KR102170632B1 - 군집 시스템에서 실시간 이상 탐지 방법 및 장치 - Google Patents
군집 시스템에서 실시간 이상 탐지 방법 및 장치 Download PDFInfo
- Publication number
- KR102170632B1 KR102170632B1 KR1020190159354A KR20190159354A KR102170632B1 KR 102170632 B1 KR102170632 B1 KR 102170632B1 KR 1020190159354 A KR1020190159354 A KR 1020190159354A KR 20190159354 A KR20190159354 A KR 20190159354A KR 102170632 B1 KR102170632 B1 KR 102170632B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- training
- learning model
- moving objects
- reference position
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002547 anomalous effect Effects 0.000 title 1
- 238000012549 training Methods 0.000 claims abstract description 165
- 230000005856 abnormality Effects 0.000 claims abstract description 91
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims description 28
- 230000009467 reduction Effects 0.000 claims description 28
- 238000000513 principal component analysis Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000013473 artificial intelligence Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 239000000284 extract Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000003064 k means clustering Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000001747 exhibiting effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 206010000117 Abnormal behaviour Diseases 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G06K9/6223—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
다양한 실시예들에 따라서 군집 시스템의 이상 탐지 방법이 제공된다. 군집 시스템의 이상탐지 방법은 컴퓨팅 장치에 의해 수행되며, 지도 학습 모델을 생성하고, 상기 지도 학습 모델을 트레이닝하는 단계, 미리 설정된 시나리오에 따라 군집하여 이동하는 복수의 이동체로부터 복수의 이동 데이터를 실시간으로 수신하는 단계, 상기 미리 설정된 시나리오에 따른 상기 복수의 이동체 각각의 기준 위치 데이터를 생성하는 단계, 상기 복수의 이동 데이터 및 상기 기준 위치 데이터에 기초하여 상기 복수의 이동체에 각각 대응하는 복수의 입력 데이터를 생성하는 단계, 및 상기 복수의 입력 데이터를 상기 지도 학습 모델에 입력하여, 상기 복수의 이동체 각각의 이상 여부를 실시간으로 추정하는 단계를 포함한다.
Description
본 발명은 군집 시스템에서 실시간 이상 탐지 방법 및 장치에 관한 것으로서, 더욱 자세하게는 복수의 이동체가 군집하여 동작하는 군집 시스템에서 어떤 이동체에 이상이 발생하였는지를 실시간으로 탐지하는 방법, 컴퓨터 프로그램, 및 장치에 관한 것이다.
최근 드론에 대한 관심 증가로 다양한 분야에서 드론 기술을 활용하고 있다. 그 중 군집 비행 기술은 문화 산업과 접목되어 드론들을 활용한 다양한 공연을 수행하고 있다. 도 1은 지난 3월 1일 독립기념관 겨례의집 앞에서 선보인 군집 비행하는 드론을 이용하여 태극기의 모습을 연출한 장면을 도시한다. 드론들을 군집 비행시켜서 도 1에 도시된 바와 같이 연출시키기 위해서는 서로 간의 충돌을 피하기 위한 정밀한 위치인식이 필요하다. 이와 함께 정밀한 제어 기법과 다수의 드론과 끊임없는 실시간 통신 기술도 요구된다.
군집 시스템을 구성하는 복수의 이동체 중에서 어느 하나의 이동체에 고장이나 이상이 발생할 경우, 정지해 있지 않고 이동(특히 비행)하고 있기 때문에 더 큰 피해가 발생한다. 게다가, 군집하여 이동하는 다른 이동체와 충돌하는 등, 다른 이동체에 영향을 줄 수 있기 때문에, 1차 피해보다도 큰 2차 피해가 발생할 수 있다. 따라서, 어느 하나의 이동체에 고장이나 이상이 발생한 경우, 이를 신속하게 파악하는 것이 중요하다.
종래에는 군집 시스템을 구성하는 복수의 이동체 중에서 어느 하나의 이동체에 발생한 이상을 실시간으로 파악하는 방법은 직접 육안으로 확인하는 방법뿐이었다. 각 이동체로부터의 신호를 이용하여 이상 발생 유무를 확인하는 방법도 있지만, 이동체의 개수가 많아지면 이를 실시간으로 확인하는 것은 거의 불가능하다.
본 발명이 해결하고자 하는 과제는 군집 시스템을 구성하는 복수의 이동체 중에서 어떤 이동체에 이상이 발생하였는지를 실시간으로 탐지하는 장치, 방법 및 컴퓨터 프로그램을 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 군집 시스템을 구성하는 복수의 이동체 중에서 어떤 이동체에 이상이 발생하였는지를 실시간으로 탐지하기 위해 인공지능 신경망 기반의 학습 모델을 트레이닝하는 장치 및 방법을 제공하는 것이다.
상술한 기술적 과제들을 달성하기 위한 기술적 수단으로서, 본 발명의 일 측면에 따른 컴퓨팅 장치에 의해 수행되는 군집 시스템의 이상 탐지 방법은 지도 학습 모델을 생성하고, 상기 지도 학습 모델을 트레이닝하는 단계, 미리 설정된 시나리오에 따라 군집하여 이동하는 복수의 이동체로부터 복수의 이동 데이터를 실시간으로 수신하는 단계, 상기 미리 설정된 시나리오에 따른 상기 복수의 이동체 각각의 기준 위치 데이터를 생성하는 단계, 상기 복수의 이동 데이터 및 상기 기준 위치 데이터에 기초하여 상기 복수의 이동체에 각각 대응하는 복수의 입력 데이터를 생성하는 단계, 및 상기 복수의 입력 데이터를 상기 지도 학습 모델에 입력하여, 상기 복수의 이동체 각각의 이상 여부를 실시간으로 추정하는 단계를 포함한다.
일 예에 따르면, 상기 복수의 이동체는 상기 미리 설정된 시나리오에 따라 군집 비행하는 무인 비행체들일 수 있다.
다른 예에 따르면, 상기 복수의 이동 데이터는 상기 복수의 이동체 각각의 위치를 측정한 측위 데이터를 포함할 수 있다. 상기 복수의 입력 데이터는 상기 측위 데이터와 상기 기준 위치 데이터 간의 차이를 나타내는 편차 데이터를 포함할 수 있다.
또 다른 예에 따르면, 상기 복수의 이동 데이터와 상기 복수의 입력 데이터는 상기 복수의 이동체 각각의 속도를 측정한 속도 데이터를 더 포함할 수 있다.
또 다른 예에 따르면, 상기 복수의 이동 데이터 및 상기 기준 위치 데이터는 생성 시간이 타임스탬핑될 수 있다. 미리 설정된 시간 동안 수신되는 상기 복수의 입력 데이터가 상기 지도 학습 모델에 입력될 수 있다.
