 이용한 지도학습을 통해 충돌 회피 알고리즘을 구현할 수 있으므로, 유인 항공기와 무인 항공기의 통합 운용시에도 적용할 수 있을 뿐만 아니라, 비행 대수가 증가하더라도 항공기 사이의 충돌사고 발생 위험을 줄일 수 있음은 물론 관제사의 업무 부담을 감소시킴으로써 관제사고의 발생 또한 줄일 수 있는 뛰어난 효과를 갖는다.
또한, 본 발명에 따르면 비교적 획득이 용이하면서도 종래에 비해 간소화된 데이터들을 이용한 머신러닝 수행 결과를 항공기 충돌 회피 제어에 활용할 수 있고, 시뮬레이션을 통해 머신러닝 수행 결과에 대한 위험성 및 효율성을 평가할 수 있는 효과를 추가로 갖는다.
또한, 본 발명에 따르면 학습을 통한 충돌 회피 방법과 그에 대한 위험성 및 효율성 평가 방법 제공을 통해 향후 유무인 항공기 통합 운용시 적용될 수 있는 항공기 충돌 회피 제어의 정확성 및 효율성 향상에 대한 연구에 기여할 수 있는 효과를 추가로 갖는다.
도 1은 본 발명에 사용되는 용어인 DWC의 개념을 개략적으로 나타낸 도면.
도 2는 DAIDALUS track conflict bands 계산 시 항공기와 침입 항공기의 상태를 개념적으로 나타낸 도면.
도 3은 DAIDALUS로부터 상황에 따라 제공 받는 bands를 가시화하여 나타낸 도면.
도 4는 본 발명에 사용되는 DAIDALUS의 입력값과 출력값을 나타낸 도면.
도 5는 본 발명에 따른 머신러닝을 이용한 항공기 충돌 회피 방법에 사용되는 심층신경망 구조를 개념적으로 나타낸 도면.
도 6은 본 발명에 따른 심층신경망을 이용한 지도학습 과정에서 가중치 조정을 위해 사용되는 오차역전파법을 개념적으로 나타낸 도면.
도 7은 본 발명에 따른 심층신경망을 이용한 지도학습에 사용되는 ADS-B 데이터를 이용하여 공중 충돌 위험도를 계산한 결과 인천 비행정보구역에서 DWC Phase 1 위반이 일어난 지역을 나타낸 도면.
도 8 내지 도 13은 본 발명에 따른 심층신경망을 이용한 지도학습에 사용되는 대표적인 테스트 벡터들을 나타낸 도면.
도 14는 본 발명에 따른 머신러닝을 이용한 항공기 충돌 회피 방법을 평가하기 위해 수행되는 충돌 회피 시뮬레이션을 개념적으로 나타낸 도면.
도 15는 도 14에 나타낸 충돌 회피 시뮬레이션 중 DAIDALUS 모드에서의 항공기 의사 결정 과정을 나타낸 도면.
도 16은 도 14에 나타낸 충돌 회피 시뮬레이션 중 AI 모드에서의 항공기 의사 결정 과정을 나타낸 도면.
도 17 내지 도 19는 충돌 회피 시뮬레이션의 첫 번째 타입 시나리오 중 수렴비행 1(Converge 1) 시나리오를 이용한 DAIDALUS 모드와 AI 모드에서의 시뮬레이션 결과를 비교하여 나타낸 도면.
도 20 내지 도 22는 충돌 회피 시뮬레이션의 두 번째 타입 시나리오 중 2 Intruder 1 시나리오를 이용한 DAIDALUS 모드와 AI 모드에서의 시뮬레이션 결과를 비교하여 나타낸 도면.
이하, 첨부된 도면들을 참고로 하여 본 발명에 따른 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법의 구체적인 실시예들을 상세히 설명하기로 한다.
이하의 내용은 단지 본 발명의 원리를 예시하는 것이므로 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
또한, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 하며, 이와 유사하게, 모든 흐름도 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.
프로세서 또는 이와 유사한 개념으로 표시된 기능 블럭을 포함하는 도면에 도시된 다양한 구성요소의 기능은 전용 하드웨어뿐만 아니라 적절한 소프트웨어와 관련하여 소프트웨어를 실행할 능력을 가진 하드웨어의 사용으로 제공될 수 있으며, 상기 기능은 단일 전용 프로세서, 단일 공유 프로세서 또는 복수의 개별적 프로세서에 의해 제공될 수 있고, 이들 중 일부는 공유될 수 있다.
또한 프로세서, 제어 또는 이와 유사한 개념으로 제시되는 용어의 명확한 사용은 소프트웨어를 실행할 능력을 가진 하드웨어를 배타적으로 인용하여 해석되어서는 아니되고, 제한 없이 디지털 신호 프로세서(DSP) 하드웨어, 소프트웨어를 저장하기 위한 롬(ROM), 램(RAM) 및 비 휘발성 메모리를 암시적으로 포함하는 것으로 이해되어야 한다. 주지관용의 다른 하드웨어도 포함될 수 있다.
본 명세서의 청구범위에서, 상세한 설명에 기재된 기능을 수행하기 위한 수단으로 표현된 구성요소는 예를 들어 상기 기능을 수행하는 모든 형식의 소프트웨어 또는 상기 기능을 수행하는 모든 방법을 포함하는 것으로 의도되었으며, 상기 기능을 수행하도록 상기 소프트웨어를 실행하기 위한 적절한 회로와 결합될 수 있다. 이러한 청구범위에 의해 정의되는 본 발명은 다양하게 열거된 수단에 의해 제공되는 기능들이 결합되고 청구항이 요구하는 방식과 결합되기 때문에 상기 기능을 제공할 수 있는 어떠한 수단도 본 명세서로부터 파악되는 것과 균등한 것으로 이해되어야 한다.
도 1은 본 발명에 사용되는 용어인 DWC의 개념을 개략적으로 나타낸 도면이고, 도 2는 DAIDALUS track conflict bands 계산 시 항공기와 침입 항공기의 상태를 개념적으로 나타낸 도면이며, 도 3은 DAIDALUS로부터 상황에 따라 제공 받는 bands를 가시화하여 나타낸 도면이고, 도 4는 본 발명에 사용되는 DAIDALUS의 입력값과 출력값을 나타낸 도면이며, 도 5는 본 발명에 따른 머신러닝을 이용한 항공기 충돌 회피 방법에 사용되는 심층신경망 구조를 개념적으로 나타낸 도면이고, 도 6은 본 발명에 따른 심층신경망을 이용한 지도학습 과정에서 가중치 조정을 위해 사용되는 오차역전파법을 개념적으로 나타낸 도면이며, 도 7은 본 발명에 따른 심층신경망을 이용한 지도학습에 사용되는 ADS-B 데이터를 이용하여 공중 충돌 위험도를 계산한 결과 인천 비행정보구역에서 DWC Phase 1 위반이 일어난 지역을 나타낸 도면이고, 도 8 내지 도 13은 본 발명에 따른 심층신경망을 이용한 지도학습에 사용되는 대표적인 테스트 벡터들을 나타낸 도면이며, 도 14는 본 발명에 따른 머신러닝을 이용한 항공기 충돌 회피 방법을 평가하기 위해 수행되는 충돌 회피 시뮬레이션을 개념적으로 나타낸 도면이고, 도 15는 도 14에 나타낸 충돌 회피 시뮬레이션 중 DAIDALUS 모드에서의 항공기 의사 결정 과정을 나타낸 도면이며, 도 16은 도 14에 나타낸 충돌 회피 시뮬레이션 중 AI 모드에서의 항공기 의사 결정 과정을 나타낸 도면이고, 도 17 내지 도 19는 충돌 회피 시뮬레이션의 첫 번째 타입 시나리오 중 수렴비행 1(Converge 1) 시나리오를 이용한 DAIDALUS 모드와 AI 모드에서의 시뮬레이션 결과를 비교하여 나타낸 도면이며, 도 20 내지 도 22는 충돌 회피 시뮬레이션의 두 번째 타입 시나리오 중 2 Intruder 1 시나리오를 이용한 DAIDALUS 모드와 AI 모드에서의 시뮬레이션 결과를 비교하여 나타낸 도면이다.
