기동물체 추적을 위해서 GPS, INS, 레이더 및 광학장비 등의 다양한 위치추적 센서가 이용되고 있으며, 기동물체의 강인한 추적성능을 유지하기 위해 이기종 센서의 효과적인 융합방법이 필요하다. 이기종 다중센서를 이용한 추적성능 향상을 위해 센서의 서로 다른 오차특성을 고려하여 각 센서의 측정치를 상이한 모델로 간주하여 융합하는 연구가 수행되었지만, 한 센서의 오차가 급격히 증가하는 구간에서 다른 센서의 추정치에 대한 오차가 증가하고 각 센서의 측정값이 참 값일 확률인 Sensor Probability 값에 대해 센서 측정치 변화를 실시간으로 반영하지 못하였다. 본 논문에서는 각 센서 칼만필터의 갱신추정치와 측정치 간의 차이에 대한 RMSE(Root Mean Square Error)를 비교하여 Sensor Probability를 구하고, 결합추정치를 다시 각 센서 칼만필터 입력값으로 대입하는 과정을 제외하여 센서 측정치에 대한 실시간적인 반영과 센서 성능이 급격히 저하되는 구간에서의 추적성능을 개선한다. 제안하는 알고리즘은 각 센서의 오차특성을 조건부 확률값으로 추가하여 각 센서의 Sensor Probability에 따라 가장 양호한 성능을 보이는 센서 위주로 트랙융합을 함으로써 강인성을 보장 한다. 실험을 통해 UAV의 기동 경로를 생성하고 제안 알고리즘을 적용하여 다른 융합 알고리즘과 성능분석을 실시한다.
기동물체 추적을 위해서 GPS, INS, 레이더 및 광학장비 등의 다양한 위치추적 센서가 이용되고 있으며, 기동물체의 강인한 추적성능을 유지하기 위해 이기종 센서의 효과적인 융합방법이 필요하다. 이기종 다중센서를 이용한 추적성능 향상을 위해 센서의 서로 다른 오차특성을 고려하여 각 센서의 측정치를 상이한 모델로 간주하여 융합하는 연구가 수행되었지만, 한 센서의 오차가 급격히 증가하는 구간에서 다른 센서의 추정치에 대한 오차가 증가하고 각 센서의 측정값이 참 값일 확률인 Sensor Probability 값에 대해 센서 측정치 변화를 실시간으로 반영하지 못하였다. 본 논문에서는 각 센서 칼만필터의 갱신추정치와 측정치 간의 차이에 대한 RMSE(Root Mean Square Error)를 비교하여 Sensor Probability를 구하고, 결합추정치를 다시 각 센서 칼만필터 입력값으로 대입하는 과정을 제외하여 센서 측정치에 대한 실시간적인 반영과 센서 성능이 급격히 저하되는 구간에서의 추적성능을 개선한다. 제안하는 알고리즘은 각 센서의 오차특성을 조건부 확률값으로 추가하여 각 센서의 Sensor Probability에 따라 가장 양호한 성능을 보이는 센서 위주로 트랙융합을 함으로써 강인성을 보장 한다. 실험을 통해 UAV의 기동 경로를 생성하고 제안 알고리즘을 적용하여 다른 융합 알고리즘과 성능분석을 실시한다.
Various location tracking sensors; such as GPS, INS, radar, and optical equipment; are used for tracking moving targets. In order to effectively track moving targets, it is necessary to develop an effective fusion method for these heterogeneous devices. There have been studies in which the estimated...
Various location tracking sensors; such as GPS, INS, radar, and optical equipment; are used for tracking moving targets. In order to effectively track moving targets, it is necessary to develop an effective fusion method for these heterogeneous devices. There have been studies in which the estimated values of each sensors were regarded as different models and fused together, considering the different error characteristics of the sensors for the improvement of tracking performance using heterogeneous multi-sensor. However, the rate of errors for the estimated values of other sensors has increased, in that there has been a sharp increase in sensor errors and the attempts to change the estimated sensor values for the Sensor Probability could not be applied in real time. In this study, the Sensor Probability is obtained by comparing the RMSE (Root Mean Square Error) for the difference between the updated and measured values of the Kalman filter for each sensor. The process of substituting the new combined values for the Kalman filter input values for each sensor is excluded. There are improvements in both the real-time application of estimated sensor values, and the tracking performance for the areas in which the sensor performance has rapidly decreased. The proposed algorithm adds the error characteristic of each sensor as a conditional probability value, and ensures greater accuracy by performing the track fusion with the sensors with the most reliable performance. The trajectory of a UAV is generated in an experiment and a performance analysis is conducted with other fusion algorithms.