또 다른 예에 따르면, 상기 지도 학습 모델을 트레이닝하는 단계는 군집하여 이동하는 복수의 이동체로부터 복수의 이동 데이터를 수집하는 단계, 상기 복수의 이동 데이터에 기초하여 복수의 트레이닝 데이터를 생성하는 단계, 상기 복수의 트레이닝 데이터에 이상 정보를 라벨링하는 단계, 및 상기 이상 정보가 라벨링된 상기 복수의 트레이닝 데이터를 이용하여 상기 지도 학습 모델을 트레이닝시키는 단계를 포함할 수 있다.
또 다른 예에 따르면, 상기 라벨링하는 단계는 비지도 학습 모델을 생성하는 단계, 상기 복수의 트레이닝 데이터를 상기 비지도 학습 모델에 입력하여 소정의 개수의 그룹들로 그룹핑하는 단계, 및 상기 소정 개수의 그룹들으로 그룹핑된 상기 복수의 트레이닝 데이터에 기초하여 상기 복수의 트레이닝 데이터 각각에 상기 이상 정보를 라벨링하는 단계를 포함할 수 있다.
또 다른 예에 따르면, 상기 라벨링하는 단계는 상기 복수의 트레이닝 데이터에 대하여 주성분 분석(PCA, Principal component analysis)을 수행하여, 상기 복수의 트레이닝 데이터의 차원을 축소하여 복수의 차원 축소 데이터를 생성하는 단계, 상기 복수의 차원 축소 데이터에 대하여 k-평균 클러스터링(k-means Clustering)을 수행하여, 상기 차원 축소 데이터를 k개의 그룹으로 그룹핑하는 단계, 및 상기 그룹핑의 결과에 기초하여 상기 복수의 트레이닝 데이터 각각에 상기 이상 정보를 라벨링하는 단계를 포함할 수 있다.
또 다른 예에 따르면, 상기 복수의 차원 축소 데이터는 상기 주성분 분석에 의해 상기 복수의 트레이닝 데이터가 6차원에서 2차원으로 축소된 데이터일 수 있다.
또 다른 예에 따르면, 상기 복수의 트레이닝 데이터 각각의 데이터 값들이 상기 k개의 그룹로 분류되는 비율에 기초하여 상기 복수의 트레이닝 데이터 각각의 상기 이상 정보가 결정될 수 있다.
본 발명의 다른 측면에 따른 컴퓨팅 장치에 의해 수행되는 군집 시스템의 이상 탐지를 위한 학습 모델의 트레이닝 방법은 인공지능 신경망을 이용하여 지도 학습 모델을 생성하는 단계, 미리 설정된 시나리오에 따라 군집하여 이동하는 복수의 이동체로부터 복수의 이동 데이터를 수집하는 단계, 상기 미리 설정된 시나리오에 따른 상기 복수의 이동체 각각의 기준 위치 데이터를 생성하는 단계, 상기 복수의 이동 데이터 및 상기 기준 위치 데이터에 기초하여 상기 복수의 이동체에 각각 대응하는 복수의 트레이닝 데이터를 생성하는 단계, 상기 복수의 트레이닝 데이터에 이상 정보를 라벨링하는 단계, 및 상기 이상 정보가 라벨링된 상기 복수의 트레이닝 데이터를 이용하여 상기 지도 학습 모델을 트레이닝하는 단계를 포함한다.
본 발명의 또 다른 측면에 따르면 컴퓨팅 장치를 이용하여 전술한 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 발명의 또 다른 측면에 따른 군집 시스템의 이상 탐지 장치는 미리 트레이닝된 지도 학습 모델, 미리 설정된 시나리오에 따라 군집하여 이동하는 복수의 이동체로부터 실시간으로 수신되는 복수의 이동 데이터, 및 상기 미리 설정된 시나리오에 따라 결정되는 상기 복수의 이동체 각각의 기준 위치 데이터를 저장하는 메모리, 및 상기 복수의 이동 데이터 및 상기 기준 위치 데이터에 기초하여 상기 복수의 이동체에 각각 대응하는 복수의 입력 데이터를 생성하고, 상기 복수의 입력 데이터를 상기 지도 학습 모델에 입력하여, 상기 복수의 이동체 각각의 이상 여부를 실시간으로 추정하도록 구성되는 적어도 하나의 프로세서를 포함한다.
일 예에 따르면, 상기 복수의 이동체는 상기 미리 설정된 시나리오에 따라 군집 비행하는 무인 비행체들일 수 있다.
다른 예에 다르면, 상기 복수의 이동 데이터는 상기 복수의 이동체 각각의 위치를 측정한 측위 데이터, 및 상기 복수의 이동체 각각의 속도를 측정한 속도 데이터를 포함할 수 있다. 상기 복수의 입력 데이터는 상기 측위 데이터와 상기 기준 위치 데이터 간의 차이를 나타내는 편차 데이터, 및 상기 속도 데이터를 포함할 수 있다.
본 발명의 또 다른 측면에 따른 군집 시스템의 이상 탐지를 위한 학습 모델의 트레이닝 장치는 인공지능 신경망을 이용하여 생성된 지도 학습 모델, 및 미리 설정된 시나리오에 따라 군집하여 이동하는 복수의 이동체로부터 수집된 복수의 이동 데이터, 및 상기 미리 설정된 시나리오에 따라 생성된 상기 복수의 이동체 각각의 기준 위치 데이터를 저장하는 메모리, 및 상기 복수의 이동 데이터 및 상기 기준 위치 데이터에 기초하여 상기 복수의 이동체에 각각 대응하는 복수의 트레이닝 데이터를 생성하고, 상기 복수의 트레이닝 데이터에 이상 정보를 라벨링하고, 상기 이상 정보가 라벨링된 상기 복수의 트레이닝 데이터를 이용하여 상기 지도 학습 모델을 트레이닝하도록 구성되는 적어도 하나의 프로세서를 포함한다.
일 예에 따르면, 상기 적어도 하나의 프로세서는 비지도 학습 모델을 생성하고, 상기 복수의 트레이닝 데이터를 상기 비지도 학습 모델에 입력하여 소정의 개수의 그룹들로 그룹핑하고, 상기 소정 개수의 그룹들으로 그룹핑된 상기 복수의 트레이닝 데이터에 기초하여 상기 복수의 트레이닝 데이터 각각에 상기 이상 정보를 라벨링하도록 구성될 수 있다.
다른 예에 따르면, 상기 적어도 하나의 프로세서는 상기 복수의 트레이닝 데이터에 대하여 주성분 분석(PCA, Principal component analysis)을 수행하여, 상기 복수의 트레이닝 데이터의 차원을 축소하여 복수의 차원 축소 데이터를 생성하고, 상기 복수의 차원 축소 데이터에 대하여 k-평균 클러스터링(k-means Clustering)을 수행하여, 상기 차원 축소 데이터를 k개의 그룹으로 그룹핑하고, 상기 그룹핑의 결과에 기초하여 상기 복수의 트레이닝 데이터 각각에 상기 이상 정보를 라벨링하도록 구성될 수 있다.
