다중센서 융합 및 다수모델 필터 개념을 적용한 강인한 기동물체 추적 Robust Maneuvering Target Tracking Applying the Concept of Multiple Model Filter and the Fusion of Multi-Sensor원문보기
다중센서를 이용한 기동물체의 추적은 GPS, INS, 레이더 및 광학장비 등의 위치추적 센서가 이용되며, 이러한 시스템은 UAV, 유도미사일, 우주선 등의 추적 탐지 통제를 위해 사용된다. 기동물체의 위치추적과 관련한 대부분의 연구는 다수의 레이더를 융합하거나 INS, GPS에 보조센서 추가하는 것이다. 하지만 이기종의 센서는 각 시스템특성 및 오차특성이 상이하므로 융합 간에 이를 고려하여 반영강도를 달리하는 연구가 필요하다. 본 논문에서는 다중센서 융합에 의한 추적 성능 향상을 위해 GPS, INS에 지상 레이더를 추가하여 각 센서특성에 따른 오차분석을 실시하고, 융합 간 오차특성에 따라 각 센서의 Sensor Probability를 변화시켜 정밀도와 안정성을 향상시키는 추적 알고리즘을 제안한다. 평가를 위해 UAV의 기동모델에 대한 시뮬레이션을 통해 고도값을 추출하고 제안 알고리즘을 적용하여 성능분석을 실시한다. 연구를 통해 각 센서의 항법정보 융합 간에 오차정도에 따라 측정치의 반영강도를 변화시켜 항법정보의 정확도 향상과 외부의 고의적인 환경변화 및 교란에도 강인한 추적이 가능하다.
다중센서를 이용한 기동물체의 추적은 GPS, INS, 레이더 및 광학장비 등의 위치추적 센서가 이용되며, 이러한 시스템은 UAV, 유도미사일, 우주선 등의 추적 탐지 통제를 위해 사용된다. 기동물체의 위치추적과 관련한 대부분의 연구는 다수의 레이더를 융합하거나 INS, GPS에 보조센서 추가하는 것이다. 하지만 이기종의 센서는 각 시스템특성 및 오차특성이 상이하므로 융합 간에 이를 고려하여 반영강도를 달리하는 연구가 필요하다. 본 논문에서는 다중센서 융합에 의한 추적 성능 향상을 위해 GPS, INS에 지상 레이더를 추가하여 각 센서특성에 따른 오차분석을 실시하고, 융합 간 오차특성에 따라 각 센서의 Sensor Probability를 변화시켜 정밀도와 안정성을 향상시키는 추적 알고리즘을 제안한다. 평가를 위해 UAV의 기동모델에 대한 시뮬레이션을 통해 고도값을 추출하고 제안 알고리즘을 적용하여 성능분석을 실시한다. 연구를 통해 각 센서의 항법정보 융합 간에 오차정도에 따라 측정치의 반영강도를 변화시켜 항법정보의 정확도 향상과 외부의 고의적인 환경변화 및 교란에도 강인한 추적이 가능하다.
A location tracking sensor such as GPS, INS, Radar, and optical equipments is used in tracking Maneuvering Targets with a multi-sensor, and such systems are used to track, detect, and control UAV, guided missile, and spaceship. Until now, Most of the studies related to tracking Maneuvering Targets a...
A location tracking sensor such as GPS, INS, Radar, and optical equipments is used in tracking Maneuvering Targets with a multi-sensor, and such systems are used to track, detect, and control UAV, guided missile, and spaceship. Until now, Most of the studies related to tracking Maneuvering Targets are on fusing multiple Radars, or adding a supplementary sensor to INS and GPS. However, A study is required to change the degree of application in fusions since the system property and error property are different from sensors. In this paper, we perform the error analysis of the sensor properties by adding a ground radar to GPS and INS for improving the tracking performance by multi-sensor fusion, and suggest the tracking algorithm that improves the precision and stability by changing the sensor probability of each sensor according to the error. For evaluation, we extract the altitude values in a simulation for the trajectory of UAV and apply the suggested algorithm to carry out the performance analysis. In this study, we change the weight of the evaluated values according to the degree of error between the navigation information of each sensor to improve the precision of navigation information, and made it possible to have a strong tracking which is not affected by external purposed environmental change and disturbance.