본 발명은 NASA에서 시스템으로 구현한 항공기 탐지 회피 알고리즘인 DAIDALUS(Detect and AvoID Alerting Logic for Unmanned System)의 결과값을 경험으로 하는 머신러닝을 이용하여 항공기의 충돌 회피 알고리즘을 구현하고, 항공기 운동 모델과, 항공기 의사 결정 모델을 이용한 충돌 회피 시뮬레이션을 통해 구현된 충돌 회피 알고리즘을 평가 및 검증함으로써 유인 항공기와 무인 항공기에 통합적으로 적용 가능한 충돌 회피 시스템을 구현할 수 있도록 하는 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법에 관한 것으로, 이에 대해 설명하기에 앞서 본 발명에서 사용될 수 있는 공지의 개념 및 시스템들에 대해 간략히 설명하기로 한다.
먼저, DAIDALUS(Detect and AvoID Alerting Logic for Unmanned System)는 NASA에서 개발한 소프트웨어로, 민간 영공에서의 유인 항공기와 무인 항공기의 통합 운용을 지원하기 위해 RTCA DO-365 Minimum Operational Performances Standards(MOPS; 최소 운영 성능 표준, 이하 'MOPS'라 한다)을 기반으로 하는 탐지 및 회피(DAA; Detect and Avoid) 알고리즘을 소프트웨어로 구현한 것이다.
이때, 상기 탐지 및 회피 알고리즘(이하, 'DAA'라 한다)은 무인 항공기가 주변 항공기들과의 적절한 분리를 유지할 수 있도록 하는 알고리즘으로, 원격으로 조종되는 무인 항공기와 유인 항공기의 통합 운용을 가능하게 하기 위한 목적으로 만들어진 것이다.
또한, DWC(DAA Well Clear)는 DAA 시스템을 위해 개발된 지표로, 시간과 공간을 동시에 고려하며 MOPS에 제시되어 있다.
상기 DAA 시스템에는 무인 항공기의 운영자에게 명확한 well-clear 상태, 즉 well-clear boundary 내에 다른 항공기(intruder)가 존재하지 않은 상태에 대한 인식을 제공하기 위해, well-clear의 수학적 정의와 well-clear boundary에 대한 알고리즘이 포함되어 있는데, well-clear boundary는 well-clear volume(WCV)의 경계로 정의하며, WCV에 항공기가 쌍으로, 즉 두 대 이상 존재하는 경우 well-clear violation이 일어난 것으로 간주한다.
상기 DWC 지표는 DWC Phase 1과 DWC Phase 2로 구분될 수 있는데, DWC Phase 1은 항로에서의 위험도를 판단하기 위한 기준이고, DWC Phase 2는 접근 관제 구역에서의 위험도를 판단하기 위한 기준이다.
보다 상세히 설명하면, 도 1은 DWC를 간략히 그림으로 나타낸 것으로, 수평면상에서 기준 분리 거리(DMOD) 위반까지 남은 시간을 의미하는
Figure pat00002
(modified tau), 최소 근접거리시의 수평 분리 거리를 의미하는 HMD(horizontal miss distance), 수직 분리 거리인 vertical separation(dh), 최소 근접거리까지 남은 시간(tcpa)은 아래의 식 1-1부터 1-6을 이용하여 계산할 수 있다.
상기 (1-1) 내지 (1-6)식에서 을 의미하고, 을 의미한다.
그리고, 아래의 (표 1) 내지 (표 3)은 각각 DWC 기준값(thresholds) 정의와, DWC Phase 1과 DWC Phase 2의 기준값(thresholds)들을 나타낸 것으로, (표 2)의 Time of Alert 시간 내의 계산된
Figure pat00006
, HMD, dh가 (표 2)에서 제시하는 값을 기준으로 (표 1)의 조건을 만족하는 경우 phase 1에 해당 위험 단계를 가지게 된다.
마찬가지로, (표 3)의 Time of Alert 시간 내의 계산된 파라미터가 (표 3)에서 제시하는 값을 기준으로 (표 1)의 조건을 만족하는 경우 phase 2에 해당 위험 단계를 가지게 된다.
또한, 상기 DWC 지표는 preventive alert, corrective alert, warning alert 및 loss of well clear(LoWC)의 총 4단계 경고 레벨(alert level)로 제시되는데, preventive alert의 위험도가 가장 낮고, LoWC의 위험도가 가장 높으며, DAA 시스템의 궁극적인 목표는 LoWC의 상태가 발생하지 않도록 하는 것이다.
DAIDALUS는 상기와 같은 DAA 알고리즘을 소프트웨어로 구현한 것으로, 무인 항공기 운영자의 well-clear 유지를 목표로 하며 well-clear violation이 일어나거나, well-clear violation을 피할 수 없는 경우, well-clear를 회복시키는 것을 목표로 한다.
DAIDALUS가 제공하는 알고리즘은 크게 detection, determine processing function, alerting logic으로 나눌 수 있다.
먼저, Detection은 well-clear violation이 일어날 때까지의 시간을 계산하며 계산시, 항공기(10)들이 같은 속도를 유지한다고 가정한 상태에서 선형 투영으로 계산한다.
다음, Determine processing function은 항공기(ownship)(10)가 well-clear violation을 유발할 수 있는 기동 범위를 conflict bands 형식으로 제공하며, well-clear violation이 일어나거나, 피할 수 없는 경우 well-clear로 회복시키는 항공기(ownship)(10)의 기동 범위를 recovery bands 형식으로 제시한다.
이때, 기동 범위의 계산 시에는 항공기(10)의 일정한 선회율(turn rate), 가속도(acceleration) 및 속도(velocity)를 투영하여 계산하고, conflict bands와 recovery bands는 항적각(track angle) 범위, 대지속도(ground speed) 범위 및 수직속도(vertical speed) 범위 등 세 가지 타입으로 제시된다.
다음, Alerting logic은 현재 상응하는 alert type, 즉 DWC 지표의 4단계 경고 레벨을 제시하는데, WCV(well-clear volume)와 alert의 기준값은 미리 설정할 수 있다.
도 2는 track conflict bands의 계산 시, 항공기(ownship)(10)와 침입 항공기(intruder)(20)의 상태를 도식화한 것으로, α와 β는 각각 항공기(ownship)(10)가 오른쪽과, 왼쪽으로 회전할 수 있는 한계각을 의미하고,
Figure pat00010
는 well-clear violation을 유발하는 각도를 의미하며, 음영으로 표현된 부분은 well-clear violation이 일어나는 구역을 의미한다.
이때, 상기 DAIDALUS는 해당 상황에서
Figure pat00011
즉, well-clear violation을 유발하는 각도를 제공하며, DWC 지표 중 preventive 상황이거나 corrective 상황인 경우 conflict bands를 제시한다.
일정 시간 내에 well-clear violation이 일어나지 않지만 항공기(ownship)(10)의 기동이 well-clear violation을 일으킬 수 있을 경우, preventive한, 즉 예비적인 bands를 제시하며, 현재 기동이 일정 시간 내에 well-clear violation를 유발할 경우에는 corrective한, 즉 교정하기 위한 bands를 제시한다.
well-clear violation을 의미하는 Loss of well clear(LoWC)가 발생하거나 LoWC를 피할 수 없는 경우 DAIDALUS는 recovery bands를 제시하며, 이는 항공기(ownship)(10)의 기동 내에서 가장 빠른 시간 내에 well clear로 회복 할 수 있는 기동 명령으로 구성된다.