Various location tracking sensors; such as GPS, INS, radar, and optical equipment; are used for tracking moving targets. In order to effectively track moving targets, it is necessary to develop an effective fusion method for these heterogeneous devices. There have been studies in which the estimated values of each sensors were regarded as different models and fused together, considering the different error characteristics of the sensors for the improvement of tracking performance using heterogeneous multi-sensor. However, the rate of errors for the estimated values of other sensors has increased, in that there has been a sharp increase in sensor errors and the attempts to change the estimated sensor values for the Sensor Probability could not be applied in real time. In this study, the Sensor Probability is obtained by comparing the RMSE (Root Mean Square Error) for the difference between the updated and measured values of the Kalman filter for each sensor. The process of substituting the new combined values for the Kalman filter input values for each sensor is excluded. There are improvements in both the real-time application of estimated sensor values, and the tracking performance for the areas in which the sensor performance has rapidly decreased. The proposed algorithm adds the error characteristic of each sensor as a conditional probability value, and ensures greater accuracy by performing the track fusion with the sensors with the most reliable performance. The trajectory of a UAV is generated in an experiment and a performance analysis is conducted with other fusion algorithms.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 각 센서가 가지는 특성을 이용하여 다중센서 융합을 통해 정밀도와 안정성을 향상시킬 수 있는 연구를 수행하였다. 실험 결과 고도추정치에 대한 오차의 표준편차 값이 Measurement Fusion(중앙집중형 칼만 필터) 방법에 비해 22.
서로 다른 측정치를 보일 수가 있다. 본 논문에서는 이를 고려하여 서로 다른 측정치를 보이는 이기종 다중센서의 측정모델을 각각의 예측모델로 하여 어떤 센서의 측정치가 현재의 실기동을 가장 잘 표현하고 있는가에 대한 확률을 산출하여 결합추정치를 구하는 융합알고리즘을 제안한다. 알고리즘의 핵심은 센서의 오차 특성을 분석하여 각 센서의 칼만필터링 이후 상태변수의 Track Fusion를 위해 Sensor Probability를 계산하고 갱신하는 과정으로 알고리즘 구조는 그림 4와 같다.
제안한 알고리즘은 오차특성의 반영으로 인해 추적성능이 심하게 저하되거나 추적이 불가능하게 되는 구간에서도 일정한 수준을 유지하였으며, 강인하고 정밀도가 향상된 추적이 가능함을 증명하였다. 본 연구를 통해 각 센서가 가지는 오차 정보까지도 측정성능 향상을 위해 사용할 수 있음을 보였으며, 또한 각 센서의 항법정보 융합 간에 오차 특성과 정도에 따라 각 센서 추정치의 반영강도를 변화시킴으로써 항법정보의 정확도 향상과 외부의 고의적인 환경변화 및 교란에도 강인한 기동물체추적 알고리즘을 제안하였다. 이를 통해 미래전장 환경에서 필수적으로 요구되는 군의 UAV 및 유도미사일 등의 정확한 위치추적에 기여할 것으로 기대된다.
