본 논문에서는 군사훈련 분야 전문가와 프로그래머에 의해서 작성되던 인공지능 규칙들이, 딥러닝 기법을 활용할 때 사용자 수준에서 모의객체의 능력을 구현하고, 이미지 기반의 상황인지 결과를 모의에 활용함으로써 현재의 모의훈련체계를 대체하는 것이 가능한가를 검토한다. 논문은 광범위한 군사훈련 전체를 문제영역으로 확장하지 않고, 주행과 표적 탐지라는 주요 모의기능에 대해서 주행 이미지, 카메라 이미지를 학습하는 방법으로 모의객체의 능력을 구현하고, 기존과 다른 이미지 기반의 ...
본 논문에서는 군사훈련 분야 전문가와 프로그래머에 의해서 작성되던 인공지능 규칙들이, 딥러닝 기법을 활용할 때 사용자 수준에서 모의객체의 능력을 구현하고, 이미지 기반의 상황인지 결과를 모의에 활용함으로써 현재의 모의훈련체계를 대체하는 것이 가능한가를 검토한다. 논문은 광범위한 군사훈련 전체를 문제영역으로 확장하지 않고, 주행과 표적 탐지라는 주요 모의기능에 대해서 주행 이미지, 카메라 이미지를 학습하는 방법으로 모의객체의 능력을 구현하고, 기존과 다른 이미지 기반의 상황인식 방법을 사용하여, 가상환경에서 주행, 탐지 시뮬레이터를 구현한 후 실제 실험을 통해서 모의결과를 확인하는 방법을 사용한다. 먼저 주행과 탐지모델 학습을 위한 가상환경의 구축은 군에서 훈련 시 활용하는 3D 지형과 모델을 사용하여, 새로운 모의기법을 사용하는 환경이 기존에 제작되어 있는 자원을 재활용 할 수 있음을 보이고자 하였다. 뿐만 아니라 가상환경을 사용함으로써 실제 이미지를 획득하여 사용할 때보다 적은양의 데이터로도 정확도를 향상시키고, 데이터 획득에 소요되는 시간을 획기적으로 단축시킬 수 있었다. 주행학습을 수행한 주행모델은 사용자가 제어하지 않고 가상환경에서 획득한 이미지가 제공되면, 주행학습모델이 현재의 주행카메라 이미지를 분류한 결과를 처리하여, 자율주행에 활용하는 방법을 사용하였다. 이를 통해 기존의 훈련분야에서와는 다른 이미지 기반의 상황인식 접근법을 시도하였으며, 이는 길 찾기 알고리즘과 주변의 지형, 장애물 분석 등을 통해 자율주행을 수행하는 방법과 유사하게 시뮬레이터 스스로 주행하는 것이 가능함을 간단한 실험 시스템을 구성하여 확인하였다. 탐지는 무기체계의 조준경 화면을 통해서 표적을 탐지하는 것과 동일한 방법을 사용하였으며, 객체탐지에 우수한 성능을 가지는 YOLO v2 모델을 활용하여, 학습한 표적에 대해서 이미지 내에서 매우 만족할 만한 탐지결과를 제공받을 수 있었다. 이 과정에서 무기체계의 성능이나 운용자의 숙련도를 반영하고자 한다면, 학습데이터를 달리하거나, 탐색 임계값 및 경계박스 생성규칙을 조절함으로써 다양한 특성을 반영할 수 있음을 확인하였다. 학습결과에 대한 정확도 측정은 Semantic Segmentation을 수행한 경우는 이미지에 대한 픽셀 정확도 값을 측정하였고, Object Detection을 수행한 경우는 Mean IOU, Detection Probability를 측정하여 비교하였다. 이상과 같은 연구를 통해서 가상환경의 활용과 딥러닝 모델의 적절한 조합은 현재 수준에서 많은 컴퓨팅 파워가 필요하지만, 비전문가에 의한 학습으로 인공지능 표현, 상황인식을 기반으로 한 상세한 행위묘사, 실제 무기체계와 동일한 방식을 모의에 반영하여 SW 재사용성 향상이라는 장점을 가질 수 있음을 가상환경 데이터 및 학습모델을 활용하여 제시하였다.