도 3은 DAIDALUS로부터 상황에 따라 제공 받는 bands를 가시화하여 나타낸 것으로, 바깥쪽 원은 Self Seperation Threshold(SST)를 나타내며 이는 전술한 determine processing function과 직접적인 연관이 있는 구역이고, 안쪽의 회색 원은 항공기(ownship)(10)의 well clear violation을 일으키는 영역 (WCV)을 나타낸다.
또한, 노랑색으로 표현된 부분은 conflict bands를 의미하며, 초록색으로 표현된 부분은 recovery bands를 의미한다.
즉, DAIDALUS는 t=t0인 경우, 침입 항공기(intruder)(20)가 SST 구역 밖에 있기 때문에 아무런 bands도 제시하지 않는다.
또한, t=t1인 경우, 침입 항공기(intruder)(20)가 SST 구역 안으로 들어왔으나 현재 항공기(ownship)(10)의 진행 방향이 well-clear violation을 일으키지 않기 때문에 이를 유발할 수 있는 track 범위를 preventive한 conflict bands로 제시한다.
그리고, t=t2인 경우, 현재 항공기(ownship)(10)의 진행 방향이 well-clear violation을 유발하기 때문에 conflict bands는 preventive에서 corrective로 변화하며 이를 유발하는 track 범위를 제시한다.
마지막으로, t=t3인 경우 침입 항공기(intruder)(20)가 항공기(ownship)(10)의 WCV 내로 들어온 것을 볼 수 있으며, 항공기(ownship)(10)의 운용자가 항공기(ownship)(10)의 기동 범위 내에서 well clear 상태로 회복할 수 있도록 recovery bands를 제시한다.
도 4에 나타낸 바와 같이, 상기 DAIDALUS 프로그램의 입력값(input)으로는 감시 데이터(surveillance data source)로서의 항공기(ownship)(10)와 침입 항공기(intruder)(20)의 위치(position)와 속도(velocity), 분리 경보 파라미터(separation standards)로서의 well-clear의 정의 및 경고 기준(alerting criterion) 및 기본 항공기 파라미터(configuration parameters)로서의 항공기(ownship) 성능(performance)과 바람 데이터(wind data)가 사용되는데, 분리 경보 파라미터와 기본 항공기 파라미터는 변경이 가능하다.
또한, DAIDALUS 프로그램의 결과값(output)으로는 전술한 바와 같이, detection, determine processing function, alerting logic이 제공될 수 있다.
본 발명은 전술한 바와 같은, DAIDALUS의 결과값을 경험으로 하는 머신러닝을 이용하여 충돌 회피 알고리즘, 즉 충돌 회피 방법을 구현한 것으로, DAIDALUS의 버전으로는 JAVA 2.0.2 버전을 사용하였고, 머신러닝, 즉 후술할 심층 신경망을 이용한 지도학습의 구현에는 파이썬(python)을 사용하였다.
DAIDALUS의 해당 버전에서는 경고 레벨이 1, 2, 3, 4로 제시되며, 이는 전술한 바와 같이, 각각 preventive alert, corrective alert, warning alert, LoWC를 의미한다.
위험도가 없을 경우 Not a Number(NaN) 값이 제시되며, resolution 값이 존재하지 않을 경우, 즉 회피가 불가능할 경우에는 Infinity 값이 제시된다.
후술하겠지만, 본 발명에서는 항공기(10)의 수평 기동만을 고려하였으므로, DAIDALUS에서 제시하는 conflict bands 중 track bands로 제시되는 트랙 레절루션(track resolution)의 왼쪽 범위 tL, 오른쪽 범위 tR을 이용하였고, alert level을 이용하여 결과값(output)을 구성하였으며, 왼쪽 범위 tL과 오른쪽 범위 tR은 0 - 360도 까지의 각도로 제시될 수 있다.
즉, 본 발명은 머신러닝 방법 중 심층 신경망(DNN; Deep Neural Network)을 이용한 지도학습에 의해 항공기의 충돌 회피 알고리즘을 구현할 수 있도록 한 것에 기술적 특징이 있는 것으로, 심층 신경망의 입력값(input value)으로는 감시 데이터(surveillance data source)로서의 항공기(ownship)(10)와 침입 항공기(intruder)(20)의 고도, 대지속도(ground speed), 상승율(vertical rate) 및 헤딩(heading)과, 항공기(ownship)와 침입 항공기(intruder)(20)의 상대 위도 및 상대 경도의 총 10개의 파라미터가 포함될 수 있고, 출력값(output value)으로는 DAIDALUS에서 track bands로 제시되는 왼쪽 범위(tL)와 오른쪽 범위(tR) 및 경고 레벨(alert level(w))이 포함될 수 있다.
보다 상세히 설명하면, 상기 지도학습(Supervised Learning)은 (x,y), x∈X, y∈Y 들의 집합이 주어졌을 때, f:X→Y 들의 목록 중 가장 적합한 함수를 찾는 것, 즉 입력값과 출력값이 주어진 상태에서의 학습을 통해 가장 적합한 함수를 찾는 것을 목적으로 하는 학습 방법이고, 상기 심층 신경망(DNN)은 도 5에 나타낸 바와 같이, 입력값과 출력값의 사이에 여러 층의 인공 신경망이 존재하는 구조로 이루어진 것으로, 각각의 노드가 인간의 뉴런 역할을 하고, 가중치가 시냅스의 역할을 하며, 노드에 입력된 값이 가중치를 통과하여 다음 층에 전달되기 전에 비선형 함수를 통과하도록 구성된다.
이러한 비선형 함수를 활성화 함수(Activation Function)라 하는데, 상기 활성화 함수로는 아래의 (1-7)에 나타낸 ReLU 함수를 사용할 수 있다.
(1-7)
즉, 상기 ReLU 함수는 입력값이 양수인 경우에는 linear한 값, 즉 입력값을 그대로 출력하고, 입력값이 음수인 경우에는 0을 출력하는 함수로, 미분값이 0 또는 1로 나타나므로 기울기 소실(Gradient vanishing)이 발생되지 않고, 학습을 빠르게 진행할 수 있는 장점이 있다.
심층 신경망의 은닉층(hidden layer)의 수는 가중치의 수와 직접적으로 연결되는데, 은닉층의 수를 변경하며 테스트한 결과, 은닉층의 수가 6개와 7개일 때의 차이가 크지 않았으므로, 본 발명에서는 학습 속도를 고려하여 은닉층의 수를 6개로 하였다.
학습에는 총 21,000개의 파라미터가 사용되었고, 각 층(layer)의 유닛(unit)은 아래의 (표 4)와 같다.
전술한 심층 신경망의 10개의 입력값 중 항공기(ownship)(10)와 침입 항공기(intruder)(20)의 상대 위도 및 상대 경도는 공지의 DAIDALUS의 입력값과는 차이가 있는데, 이는 항공기(ownship)(10)와 침입 항공기(intruder)(20)의 같은 조우 상황이라 하더라도 다른 위치에서 발생하는 경우를 고려하기 위함이다.
또한, DAIDALUS의 출력값이 위험도가 없는 NaN 값을 제시하는 경우, 본 발명에서는 심층 신경망의 출력값으로 -1이 대신 들어가도록 하였고, DAIDALUS의 출력값으로 Infinity 값이 제시되는 경우에는 해당 방향으로의 회피가 불가능한 것을 의미하기 때문에 현재 항공기(ownship)(10)의 헤딩값인 +180°의 값이 심층 신경망의 출력값으로 대신 들어가도록 하였다.