A location tracking sensor such as GPS, INS, Radar, and optical equipments is used in tracking Maneuvering Targets with a multi-sensor, and such systems are used to track, detect, and control UAV, guided missile, and spaceship. Until now, Most of the studies related to tracking Maneuvering Targets are on fusing multiple Radars, or adding a supplementary sensor to INS and GPS. However, A study is required to change the degree of application in fusions since the system property and error property are different from sensors. In this paper, we perform the error analysis of the sensor properties by adding a ground radar to GPS and INS for improving the tracking performance by multi-sensor fusion, and suggest the tracking algorithm that improves the precision and stability by changing the sensor probability of each sensor according to the error. For evaluation, we extract the altitude values in a simulation for the trajectory of UAV and apply the suggested algorithm to carry out the performance analysis. In this study, we change the weight of the evaluated values according to the degree of error between the navigation information of each sensor to improve the precision of navigation information, and made it possible to have a strong tracking which is not affected by external purposed environmental change and disturbance.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
Measurement Fusion방법의 대표적인 필터인 중앙집중형 Kalman Filrer는 다중센서의 통합과정에서 모든 센서의 자료를 하나의 필터에서 처리하여 많은 계산량과 넓은 통신대역폭을 필요로 하며, 센서의 이상이 발생하거나 일시적으로 잘못된 자료가 입력되는 경우 시스템의 강인성을 보장하기 어렵다는 단점이 있다. 따라서 각 센서의 자료를 각 센서에서 할당된 부필터에서 독립적으로 처리한 후 주 필터에서 다시 융합하는 Track Fusion에 대한 연구가 되었다. 또한 다중센서의 융합방법에 따라 예상추정치에 가장 근접한 측정치를 쇄신추정치로 가정하는 NN(Nearest Neighbor), 가장 신호가 강한 측정치를 쇄신추정치로 가정하는 SN(Strongest Neighbor), 측정치의 확률을 가중치로 사용하는 PDA(Probabilistic Data Association)방법 등이 있다(T.
본 논문에서는 각 센서가 가지는 특성을 이용하여 다중센서 융합을 통해 정밀도와 안정성을 향상시킬 수 있는 연구를 수행하였다. 이를 위해 각 센서의 시스템특성과 오차특성을 모델링하기 위한 오차 분석을 실시하였으며, Bayes rule을 통하여 센서의 오차특성을 추가적인 정보로 이용하여 다중센서 융합 간에 정밀도 향상과 고장 등에도 강인한 기동 물체 추적 알고리즘을 제안하였다.
제안하는 알고리즘은 중앙집중형 Kalman Filter의 단점인 센서의 고장 및 이상발생 시 강인성을 보장하기 어려운 점을 보완할 수 있으며, 기존 Track Fusion 방법에 비해 성능을 개선 할 수 있다. 이를 위해 본 연구에서는 Kalman Filter를 이용하여 기동물체 추적알고리즘에서 센서의 오차특성을 고려하여 강인성 보장과 정확도 향상에 기여할 수 있는 부분에 대해 연구한다.
이에 따라 본 논문에서는 기동물체의 항법시스템에 문제가 발생시에도 추적이 가능하고, 물체를 탐지상에서 놓치지 않도록 하기 위해 다수모델 필터의 개념에 기반하여 서로 다른 시스템특성 및 오차특성을 가지는 다중센서 측정치를 상이한 모델로 간주하여 측정치를 융합하는 연구를 수행한다. 이는 융합 간 Bayes rule를 기반하여 각 센서의 특성을 추가적인 정보로 대입하여 각 센서의 Sensor Probability(센서의 측정값이 참값일 확률)을 갱신함으로써 기동물체의 추적 성능을 높이는 알고리즘이다.
제안 방법
각 센서에 대해 Kalman Filter를 적용해 k-1 시간에서 결합된 상태변수 값을 예측 단계에서의 상태예측치에 입력하고 공분산 값을 구한다. 또한 모델링된 각 센서의 측정치를 적용하여 갱신과정을 거쳐 상태갱신치와 갱신된 공분산 값과 칼만 이득값을 구하는 과정을 반복적으로 수행한다.