본 논문에서는 군사훈련 분야 전문가와 프로그래머에 의해서 작성되던 인공지능 규칙들이, 딥러닝 기법을 활용할 때 사용자 수준에서 모의객체의 능력을 구현하고, 이미지 기반의 상황인지 결과를 모의에 활용함으로써 현재의 모의훈련체계를 대체하는 것이 가능한가를 검토한다. 논문은 광범위한 군사훈련 전체를 문제영역으로 확장하지 않고, 주행과 표적 탐지라는 주요 모의기능에 대해서 주행 이미지, 카메라 이미지를 학습하는 방법으로 모의객체의 능력을 구현하고, 기존과 다른 이미지 기반의 상황인식 방법을 사용하여, 가상환경에서 주행, 탐지 시뮬레이터를 구현한 후 실제 실험을 통해서 모의결과를 확인하는 방법을 사용한다. 먼저 주행과 탐지모델 학습을 위한 가상환경의 구축은 군에서 훈련 시 활용하는 3D 지형과 모델을 사용하여, 새로운 모의기법을 사용하는 환경이 기존에 제작되어 있는 자원을 재활용 할 수 있음을 보이고자 하였다. 뿐만 아니라 가상환경을 사용함으로써 실제 이미지를 획득하여 사용할 때보다 적은양의 데이터로도 정확도를 향상시키고, 데이터 획득에 소요되는 시간을 획기적으로 단축시킬 수 있었다. 주행학습을 수행한 주행모델은 사용자가 제어하지 않고 가상환경에서 획득한 이미지가 제공되면, 주행학습모델이 현재의 주행카메라 이미지를 분류한 결과를 처리하여, 자율주행에 활용하는 방법을 사용하였다. 이를 통해 기존의 훈련분야에서와는 다른 이미지 기반의 상황인식 접근법을 시도하였으며, 이는 길 찾기 알고리즘과 주변의 지형, 장애물 분석 등을 통해 자율주행을 수행하는 방법과 유사하게 시뮬레이터 스스로 주행하는 것이 가능함을 간단한 실험 시스템을 구성하여 확인하였다. 탐지는 무기체계의 조준경 화면을 통해서 표적을 탐지하는 것과 동일한 방법을 사용하였으며, 객체탐지에 우수한 성능을 가지는 YOLO v2 모델을 활용하여, 학습한 표적에 대해서 이미지 내에서 매우 만족할 만한 탐지결과를 제공받을 수 있었다. 이 과정에서 무기체계의 성능이나 운용자의 숙련도를 반영하고자 한다면, 학습데이터를 달리하거나, 탐색 임계값 및 경계박스 생성규칙을 조절함으로써 다양한 특성을 반영할 수 있음을 확인하였다. 학습결과에 대한 정확도 측정은 Semantic Segmentation을 수행한 경우는 이미지에 대한 픽셀 정확도 값을 측정하였고, Object Detection을 수행한 경우는 Mean IOU, Detection Probability를 측정하여 비교하였다. 이상과 같은 연구를 통해서 가상환경의 활용과 딥러닝 모델의 적절한 조합은 현재 수준에서 많은 컴퓨팅 파워가 필요하지만, 비전문가에 의한 학습으로 인공지능 표현, 상황인식을 기반으로 한 상세한 행위묘사, 실제 무기체계와 동일한 방식을 모의에 반영하여 SW 재사용성 향상이라는 장점을 가질 수 있음을 가상환경 데이터 및 학습모델을 활용하여 제시하였다.
In this paper, we investigated whether AI (Artificial Intelligence) of the virtual environment simulator used in existing war games and military training can be replaced by using Deep Learning technique such as CNN (Convolutional Neural Netowork) which is actively studied recently, and proposed appr...
In this paper, we investigated whether AI (Artificial Intelligence) of the virtual environment simulator used in existing war games and military training can be replaced by using Deep Learning technique such as CNN (Convolutional Neural Netowork) which is actively studied recently, and proposed appropriate method. We focused on driving and shooting function without expanding to the entire military actions. We constructed the similar virtual environment that used in military training simulator. We used the virtual environment as a simulator and used CNN based model to perform driving and shooting simulation. In the driving, when the image is obtained and provided in the virtual environment, the present driving environment is analyzed through deep learning model and the result is utilized for the autonomous driving. It is confirmed that it is possible to drive similar to existing approaches such as pathfinding algorithm and obstacle analysis. In the detecting and tracking targets, we used YOLO v2 model to perform target detection and tracking and obtained sufficient detection for the trained targets. In order to reflect the performance of the weapon system or the skill of the operator, we confirmed that various characters might be reflected by changing the training data or adjusting the threshold and bounding box generating rule. In the near future, Deep Learning techniques will be a way of expressing combat objects with similar level of human intelligence in simulation of battle objects reflecting the training equipments and training levels in the field of war games and virtual training.
In this paper, we investigated whether AI (Artificial Intelligence) of the virtual environment simulator used in existing war games and military training can be replaced by using Deep Learning technique such as CNN (Convolutional Neural Netowork) which is actively studied recently, and proposed appropriate method. We focused on driving and shooting function without expanding to the entire military actions. We constructed the similar virtual environment that used in military training simulator. We used the virtual environment as a simulator and used CNN based model to perform driving and shooting simulation. In the driving, when the image is obtained and provided in the virtual environment, the present driving environment is analyzed through deep learning model and the result is utilized for the autonomous driving. It is confirmed that it is possible to drive similar to existing approaches such as pathfinding algorithm and obstacle analysis. In the detecting and tracking targets, we used YOLO v2 model to perform target detection and tracking and obtained sufficient detection for the trained targets. In order to reflect the performance of the weapon system or the skill of the operator, we confirmed that various characters might be reflected by changing the training data or adjusting the threshold and bounding box generating rule. In the near future, Deep Learning techniques will be a way of expressing combat objects with similar level of human intelligence in simulation of battle objects reflecting the training equipments and training levels in the field of war games and virtual training.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.