그리고, 지도학습의 정확성 향상을 위해서는 심층 신경망의 계산시 출력값(Y)이 유사할 필요가 있으므로 스케일링(scaling)을 진행할 수 있는데, 상기 스케일링에는 아래의 (1-8)식이 사용될 수 있다.
(1-8)
여기서, w, tL, tR 은 각각 전술한 경고 레벨과 트랙 레절루션(track resolution) 즉, track bands의 왼쪽 범위 및 오른쪽 범위를 의미하는 것이다.
한편, 상기 심층 신경망은 여러 개의 인공 신경망 가중치로 이루어져 있으며, 이를 이용한 지도학습은 훈련을 통해 가중치 값을 조정하여 최적의 가중치 값을 찾아내기 위한 과정이므로, 이러한 가중치를 결정하기 위한 지표로 손실함수를 사용하는데, 상기 손실함수는 실제값과 예측값 사이의 차이를 수치화해주는 함수를 의미하는 것으로, 통상적으로 평균 제곱 오차(MSE), 크로스 엔트로피 오차(Cross-Entropy) 및 소프트맥스 함수(Softmax Funtion) 등이 사용될 수 있다.
본 발명에서는 배치 사이즈(batch size)가 16인 MSE를 손실함수로 사용하였고, 그 식은 아래의 (1-9)와 같다.
(1-9)
또한, 상기 가중치를 조정하는 방법으로는 다양한 알고리즘들이 공지되어 있지만, 본 발명에서는 손실함수의 기울기를 이용하여 가중치를 조정하였고, 상기 손실함수의 기울기는 도 6에 나타낸 연쇄 법칙(Chain rule)을 이용한 오차역전파법(Back propagation)을 이용하여 계산하였다.
그리고, 학습과정에는 최적화과정(optimization)이 포함되는데, 상기 최적화과정은 손실함수의 값을 최소화하는 파라미터를 구하는 과정으로, 이때 사용되는 파라미터를 옵티마이저(optimizer)라 한다.
상기 옵티마이저에는 다양한 종류가 있는데, 본 발명에서는 경사하강법(Gradiant Descent) 중 손실함수 중 일부에서의 최솟값을 의미하는 로컬 미니멈(local minimum)에 빠지는 상황에 대처할 수 있는 관성계수(momentum,
Figure pat00016
)를 이용한 경사하강법을 사용할 수 있다.
상기 관성계수를 이용한 경사하강법은 아래의 (1-10) 및 (1-11)식에 의해 나타낼 수 있으며, 관성계수(
Figure pat00017
)로는 0.9를 사용하였다.
(1-10)
(1-11)
또한, 상기 가중치 조절에 사용되는 파라미터로 학습률(learning rate)이 있는데, 상기 학습률은 가중치의 업데이트 비율을 결정하기 위한 것으로, 통상적으로 0 ~ 1 사이의 값으로 설정된다.
상기 학습률이 너무 클 경우, 가중치의 값이 커지는 이유로 학습이 진행되지 않거나, 오차가 큰 상태에서 더 이상 학습이 진행되지 않을 수 있고, 반대로 학습률이 너무 작을 경우에는 로컬 미니멈에 빠져 학습이 진행되지 않거나, 진행되더라도 학습에 소요되는 시간이 너무 오래 걸릴 수 있으므로 적절한 학습률을 사용하는 것이 중요한데, 본 발명에서 사용한 Epoch별 학습률은 아래의 (표 5)에 나타내었다.
이때, 상기 손실함수와 오차역전파법을 이용한 가중치 조정방법 및 옵티마이저와 학습률은 이미 공지된 것이므로 이에 대한 보다 상세한 설명은 생략하기로 한다.
한편, 본 발명에서는 보다 광범위한 항공기(10,20)들의 조우 상황을 이용한 학습을 진행하기 위해 상기 심층 신경망(DNN)의 입력값과 출력값으로 사용될 데이트세트(dataset)를 두 가지 타입(이하, '제1데이터세트' 및 '제2데이터세트'라 한다)으로 생성하였는데, 먼저 제1데이터세트는 ADS-B 데이터를 이용하여 국내 공역의 위험도를 판단한 결과로 구성할 수 있고, 제2데이터세트는 전술한 MOPS(RTCA DO-365 Minimum Operational Performances Standards)에서 제시한 테스트 벡터(test vector)를 이용하여 구성할 수 있다.
보다 상세히 설명하면, 상기 ADS-B 데이터는 항공기의 위도, 경도, 고도 등의 위치 정보와, 대지속도(ground speed), 상승율(vertical rate), 방위각(heading) 등을 담은 메시지를 송출하는 데이터로, 2020년부터 미국과 유럽의 모든 민간 항공기는 ADS-B 탑재 장비 장착을 의무화 하였으며, 이후에도 장비 장착을 의무화하는 국가가 늘어나고 있는 추세이다.
본 발명에서는 ADS-B 데이터를 이용하여 인천 비행정보구역(FIR; Flight Information Region) 내의 MOPS에서 제시된 DAA(Detect and Avoid)를 기반으로 하여 공중 충돌 위험도를 계산한 다음, DWC(DAA Well Clear) 위반이 일어난 지점의 데이터를 이용하여 제1데이터세트를 구성하였다.
상기 ADS-B 데이터는 일정 단위 시간의 비행 데이터로 구성되지만, 항공기의 상황이나 지상 수신기의 상황에 따라 데이터를 받지 못하는 경우가 발생될 수 있다.
공중 충돌 위험도의 계산은 항공기의 시간 별 상태에 따라 진행되어야 하므로 시간 동기화 작업이 진행되어야 하지만, ADS-B 데이터의 위치 정보는 위도와 경도로 구성되기 때문에 수신된 ADS-B 데이터로 시간 동기화를 진행하기에는 한계가 존재한다.
따라서, 상기 ADS-B 데이터에 포함된 위도와 경도를 상대거리로 전환하여 시간 동기화를 수행할 수 있으며, 위도와 경도를 상대거리로 전환하는 방식으로는 람베르트 정각원추도법(Lambert Conic Conformal Projection)을 사용할 수 있다.
즉, 상기 람베르트 정각원추도법을 이용하여 위도와 경도를 지정 위치로부터의 상대거리 x,y로 전환하였고, 전환된 x,y를 선형보간법(linear interpolation)을 이용하여 1초 간격으로 동기화 한 후, 동기화된 상대거리를 다시 위도와 경도로 전환할 수 있다.
이 과정에서 사용된 람베르트 정각원추도법의 지표는 아래의 (표 6)에 나타낸 바와 같이, 인천 비행정보구역(FIR)의 위도와 경도를 고려하여 선정하였으며, 지구 반지름은 6,400km로 가정하였다.
도 7은 2019년 1월 1일 AM 12시를 기준으로 하여 수신한 ADS-B 데이터의 보간, 즉 시간 동기화를 진행한 후 공중 충돌 위험도를 계산한 결과, 2019년 1월 1일부터 2019년 12월 31일까지 인천 비행정보구역에서 DWC Phase 1 위반이 일어난 지역을 나타낸 것이다.
DWC Phase 1 위반이 일어난 ADS-B 데이터의 속도 정보와 위치 정보를 토대로 하여 심층 신경망(DNN)의 입력값(input)을 구성하고, 해당 데이터의 DAIDALUS 결과를 토대로 하여 심층 신경망(DNN)의 출력값(output)을 구성하여 제1데이터세트를 생성할 수 있는데, 본 발명에서는 약 5,600개의 조우 상황을 이용한 30만개의 데이터를 제1데이터세트로 생성하였다.
한편, 상기 MOPS의 APPENDIX P에는 DAA 시스템의 작동이 원활하게 진행되는지 여부를 확인하기 위해 테스트 벡터가 제시되어 있는데, 상기 테스트 벡터는 구체적인 항공기 궤적으로 ADS-B 데이터의 형식을 가지고 있다.
