• 전체
  • 전자/전기
  • 통신
  • 컴퓨터
닫기

사이트맵

Loading..

Please wait....

국내 학회지

홈 홈 > 연구문헌 > 국내 학회지 > 전자공학회지 - 대한전자공학회

전자공학회지 - 대한전자공학회

Current Result Document : 10 / 18 이전건 이전건   다음건 다음건

한글제목(Korean Title) [특집] 무인비행체 임베디드 조난자 탐지 시스템
영문제목(English Title)
저자(Author) 황성주   한문수   박준현   이정관   Bruno Andries  
원문수록처(Citation) VOL 44 NO. 08 PP. 0044 ~ 0051 (2017. 08)
한글내용
(Korean Abstract)
과거 군사용 위주로 개발되었던 무인비행체 (Unmanned Aerial Vehicle)는 최근 활용가능성이 증대되며 다양한 분야에서 이용되고 있다. 세계 각국은 무인비행체 산업의 선두주자가 되기 위해 지속적인 연구개발과 관련 정책을 수립하고 있으며, 글로벌 기업들은 무인비행체를 산업과 민간에 상용화하기 위해 많은 노력을 하고 있다. 무인비행체는 의학, 기상, 과학, 예술 등 다양한 분야의 서비스 및 콘텐츠와 융합하여 새로운 비즈니스 모델을 창출하고 있다. 또한 4차 산업혁명의 주요 기술인 사물 인터넷(IoT), 로봇공학, 인공지능(AI), 자율 주행 등과 융합하여 미래지향적 고부가 가치를 창출해낼 수 있다. 최근에는 기상관측, 인명구조, 영상촬영 등 다양한 분야의 임무를 수행하기 위한 특수 목적용 무인비행체가 개발되고 있으며, 카메라, 센서, 소형 CPU나 GPU 등을 탑재할 수 있는 임베디드 시스템이 개발되고 있다. 또한 장시간 비행 임무 수행을 하기 위해 무인비행체의 소형화 및 전력 소모 절감 연구가 진행 중이며, 자율 비행 연구가 활발히 진행되고 있다. 무인비행체 기술은 4차 산업혁명을 주도할 핵심 동력으로 성장하고 있다.무인비행체 기술의 가장 큰 이점은 공간의 제약을 받지 않는다는 것이다. 인간이 도달할 수 없는 지역을 도달할 수 있으며, 광범위한 지역을 신속하게 이동할 수 있다. 이러한 이점을 바탕으로 최근 무인비행체는 조난자 수색, 산불 감시,교통 단속 등에 이용되고 있다. 하지만 무인비행체가 광범위한 지역의 영상은 쉽게 수집함에도 불구하고, 이를 분석하는 데는 많은 시간이 소모된다. 본 연구진은 무인비행체를 이용하여 실시간으로 영상을 분석하는 연구를 진행하고 있으며, 본 논문에서는 대규모 재난 상황에서 무인비행체를 이용하여 자동으로 조난자 탐지를 수행하는 시스템을 소개할 것이다. 기존 무인비행체를 이용한 조난자 수색에서는 구조 요원이 육안의 피로로 인해 모든 영상을 면밀히 분석하기에는 한계가 있다. 또한 중/고고도에서 촬영된 영상은 육안으로는 물체의 외형을 구분하기 어렵기 때문에 조난자의 존재를 오판할 가능성이 높다. ICT와 융합한 조난자 수색방식의 경우, 재난 상황 속에 존재하는 각종 전자기기들이 오작동하거나 손상 및 파괴되어 작동하지 않을 가능성이 높다. 센서를 이용한 조난자 탐지는 지형지물의 파괴로 인해 인간이 접근하기 어려운 지역을 수색하는 용도로는 유용하나, 광범위한 재난 지역을 신속하게 수색하기는어렵다. 하지만 인간 육안 피로의 한계로 인해 모든 비행영상을 분석하기 어려우며, 중/고고도에서 촬영된 영상은 인간의 육안으로는 물체의 외형을 구분하기 어렵기 때문에 조난자의 존재를 오판할 가능성이 높다. ICT와 융합한 조난자 수색 방식의 경우, 재난 상황 속에 존재하는 각종 전자기기들이 오작동하거나 손상 및 파괴되어 작동하지 않을 가능성이 높다. 각종 센서를 이용한 조난자 탐지는 지형지물의 파괴로 인해 인간이 접근하기 어려운 지역을 수색하는 용도로는 유용하나 광범위한 재난 지역을 신속하게 수색하기는 어렵다. 조난자 수색에 소요되는 시간은 조난자의 생명 확보와 직결되는 중요한 요소이며, 만약 무인비행체를 이용하여 광범위한 지역을 신속하게 수색할 수 있다면 많은 인명을구조할 수 있을 것이다. 