각 센서에서 계산된 필터의 공분산 값을 비교하여 Sensor Probability 계산을 수행하고 각 센서의 시스템특성과 오차특성을 고려하여 최종적인 각 센서의 Sensor Probability 값을 얻는 Update 과정을 수행한다. 이 과정에서 각 Sensor Probability의 변화 값을 비교한 결과는 <그림 9>와 같다.
Matlab를 이용하여 시뮬레이션을 수행하며, 제안 알고리즘의 평가를 위해 Cubic Spline Interpolation(Boor, 1978)을 이용하여 UAV의 임의의 기동 경로를 생성 후 오차특성이 반영된 각 센서의 고도값 모델링을 수행하고 각 센서에 대해서 Kalman Filter를 적용해 상태변수 추정치와 공분산 값을 구한다. 다음으로는 Sensor Probability를 구하는 Fusion Filter을 적용한 후 Combination 과정을 거쳐 최종적으로 보정된 고도값을 단일 KF 적용 시와 비교 분석을 실시한다.
각 센서에 대해 Kalman Filter를 적용해 k-1 시간에서 결합된 상태변수 값을 예측 단계에서의 상태예측치에 입력하고 공분산 값을 구한다. 또한 모델링된 각 센서의 측정치를 적용하여 갱신과정을 거쳐 상태갱신치와 갱신된 공분산 값과 칼만 이득값을 구하는 과정을 반복적으로 수행한다.
여기에서 KF가 갱신한 값의 정확도는 공분산 값에 반비례하므로 이를 이용하여 k시간 추정치에 대한 Sensor Probability를 계산을 수행한다. 계산된 k시간에서의 필터의 공분산 값이 입력되게 되면 각 센서의 시스템특성과 오차특성을 추가의 정보로 입력하기 위해 식 (11)의 Bayes rule(Hartigan, 1983)에 기반한 Sensor Probability 업데이트 과정을 수행한다.
본 논문에서는 각 센서가 가지는 특성을 이용하여 다중센서 융합을 통해 정밀도와 안정성을 향상시킬 수 있는 연구를 수행하였다. 이를 위해 각 센서의 시스템특성과 오차특성을 모델링하기 위한 오차 분석을 실시하였으며, Bayes rule을 통하여 센서의 오차특성을 추가적인 정보로 이용하여 다중센서 융합 간에 정밀도 향상과 고장 등에도 강인한 기동 물체 추적 알고리즘을 제안하였다.
제 2장에서는 기동물체 추적시스템 및 이기종 다중센서의 오차특성과 기동물체 추적 알고리즘에 대해 소개하고 제 3장에서는 각 센서의 상이한 오차특성을 측정데이터 융합 간 Sensor Probability로 고려한 기동물체 추적 알고리즘을 제안하며, 제 4장에서는 Matlab을 통해 UAV에 대한 임의의 기동모델을 생성하고 각 센서의 오차특성이 반영된 각 센서의 고도값 측정치를 생성하여 제안한 알고리즘 적용하여 평가한다.
제안하는 알고리즘에서는 이를 고려하여 한 개의 측정치에 대해서 센서 시스템의 특성상 서로 다른 측정치를 보이는 이기종의 다중 센서 측정 모델을 각각의 예측모델로 하여 어떤 센서의 측정치가 현재의 실기동을 가장 잘 표현하고 있는가에 대한 확률을 산출하여 결합추정치를 구하는 과정을 와 같이 제안한다.
데이터처리
Matlab를 이용하여 시뮬레이션을 수행하며, 제안 알고리즘의 평가를 위해 Cubic Spline Interpolation(Boor, 1978)을 이용하여 UAV의 임의의 기동 경로를 생성 후 오차특성이 반영된 각 센서의 고도값 모델링을 수행하고 각 센서에 대해서 Kalman Filter를 적용해 상태변수 추정치와 공분산 값을 구한다. 다음으로는 Sensor Probability를 구하는 Fusion Filter을 적용한 후 Combination 과정을 거쳐 최종적으로 보정된 고도값을 단일 KF 적용 시와 비교 분석을 실시한다.