즉, 상기 테스트 벡터는 2000년 부터 2010년 사이 발생한 공중 충돌 상황, NASA의 Student Airborne Research Program에서 제시한 95가지 스트레스를 유발하는 Well clear boundaries 상황 및 NASA에서 수행한 비행 테스트를 토대로 만들어졌으며, 총 305개의 테스트 벡터가 존재한다.
본 발명에서는 여러 침입 항공기(intruder)(20)가 존재하는 Designer 상황을 제외한 수렴비행(Converge), 동적비행(Dynamic), 정면비행(Head-on), 고속비행(High-speed), 기동비행(Maneuver), 추월비행(Overtaking) 상황의 테스트 벡터를 이용하여 제2데이터세트를 구성하였는데, 각 비행상황에서의 대표적인 테스트 벡터는 도 8 내지 도 13에 나타내었다.
상기 테스트 벡터는 ADS-B 데이터와 동일한 형식을 가지므로, 테스트 벡터의 속도 정보와 위치 정보를 토대로 하여 심층 신경망(DNN)의 입력값(input)을 구성하고, 해당 데이터의 DAIDALUS 결과를 토대로 하여 심층 신경망(DNN)의 출력값(output)을 구성하여 제2데이터세트를 생성할 수 있으며, 본 발명에서는 감시 데이터로서의 항공기(ownship)(10)와 침입 항공기(intruder)(20)를 번갈아가며 약 580개의 조우 상황을 이용한 총 5만개의 데이터를 제2데이터세트로 생성하였다.
따라서, 전술한 바와 같은 본 발명에 따른 항공기 충돌 회피 방법에 의하면, 실제 발생된 항공기들의 조우 상황 또는 충돌 상황을 기반으로 한 데이터세트를 이용한 머신러닝, 즉 심층 신경망을 이용한 지도학습을 통해 최적의 충돌 회피 알고리즘을 구현할 수 있으므로, 유인 항공기와 무인 항공기의 통합 운용시에도 적용할 수 있을 뿐만 아니라, 비행 대수가 증가하더라도 항공기 사이의 충돌사고 발생 위험을 줄일 수 있음은 물론 관제사의 업무 부담을 감소시킴으로써 관제사고의 발생 또한 줄일 수 있게 된다.
한편, 전술한 바와 같은 본 발명에 따른 항공기 충돌 회피 방법의 신뢰성 평가는 항공기들 사이의 충돌 회피 시뮬레이션(이하, '시뮬레이션'이라 한다)을 통해 이루어질 수 있는데, 상기 시뮬레이션은 항공기 운동 모델(100)과 항공기 의사 결정 모델(200)을 이용하여 진행할 수 있으며, 자바(JAVA)를 이용하여 구현될 수 있다.
이때, 상기 시뮬레이션은 도 14에 나타낸 바와 같이, 초기 항공기가 웨이포인트(waypoint)로 가는 것을 목적으로 하고, 도중에 기동 명령이 들어오는 경우 해당 기동 명령을 따르는 것으로 설정할 수 있다.
보다 상세히 설명하면, 먼저 항공기 운동 모델(100)은 항공기의 5 자유도 운동 방정식과 PID 제어기를 통해 구현될 수 있는데, 아래와 같은 파라미터(X)들을 포함할 수 있다.
Figure pat00022
여기서,
Figure pat00023
는 받음각,
Figure pat00024
는 뱅크각, T는 추력, V는 항공기의 대지속도(ground speed),
Figure pat00025
는 항공기의 경로각,
Figure pat00026
는 방위각,
Figure pat00027
는 항공기 위도,
Figure pat00028
는 항공기 경도, h는 항공기 고도, m은 항공기 질량을 각각 의미하는 것으로, 각각의 파라미터는 아래의 (2-1) 내지 (2-10) 식에 의해 얻어질 수 있다.
상기 식 (2-1)의
Figure pat00030
와
Figure pat00031
는 항공기의 형상과 동특성 분석을 통해 계산된 값을 사용하였고, 식 (2-2)의
Figure pat00032
는 항공기의 특성 정보를 통해 얻은 값을 사용할 수 있으며, 식 (2-3)의
Figure pat00033
는 추력 반응 상수로써 제트 엔진의 경우에는 감항 기준을 통해 예측된 값을 사용할 수 있는데, 상기 (2-1) 내지 (2-10) 식에 항공기의 형상 및 특성 정보는 BADA(Base of Aircraft Data)로 부터 제공받을 수 있다.
항공기 모델은 정해진 궤적을 추종하기 위해 3가지 제어 입력(
Figure pat00034
)을 사용할 수 있으며, 제어기는 항공기 모델을 구성할 때 포함되어 항공기가 주어진 고도, 속도 및 헤딩 명령을 추종할 때 사용될 수 있다.
항공기의 비행 구간을 상승, 순항, 하강으로 나누고 각 구간에 맞는 제어기를 따로 구성할 수 있고, 속도와 고도 명령은 BADA의 비행 구간별 최대 추력 제한에 의해 서로 영향을 줄 수 있으므로 각각의 PID 제어기와 공통의 PI 제어기를 사용하도록 구성할 수 있다.
상기 BADA는 항공기 운용 제한 수치, 항공기 성능 정보, 항공기 제원 등의 값을 제공하는 것으로, BADA의 항공기 성능 정보는 비행 구간, 고도에 따른 최대 엔진 추력과 연료 소모율을 계산하는데 사용될 수 있는데, 최대 엔진 추력(Tmax)과 연료 소모율(
Figure pat00035
)은 아래의 (2-11) 내지 (2-16)식에 의해 연산될 수 있으며, 연산에 사용되는 계수들은 BADA의 .OPF 파일로부터 획득할 수 있다.
이때, 상기 BADA는 질점 모델을 기반으로 한 데이터를 제시하기 때문에 공력계수, 즉 양력계수(CL)와 항력계수(CD)가 받음각(
Figure pat00037
) 함수로 구성되지 않으므로 5 자유도 모델의 연산을 위해서는 아래의 (2-17) 및 (2-18)식과 같이 공력계수를 받음각 함수로 표현할 수 있다.
(여기서,
Figure pat00039
는 BADA에서 제시한 순항 조건으로부터 받는 양력계수이고,
Figure pat00040
와
Figure pat00041
는 BADA에서 제시한 플랩(flap) 상태에 따른 항력계수이다.)
상기에서는 본 발명에 따른 충돌 회피 방법을 평가하기 위한 충돌 회피 시뮬레이션에 사용되는 항공기 운동 모델(100)에 대해 개략적으로 설명하였으나, 이 밖에도 공지된 다른 항공기 운동 모델이 사용될 수도 있으며, 항공기 운동 모델(100)에 사용되는 구체적인 연산식과 제어기 등은 이미 공지되어 있는 내용으로, 본 발명에서 청구하고자 하는 바가 아니므로 이에 대한 보다 구체적인 설명은 생략하기로 한다.
다음, 상기 시뮬레이션에 사용되는 항공기 의사 결정 모델(200)은 DAIDALUS 모드와 AI 모드를 포함할 수 있는데, 이는 본 발명에 따른 충돌 회피 방법이 DAIDALUS 결과와는 달리 위험도 레벨, 즉 전술한 4단계 경고 레벨(alert level)과, DAIDALUS에서 제시하는 conflict bands 중 track bands로 제시되는 왼쪽 범위 tL, 오른쪽 범위 tR 만을 결과로 받는 것을 고려하여 DAIDALUS와는 다른 항공기 의사 결정 모델을 사용할 수 있도록 구성한 것이다.