또 다른 예에 따르면, 상기 복수의 차원 축소 데이터는 상기 주성분 분석에 의해 상기 복수의 트레이닝 데이터가 6차원에서 2차원으로 축소된 데이터일 수 있다.
또 다른 예에 따르면, 상기 복수의 트레이닝 데이터 각각의 데이터 값들이 상기 k개의 그룹로 분류되는 비율에 기초하여 상기 복수의 트레이닝 데이터 각각의 상기 이상 정보가 결정될 수 있다.
본 발명에 따르면, 군집 시스템을 구성하는 복수의 이동체 중에서 이상이 발생한 이동체를 실시간으로 탐지할 수 있기 때문에 1차 피해를 최소화할 수 있다. 또한, 이상이 발생한 이동체에 대하여 적절한 컨틴전시 플랜(contingency plan)을 실행함으로써 2차 피해를 방지하고 전체적인 성능 저하를 최소화할 수 있다. 따라서, 군집 시스템의 전체적인 동작 신뢰성이 개선될 수 있다.
도 1은 군집 비행하는 드론을 이용한 공연의 장면을 도시한다.
도 2는 일 실시예에 따른 군집 시스템을 도시한다.
도 3은 일 실시예에 따른 군집 시스템의 이상 탐지 장치를 개략적으로 도시한다.
도 4는 일 실시예에 따른 이상 탐지 장치의 내부 구성을 개략적으로 도시한다.
도 5는 일부 실시예들에 따른 제어부의 예시적인 블록도이다.
도 6은 일부 실시예에 따른 데이터 학습부의 블록도이다.
도 7은 일부 실시예에 따른 데이터 인식부의 블록도이다.
도 8은 일 실시예에 따라서 이상 탐지 장치가 군집 비행하는 비행체들에서 이상 동작을 나타내는 비행체를 실시간으로 탐지하는 방법을 설명하기 위한 도면을 도시한다.
도 9는 일 실시예에 따라서 이상 탐지 장치가 군집 비행하는 비행체들에서 이상 동작을 나타내는 비행체를 실시간으로 탐지하기 위해 지도 학습 모델을 트레이닝하는 방법을 설명하기 위한 도면을 도시한다.
도 10는 일 실시예에 따라서 트레이닝 데이터들에 대하여 주성분 분석을 수행한 결과를 2차원 그래프에 표시한 도면을 도시한다.
도 11은 일 실시예에 따르서 트레이닝 데이터들을 주성분 분석한 결과에 대하여 클러스터링한 결과를 표시한 도면을 도시한다.
도 12는 일 실시예에 따른 지도 학습 모델을 구현하는 신경망의 구조를 도시한다.
도 13은 일 실시예에 따라서 지도 학습 모듈의 도 11의 제70 비행체(x70)에 대응한 출력으로서, 제70 비행체의 정상 확률을 도시한다.
도 14는 일 실시예에 따라서 지도 학습 모듈의 도 11의 일부 비행체들(x52, x59, x62, x68, x70)에 대응한 출력을 후처리한 결과를 도시한다.
도 15는 일 실시예에 따라서 이상 동작하는 것으로 결정한 제70 비행체의 비행 데이터를 도시한다.
도 2는 일 실시예에 따른 군집 시스템을 도시한다.
도 3은 일 실시예에 따른 군집 시스템의 이상 탐지 장치를 개략적으로 도시한다.
도 4는 일 실시예에 따른 이상 탐지 장치의 내부 구성을 개략적으로 도시한다.
도 5는 일부 실시예들에 따른 제어부의 예시적인 블록도이다.
도 6은 일부 실시예에 따른 데이터 학습부의 블록도이다.
도 7은 일부 실시예에 따른 데이터 인식부의 블록도이다.
도 8은 일 실시예에 따라서 이상 탐지 장치가 군집 비행하는 비행체들에서 이상 동작을 나타내는 비행체를 실시간으로 탐지하는 방법을 설명하기 위한 도면을 도시한다.
도 9는 일 실시예에 따라서 이상 탐지 장치가 군집 비행하는 비행체들에서 이상 동작을 나타내는 비행체를 실시간으로 탐지하기 위해 지도 학습 모델을 트레이닝하는 방법을 설명하기 위한 도면을 도시한다.
도 10는 일 실시예에 따라서 트레이닝 데이터들에 대하여 주성분 분석을 수행한 결과를 2차원 그래프에 표시한 도면을 도시한다.
도 11은 일 실시예에 따르서 트레이닝 데이터들을 주성분 분석한 결과에 대하여 클러스터링한 결과를 표시한 도면을 도시한다.
도 12는 일 실시예에 따른 지도 학습 모델을 구현하는 신경망의 구조를 도시한다.
도 13은 일 실시예에 따라서 지도 학습 모듈의 도 11의 제70 비행체(x70)에 대응한 출력으로서, 제70 비행체의 정상 확률을 도시한다.
도 14는 일 실시예에 따라서 지도 학습 모듈의 도 11의 일부 비행체들(x52, x59, x62, x68, x70)에 대응한 출력을 후처리한 결과를 도시한다.
도 15는 일 실시예에 따라서 이상 동작하는 것으로 결정한 제70 비행체의 비행 데이터를 도시한다.
아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 다양한 실시예들을 상세히 설명한다. 그러나 본 개시의 기술적 사상은 다양한 형태로 변형되어 구현될 수 있으므로 본 명세서에서 설명하는 실시예들로 제한되지 않는다. 본 명세서에 개시된 실시예들을 설명함에 있어서 관련된 공지 기술을 구체적으로 설명하는 것이 본 개시의 기술적 사상의 요지를 흐릴 수 있다고 판단되는 경우 그 공지 기술에 대한 구체적인 설명을 생략한다. 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
본 명세서에서 어떤 요소가 다른 요소와 "연결"되어 있다고 기술될 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라 그 중간에 다른 요소를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 어떤 요소가 다른 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 요소 외에 또 다른 요소를 배제하는 것이 아니라 또 다른 요소를 더 포함할 수 있는 것을 의미한다.
일부 실시예들은 기능적인 블록 구성들 및 다양한 처리 단계들로 설명될 수 있다. 이러한 기능 블록들의 일부 또는 전부는 특정 기능을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 본 개시의 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 본 개시의 기능 블록이 수행하는 기능은 복수의 기능 블록에 의해 수행되거나, 본 개시에서 복수의 기능 블록이 수행하는 기능들은 하나의 기능 블록에 의해 수행될 수도 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다.
도 2는 일 실시예에 따른 군집 시스템을 도시한다.
도 2를 참조하면, 일 실시예에 따른 군집 시스템은 복수의 무인 비행체(30)와 이들을 제어하기 위한 제어 장치(20)를 포함한다. 사용자(10)는 제어 장치(20)에 비행체들(30)이 비행할 시나리오를 제공할 수 있다. 무인 비행체(30)는 드론으로 지칭될 수 있다. 비행체들(30)의 개수는 수백 내지 수천 개에 이를 수 있다. 본 명세서에서 비행체들(30)의 개수는 n으로 표시한다. 본 명세서의 일부 실시예들에서 n은 100일 수 있다. 비행체들(30)의 개수는 본 발명을 한정하지 않는다.
