[논문]순환 아키텍쳐 및 하이퍼파라미터 최적화를 이용한 데이터 기반 군사 동작 판별 알고리즘

채건주; 박재민; 박경원; 김준호

doi:10.13088/jiis.2023.29.1.107

순환 아키텍쳐 및 하이퍼파라미터 최적화를 이용한 데이터 기반 군사 동작 판별 알고리즘
A Data-driven Classifier for Motion Detection of Soldiers on the Battlefield using Recurrent Architectures and Hyperparameter Optimization 원문보기

지능정보연구 = Journal of intelligence and information systems, v.29 no.1, 2023년, pp.107 - 119

채건주 (공군사관학교 기계공학과) , 박재민 (공군사관학교 기계공학과) , 박경원 (공군사관학교 기계공학과) , 김준호 (공군사관학교 기계공학과)

초록
AI-Helper

군인의 동작 및 운동 상태를 인식하는 기술은 웨어러블 테크놀로지와 인공지능의 결합으로 최근 대두되어 병력 관리의 패러다임을 바꿀 기술로 주목받고 있다. 이때 훈련 상황에서의 평가 및 솔루션 제공, 전투 상황에서의 효율적 모니터링 기능을 의도한대로 제공하기 위해서는 상태 판별의 정확도가 매우 높은 수준으로 유지되어야만 한다. 하지만 입력 데이터가 시계열 또는 시퀀스로 주어지는 경우, 기존의 피드포워드 신경망으로는 분류 성능을 극대화하는데 한계가 발생한다. 전장에서의 군사 동작 인식을 위해 다뤄지는 인간의 행동양식 데이터(3축 가속도 및 3축 각속도)는 시의존적 특성의 분석이 요구되기 때문에, 본 논문은 순환 신경망인 LSTM(Long-short Term Memory) 네트워크를 활용하여 취득 데이터의 이동 양상 및 순서 의존성을 파악하고 여덟 가지의 대표적 군사 동작(Sitting, Standing, Walking, Running, Ascending, Descending, Low Crawl, High Crawl)을 분류하는 고성능 인공지능 모델을 제안한다. 이때, 학습 조건 및 모델 변수는 그 정확도에 결정적인 영향을 끼치지만 인간의 수동적 조정이 필요해 비용 비효율적이고 최적의 값을 보장하지 못한다. 본 논문은 기계 스스로 일반화 성능이 극대화된 조건들을 취득할 수 있도록 베이지안 최적화를 활용해 하이퍼파라미터를 최적화한다. 그 결과, 최종 아키텍쳐는 학습 가능한 파라미터의 개수가 유사한 기존의 인공 신경망과 비교해서 오차율이 62.56% 감소할 수 있었으며, 최종적으로 98.39%의 정확도로 군사 동작 인식 기능을 구현할 수 있었다.

Abstract ▼ AI-Helper

The technology that recognizes a soldier's motion and movement status has recently attracted large attention as a combination of wearable technology and artificial intelligence, which is expected to upend the paradigm of troop management. The accuracy of state determination should be maintained at a high-end level to make sure of the expected vital functions both in a training situation; an evaluation and solution provision for each individual's motion, and in a combat situation; overall enhancement in managing troops. However, when input data is given as a timer series or sequence, existing feedforward networks would show overt limitations in maximizing classification performance. Since human behavior data (3-axis accelerations and 3-axis angular velocities) handled for military motion recognition requires the process of analyzing its time-dependent characteristics, this study proposes a high-performance data-driven classifier which utilizes the long-short term memory to identify the order dependence of acquired data, learning to classify eight representative military operations (Sitting, Standing, Walking, Running, Ascending, Descending, Low Crawl, and High Crawl). Since the accuracy is highly dependent on a network's learning conditions and variables, manual adjustment may neither be cost-effective nor guarantee optimal results during learning. Therefore, in this study, we optimized hyperparameters using Bayesian optimization for maximized generalization performance. As a result, the final architecture could reduce the error rate by 62.56% compared to the existing network with a similar number of learnable parameters, with the final accuracy of 98.39% for various military operations.