가설 설정
상수 a 값은 INS의 센서의 성능과 기동물체의 시간에 대한 이동 거리, 유효한 INS 센서의 누적오차 허용치에 따라 결정되는 값으로 본 논문의 실험에서는 ldeg/hr의 성능을 가진 INS 센서로 평균 180knmhr로 이동하는 기동물체를 추적하면서 유효한 최대 허용오차를 250m로 가정하여 계산하였다’ 이는 INS 센서에 다른 센서로부터의 측정치가 주기적으로 갱신되지 않는 상황을 가정한 것으로 일정기간마다 INS의 누적오차가 갱신되어 초기화 된다면 그 시점에서 R시以*)값은 1이 되며, 다시 측정 거리와 시간에 따라 1에서부터 감소하게 된다. 레이더는 비, 온도, 안개 등의 수많은 요인에 의해 오차가 존재하지만 이를 수치화하기가 어렵기 때문에 레이더의 특성에 따라 다중경로가 발생하는 고도에서 F(시S曾如)값이 0으로 수렴하도록 하였으며, 본 논문에서 실험 간에는 400m부터 다중경로가 발생하여 300m부터는 다중경로에 의해 측정잡음이 급격히 심화되는 것으로 가정한다. 갱신된 爲'값은 각 센서의 칼만필터를 통해서 출력된 상태변수 값과 결합하여 최종 상태변수를 추정하는 결합과정을 거치게 된다.
즉 누적오차가 생길수록 R이理鸟 누적오차에 대한 값은 1에서 0으로 수렴하게 된다. 상수 a 값은 INS의 센서의 성능과 기동물체의 시간에 대한 이동 거리, 유효한 INS 센서의 누적오차 허용치에 따라 결정되는 값으로 본 논문의 실험에서는 ldeg/hr의 성능을 가진 INS 센서로 평균 180knmhr로 이동하는 기동물체를 추적하면서 유효한 최대 허용오차를 250m로 가정하여 계산하였다’ 이는 INS 센서에 다른 센서로부터의 측정치가 주기적으로 갱신되지 않는 상황을 가정한 것으로 일정기간마다 INS의 누적오차가 갱신되어 초기화 된다면 그 시점에서 R시以*)값은 1이 되며, 다시 측정 거리와 시간에 따라 1에서부터 감소하게 된다. 레이더는 비, 온도, 안개 등의 수많은 요인에 의해 오차가 존재하지만 이를 수치화하기가 어렵기 때문에 레이더의 특성에 따라 다중경로가 발생하는 고도에서 F(시S曾如)값이 0으로 수렴하도록 하였으며, 본 논문에서 실험 간에는 400m부터 다중경로가 발생하여 300m부터는 다중경로에 의해 측정잡음이 급격히 심화되는 것으로 가정한다.
초기값 및 각 센서가 모두 정상 작동할 경우에 센서 오차 특성이 각 센서의 Sensor Probability의 변화에 미치는 영향이 동등한 것으로 가정하여 Default 값을 각각 1/3로 한다. 그리고 GPS 센서의 측위특성 상 적의 교란 및 재밍에 취약하므로 고장 등의 상황에 의해 측정 신호가 미입력 되는 경우 R시段护값을。으로 하고, 수신초기에 GPS 위성신호를 받아서 초기화하는 시간(0 ~10초)을 고려하여 R시黛鬥값이。에서 1로 증가되도록 한다.
제안 방법
GPS 측정치는 시작부터 10초까지의 초기 수신 오차를 반영하고 외부교란 및 재밍 등 취약한 상황과 PDOP가 불량한 상황 등을 가정하여 210-250초까지 잡음의 증가와 단절 등을 모델링 한다. 또한 GPS의 일반적인 오차를 고려하여 10m 오차를 가지는 가우시안 백색잡음을 추가하여 그림 6과 같이 생성한다.
또한 GPS의 일반적인 오차를 고려하여 10m 오차를 가지는 가우시안 백색잡음을 추가하여 그림 6과 같이 생성한다. INS 측정치는 15m의 오차를 가지는 가우시안 백색잡음으로 추가하고, 또한 시간에 따라 지수로 누적되는 자이로 센서 오차를 바이어스로써 지수함수로 증가하도록 모델링하여 그림 7과 같이 생성한다.
각 센서에서 계산된 필터의 寸簽有를 비교하여 Sensor Probability 계산을 수행하고 각 센서의 시스템 특성과 오차특성을 고려하여 최종적인 각 센서의 Sensor Probability 값을 얻는 갱신과정을 수행한다. 표 2에서의 户(即说)을 적용하여 Sensor Probability 의 변화 값을 비교한 결과는 그림 9와 같다.
