김윤식, 노명일, 김하연, 여인창, 손남선, "개선된 학습 기반의 해상 장애물 추적 방법", 2025년도 대한조선학회 추계학술발표회, 창원, pp. 405-406, 2025.11.13-11.14
Domestic Conference
2025.11.11 12:51
김윤식, 노명일, 김하연, 여인창, 손남선, "개선된 학습 기반의 해상 장애물 추적 방법", 2025년도 대한조선학회 추계학술발표회, 창원, pp. 405-406, 2025.11.13-11.14
조회 수 564
| 첨부 '1' |
|---|
| Abstract | USV (Unmanned Surface Vehicle)는 해양 감시, 해상 구조, 탐사 임무 등 다양한 해양 활동을 수행하기 위해 주변의 해상 장애물을 정확하고 신뢰성 있게 탐지하고 추적하는 기능이 필수적이다. 하지만 실제 해상 환경은 매우 복잡하고 변수가 많아 해상 장애물의 정확한 위치와 이동 특성, 즉 추적 경로를 예측 (tracking)하는 데 어려움이 있다. 이에 기존의 해상 장애물의 추적 연구들은 주로 EKF (Extended Kalman Filter)와 같은 수학 기반 추적 방법이 활용되었다. EKF는 상태 추정 과정에서 해상 장애물의 운동 모델을 반영해 미래 상태를 예측하고 공분산으로 추정 오차를 정량화함으로써 오차 누적을 줄이고 안정적인 추적을 가능하게 한다. 그러나 이러한 상태 추정 과정에서 관측 모델을 국소적으로 선형화하고 가우시안 잡음 (Gaussian noise)을 가정하기 때문에, 해상 환경의 강한 비선형성과 높은 불확실성이 존재하는 상황에서는 추적 정확도가 감소할 수 있다. 또한, 센서 데이터의 신뢰성이 저하될 경우 성능이 더욱 떨어질 수 있다. 본 연구에서는 이러한 EKF의 한계를 극복하기 위해 학습 기반의 새로운 추적 방법을 제안하였다. 제안된 방법은 해상 장애물의 탐지 데이터를 기반으로 심층 인공 신경망을 훈련하여 해상 장애물의 이동 특성과 센서 데이터의 불확실성을 효과적으로 학습하고, 이를 통해 보다 정확한 상태 예측을 수행한다. 특히, 제안된 방법은 기존의 수학 기반 추적 방법과 달리 실해역 실험 데이터로 학습하여 비선형성과 다양한 불확실성에 효과적으로 대응할 수 있다는 장점이 있다. 또한, 실해역 환경이 변할 때마다 추가적인 튜닝 과정이 필요한 기존 방법들과 달리, 제안된 학습 기반 추적 방법은 별도의 튜닝 없이도 높은 일반화 성능을 보임으로써, 다양한 환경에 대해 안정적이고 일관된 추적 성능을 확보하였다. 제안된 방법을 다양한 예제에 적용한 결과, 제안된 학습 기반 추적 방법은 다양한 센서 노이즈와 실제 환경에서도 EKF 기반 방법보다 우수한 추적 정확도와 견고성을 나타냄을 확인했다. |
|---|---|
| Publication Date | 2025-11-14 |