주제어

표/그림 (13)

그림 <그림 1> 전체 시스템의 블록 다이어그램
그림 <그림 2> 인풋 데이터: 정규화된 x, y, z축 가속도 및 x, y, z축 각속도
그림 <그림 3> FCN을 활용한 군사 동작 인식 알고리즘
그림 <그림 4> RNN의 구조
그림 <그림 5> LSTM 셀의 구조
그림 <그림 6> 두 딥러닝 모델의 학습 결과: 손실함수(교차 엔트로피 오차)
그림 <그림 7> 두 딥러닝 모델의 학습 결과: 분류 정확도
표 <표 1> LSTM 최적화의 결과
표 <표 2> FCN 최적화의 결과
그림 <그림 8> 학습된 모델의 검증: Opt-FCN의 동작 상태 예측 결과
그림 <그림 9> 학습된 모델의 검증: Opt-LSTM의 동작 상태 예측 결과
그림 <그림 10> Opt-FCN의 분류 결과: 혼동 행렬
그림 <그림 11> Opt-LSTM의 분류 결과: 혼동 행렬

참고문헌 (15)

김유영, and 송민. "영화 리뷰 감성분석을 위한？텍스트 마이닝 기반 감성 분류기 구축." 지능정보연구 22, no. 3 (2016): 71-89.

원문보기 상세보기
안성만, 정여진, 이재준, and 양지헌. "한국어 음소단위 LSTM 언어모델을 이용한 문장 생성."？지능정보연구 23, no. 2 (2017): 71-88.

원문보기 상세보기
최지혜, 김민승, 이찬호, 최정환, 이정희, and 성태응. "Hybrid CNN-LSTM 알고리즘을 활용한 도시철도 내 피플 카운팅 연구." 지능정보연구 26, no. 2 (2020): 131-145.

원문보기 상세보기
최진탁, 강경태. (2022). 재활 로봇을 위한 심전도(ECG) 실시간 데이터 베이지안 최적화 분석 기술". 한국컴퓨터정보학회 학술발표논문집, 30(2), 53-56.
Fernandez-Lopez, P., Sanchez-Casanova, J., LiuJimenez, J., & Morcillo-Marin, C. (2017,？October). Influence of walking in groups in？gait recognition. In 2017 International Carnahan？Conference on Security Technology (ICCST)？(pp. 1-6). IEEE.
Han, Y. C., Wong, K. I., & Murray, I. (2019).？Gait phase detection for normal and abnormal？gaits using IMU. IEEE Sensors Journal, 19(9),？3439-3448.

상세보기
Muratore, F., Ramos, F., Turk, G., Yu, W., Gienger,？M., & Peters, J. (2022). Robot learning from？randomized simulations: A review. Frontiers？in Robotics and AI, 9.

상세보기
Odhiambo, C. O., Saha, S., Martin, C. K., & Valafar,？H. (2022). Human Activity Recognition on？Time Series Accelerometer Sensor Data using？LSTM Recurrent Neural Networks.
Park, S. Y., Ju, H., & Park, C. G. (2016). Stance？phase detection of multiple actions for military？drill using foot-mounted IMU. sensors, 14, 16.
Slade, P., Kochenderfer, M. J., Delp, S. L., & Collins,？S. H. (2021). Sensing leg movement enhances？wearable monitoring of energy expenditure.？Nature communications, 12(1), 1-11.

상세보기
Steel, K., Ellem, E., & Baxter, D. (2015). The？application of biological motion research:？biometrics, sport, and the military. Psychonomic bulletin & review, 22(1), 78-87.

상세보기
Tao, W., Lai, Z. H., Leu, M. C., & Yin, Z. (2018). Worker？activity recognition in smart manufacturing？using IMU and sEMG signals with convolutional？neural networks. Procedia Manufacturing, 26,？1159-1166.

상세보기
Wyss, T., & Mader, U. (2010). Recognition of？military-specific physical activities with body-fixed sensors. Military medicine, 175(11), 858-864.

상세보기
Yu, Y., Si, X., Hu, C., & Zhang, J. (2019). A？review of recurrent neural networks: LSTM cells？and network architectures. Neural computation,？31(7), 1235-1270.

상세보기
Zhuang, W., Chen, Y., Su, J., Wang, B., & Gao, C.？(2019). Design of human activity recognition？algorithms based on a single wearable IMU？sensor. International Journal of Sensor Networks,？30(3), 193-206.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증