제안된 알고리즘의 비교 및 평가를 위해 각 센서특성이 모델링 된 고도값 데이터에 각각의 Kalman Filter가 적용하였으며, 보정된 고도값을 생성하여 실제 고도값과 비교한 결과는 , , 와 같다.
제안한 알고리즘의 평가를 위해 Cubic Spline Interpolation을 이용하여 UAV의 3차원 공간상의 임의의 기동모델을 생성하고 각 센서의 오차특성을 가지는 각 센서의 고도값 측정 데이터를 생성하였으며, 이를 제안 알고리즘을 적용하여 개선된 고도값 추정치를 얻을 수 있었다. 이를 각 단일센서에서 KF를 적용하였을 때의 고도값 추정치와 비교하여 우수함을 증명하였다.
이론/모형
여기에서 KF가 갱신한 값의 정확도는 공분산 값에 반비례하므로 이를 이용하여 k시간 추정치에 대한 Sensor Probability를 계산을 수행한다. 계산된 k시간에서의 필터의 공분산 값이 입력되게 되면 각 센서의 시스템특성과 오차특성을 추가의 정보로 입력하기 위해 식 (11)의 Bayes rule(Hartigan, 1983)에 기반한 Sensor Probability 업데이트 과정을 수행한다.
성능/효과
또한 레이더의 Sensor Probability는 다중경로 발생부분에서 감소한다. 이러한 Sensor Probability의 변화를 통해 우수한 성능을 보이는 센서의 추정치에 많은 가중치가 부여됨을 확인할 수가 있다.
제안한 알고리즘의 평가를 위해 Cubic Spline Interpolation을 이용하여 UAV의 3차원 공간상의 임의의 기동모델을 생성하고 각 센서의 오차특성을 가지는 각 센서의 고도값 측정 데이터를 생성하였으며, 이를 제안 알고리즘을 적용하여 개선된 고도값 추정치를 얻을 수 있었다. 이를 각 단일센서에서 KF를 적용하였을 때의 고도값 추정치와 비교하여 우수함을 증명하였다.
이는 융합 간 Bayes rule를 기반하여 각 센서의 특성을 추가적인 정보로 대입하여 각 센서의 Sensor Probability(센서의 측정값이 참값일 확률)을 갱신함으로써 기동물체의 추적 성능을 높이는 알고리즘이다. 제안하는 알고리즘은 중앙집중형 Kalman Filter의 단점인 센서의 고장 및 이상발생 시 강인성을 보장하기 어려운 점을 보완할 수 있으며, 기존 Track Fusion 방법에 비해 성능을 개선 할 수 있다. 이를 위해 본 연구에서는 Kalman Filter를 이용하여 기동물체 추적알고리즘에서 센서의 오차특성을 고려하여 강인성 보장과 정확도 향상에 기여할 수 있는 부분에 대해 연구한다.
후속연구
본 연구를 통해 각 센서가 가지는 오차 정보까지도 측정 성능 향상을 위해 사용할 수 있음을 보였으며, 동일한 변수의 상태추정치를 가지는 이기종의 다양한 센서의 융합 간에 적용할 수 있을 것으로 판단되었다. 향후에는 각 센서의 시스템특성과 오차특성에 대하여 좀 더 세부적이고 수학적인 모델링을 통해서 추가적인 정밀도 향상을 위한 연구가 필요하며, UAV의 상태방정식에 대한 추가적인 연구와 IMM 등의 다양한 알고리즘에 적용하는 연구가 필요하다.
본 연구를 통해 각 센서가 가지는 오차 정보까지도 측정 성능 향상을 위해 사용할 수 있음을 보였으며, 동일한 변수의 상태추정치를 가지는 이기종의 다양한 센서의 융합 간에 적용할 수 있을 것으로 판단되었다. 향후에는 각 센서의 시스템특성과 오차특성에 대하여 좀 더 세부적이고 수학적인 모델링을 통해서 추가적인 정밀도 향상을 위한 연구가 필요하며, UAV의 상태방정식에 대한 추가적인 연구와 IMM 등의 다양한 알고리즘에 적용하는 연구가 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
다중센서를 이용한 기동물체의 추적은 어떤 센서가 이용되는가?