본 연구진은 무인비행체와 최근 눈부신 발전을 보여주고 있는 딥 러닝(Deep Learning)의 결합을 통해 광범위한 지역을 신속하게 수색할 수 있는 무인비행체 시스템을 개발하였다. 컴퓨터 비전(Computer Vision) 분야의 물체 검출(Object Detection)분야는 딥 러닝의 재조명으로 활발히 연구가 진행되고 있으며, 현재 딥 러닝을 이용한 물체 검출 모델은 인간의 육안과 비슷한 성능을 보유하고 있다. 물체 검출 모델의 주요 성능 지표는 검출 정확도(Average Precision, AP)와 화면 재생 빈도(Frame Per Second, FPS)이며, 최신 물체 검출 모델인 YOLO(You Only Look Once)9000[2]은 Pascal VOC 데이터 셋 기준, 78.6 mAP(mean Average Precision), 40 FPS의 성능을 보유하고 있다. 물체 검출의 주요 연구는 육안으로 식별 가능한 지상/저고도에 존재하는 물체를 검출하는 방향으로 진행되었으며, 중/고고도에 관한 물체 검출은 상대적으로 미흡하였다. 그 이유는 모델 학습을 위한 지상/저고도 데이터(ImageNet, Pascal VOC)는 그 수가 많으며, 다양한 환경 및 물체에 관해 존재하지만 중/고고도에 관한 데이터는 데이터의 수가 상대적으로 적기 때문이다. 중/고고도의 학습 데이터 수를 증가시키기 위한 가장 쉬운 방법은 인간이 직접 학습 데이터를 생성하는 것이다. 하지만 중/고고도에 존재하는 물체는 인간의 육안으로도 판단하기 어려운 물체들이 존재한다. 이 점을 보완하기 위해 본 연구진은 점진적 학습(Incremental Learning)[8] 기법을 통해 학습 데이터 수를 증가시키는방법을 제안한다. 점진적 학습은 모델의 테스트 결과를 다시 모델 학습을 위한 데이터로 사용하는 기법이며, 머신 러닝 분야에서 많이 사용되고 있다. 점진적 학습을 사용하여 학습 데이터를 증가시킬 수 있으며, 도메인 확장을 통해 다양한 각도, 고도 및 환경에서의 데이터를 확보할 수 있다. 최종적으로 적은 수의 중/고고도 기반 조난자 데이터를 학습한 물체 검출 모델을 사용하여 다양한 고도에 존재하는 조난자를 검출하고자 한다. 최신 물체 검출 모델인 YOLO9000[2], SSD(Single Shot multi-box Detector)[3]들은 이미지 처리 속도 증가를 위해 RPN(Region Proposal Network)[4]를 사용하지 않고 Grid Cell & Multi-Box[1][2][3] 기법을 사용하였지만 작은 물체를 검출하기 어렵다. 이를 보완하기 위해 물체 검출 모델의 입력 크기를 증가시키는 방법이 제안 되었지만 이미지 처리속도를 크게 저하시키는 원인으로 작용하였다. 본 연구진은 중/고고도에서 나타나는 작은 물체 검출과 동시에 Tracker[5-6]를 이용하여 이미지 처리속도를 유지할 수 있는 방법을 제안한다. 최근 소형 CPU, GPU, 센서, 카메라 등을 탑재하여 임베디드 시스템을 구축할 수 있는 무인비행체가 출시되고 있다. 하지만 무인비행체의 크기, 무게, 냉각 등의 문제로 인해 연산 능력과 메모리 등 하드웨어 성능이 현저히 감소한다. 따라서 무인비행체 임베디드 시스템에 물체 검출 모델을 적용하게 되면 심각한 이미지 처리속도 저하를 초래하게 된다. 본 연구진은 물체 검출 모델과 Tracker의 결합, 점진적 학습[8]을 적용하여 무인비행체 임베디드 시스템에서 독자적인 컴퓨팅 능력만으로도 다양한 고도와 환경에 존재하는 조난자를 탐지하는 시스템을 개발하였다. 무인비행체 임베디드 조난자 탐지 시스템의 필요 기술은 다음과 같다.
1. 중/고고도에 존재하는 작은 물체를 검출할 수 있는 물체 검출 모델
2. 다양한 고도와 환경에서 조난자를 탐지하기 위한 점진적 학습 시스템
3. 제한적인 하드웨어 환경에서의 딥 러닝 기반 조난자 탐지 시스템
영문내용
(English Abstract)
키워드(Keyword)
파일첨부 PDF 다운로드