초록 ▼

본 연구를 통해 해양 장비의 실해역 데이터 정합 기술에 관한 연구를 수행함. 연구목적은 총 3개로 구성되어 있음.
1) 다중 센서를 운용하는 무인잠수정을 위한 데이터 동기화 및 정합 알고리듬 개발
2) 다양한 운용환경에 적용 가능한 무인잠수정의 비선형 동적 모델링 기법 필요
3) 소나 이미지 기반 최적 표적 검출 알고리듬 개발
다중 센서를 장착하는 무인잠수정의 임무센서(외수용성 센서)의 데이터는 많은 경우 무인잠수정의 위치 및 자세와 결합되어야 수중환경에 대한 모사가 가능한 경우가 많음. 지금까지 초보적이거나

본 연구를 통해 해양 장비의 실해역 데이터 정합 기술에 관한 연구를 수행함. 연구목적은 총 3개로 구성되어 있음.
1) 다중 센서를 운용하는 무인잠수정을 위한 데이터 동기화 및 정합 알고리듬 개발
2) 다양한 운용환경에 적용 가능한 무인잠수정의 비선형 동적 모델링 기법 필요
3) 소나 이미지 기반 최적 표적 검출 알고리듬 개발
다중 센서를 장착하는 무인잠수정의 임무센서(외수용성 센서)의 데이터는 많은 경우 무인잠수정의 위치 및 자세와 결합되어야 수중환경에 대한 모사가 가능한 경우가 많음. 지금까지 초보적이거나 수동으로 해 왔던 작업을 자동화시키기 위한 기본 연구임. 또한, 무인잠수정의 입·출력 데이터를 기계학습에 적용하는 비선형 모델 식별 기법에 대한 연구를 진행함. 또한, 대표적인 외수용성 센서인 스캐닝 소나 이미지에 대하여 최적 표적 검출 알고리듬을 개발하여 한정된 이미지로부터 표적 검출성능을 향상시키고자 했음. 이를 통해 아래의 결과를 얻음.
- 수조 실험을 통한 무인잠수정을 모사한 다중 센서 데이터 취득
- 신호 유사성을 이용한 데이터의 Temporal & Spatial matching 수행
- 비선형 시스템 식별을 위한 LSTM 기반 딥러닝 응용 기법 개발
- 무인잠수정의 시험 데이터를 이용한 LSTM 심층학습 적용 비선형 동적 모델링
- 수조 실험을 통한 타겟 데이터 취득
- 4가지 CFAR알고리듬 적용 및 처리된 이미지 분석
본 결과를 이용하여, 향후 유사한 운용 체계를 갖는 다중 센서 시스템이 취득하는 데이터 처리에 활용하고 육상에 비해 고비용을 요구하는 해저 탐사 과정에서 취득한 데이터에 대하여 후가공을 통한 2차 정보 생산은 무인잠수정의 활용도를 향상시키는데 기여하고자 함.
1) 무인잠수정의 비선형 모델 정확도 향상을 통해 항법 정밀도와 제어의 효율성 향상에 기여.
2) 한정된 소나의 성능으로부터 이미지 처리를 통한 탐지 효율성 향상 효과를 도출

(출처 : 초록 3p)

Abstract ▼

Ⅳ. Result
1) Data synchronization and matching for underwater vehicles using multiple sensors.
- Multi-sensor data acquisition simulating unmanned underwater vehicle in water basin experiments
- Temporal & Spatial matching of data using signal similarity
2) Development of nonlinear syste

Ⅳ. Result
1) Data synchronization and matching for underwater vehicles using multiple sensors.
- Multi-sensor data acquisition simulating unmanned underwater vehicle in water basin experiments
- Temporal & Spatial matching of data using signal similarity
2) Development of nonlinear system identification technique for unmanned underwater vehicles using deep learning
- Development of LSTM-based deep learning process for nonlinear system identification
- Nonlinear dynamic modeling of an ROV using LSTM deep learning with experimental data in deep sea
3) Target detection algorithm for optimal target signal from sonar image data
- Obtaining sonar data of the targets in water basin experiments
- Image analysis with applications of four CFAR algorithms
- Derivation of target object design techniques that complement contrast of light intensity