각 센서의 시스템특성과 오차특성을 생성된 경로 데이터에 반영하여 GPS, INS, 레이더 센서의 측정값을 생성한다. GPS 측정치는 시작부터 10초까지의 초기 수신 오차를 반영하고 외부교란 및 재밍 등 취약한 상황과 PDOP가 불량한 상황 등을 가정하여 210-250초까지 잡음의 증가와 단절 등을 모델링 한다.
값에 반비례한다. 계산된 k시간에서의 필터의 Sensor Probability 값이 구해지면 각 센서의 시스템 특성과 오차특성을 추가 정보로 입력하기 위해 Bayes rule[14] 에 기반을 둔 Sensor Probability 갱신과정을 수행한다. 각 센서의 오차특성이 조건부확률로 고려되어 사후 확률로 갱신된 Sensor Probability인 商값은 식 (5)과 같이 계산한다[3].
다음으로 Sensor Probability 계산하고 갱신하며 결합하는 과정을 거쳐 최종적으로 추정된 상태변수 추정치를 구하여 다른 융합 알고리즘과 비교 분석을 실시한다.
따라서 본 논문에서는 각 센서의 sensor Probability 를 산출하기 위한 입력변수를 각 센서 칼만필터의 공분산 값에서 각 필터의 상태변수 갱신추정치와 측정값 차이의 평균제곱근 오차값으로 변경하고, 결합된 최종 상태추정치를 각 센서 필터의 상태추정치 입력값으로 대입하는 부분을 제외하여 각 센서의 측정치에 대한 Sensor Probability의 민감도를 개선한다. 또한 한 센서의 고장구간에서도 다른 센서로 오차 전이가 발생하지 않도록 한다.
제안 알고리즘에 대한 위치오차에 대한 다른 융합 알고리즘과 비교를 위해 오차특성을 고려하지 않은 Track Fusion(PDA) 알고리즘과 비교를 실시하였으며, Track Fusion(PDA) 알고리즘은 큰 오차가 발생한 GPS의 고장 구간(20초에 대한 위치오차를 제외하고 분석을 실시하였다. 분석결과 오차특성을 고려한 제안 알고리즘과 고려하지 않은 Track Fusion 알고리즘에 비해 GPS의 초기 수신오차 발생구간과 고장구간에서 일부 오차가 증가하기는 하지만 상당히 개선됨을 확인할 수 있다.
또한 한 센서의 고장구간에서도 다른 센서로 오차 전이가 발생하지 않도록 한다. 제안하는 알고리즘은 융합 간 Bayes rule 에 기반을 두어 각 센서의 오차특성을 추가적인 정보로 대입하여 구하는 요소를 각각 갱신함으로써 기동물체의 추적성능을 높이는 알고리즘이다. 2장에서는 이기종 다중센서의 오차특성과 이를 고려한 기동물체 추적알고리즘에 대한 관련연구를 수행하고, 3장에서는 알고리즘을 제안하며 4장에서 실험을 통해 알고리즘의 평가 및 다른 융합알고리즘과 비교분석을 실시한다.
데이터처리
실험은 Matlab를 이용하여 수행하며, Cubic Spline Interpolation[15]을 이용하여 UAV의 임의의 기동 경로를 생성한 후 오차특성이 반영된 각 센서의 고도값 모델링을 수행하고 각 센서에 대해서 칼만필터를 적용하여 상태변수 추정치와 공분산 값을 구한다. 다음으로 Sensor Probability 계산하고 갱신하며 결합하는 과정을 거쳐 최종적으로 추정된 상태변수 추정치를 구하여 다른 융합 알고리즘과 비교 분석을 실시한다.
성능/효과
것이다. 그림에서 보는 것처럼 각 센서의 칼만필터링 수행 후 센서의 측정데이터를 일부분 개선하여 보정된 추적성능을 보이고는 있으나 여전히 급기동부분과 센서의 측정성능이 저하되는 구간에서는 오차에 대한 보정이 제대로 이루어지고 있지 않음을 확인할 수 있다. GPS 칼만 필터의 데이터는 초기 수신구간 및 고장부분의 데이터가 단절된 구간에서는 원활한 물체추적이 되지 않았으며, INS 칼만 필터의 데이터는 센서특성으로 인해 생기는 시간에 따른 누적오차를 제대로 보정하지 못하고 있다.