시나리오는 시간의 흐름에 따라 비행체들(30)이 어떻게 이동하여 어떻게 배치될 것인지에 대한 정보를 포함한다. 시나리오는 사용자(10)에 의해 미리 정해지며, 비행체들(30) 각각이 어떻게 이동, 비행, 위치할 것인지에 대한 정보를 포함한다. 또한, 시나리오는 비행체들(30)의 조명 색상에 관한 정보를 포함할 수 있다.
예를 들면, 도 1에 도시된 바와 같이 비행체들(30)은 시나리오에 따라 태극기 모양을 연출할 수 있도록 배치되고, 태극기 색상을 표현하도록 알맞는 색상의 조명을 방출할 수 있다.
제어 장치(20)는 수신된 시나리오에 따라 비행체들(30)을 제어할 수 있다. 제어 장치(20)는 수신된 시나리오에 따라 제어 명령을 비행체들(30)에게 송신할 수 있다. 제어 명령은 예를 들면 2.5Ghz의 와이파이 신호로 전달될 수 있다. 다른 예에 따르면, 시나리오는 비행체들(30)에 전송될 수 있으며, 비행체들(30)은 시나리오를 저장하고 저장된 시나리오에 따라 비행할 수도 있다.
비행체들(30)은 예컨대, GPS 위성(40)의 신호에 기반하여 자신의 위치를 감지할 수 있다. 그러나, GPS 기반의 위치 정보는 수 m의 오차를 갖기 때문에 시나리오에 따라 정확히 비행하는지를 판단하기에는 턱없이 부족하다. 게다가, GSS 오차로 인하여 군집하여 비행하는 비행체들(30)은 서로 충돌 확률이 높아지기 때문에 심각한 문제를 초래할 수 있다.
비행체들(30)이 시나리오에 따라 비행하기 위해서는 비행체들(30)의 위치를 정확히 감지하는 것이 중요하다. 일 실시예에 따르면, 비행체들(30)의 위치를 정확히 감지하기 위하여 RTK-GPS(Real Time Kinematic-GPS) 기술이 적용될 수 있다.
RTK 기지국(50)은 스스로의 지구 상 위치를 정확히 알고 있으며, GPS 위성(40)으로부터의 신호에 기초하여 감지한 위치와 실제 위치 간의 오차를 보정하기 위한 RTK 보정 정보를 생성하고, RTK 보정 데이터를 비행체들(30)에게 제공할 수 있다. RTK 보정 데이터는 예컨대 2.4GHz의 지그비 신호로 전달될 수 있다. 비행체들(30)은 RTK 보정 데이터를 수신하고, 이를 이용하여 GPS 위성(40)으로부터의 신호를 보정함으로써, 수 cm 이하의 오차로 자신의 위치를 감지할 수 있다.
비행체(30)는 RTK 보정 데이터를 이용하여 자신의 위치를 감지하고, 위치 정보를 포함하는 비행 데이터를 제어 장치(20)에 제공할 수 있다. 비행 데이터에는 비행체(30)의 위치 정보, 속도 정보, 센서 정보, 상태 정보 등이 포함될 수 있다. 센서 정보에는 비행체(30)에 장착된 관성 센서들의 센싱값들이 포함될 수 있다. 상태 정보에는 비행체(30)의 상태, 예컨대, 바인딩 상태, 아밍 상태, 비행 상태 등이 포함될 수 있다.
본 발명에 따르면 제어 장치(20)는 비행체들(30) 각각으로부터 수신되는 비행 데이터에 기초하여 비행체들(30) 각각에 이상이 발생하였는지를 탐지할 수 있다. 다른 예에 따르면, 제어 장치(20)에 네트워크로 연결되는 컴퓨팅 장치는 비행체들(30) 각각의 비행 데이터를 수신하여, 어떤 비행체(30)에서 이상이 발생하였는지를 탐지할 수 있다.
본 명세서에서는 군집하여 비행하는 무인 비행체들(30)에서 이상이 발생한 비행체(30)를 탐지하는 실시예를 중심으로 설명한다. 하지만, 본 발명은 이에 한정되지 않으며, 미리 정해진 시나리오에 따라 이동하는 이동체들(30)에 대해서도 동일한 발명 사상이 적용될 수 있다. 비행체(30)은 이동체로 지칭될 수 있으며, 비행체(30)의 비행 데이터는 이동체의 이동 데이터로 지칭될 수 있다.
도 3은 일 실시예에 따른 군집 시스템의 이상 탐지 장치를 개략적으로 도시한다.
도 3을 참조하면, 이상 탐지 장치(100)는 비행 데이터(200)를 입력받아 비행체 이상 정보(300)를 출력할 수 있다.
이상 탐지 장치(100)는 도 2의 제어 장치(20)의 일부일 수도 있고, 제어 장치(20)와 네트워크를 통해 통신 가능하게 연결될 수 있다. 이상 탐지 장치(100)는 비행체(30)로부터 비행 데이터(200)를 직접 수신하거나, 네트워크를 통해 연결된 제어 장치(20)를 통해 수신할 수 있다.
네트워크는 유선 네트워크 및/또는 무선 네트워크를 포함할 수 있다. 예를 들면, 네트워크는 근거리 네트워크(LAN: Local Area Network), 도시권 네트워크(MAN: Metropolitan Area Network), 광역 네트워크(WAN: Wide Area Network) 등과 같은 다양한 네트워크를 포함할 수 있다. 네트워크는 월드 와이드 웹(WWW: World Wide Web)을 포함할 수 있다.
네트워크는 공지의 이동 통신 네트워크, 공지의 무선 데이터 네트워크, 공지의 전화 네트워크, 공지의 유/무선 텔레비전 네트워크 중 적어도 하나를 포함할 수 있다. 네트워크는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있다.
전술한 바와 같이, 도 2의 군집 시스템에서는 비행체(30)에서 생성된 비행 데이터(200)를 수신하지만, 무인 자동차와 같은 이동체에서는 이동 데이터를 수신할 수도 있다. 비행 데이터(200)는 이동 데이터에 포함된다.
비행 데이터(200)는 비행체들(30)에서 각각 생성된 비행 데이터들을 포함한다. 예를 들면, 비행 데이터(200)는 제1 비행체의 제1 비행 데이터 내지 제n 비행체의 제n 비행 데이터를 포함할 수 있다.
비행 데이터(200)는 시계열 데이터이다. 비행 데이터(200)에는 생성 시간, 수신 시간, 또는 측정 시간이 타임 스탬핑되어 있을 수 있다. 예를 들면, 비행 데이터(200)는 생성 시간, 수신 시간, 또는 측정 시간을 포함할 수 있다.