(출처 : SUMMARY & KEYWORDS 6p)

목차 Contents

• 표지 ... 1
• 제 출 문 ... 2
• 보고서 초록 ... 3
• 요 약 문 ... 4
• SUMMARY & KEYWORDS ... 6
• C O N T E N T S ... 8
• 목차 ... 10
• 제 1 장 서 론 ... 12
• 1.1 연구개발의 배경 ... 12
• 1.2 연구개발의 필요성 ... 13
• 1.3 국내외 연구 동향 ... 15
• 1.4 연구 목표 및 내용 ... 17
• 제 2 장 다중 센서를 운용하는 무인잠수정을 위한 데이터 동기화 및 정합 알고리듬 개발 ... 18
• 2.1 무인잠수정 시스템 분석 ... 18
• 2.1.1 무인잠수정 시스템 구성 ... 18
• 2.1.2 다중빔 음향측심기(MBES) 데이터 처리 ... 20
• 2.1.3 초음파 카메라 및 광학 카메라 데이터 처리 ... 21
• 2.2 수조 실험 및 데이터 취득 ... 23
• 2.2.1 실험의 필요성 및 내용 ... 23
• 2.2.2 시스템 구성 ... 23
• 2.2.3 수조 실험 결과 ... 26
• 2.3 데이터 처리 및 정합 결과 ... 27
• 2.3.1 센서 데이터의 선정과 정합 ... 27
• 2.3.2 다중빔 음향측심기 데이터 정합 결과 ... 30
• 2.3.3 초음파 카메라 데이터 정합 결과 ... 35
• 2.3.4 정합 결과 고찰 ... 36
• 2.4 광류를 이용한 운동 추정 ... 37
• 제 3 장 실해역 데이터와 딥러닝을 이용한 무인잠수정의 비선형 시스템 식별 기법 개발 ... 38
• 3.1 무인잠수정의 운동 모델 ... 38
• 3.1.1 무인잠수정 운동방정식 ... 38
• 3.1.2 추진기 모델 및 선체 동유체력 모델 ... 41
• 3.2 무인잠수정의 운동 모델 식별법 ... 44
• 3.2.1 최소제곱법을 이용한 시스템 식별 ... 45
• 3.2.2 딥러닝을 이용한 동적 모델 식별 ... 48
• 3.3 심해 무인잠수정의 동적 모델 식별 사례 ... 59
• 3.3.1 심해 무인잠수정의 실해역 운항제어 데이터 ... 59
• 3.3.2 최소제곱법을 이용한 무인잠수정의 동적 계수 식별 ... 60
• 3.3.3 LSTM을 이용한 무인잠수정 동적 모델 식별 ... 60
• 3.3.4 시스템 식별 성능평가 및 고찰 ... 61
• 제 4 장 소나 이미지 기반 최적 표적 검출 알고리듬 개발 ... 66
• 4.1 표적 검출 식별절차 ... 66
• 4.1.1 IDEF0 방법론 ... 66
• 4.1.2 IDEF0 방법론을 이용한 식별절차 제안 ... 67
• 4.2 표적 검출 알고리듬 선정 ... 68
• 4.2.1 소나 이미지 획득 방안 ... 68
• 4.2.2 CFAR 알고리듬 ... 71
• 4.3 수조 실험 및 이미지 처리 ... 74
• 4.3.1 실험 개요 및 목적 ... 74
• 4.3.2 시스템 구성 및 이미지 취득 ... 74
• 4.3.3 이미지 처리 결과 및 고찰 ... 75
• 제 5 장 연구성과 및 결론 ... 80
• 5.1 연구목표 달성도 ... 80
• 5.2 성과 및 활용계획 ... 80
• 5.2.1 연구성과 ... 80
• 5.2.2 활용계획 ... 81
• 5.3 요약 및 결론 ... 82
• 참고문헌 ... 83
• 끝페이지 ... 87