즉, 상기 항공기 의사 결정 모델(200) 중 DAIDALUS 모드는 DAIDALUS의 결과값을 이용한 항공기 의사 결정 모델(200)을 의미하고, AI 모드는 본 발명에 의해 학습된 충돌 회피 방법, 즉 머신러닝으로 구현한 심층신경망 모델에 의해 출력되는 결과값을 이용한 항공기 의사 결정 모델(200)을 의미하는 것으로, 상기 DAIDALUS 모드와 AI 모드에서 각각 진행되는 시뮬레이션의 결과 비교를 통해 본 발명에 따른 충돌 회피 방법의 적합성을 평가할 수 있다.
먼저, 상기 DAIDALUS 모드에서는 초기 항공기(ownship)가 웨이포인트(WPT)를 향하여 기동하고, 기동 중 침입 항공기(intruder)와의 경고 레벨이 corrective alert 이상이 될 경우 항공기(ownship)는 웨이포인트로 진행하던 기동에서 DAIDALUS가 제시하는 track resolution과 altitude resolution에 따라 기동하는데, 수평 기동 또는 수직 기동 중 한 가지를 선택하며, 속도는 현재 속도를 유지한다.
Track resolution과 altitude resolution이 모두 존재할 경우, 현재 항공기(ownship)의 헤딩과 track resolution의 차이가 30도 보다 크면 항공기(ownship)는 track resolution에 따라 수평 기동을 진행하고, 30도 보다 작으면 altitude resolution에 따라 수직 기동을 진행한다.
Track resolution이 존재하고, altitude resolution이 존재하지 않는 경우, 항공기(ownship)는 track resolution에 따라 수평 기동을 진행한다.
즉, DAIDALUS는 회피 방향, 즉 오른쪽으로 회피할지, 왼쪽으로 회피할지에 대한 값을 제시하기 때문에 제시된 값으로 회피가 이루어지고, DAIDALUS가 제시하는 최소 근접 거리까지 남은 시간(tcpa)까지 항공기(ownship)는 수평 기동을 유지한다.
또한, Altitute resolution이 존재하고 track resolution이 존재하지 않는 경우, 항공기(ownship)는 altitude resolution에 따라 수직 기동을 진행하는데, 마찬가지로 DAIDALUS는 위쪽으로 회피할지, 아래쪽으로 회피할지에 대한 값을 제시하기 때문에 제시된 값으로 회피가 이루어지고, 항공기(ownship)가 altitude resolution 값에 도달할 때까지 수직 기동을 유지한다.
그리고, 위험도 즉 경고 레벨(alert level)이 corrective alert 이상이지만, 항공기(ownship)의 track resolution과 altitude resolution이 모두 존재하지 않는 경우에는 항공기(ownship)가 현재 상태를 유지한다.
상기와 같은 DAIDALUS 모드에서의 항공기 의사 결정 과정을 도 15에 나타내었다.
다음, 상기 AI 모드에서는 DAIDALUS 모드에서와 마찬가지로 초기 항공기(ownship)는 웨이포인트(WPT)를 향하여 기동한다.
기동 중 본 발명에 따른 충돌 회피 방법, 즉 머신러닝에 의해 학습된 심층신경망(DNN) 모델이 제시하는 침입 항공기(intruder)와의 경고 레벨이 corrective alert 이상이 될 경우, 항공기(ownship)는 웨이포인트로 진행하던 기동에서 심층신경망 모델이 제시하는 track resolution에 따라 기동할 수 있다. 즉, 본 발명에 따른 충돌 회피 방법은 DAIDALUS에서 제공하는 결과 중 altitude resolution은 이용하지 않고, track resolution 만을 결과, 즉 학습의 출력값으로 이용하기 때문에 DAIDALUS 모드와는 달리 altitude resolution을 고려하지 않는다.
이에 따라, 항공기(ownship)의 기동은 수평 기동만을 하며, DAIDALUS 모드와의 비교를 위해 항공기(ownship)의 속도는 현재 속도를 유지하는 것으로 한다.
Track resolution은 left값과 right값이 존재할 수 있으며, 매 초마다 제시되는데, 제시된 left값과 right값이 항공기(ownship) 방향의 왼쪽과 오른쪽에 존재하지 않는 경우에는 Not a Number(NaN) 값을 가진 것, 즉 위험도가 없는 것으로 판단할 수 있다.
이때, track resolution의 left값과 right값이 동시에 존재할 경우, 본 발명에서는 DAIDALUS와는 달리 왼쪽과 오른쪽의 우선 순위를 지정해주지 않기 때문에, 현재 항공기(ownship)의 헤딩과의 차이가 더 작은 쪽을 우선순위로 하여 회피를 진행할 수 있다.
또한, track resolution의 left값만 존재할 경우에는 왼쪽으로 회피하고, right값만 존재할 경우에는 오른쪽으로 회피한다.
그리고, 본 발명에서는 DAIDALUS와는 다르게 최소 근접 거리까지의 남은 시간을 제시하지 못하므로, 경고 레벨이 preventive alert 이하가 된 후 5초 동안 항공기(ownship)가 수평 기동을 유지하는 것으로 설정할 수 있으며, 경고 레벨이 corrective alert 이상이자만 track resolution이 존재하지 않을 경우에는 현재 상태를 유지하는 것으로 할 수 있다.
상기와 같은 AI 모드에서의 항공기 의사 결정 과정을 도 16에 나타내었다.
전술한 바와 같은 두 가지 항공기 의사 결정 모드, 즉 DAIDALUS 모드와 AI 모드를 비교하기 위해 두 가지 타입의 시나리오를 생성하여 충돌 회피 시뮬레이션을 진행할 수 있는데, 첫 번째 타입의 시나리오는 MOPS로부터 획득한 테스트 벡터(test vector)에서 제시한 시나리오의 속도와 고도를 변형하여 생성할 수 있고, 두 번째 타입의 시나리오는 마찬가지로 상기 테스트 벡터에 다른 침입 항공기(intruder)를 추가하는 방식으로 생성할 수 있다.
두 가지 타입의 시나리오 모두 초기 질량이 237톤인 Boeing 777-300을 항공기(ownship) 모델로 하여 시뮬레이션을 진행하였으며, 이를 통해 본 발명에서 제시하는 충돌 회피 방법의 위험도 평가 및 효율성 평가를 수행하였다.
먼저, 위험도 평가는 DWC(DAA Well Clear) 위반이 일어난 시간을 기준으로 할 수 있으며, warning alert 이상의 DWC 위반이 일어난 시간이 많을 수록 충돌 위험성이 크다고 판단할 수 있다.
또한, 효율성 평가는 항공기의 연료 소모량을 기준으로 할 수 있는데, 충돌 회피를 하지 않고 지정된 경로로 기동한 항공기(ownship)와 충돌 회피한 항공기(ownship)의 연료소모량을 각각 계산한 후, 비교하여 차이가 적을수록 효율적으로 기동한 것으로 판단할 수 있다.
본 발명에서는 8개의 첫 번째 타입 시나리오와, 2개의 두 번째 타입 시나리오를 생성하여 각각의 항공기 의사 결정 모델, 즉 DAIDALUS 모드와 AI 모드에 따라 충돌 회피 시뮬레이션을 진행하였는데, 먼저 첫 번째 타입 시나리오로는 테스트 벡터 중 수렴비행(Converge) 1과 6, 정면비행(Head-on) 1과 13, 기동비행(Maneuver) 1과 6, 추월비행(Overtaking) 12와 15 상황을 변형한 총 8개의 시나리오를 생성하였고, 두 번째 타입 시나리오로는 기존의 테스트 벡터에 두 대의 침입 항공기를 추가한 두 개의 시나리오(2 Intruder 1, 2 Intruder 2)를 생성하였다.