비행 데이터(200)는 미리 설정된 기간 동안의 시계열 데이터일 수 있다. 예를 들면, 비행 데이터(200)는 1초에 10번 샘플링된 데이터로서, 16초 간의 데이터일 수 있다. 이 경우, 비행 데이터(200)는 각 파라미터에 대하여 160개의 데이터 값을 포함할 수 있다.
예를 들어, 비행 데이터(200)가 제1 내지 제n 비행 데이터를 포함하고, 각각의 비행 데이터는 6개의 파라미터를 포함하고, 각 파라미터에 대하여 160의 데이터 값을 포함할 수 있다. 그러나, 이 수치는 본 발명을 한정하지 않는다.
비행 데이터(200)는 비행체(30)의 위치 정보 및 속도 정보를 포함할 수 있다. 정확한 위치 정보를 위하여 비행체(30)는 RTK 기지국(50)으로부터 수신된 RTK 보정 데이터를 이용할 수 있다.
비행체(30)의 위치 정보는 비행체(30)의 GPS 좌표 및 고도 정보를 포함할 수 있다. 비행체(30)의 위치 정보는 x축, y축, z축 위치를 포함할 수 있다.
비행체(30)의 속도 정보는 비행체(30)의 x축 속도, y축 속도, 및 z축 속도 정보를 포함할 수 있다. 비행체(30)의 속도 정보는 비행체(30)의 GPS 위치 정보를 기초로 생성된 것일 수도 있고, 비행체(30)에 탑재된 관성 센서 및 중력 센서의 센서 값들을 이용하여 생성된 것일 수도 있다.
비행체 이상 정보(300)는 비행체들(30) 각각이 정상 상태인지 아니면 이상 상태인지의 여부에 관한 정보일 수 있다. 비행체 이상 정보(300)는 비행체들(30) 각각이 정상 상태일 확률 또는 이상 상태일 확률로 나타낼 수 있다. 비행체 이상 정보(300)는 비행체들(30) 중에서 이상 상태인 특정 비행체를 식별한 정보일 수도 있다. 비행체들(30) 각각의 이상 상태일 확률이 소정의 기준치를 초과하는 경우 이상 상태로 결정할 수있으며, 비행체 이상 정보(300)는 이상 상태로 결정된 비행체의 식별 번호를 포함할 수 있다.
본 명세서에서 비행체가 이상 상태라 함은 비행체가 이상 동작을 보이는 것을 의미한다. 비행체가 이상 동작을 보이는 이유에는 다양한 원인이 있을 수 있으며, 예컨대, 비행체에 고장이 발생하였다거나, 비행체와의 통신 이상이 발생하였다거나, 특정 비행체를 제어하는데 문제가 발생하는 등의 원인이 있을 수 있다.
아래에서는 비행체들(30)의 비행 데이터(200)로부터 비행체 이상 정보(300)를 생성하는 이상 탐지 장치(100)에 대하여 더욱 자세히 설명한다.
도 4는 일 실시예에 따른 이상 탐지 장치의 내부 구성을 개략적으로 도시한다.
도 4를 참조하면, 이상 탐지 장치(100)는 제어부(110), 메모리(120), 데이터베이스(DB, 130), 및 통신모듈(140)을 포함할 수 있다. 제어부(110), 메모리(120), DB(130) 및 통신모듈(140)은 버스를 통해 서로 데이터를 교환할 수 있다.
그러나, 도 4에 도시된 구성 요소 모두가 이상 탐지 장치(100)의 필수 구성 요소인 것은 아니다. 도 4에 도시된 구성 요소보다 많은 구성 요소에 의해 이상 탐지 장치(100)가 구현될 수도 있고, 도 4에 도시된 구성 요소보다 적은 구성 요소에 의해 이상 탐지 장치(100)가 구현될 수도 있다.
일 실시예에 따른 이상 탐지 장치(100)는 제어부(110), 메모리(120), DB(130) 및 통신모듈(140) 외에, 입출력 장치, 저장 장치 등을 더 포함할 수 있다.
제어부(110)는 통상적으로 이상 탐지 장치(100)의 전반적인 동작을 제어한다. 제어부(110)는 기본적인 산술, 로직 및 입출력 연산을 수행하고, 예컨대 메모리(120)에 저장된 프로그램 코드, 예컨대, 인공지능 신경망 기반의 학습 모델을 실행할 수 있다. 제어부(110)는 프로세서로 지칭될 수 있다.
메모리(120)는 프로세서(110)가 판독할 수 있는 기록 매체로서, RAM, ROM 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 메모리(120)에는 운영체제와 적어도 하나의 프로그램 또는 어플리케이션 코드가 저장될 수 있다. 메모리(120)에는 군집 비행하는 비행체들의 실시간 비행 데이터들로부터 비행체의 이상 여부를 탐지하기 위한 인공지능 신경망 기반의 학습 모델을 기계 학습하기 위한 프로그램 코드, 이러한 학습 모델을 이용하여 비행체 이상 정보를 생성하기 위한 프로그램 코드 등이 저장될 수 있다. 또한, 메모리(120)에는 인공지능 신경망 기반의 비지도 학습 모델을 이용하여 트레이닝 비행 데이터에 이상 여부를 라벨링하기 위한 프로그램 코드 등이 저장될 수 있다.
DB(130)는 프로세서(110)가 판독할 수 있는 기록 매체로서, 디스크 드라이브와 같은 비소멸성 대용량 기록장치를 포함할 수 있다. DB(130)는 학습 모델, 및 학습 모델의 트레이닝에 사용되는 트레이닝 데이터를 저장할 수 있다.
DB(130)에는 군집 비행하는 비행체들로부터 수신되는 비행 데이터들이 저장될 수 있다. DB(130)에 저장된 비행 데이터들은 비행체들로부터 실시간으로 수신되는 데이터가 아니라, 예전에 수집되었던 데이터들일 수 있다.
본 명세서에서 과거에 수집되었던 비행 데이터들은 학습 모델을 트레이닝하거나 학습 모델을 평가하는데 사용될 수 있으며, 트레이닝 비행 데이터 또는 평가 비행 데이터로 지칭한다. 실시간으로 수신되는 비행 데이터들은 트레이닝된 학습 모델에 입력되어 비행체의 이상 여부를 추정하는데 사용되며, 실시간 비행 데이터 또는 입력 데이터로 지칭한다.
DB(130)에는 비행체들로부터 수신된 비행 데이터들이 가공 없이 그대로 저장될 수 있고, 학습 모델을 트레이닝하기에 적합한 형태로 가공된 형태로 저장될 수도 있다. 예를 들면, DB(130)에는 비행체들로부터 수신된 비행 데이터들 중 일부만이 저장될 수 있으며, 일부의 데이터도 변형되어 저장될 수 있다.
DB(130)에는 비행체들의 군집 비행할 시나리오가 저장될 수 있다. 시나리오는 사용자(도 2의 10)에 의해 작성된 것일 수 있다. DB(130)에는 비행체들이 군집 비행했던 시나리오도 저장될 수 있다.