이는 Measurement Fusion의 경우 센서의 이상이 발생하거나 일시적으로 잘못된 자료가 입력되는 경우 시스템의 강인성을 보장하기 어렵다는 단점을 보여주는 그래프이다. 다음으로 PDA 알고리즘을 적용한 Track Fusion 방법을 적용한 경우 확률밀도가 고려되어 GPS 센서의 고장 부분에서 Measurement Fusion에 비해 양호한 성능을 보였으나 INS와 레이더 센서의 성능이 함께 저하되는 300초 이후 구간에서는 성능이 급격히 떨어지는 것을 볼 수 있다. 이들 알고리즘에 비해 오차특성을 고려하여 센서 추정치의 반영밀도를 달리하는 제안 알고리즘을 적용하는 경우에는 GPS 고장구간에서 오차가 증가하기는 하였지만, 전반적으로 오차가 크게 발산하지 않고 기동물체 추적이 가능함을 확인할 수가 있었다.
분석결과 오차특성을 고려한 제안 알고리즘과 고려하지 않은 Track Fusion 알고리즘에 비해 GPS의 초기 수신오차 발생구간과 고장구간에서 일부 오차가 증가하기는 하지만 상당히 개선됨을 확인할 수 있다. 또한 분석 결과 표 3에서 보는 것처럼 제안 알고리즘의 위치 오차의 표준편차가 18.42m로 GPS 고장구간을 제외한 Track Fusion(PDA) 알고리즘을 적용한 결과인 61.70m에 비해 상당히 개선됨을 알 수 있다.
즉 각 센서에서 필터링을 하더라도 제대로 기동물체의 추적이 불가능하여 센서 간 융합을 통한 보완이 필요함을 알 수 있다. 반면에 제안 알고리즘을 적용한 결과 GPS 고장 및 PDOP 불량. 초기 수신오차 발생 등에 의한 부분과 INS의 누적오차 부분, 레이더에 의한 다중경로 발생부분 등에도 큰 오차를 보이지 않으며 강인하고 지속적으로 UAV 고도값에 대한 추적이 이루어지고 있음을 볼 수 있다.
분석결과 오차특성을 고려한 제안 알고리즘과 고려하지 않은 Track Fusion 알고리즘에 비해 GPS의 초기 수신오차 발생구간과 고장구간에서 일부 오차가 증가하기는 하지만 상당히 개선됨을 확인할 수 있다. 또한 분석 결과 표 3에서 보는 것처럼 제안 알고리즘의 위치 오차의 표준편차가 18.
연구를 수행하였다. 실험 결과 고도추정치에 대한 오차의 표준편차 값이 Measurement Fusion(중앙집중형 칼만 필터) 방법에 비해 22.52%, Track Fusion(PDA) 방법에 비해 26.11%의 수준으로 향상되었다. 제안한 알고리즘은 오차특성의 반영으로 인해 추적성능이 심하게 저하되거나 추적이 불가능하게 되는 구간에서도 일정한 수준을 유지하였으며, 강인하고 정밀도가 향상된 추적이 가능함을 증명하였다.
위치오차 부분 중에 가장 큰 편차를 보이는 고도오차에 대한 성능분석을 위해 Measurement Fusion(중앙집중형 칼만필터), Track Fusion(PDA), 제안알고리즘을 적용하여 비교한 결과 그림 11에서 보는 것처럼 Measurement Fusion의 대표적인 필터인 중앙집중형 칼만 필터를 적용했을 경우 전반적으로 양호한 오차정도를 보이나, GPS 센서의 초기수신오차 발생부분과 GPS 센서의 고장 부분 등에서 심한 발산이 발생하는 것을 볼 수 있다. 이는 Measurement Fusion의 경우 센서의 이상이 발생하거나 일시적으로 잘못된 자료가 입력되는 경우 시스템의 강인성을 보장하기 어렵다는 단점을 보여주는 그래프이다.