다중센서를 이용한 기동물체의 추적은 GPS, INS, 레이더 및 광학장비 등의 위치추적 센서가 이용되며, 이러한 시스템은 UAV, 유도미사일, 우주선 등의 추적 탐지 통제를 위해 사용된다. 기동물체의 위치추적과 관련한 대부분의 연구는 다수의 레이더를 융합하거나 INS, GPS에 보조센서 추가하는 것이다.
기동물체의 위치추적과 관련한 대부분의 연구는 어떤 것인가?
다중센서를 이용한 기동물체의 추적은 GPS, INS, 레이더 및 광학장비 등의 위치추적 센서가 이용되며, 이러한 시스템은 UAV, 유도미사일, 우주선 등의 추적 탐지 통제를 위해 사용된다. 기동물체의 위치추적과 관련한 대부분의 연구는 다수의 레이더를 융합하거나 INS, GPS에 보조센서 추가하는 것이다. 하지만 이기종의 센서는 각 시스템특성 및 오차특성이 상이하므로 융합 간에 이를 고려하여 반영강도를 달리하는 연구가 필요하다.
3차원 기동을 하는 물체의 정확한 위치추적이 어려운 이유는?
이러한 UAV를 비롯한 유도미사일, 우주선 등과 같이 3차원 기동을 하는 물체의 실시간 임무수행을 위해서는 정확한 위치추적이 필요하다. 그러나 기동물체의 정확한 상태정보를 얻는 것은 각종 시스템 오차, 지형 장애물 등의 환경적인 오차, 시스템 제한(고장) 등으로 인해 매우 어렵다. 특히 적에 의한 의도적인 재밍이 존재하는 전투환경 하에서 이를 해결하는 것이 더욱 어려운 문제이다.
참고문헌 (15)
Bar-Shalom, Y. and K. Birmiwal, "Variable dimension filter for maneuvering target tracking", IEEE Trans. On Aerospace and Electronic Systems, Vol.AES-18, No.5(1982), 621-629.
Bar-Shalom, Y. and X. R. Li, Multitarget- Multisensor Tracking：Principles and Techniques, YBS Publishing, 1995.
Blom, H. A. P. and Bar-Shalom, "The intersection multiple model algorithm for systems with Markovian Switching coefficients", IEEE Trans. On Automatic Control, Vol.Ac-33, No. 8(1988), 780-783.
Bogler, P. L., "Tracking a maneuvering target using input estimation", IEEE Trans. On Aerospace and Electronic Systems, Vol.AES -23, No.3(1987), 298-310.
Bogler, P. L., "Tracking a maneuvering target using input estimation", IEEE Trans. On Aerospace and Electronic Systems, Vol.AES-23, No.3(1987), 298-310.
de Boor, C., A Practical Guide to Splines, Springer- Verlag, (1978), 43-49.
Hartigan, J. A., Bayes theory, Springer Series in Statistics, 1983.
Hvanessian, S. A., Radar System Design and Analysis, Arttech House, Inc., Dedham Ma, 1984.
Kalman, R. E., "A new approach to linear filtering and prediction problems", J. Basic Eng. Trans. on ASME, Vol.82D(1960), 35-46.
LI, X. R. and Vesselin P. Jilkov, "Survey of Maneuvering Target Tracking. Part ？？： Dynamic Models", IEEE Transactions on Aerospace and Electronic Systems, Vol.39, No.4(2003), 1333-1364.
Li, X. R. and Y. Bar-Shalom, "Design of interacting multiple model for air traffic control tracking", IEEE Trans. Control System Technology, Vol.1, No.3(Sep., 1993). 186-194.
Myung-Soo Chung, Dong-Hee Hong, and Dong-Chul Park, "Target Altitude Extraction for Multibeam Surveillance radar in Multipath Environmental Condition", Journal of the Korea Electromagnetic Engineering Society, Vol18, No.10(2007).
Parkinso, B. W. and J. J. Spliker Jr., Global Position System：Theory and Applications, Volume I, II, American Institute of Aeronautics and Astronautics Inc, 1996.
Song, T. L., "Filtering Theory", Journal of control, automation and systems engineering, Vol.9, No.6(2003).
Titterton, D. H. and J. L. Weston, strapdown inertial navigation technology, Peter Peregrinus Ltd. on behalf of the Institution of Electrical Engineers, 1997.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.