통신 모듈(140)은 네트워크에 접속하기 위한 모듈로서, 비행체(도 2의 30)에 제어 명령을 송신하고, 비행체(30)로부터 비행 데이터를 수신할 수 있다. 다른 예에 따르면, 통신 모듈(140)은 제어 장치(도 2의 20)로부터 비행 데이터를 수신할 수 있으며, 제어 장치(20)에 이상이 발생한 비행체의 식별 번호를 송신할 수도 있다.
제어부(110)는 실시간 비행 데이터를 미리 트레이닝된 지도 학습 모델에 입력하여 비행체 각각의 이상 여부를 실시간으로 추정할 수 있다. 제어부(110)는 트레이닝 비행 데이터를 비지도 학습 모델에 입력하여 분류하고, 분류된 트레이닝 비행 데이터를 이용하여 이상 여부를 트레이닝 비행 데이터에 라벨링하고, 이상 여부가 라벨링된 트레이닝 비행 데이터를 이용하여 지도 학습 모델을 트레이닝 시킴으로써, 인공지능 신경망 기반의 지도 학습 모델을 생성할 수 있다.
제어부(110)에 대하여 도 5를 참조로 더욱 자세히 설명한다.
도 5는 일부 실시예들에 따른 제어부의 예시적인 블록도이다.
도 5를 참조하면, 제어부(110)는 데이터 학습부(111) 및 데이터 인식부(112)를 포함할 수 있다. 일 실시예에 따르면, 제어부(110)는 지도 학습 모델(113)을 포함할 수 있다. 다른 실시예에 따르면, 제어부(110)는 비지도 학습 모델(114)을 더 포함할 수 있다.
데이터 학습부(111)는 실시간 비행 데이터에 기초하여 비행체 각각의 이상 여부를 실시간으로 추정하기 위한 기준을 학습할 수 있다. 데이터 학습부(111)는 실시간 비행 데이터에 기초하여 비행체 각각의 이상 여부를 실시간으로 추정하기 위하여 어떤 데이터를 이용할 지에 관한 기준을 학습할 수 있다.
데이터 학습부(111)는 비행체의 이상 여부가 라벨링된 트레이닝 비행 데이터를 이용하여 지도 학습 모델(113)을 트레이닝 시킬 수 있다. 데이터 학습부(111)는 비행체의 이상 여부가 라벨링된 트레이닝 비행 데이터를 이용하여 지도 학습 모델(113)을 기계 학습시킴으로써, 지도 학습 모델(113)에 입력되는 실시간 비행 데이터를 기초로 비행체 각각의 이상 여부를 추정하기 위한 기준을 학습할 수 있다.
일 실시예에 따르면, 데이터 학습부(111)는 DB(130)에 저장된 트레이닝 비행 데이터에 기초하여 트레이닝 데이터를 생성할 수 있다. 트레이닝 데이터는 트레이닝 비행 데이터와 트레이닝 비행 시의 시나리오에 기초하여 생성되는 기준 위치 데이터에 기초하여 생성될 수 있다. 예를 들면, 트레이닝 데이터는 트레이닝 비행 데이터에서의 위치 데이터와 기준 위치 데이터 간의 차이를 나타내는 편차 데이터를 포함할 수 있다.
데이터 학습부(111)는 트레이닝 데이터에 이상 정보를 라벨링할 수 있다. 이상 정보는 비행체 각각의 이상 여부에 관한 정보일 수 있다. 데이터 학습부(111)는 이상 정보가 라벨링된 트레이닝 데이터를 이용하여 인공지능 신경망 기반의 지도 학습 모델(113)을 기계 학습 시킬 수 있다.
다른 실시예에 따르면, 데이터 학습부(111)는 트레이닝 데이터를 비지도 학습 모델(114)에 입력하여 소정 개수의 그룹들로 그룹핑할 수 있으며, 소정 개수의 그룹들로 그룹핑된 트레이닝 데이터에 기초하여 트레이닝 데이터에 이상 정보를 라벨링할 수 있다.
또 다른 실시예에 따르면, 데이터 학습부(111)는 트레이닝 데이터들에 대하여 주성분 분석(PCA, Principal component analysis)을 수행하여, 트레이닝 데이터의 차원을 축소하여 차원 축소 데이터를 생성할 수 있다. 데이터 학습부(111)는 차원 축소 데이터에 대하여 k-평균 클러스터링(k-means Clustering)을 수행하여, 차원 축소 데이터를 k개의 그룹으로 그룹핑할 수 있으며, 그룹핑의 결과에 기초하여 트레이닝 데이터에 이상 정보를 라벨링할 수 있다.
데이터 인식부(112)는 실시간 비행 데이터에 기초하여 비행체 각각의 이상 여부를 실시간으로 추정할 수 있다. 데이터 인식부(112)는 사전에 트레이닝된 지도 학습 모델(113)을 이용하여, 실시간 비행 데이터에 기초하여 비행체 각각의 이상 여부를 실시간으로 추정할 수 있다.
데이터 인식부(112)는 시나리오에 따라 비행하는 비행체들 각각의 기준 위치 데이터를 생성하고, 실시간 비행 데이터의 측위 데이터와 기준 위치 데이터 간의 차이에 해당하는 편차 데이터를 포함하는 입력 데이터를 생성할 수 있다. 입력 데이터에는 실시간 비행 데이터의 속도 데이터가 더 포함될 수 있다.
데이터 인식부(112)는 데이터 학습부(111)에 의해 트레이닝된 지도 학습 모델(113)에 입력 데이터를 입력함으로써, 비행체 각각의 이상 여부를 실시간으로 추정할 수 있다.
데이터 인식부(112)는 비행체 각각의 이상 여부를 더욱 직관적으로 파악할 수 있도록 지도 학습 모델(113)의 출력을 후처리할 수도 있다.
입력 데이터를 입력 받아 지도 학습 모델(113)에 의해 출력된 결과 값은 지도 학습 모델(113)을 갱신하는데 이용될 수 있다.
데이터 학습부(111) 및 데이터 인식부(112) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 디바이스에 탑재될 수 있다. 예를 들어, 데이터 학습부(111) 및 데이터 인식부(112) 중 적어도 하나는 인공지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 디바이스에 탑재될 수도 있다.
이 경우, 데이터 학습부(111) 및 데이터 인식부(112)는 하나의 디바이스에 탑재될 수도 있으며, 또는 별개의 디바이스들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(111) 및 데이터 인식부(112) 중 하나는 이상 탐지 장치(100)에 포함되고, 나머지 하나는 이상 탐지 장치(100)와 네트워크로 연결되는 서버에 포함될 수 있다. 데이터 학습부(111) 및 데이터 인식부(112)는 유선 또는 무선으로 통하여, 데이터 학습부(111)가 구축한 학습 모델 정보를 데이터 인식부(112)로 제공할 수도 있고, 데이터 인식부(112)에 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(111)로 제공될 수도 있다.
한편, 데이터 학습부(111) 및 데이터 인식부(112) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(111) 및 데이터 인식부(112) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수도 있다.