다음으로 PDA 알고리즘을 적용한 Track Fusion 방법을 적용한 경우 확률밀도가 고려되어 GPS 센서의 고장 부분에서 Measurement Fusion에 비해 양호한 성능을 보였으나 INS와 레이더 센서의 성능이 함께 저하되는 300초 이후 구간에서는 성능이 급격히 떨어지는 것을 볼 수 있다. 이들 알고리즘에 비해 오차특성을 고려하여 센서 추정치의 반영밀도를 달리하는 제안 알고리즘을 적용하는 경우에는 GPS 고장구간에서 오차가 증가하기는 하였지만, 전반적으로 오차가 크게 발산하지 않고 기동물체 추적이 가능함을 확인할 수가 있었다.
11%의 수준으로 향상되었다. 제안한 알고리즘은 오차특성의 반영으로 인해 추적성능이 심하게 저하되거나 추적이 불가능하게 되는 구간에서도 일정한 수준을 유지하였으며, 강인하고 정밀도가 향상된 추적이 가능함을 증명하였다. 본 연구를 통해 각 센서가 가지는 오차 정보까지도 측정성능 향상을 위해 사용할 수 있음을 보였으며, 또한 각 센서의 항법정보 융합 간에 오차 특성과 정도에 따라 각 센서 추정치의 반영강도를 변화시킴으로써 항법정보의 정확도 향상과 외부의 고의적인 환경변화 및 교란에도 강인한 기동물체추적 알고리즘을 제안하였다.
표 4에서 보는 바와 같이 고도값 오차에 대해서 제안알고리즘은 오차 최대값이 다른 융합 알고리즘에 비해 우수한 성능을 보였으며, 전체적인 오차의 표준편차 값이 PDA 알고리즘을 적용한 Track Fusion의 26.11% 수준이었으며, Measurement Fusion 적용 시에 비해 22.52%의 표준편차 값을 보였다.
후속연구
초기 수신오차 발생 등에 의한 부분과 INS의 누적오차 부분, 레이더에 의한 다중경로 발생부분 등에도 큰 오차를 보이지 않으며 강인하고 지속적으로 UAV 고도값에 대한 추적이 이루어지고 있음을 볼 수 있다. 230-250초 사이에 GPS 센서의 고장과 INS 센서의 누적오차가 150m 이상 발생한 지점에서 일부 오차값이 증가되었으나, 이는 본 연구에서 INS 센서 측정치 모델링 시 소규모이고 Ideg/hr 정도의 오차를 가지는 MEMS INS로 가정하였기 때문이며, 이는 좀 더 정밀도 높은 INS 센서의 사용이나, 일정 시점에서 주기적으로 INS 센서의 누적오차 부분의 보정이 이루어진다면 더욱 추적성능을 높일 수 있다.
된다. 각 센서의 칼만필터를 통해 갱신된 필터의 공분산 값을 비교하여 Sensor Probability 계산과정을 거쳐 k시간의 센서에 대한 Sensor Probability 예측치를 구하고, 오차특성을 고려하여 센서의 특성을 추가적인 정보로 하여 갱신된 Sensor Probability를 구하여 최종 상태변수를 산출하며, 이 값은 각 센서의 칼만 필터의 상태예측치로 다시 입력되는 과정을 반복함으로써 오차 특성을 고려하여 추적성능을 개선하게 된다[3丄 하지만 필터의 공분산 값을 비교하고 결합추정치를 피드백하는 알고리즘으로 인해 한 센서에서 큰 오차가 발생 시에 나쁜 성능을 보이는 센서의 오차가 다른센서의 측정성능을 저하시키는 구간이 일부 존재하였으며, Sensor Probability 반영시 센서 측정치를 실시간으로 반영하지 못한 제한점이 있다.