먼저, 도 17 내지 도 19는 첫 번째 타입 시나리오 중 수렴비행 1(Converge 1) 시나리오를 이용한 DAIDALUS 모드와 AI 모드에서의 시뮬레이션 결과를 비교하여 나타낸 것으로, 각각 경고 레벨(alert level), 항공기(ownship)의 2D 기동궤적 및 항공기(ownship)의 3D 기동궤적을 나타낸 것이고, 각 도면에서의 (a)는 DAIDALUS 모드에서의 시뮬레이션 결과, (b)는 AI 모드에서의 시뮬레이션 결과, 즉 본 발명에 따른 충돌 회피 방법을 사용한 시뮬레이션 결과를 나타낸 것이다.
즉, 도 17의 (a),(b)는 각각 DAIDALUS 모드와 AI 모드에서의 시간에 따른 DAIDALUS의 경고 레벨(검정색)과, 본 발명에 따른 충돌 회피 방법의 경고 레벨(빨간색)을 비교하여 나타낸 것으로, 도 18 및 도 19의 (a),(b)는 도 17에 나타낸 경고 레벨에 따른 DAIDALUS 모드와 AI 모드에서의 항공기(ownship)의 기동궤적을 각각 2D와 3D로 나타낸 것으로, 기동궤적에서 안쪽을 채운 원과 채워지지 않은 원은 각각 출발점(start point)과 웨이포인트(WPT)를 의미한다.
또한, 실선으로 표시된 부분은 항공기(ownship)의 기동궤적(trajectory)이고, 점선으로 표시된 부분은 본래 항공기(ownship)의 비행 계획 경로이며, 검정색 궤적은 항공기(ownship), 푸른색 궤적은 침입 항공기(intruder)의 궤적이다.
또한, 항공기(ownship)의 기동궤적에서 preventive alert가 일어난 경우 초록색, corrective alert가 일어난 경우 주황색, warning alert가 일어난 경우 빨간색으로 표시하는 것으로 설정하였고, LoWC(loss of well clear)가 일어난 경우는 보라색으로 표시하는 것으로 설정하였으나, 모든 시나리오에서 LoWC는 발생하지 않았다.
도 17 내지 도 19에 나타낸 바와 같이, 본 발명의 경우 corrective alert로 인식하는 시간이 늦어져 수평 기동이 DAIDALUS 모드일 경우에 비해 과하게 진행하였고, 최초 충돌 회피 후 본래 기동 경로로 돌아올 때 다시 한 번 충돌 위험이 나타나 S자 형상으로 기동한 것을 확인할 수 있다.
다음, 도 20의 (a),(b) 내지 도 22의 (a),(b)는 두 번째 타입 시나리오 중 2 Intruder 1 시나리오를 이용한 DAIDALUS 모드와 AI 모드에서의 시뮬레이션 결과를 비교하여 나타낸 것으로, 마찬가지로 각각 경고 레벨(alert level), 항공기(ownship)의 2D 기동궤적 및 항공기(ownship)의 3D 기동궤적을 나타낸 것이다.
두 대의 침입 항공기(intruder)가 있는 본 시나리오에서도 본 발명에 따른 충돌 회피 방법이 DAIDALUS에 비해 더 과하게 회피가 진행되어 비효율적이기는 하지만, corrective alert를 인식하는 시간은 DAIDALUS에 비해 오히려 더 빨리 일어난 것을 확인할 수 있다.
아래의 (표 7)은 전술한 총 10개의 시나리오에서의 추가 연료소모량과 DWC 위반이 일어난 시간을 나타낸 것으로, 본 발명에 따른 충돌 회피 방법(AI mode)의 경우 DAIDALUS에 비해 전체적으로 corrective alert로 인식하는 시간이 늦어지고, 그에 따라 항공기(ownship)가 비효율적으로 기동하지만, 모든 시나리오에서 LoWC, 즉 충돌 회피에 실패하는 경우가 일어나지 않은 것을 시뮬레이션을 통해 확인할 수 있다.
또한, 몇몇 시나리오의 경우 오히려 DAIDALUS에 비해 corrective alert로 인식하는 시간이 빨라 위험도가 더 낮게 기동한 것을 확인할 수 있다.
즉, 본 발명에 따른 충돌 회피 방법은 기존의 DAIDALUS에 비해 효율성이 떨어지고, 위험성이 큰 것으로 볼 수 있지만, 충돌 회피를 판단하기 위해 사용하는 정보가 DAIDALUS에 비해 현저하게 적은 점과, 시뮬레이션 결과 모든 시나리오에서 충돌 회피에 실패하는 LoWC가 발생되지 않은 점을 고려할 경우, 유인 항공기와 무인 항공기가 통합적으로 운용되는 경우의 충돌 회피 방법으로 충분히 사용될 수 있음을 알 수 있다.
따라서, 전술한 바와 같은 본 발명에 따른 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법에 의하면, 실제 발생된 항공기들의 조우 상황 또는 충돌 상황을 기반으로 한 데이터세트를 이용한 머신러닝, 즉 심층 신경망을 이용한 지도학습을 통해 충돌 회피 알고리즘을 구현할 수 있으므로, 유인 항공기와 무인 항공기의 통합 운용시에도 적용할 수 있고, 비행 대수가 증가하더라도 항공기 사이의 충돌사고 발생 위험을 줄일 수 있으며, 관제사의 업무 부담을 감소시킴으로써 관제사고의 발생 또한 줄일 수 있을 뿐만 아니라, 비교적 획득이 용이하면서도 종래에 비해 간소화된 데이터들을 이용한 머신러닝 수행 결과를 항공기 충돌 회피 제어에 활용할 수 있고, 시뮬레이션을 통해 머신러닝 수행 결과에 대한 위험성 및 효율성을 평가할 수 있음과 동시에 학습을 통한 충돌 회피 방법과 그에 대한 위험성 및 효율성 평가 방법 제공을 통해 향후 유무인 항공기 통합 운용시 적용될 수 있는 항공기 충돌 회피 제어의 정확성 및 효율성 향상에 대한 연구에 기여할 수 있는 등의 다양한 장점을 갖는 것이다.
전술한 실시예들은 본 발명의 가장 바람직한 예에 대하여 설명한 것이지만, 상기 실시예에만 한정되는 것은 아니며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 변형이 가능하다는 것은 당업자에게 있어서 명백한 것이다.
본 발명은 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법에 관한 것으로, 보다 상세하게는 NASA에서 시스템으로 구현한 항공기 탐지 회피 알고리즘인 DAIDALUS(Detect and AvoID Alerting Logic for Unmanned System)의 결과값을 경험으로 하는 머신러닝을 이용하여 항공기의 충돌 회피 알고리즘을 구현하고, 항공기 운동 모델과, 항공기 의사 결정 모델을 이용한 충돌 회피 시뮬레이션을 통해 구현된 충돌 회피 알고리즘을 평가 및 검증함으로써 유인 항공기와 무인 항공기에 통합적으로 적용 가능한 충돌 회피 시스템을 구현할 수 있도록 하는 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법에 관한 것이다.
10 : 항공기(ownship) 20 : 침입 항공기(intruder)
100 : 항공기 운동 모델 200 : 항공기 의사 결정 모델

Claims (9)

  1. 감시 데이터로서의 항공기(ownship)와 침입 항공기(intruder)의 고도, 대지속도(ground speed), 상승율(vertical rate) 및 헤딩(heading)과, 상기 항공기와 침입 항공기의 상대 위도 및 상대 경도를 입력값으로 하고, DAIDALUS(Detect and AvoID Alerting Logic for Unmanned System)에서 제시하는 좌,우 방향으로의 트랙 레절루션(track resolution)과 경고 레벨(alert level)을 출력값으로 하는 심층신경망을 이용한 지도학습의 학습 결과를 이용하여 상기 항공기의 충돌 회피 제어를 수행하는 것을 특징으로 하는 머신러닝을 이용한 항공기 충돌 회피 방법.