도 6은 일부 실시예에 따른 데이터 학습부(111)의 블록도이다.
도 6을 참조하면, 데이터 학습부(111)는 데이터 획득부(111-1), 전처리부(111-2), 학습 데이터 선택부(111-3), 모델 학습부(111-4) 및 모델 평가부(111-5)를 포함할 수 있다.
데이터 획득부(111-1)는 실시간 비행 데이터에 기초하여 비행체 각각의 이상 여부를 실시간으로 추정하는데 필요한 데이터를 획득할 수 있다. 데이터 획득부(111-1)는 DB(130)로부터 트레이닝 비행 데이터를 획득할 수 있다. 데이터 획득부(111-1)는 DB(130)로부터 트레이닝 비행 데이터에 대응되는 트레이닝 시나리오를 획득할 수 있다. 데이터 획득부(111-1)는 DB(130)로부터 비지도 학습 모델(114)를 생성하기 위한 프로그램 코드를 획득할 수 있다.
전처리부(111-2)는 실시간 비행 데이터에 기초하여 비행체 각각의 이상 여부를 실시간으로 추정하는데 필요한 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(111-2)는 후술할 모델 학습부(111-4)가 실시간 비행 데이터에 기초하여 비행체 각각의 이상 여부를 실시간으로 추정하기 위해 지도 학습 모델(113)을 트레이닝하기 위하여 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
일 실시예에 따르면, 전처리부(111-2)는 트레이닝 비행 데이터에서 노이즈를 제거할 수 있다. DB(130)에 저장된 트레이닝 비행 데이터에는 누락 데이터가 존재할 수 있다. 전처리부(111-2)는 누락 데이터를 인접 데이터들을 내삽하여 생성할 수 있다. 전처리부(111-2)는 DB(130)에 저장된 트레이닝 비행 데이터 중에서 과도한 노이즈를 필터링할 수 있다.
일 실시예에 따르면, 전처리부(111-2)는 트레이닝 비행 데이터로부터 비행체들 각각의 위치를 나타내는 측위 데이터를 추출할 수 있다. 전처리부(111-2)는 트레이닝 시나리오에 따라 비행체들 각각의 기준 위치 데이터를 생성할 수 있다. 전처리부(111-2)는 측위 데이터의 위치와 기준 위치 데이터의 위치의 차이를 나타내는 편차 데이터를 생성할 수 있다. 전처리부(111-2)는 편차 데이터를 정규화함으로써 트레이닝 데이터를 생성할 수 있다.
예를 들면, 전처리부(111-2)는 제1 비행체의 제1 트레이닝 비행 데이터로부터 제1 비행체의 위치를 감지한 제1 측위 데이터([xa1, ya1, za1])를 추출할 수 있다. 제1 측위 데이터([xa1, ya1, za1])는 미리 설정된 기간 동안의 시계열 데이터이다. 전처리부(111-2)는 나머지 비행체들의 트레이닝 비행 데이터들에 대해서도 측위 데이터를 추출한다.
전처리부(111-2)는 트레이닝 시나리오에 따른 제1 비행체의 기준 위치를 나타내는 제1 기준 위치 데이터([xs1, ys1, zs1])를 추출할 수 있다. 제1 기준 위치 데이터([xs1, ys1, zs1]) 역시 미리 설정된 기간 동안의 시계열 데이터이며, 제1 기준 위치 데이터([xs1, ys1, zs1])와 제1 측위 데이터([xa1, ya1, za1])는 타이밍의 관점에서 서로 대응된다. 전처리부(111-2)는 트레이닝 시나리오에 따라 나머지 비행체들의 기준 위치 데이터를 생성한다.
전처리부(111-2)는 제1 측위 데이터([xa1, ya1, za1])에서 제1 기준 위치 데이터([xs1, ys1, zs1])를 감산함으로써, 제1 편차 데이터([x1, y1, z1])를 생성할 수 있다. 제1 편차 데이터([x1, y1, z1])는 [xa1-xs1, ya1-ys1, za1-zs1]와 같이 산출될 수 있다. 전처리부(111-2)는 나머지 비행체들에 대해서는 편차 데이터를 생성한다. 제1 편차 데이터([x1, y1, z1]) 역시 미리 설정된 기간 동안의 시계열 데이터이다. 편차 데이터([X, Y, Z])는 제1 편차 데이터([x1, y1, z1]) 내지 제n 편차 데이터([xn, yn, zn])를 포함한다.
전처리부(111-2)는 편차 데이터([X, Y, Z])를 정규화하기 위하여, 편차 데이터([X, Y, Z])의 평균과 표준편차를 산출할 수 있다. 편차 데이터([X, Y, Z])에서 X의 평균(Xmean)은 시계열 데이터인 [x1] 내지 [xn]의 평균이다. [x1]가 160개의 시계열 데이터로 이루어지고, n이 100이라고 가정하면, 편차 데이터([X, Y, Z])에서 X의 평균은 [x]에 해당하는 16,000개의 데이터 값들의 평균이다. 편차 데이터([X, Y, Z])에서 X의 표준편차(Xstd)는 시계열 데이터인 [x1] 내지 [xn]의 표준편차이다. 이러한 방식으로 편차 데이터([X, Y, Z])에서 Y의 평균(Ymean) 및 표준편차(Ystd) 및 Z의 평균(Zmean) 및 표준편차(Zstd)가 산출될 수 있다.
정규화된 편차 데이터는 ([(X-Xmean)/Xstd, (Y-Ymean)/Ystd, (Z-Zmean)/Zstd])와 같이 산출될 수 있다.
또한, 전처리부(111-2)는 트레이닝 비행 데이터로부터 비행체들 각각의 속도를 나타내는 속도 데이터를 추출할 수 있다. 전처리부(111-2)는 속도 데이터를 정규화할 수 있으며, 정규화된 속도 데이터도 트레이닝 데이터에 포함될 수 있다. 정규화된 속도 데이터는 ([(VX-VXmean)/VXstd, (VY-VYmean)/VYstd, (VZ-VZmean)/VZstd])와 같이 나타낼 수 있다.
전처리부(111-2)에 의해 출력되는 트레이닝 데이터는 정규화된 편차 데이터, 정규화된 속도 데이터, 시간 데이터를 포함할 수 있으며, 이상 정보가 라벨링될 수 있다. 시간 데이터는 트레이닝 비행 데이터가 생성된 시간, 즉, 측정 시간, 또는 트레이닝 비행 데이터가 제어 장치(도 2의 20) 또는 이상 탐지 장치(100)에 수신된 시간일 수 있다.
이상 정보는 비행체들 각각이 정상 또는 이상인지를 나타낸다. 전처리부(111-2)에 의해 출력되는 트레이닝 데이터는 제1 비행체에 관한 제1 트레이닝 데이터, 내지 제n 비행체에 관한 제n 트레이닝 데이터를 포함한다. 제k 비행체가 이상 상태인 경우, 제k 트레이닝 데이터에는 이상 상태임을 나타내는 이상 정보가 라벨링될 수 있다.