본 연구를 통해 각 센서가 가지는 오차 정보까지도 측정성능 향상을 위해 사용할 수 있음을 보였으며, 또한 각 센서의 항법정보 융합 간에 오차 특성과 정도에 따라 각 센서 추정치의 반영강도를 변화시킴으로써 항법정보의 정확도 향상과 외부의 고의적인 환경변화 및 교란에도 강인한 기동물체추적 알고리즘을 제안하였다. 이를 통해 미래전장 환경에서 필수적으로 요구되는 군의 UAV 및 유도미사일 등의 정확한 위치추적에 기여할 것으로 기대된다. 향후연구로는 단일센서의 필터링 부분에 적용된 칼만필터 부분을 EKF, PF, IMM 등 다양한 알고리즘을 적용하거나 비전센서 등의 다양한 다중센서의 조합을 변경하면서 추적성능을 개선하는 연구가 필요하다.
또한 레이더 칼만필터의 데이터 역시 다중경로가 발생하는 구간에서 실제 데이터와는 상당한 차이를 보이는 것을 볼 수 있다. 즉 각 센서에서 필터링을 하더라도 제대로 기동물체의 추적이 불가능하여 센서 간 융합을 통한 보완이 필요함을 알 수 있다. 반면에 제안 알고리즘을 적용한 결과 GPS 고장 및 PDOP 불량.
이를 통해 미래전장 환경에서 필수적으로 요구되는 군의 UAV 및 유도미사일 등의 정확한 위치추적에 기여할 것으로 기대된다. 향후연구로는 단일센서의 필터링 부분에 적용된 칼만필터 부분을 EKF, PF, IMM 등 다양한 알고리즘을 적용하거나 비전센서 등의 다양한 다중센서의 조합을 변경하면서 추적성능을 개선하는 연구가 필요하다.
참고문헌 (15)
INS/GPS Technology Trends, NATO RTO Report, RTO-EN-SET-064, 2004.
J.H. Kim, "A baro-altimeter augmented INS/GPS navigation system for an uninhabited aerial vehicle," The 6th International Symposium on Satellite Navigation Technology Including Mobile Positioning & Location Services, 2003.
Daehwan Hyun, Heebyung Yoon, "Robust Maneuvering Target Tracking Applying the Concept of Multiple Model Filter and the Fusion of Multi-Sensor," Journal of Intelligence and Information Systems, vol.15, no.1, pp.51-64, 2009.3.
B.W.Parkinso, J.J Spliker Jr., "Global Position System : Theory and Applications, Volume I, II," American Institute of Aeronautics and Astronautics Inc., 1996.
B. W. Parkinso, J. J Spliker Jr., "Global Position System : Theory and Applications, Volume I, II," American Institute of Aeronautics and Astronautics Inc., 1996.
Sai Kiran, Ph. D. Dissertation, "A Wideband Airport Pseudolite Architecture for the Local Area Augmentation System," Ohio University, USA, pp.23-32, 2003.
문홍기, 자이로의 군사분야 응용 및 발전전망, 물리학과 첨단기술, 제15권 1호/2호, pp.19-24, 2006.
Myung-Soo Chung, Dong-Hee Hong, Dong-Chul Park, "Target Altitude Extraction for Multibeam Surveillance radar in Multipath Environmental Condition," Journal of the Korea Electromagnetic Engineering Society, vol.18, no.10, 2007.
D.H. Titterton and J.L. Weston, "Strapdown inertial navigation technology," Peter Peregrinus Ltd. on behalf of the Institution of Electrical Engineers, 1997.
Y. Bar-Shalom and X. R. Li, "Estimation and Tracking: Principles and Techniques, and Software," Artech House, Inc,, 1993.
Y. Bar-Shalom and X. R. Li, "Multitarget-Multisensor Tracking: Principles and Techniques," YBS Publishing, 1995.
이용재, 비행시험통제용 탄도추적 자료융합 알고리듬 개발에 관한 연구, 아주대학교 박사논문, 2007.
T.L.Song, "Filtering Theory," Journal of control, automation and systems engineering, vol.9 no.6, 2003.
J.A. Hartigan, "Bayes theory," Springer Series in Statistics, 1983.
de Boor, C., "A Practical Guide to Splines," Springer-Verlag, pp.43-49, 1978.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.