  2. 제 1항에 있어서,
    상기 입력값과 출력값을 포함하는 데이터세트를 준비하는 데이터세트 준비단계와,
    준비된 데이터세트에 포함된 입력값과 출력값을 이용하여 심층신경망 지도학습을 수행하는 학습수행단계를 포함하되,
    상기 데이터세트는 ADS-B 데이터를 이용하여 구성한 제1데이터세트와, MOPS(RTCA DO-365 Minimum Operational Performances Standards)에서 제시한 테스트 벡터를 이용하여 구성한 제2데이터세트를 포함하는 머신러닝을 이용한 항공기 충돌 회피 방법.
  3. 제 2항에 있어서,
    상기 데이터세트 준비단계는 위도와 경도로 구성된 ADS-B 데이터의 위치 정보에 대한 시간 동기화를 수행하는 시간 동기화 단계를 더 포함하는 머신러닝을 이용한 항공기 충돌 회피 방법.
  4. 제 3항에 있어서,
    상기 시간 동기화 단계는,
    ADS-B 데이터에 포함된 위도와 경도를 람베르트 정각원추도법을 이용하여 상대거리로 전환하는 제1전환단계와,
    전환된 상대거리를 선형보간법을 이용하여 1초 간격으로 동기화시키는 동기화 단계 및
    동기화된 상대거리를 다시 위도와 경도로 전환시키는 제2전환단계를 포함하는 머신러닝을 이용한 항공기 충돌 회피 방법.
  5. 제 2항에 있어서,
    상기 학습수행단계에서는,
    식을 이용하여 출력값(Y)에 대한 스케일링을 수행하는 것을 특징으로 하는 머신러닝을 이용한 항공기 충돌 회피 방법.
    (여기서, w는 경고 레벨, tL, tR 은 각각 track resolution의 왼쪽 범위와 오른쪽 범위를 나타내는 것임.)
  6. 제 1항 내지 제 5항 중의 어느 한 항에 해당하는 항공기 충돌 회피 방법을 평가하기 위한 방법에 관한 것으로,
    5 자유도 운동 방정식과 PID 제어기를 통해 구현되는 항공기 운동 모델과, 항공기 의사 결정 모델을 이용한 충돌 회피 시뮬레이션을 통해 상기 항공기 충돌 회피 방법의 위험도와 효율성을 평가하는 것을 특징으로 하는 머신러닝을 이용한 항공기 충돌 회피 방법의 평가 방법.
  7. 제 6항에 있어서,
    상기 항공기 의사 결정 모델은,
    상기 DAIDALUS의 결과값을 이용한 항공기 의사 결정 모델인 DAIDALUS 모드와,
    상기 심층신경망을 이용한 지도학습의 학습 결과를 이용한 항공기 의사 결정 모델인 AI 모드를 포함하고,
    상기 충돌 회피 시뮬레이션은 DAIDALUS 모드와 AI 모드에 대해 각각 수행되는 것을 특징으로 하는 머신러닝을 이용한 항공기 충돌 회피 방법의 평가 방법.
  8. 제 6항에 있어서,
    상기 충돌 회피 시뮬레이션을 수행하기 위한 시나리오는 MOPS(RTCA DO-365 Minimum Operational Performances Standards)로부터 획득한 테스트 벡터에서 제시한 시나리오의 속도와 고도를 변형하여 생성한 시나리오와, 상기 테스트 벡터에 다른 침입 항공기를 추가한 시나리오를 포함하는 머신러닝을 이용한 항공기 충돌 회피 방법의 평가 방법.
  9. 제 6항에 있어서,
    상기 항공기 충돌 회피 방법의 위험도는 DWC(DAA Well Clear) 위반이 일어난 시간을 기준으로 평가하고,
    상기 항공기 충돌 회피 방법의 효율성은 지정된 경로로 기동한 항공기와 충돌 회피 기동을 수행한 항공기의 연료소모량 비교를 통해 평가하는 것을 특징으로 하는 머신러닝을 이용한 항공기 충돌 회피 방법의 평가 방법.
KR1020220155075A 2022-11-18 2022-11-18 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법 KR20240073358A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220155075A KR20240073358A (ko) 2022-11-18 2022-11-18 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220155075A KR20240073358A (ko) 2022-11-18 2022-11-18 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법

Publications (1)

Publication Number Publication Date
KR20240073358A true KR20240073358A (ko) 2024-05-27

Family

ID=91332174

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220155075A KR20240073358A (ko) 2022-11-18 2022-11-18 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법

Country Status (1)

Country Link
KR (1) KR20240073358A (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190095920A (ko) 2017-01-06 2019-08-16 오로라 플라이트 사이언시스 코퍼레이션 무인 항공기의 충돌 회피 시스템 및 방법
KR20220013030A (ko) 2019-05-24 2022-02-04 에이캐럿큐브드 바이 에어버스 엘엘씨 무인 공중 차량들에 대한 위험 평가

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190095920A (ko) 2017-01-06 2019-08-16 오로라 플라이트 사이언시스 코퍼레이션 무인 항공기의 충돌 회피 시스템 및 방법
KR20220013030A (ko) 2019-05-24 2022-02-04 에이캐럿큐브드 바이 에어버스 엘엘씨 무인 공중 차량들에 대한 위험 평가

Similar Documents

Publication Publication Date Title
US11551564B2 (en) Aircraft with landing system
US11960303B2 (en) Situational awareness, vehicle control, and/or contingency planning for aircraft actuator failure
US9633567B1 (en) Ground collision avoidance system (iGCAS)
US11335204B2 (en) Flight path deconfliction among unmanned aerial vehicles
US11521502B2 (en) Parallel deconfliction processing of unmanned aerial vehicles
Wang et al. Collision risk management for non-cooperative UAS traffic in airport-restricted airspace with alert zones based on probabilistic conflict map
Munoz et al. A family of well-clear boundary models for the integration of UAS in the NAS
KR20200003911A (ko) 항공기에 대한 외부 오브젝트를 감지하고 회피하기 위한 시스템 및 방법
US11482115B2 (en) Systems and methods for providing optimal sequencing and spacing in an environment of potential wake vortices
US20220351626A1 (en) Multi-objective mission planning and execution for an unmanned aerial vehicle
Shakernia et al. Sense and avoid (SAA) flight test and lessons learned
US20210225179A1 (en) Apparatus, method and system relating to aircraft systems
KR20240073358A (ko) 머신러닝을 이용한 항공기 충돌 회피 방법 및 그 평가 방법
De Haag et al. A multiple hypothesis predictive alerting (MHPA) method for improved aircraft state awareness
US11657721B1 (en) Aircraft with flight assistant
Omeri et al. Quantifying Well Clear for autonomous small UAS
Corraro et al. A multi-intruder robust collision avoidance system for integration of unmanned vehicles in civil transport
Skoog et al. Ground collision avoidance system (iGCAS)
Carpenter et al. Automatic-ground collision avoidance system (Auto-GCAS) for performance limited aircraft
Holdsworth Autonomous in-flight path planning to replace pure collision avoidance for free flight aircraft using automatic depedent surveillance broadcast
Yoo et al. Sharing Operational Intent with Containment Confidence Level for Negotiating Deconfliction in Upper Class E Airspace
US11508244B2 (en) Method, computer program product, system and craft for collision avoidance
Corraro et al. A detect and avoid concept for safely managing multiple hazards in remotely piloted aircraft systems
US11830370B2 (en) Methods, systems, and apparatuses for computation and annunciation of Mach tuck
Thipphavong et al. Downstream Effects of Separation Assurance on Encounters Between Unmanned and Manned Aircraft