[★]무인 비행체 경로 예측을 위한 딥러닝 모델 구축
- admin
- 2024년 6월 4일
- 2분 분량
최종 수정일: 2024년 11월 18일
팀명
SwiftTurtles
팀원 명단
서지혜, 김해경, 정현서
지도교수
이규철 교수님
작품 배경 및 목적
무인 비행체, 즉 무인 항공기(Unnamed Aireal Vehicle)란 사람의 탑승 없이 조종되는 항공기이다.
최근 다양한 분야에서 무인 비행체를 도입하려는 시도가 증가하고 있다. 특히 수색, 국경 감시, 산불 관리, 풍속 추정, 재해 모니터링, 교통 모니터링 등과 같이 군사 및 민간 응용 분야에 도입되고 있다. 국내외 무인 비행체의 사용자와 활용이 증가하면서 충돌 위험 문제 또한 함께 대두되고 있다. 무인 비행체의 충돌 예방 방식은 센서 활용 방식, 경로 예측 방식 등이 존재한다. 우리는 무인 비행체 충돌 예방에 활용될 수 있는 경로 예측 기반 딥러닝 모델을 개발하려고 한다.
작품 내용
본 연구의 목표는 무인비행체 경로를 사전에 예측하여 안전한 드론 운영 환경 개선에 기여할 수 있는 무인 비행체 3차원 경로 예측에 적합한 딥러닝 모델을 구축하는 것이다. 여기서 3차원 상의 경로란 위도, 고도, 경도를 의미한다.
이를 위해 무인비행체의 GPS 경로를 포함하는 시계열 데이터를 활용한다. 우리는 이러한 데이터에서 무인 비행체의 GPS 경로 패턴을 학습하여 오차가 적은 딥러닝 모델을 구축하고자 한다. 본 연구에서 다양한 무인비행체의 종류 중에 도심 지역에서 자율적으로 주행하며 경로를 예측하는 소형 배송용 자율 주행 드론을 대상으로하고자 한다.
드론의 크기는 소형으로, 복잡한 도시 환경의 좁은 골목, 교통 신호, 고층 건물 사이의 비좁은 공간을 효율적으로 통과할 수 있는 정도로 가정한다.
연구 목표 달성을 위해, 실제 주행된 드론의 경로 오픈 데이터(위도, 경도, 고도)를 수집하고 데이터 전처리 후 이를 학습 모델에 활용한다.
활용한 모델은 시계열 데이터 예측에 적합한 LSTM, GRU, Transformer이다. 각 모델에 대한 최적의 하이퍼파라미터를 찾아서 성능을 비교한 뒤 최적의 예측 좌표 간격을 탐색한다.
여기서 최적의 예측 좌표 간격을 탐색하기 위해 사용된 개념은 Lookback과 Forward이다. Lookback은 경로 예측을 위해 사용해야하는 학습 데이터의 길이이다. Forward는 현재 좌표에서 N초 뒤의 좌표를 예상하는 상황에서 N을 의미한다.
실험 결과, 동일한 상황에서의 예측 성능은 Transformer가 가장 우수하였고, Lookback은 30으로 설정하는 것이 최적의 성능을 보였다. Forward의 경우 값이 증가할수록 성능이 낮아지는 경향을 보였다.
댓글