일 실시예에 따르면, 라벨링되지 않은 트레이닝 데이터를 비지도 학습 모델(114)에 입력하여 이상 정보를 출력하고, 출력된 이상 정보가 트레이닝 데이터에 라벨링될 수 있다. 비지도 학습 모델(114)은 별다른 지도없이 트레이닝 데이터로부터 정상 상태 또는 이상 상태를 검출하고, 검출 결과에 대응하는 응답 동작의 제공을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 정상 상태 또는 이상 상태를 검출하기 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 학습될 수 있다.
다른 실시예에 따르면, 우선 라벨링되지 않은 트레이닝 데이터에 대하여 주성분 분석(PCA, Principal component analysis)이 수행될 수 있다. 예를 들면, 트레이닝 데이터는 정규화된 편차 데이터와 정규화된 속도 데이터를 포함하여 6차원의 데이터일 수 있다. 이러한 6차원의 트레이닝 데이터에 대하여 주성분 분석을 수행하여, 2차원으로 차원을 축소할 수 있다. 2차원으로 차원이 축소된 데이터를 차원 축소 데이터라고 지칭한다.
주성분 분석은 많은 변수의 분산방식(분산ㆍ공분산)의 패턴을 간결하게 표현하는 주성분을 원래 변수의 선형결합(무게에 대한 평균점)으로서 추출하는 통계기법이다. 즉, p개의 변수가 있는 경우 거기에서 얻은 정보를 p보다 상당히 작은 k개의 변수로 요약하는 것이다. 즉, p차원 공간의 축을 회전시켜 많은 변수의 분산을 가장 잘 반영한 소수의 새로운 축을 찾아낼 수 있다.
트레이닝 데이터에 대한 주성분 분석을 통해 2차원의 차원 축소 데이터가 생성되면, 차원 축소 데이터에 대하여 k-평균 클러스터링(k-means Clustering)이 수행될 수 있다. 그 결과, 차원 축소 데이터는 k개의 그룹으로 그룹핑될 수 있다. 이렇게 k개의 그룹으로 그룹핑된 결과에 기초하여, 이상 정보를 트레이닝 데이터 각각에 라벨링할 수 있다.
예를 들면, 트레이닝 데이터 각각의 데이터 값들이 k개의 그룹으로 분류되는 비율에 기초하여 트레이닝 데이터 각각의 이상 정보가 결정될 수 있다. 예를 들면, 제1 내지 제n 트레이닝 데이터들의 데이터 값들을 k개의 그룹으로 분류했더니, 제j 트레이닝 데이터의 데이터 값들은 k개의 그룹으로 분류되는 비율이 다른 트레이닝 데이터들의 데이터 값들과 현저히 다를 수 있다. 이 경우, 제j 비행체가 이상 상태라고 결정할 수 있으며, 제j 트레이닝 데이터에 이상 상태임을 나타내는 이상 정보가 라벨링될 수 있다. 나머지 트레이닝 데이터에는 정상 상태임을 나타내는 이상 정보가 라벨링될 수 있다.
또 다른 실시예에 따르면, 트레이닝 데이터에 이상 정보를 라벨링하는 작업은 엔지니어에 의해 수동으로 수행될 수 있다.
학습 데이터 선택부(111-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(111-4)에 제공될 수 있다. 학습 데이터 선택부(111-3)는 실시간 비행 데이터에 기초하여 비행체 각각의 이상 여부를 실시간으로 추정을 하기 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 기 설정된 기준은 후술할 모델 학습부(111-4)에 의한 학습에 의해 마련될 수 있다.
모델 학습부(111-4)는 학습 데이터에 기초하여 실시간 비행 데이터에 기초하여 비행체 각각의 이상 여부를 실시간으로 추정할 지에 관한 기준을 학습할 수 있다. 모델 학습부(111-4)는 실시간 비행 데이터에 기초하여 비행체 각각의 이상 여부를 실시간으로 추정하기 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
이 경우, 지도 학습 모델(113)은 인공지능 신경망을 기반으로 미리 구축된 것일 수 있다. 예를 들어, 지도 학습 모델(113)은 기본 학습 데이터(예를 들어, 샘플 데이터 등)을 입력 받아 미리 구축된 것일 수 있다.
지도 학습 모델(113)은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 지도 학습 모델(113)은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 학습 모델로서, 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 이용될 수 있으나, 이에 한정되지 않는다.
또한, 모델 학습부(111-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 지도 학습 모델(113)을 학습시킬 수 있다.
또한, 모델 학습부(111-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 지도 학습 모델(113)을 학습시킬 수 있다. 또한, 모델 학습부(111-4)는, 예를 들어, 학습에 따라서 실시간 비행 데이터에 기초하여 비행체 각각의 이상 여부를 실시간으로 추정한 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 지도 학습 모델(113)을 학습시킬 수 있다.
지도 학습 모델(113)이 학습되면, 모델 학습부(111-4)는 학습된 지도 학습 모델(113)을 저장할 수 있다. 이 경우, 모델 학습부(111-4)는 지도 학습 모델(113)을 데이터 인식부(112)를 포함하는 이상 탐지 장치(100)의 메모리(120)에 저장할 수 있다.
이 경우, 지도 학습 모델(113)이 저장되는 메모리(120)는, 예를 들면, 디바이스의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리(120)는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(111-5)는 지도 학습 모델(113)에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(111-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 학습 모델을 평가하기 위한 기 설정된 데이터일 수 있다.
예를 들어, 모델 평가부(111-5)는 평가 데이터에 대한 학습된 지도 학습 모델(113)의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 지도 학습 모델(113)이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(111-5)는 학습된 지도 학습 모델(113)이 적합하지 않은 것으로 평가할 수 있다.
한편, 데이터 학습부(111) 내의 데이터 획득부(111-1), 전처리부(111-2), 학습 데이터 선택부(111-3), 모델 학습부(111-4) 및 모델 평가부(111-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 디바이스에 탑재될 수 있다. 예를 들어, 데이터 획득부(111-1), 전처리부(111-2), 학습 데이터 선택부(111-3), 모델 학습부(111-4) 및 모델 평가부(111-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 디바이스에 탑재될 수도 있다.
또한, 데이터 획득부(111-1), 전처리부(111-2), 학습 데이터 선택부(111-3), 모델 학습부(111-4) 및 모델 평가부(111-5)는 하나의 디바이스에 탑재될 수도 있으며, 또는 별개의 디바이스들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(111-1), 전처리부(111-2), 학습 데이터 선택부(111-3), 모델 학습부(111-4) 및 모델 평가부(111-5) 중 일부는 디바이스에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(111-1), 전처리부(111-2), 학습 데이터 선택부(111-3), 모델 학습부(111-4) 및 모델 평가부(111-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(111-1), 전처리부(111-2), 학습 데이터 선택부(111-3), 모델 학습부(111-4) 및 모델 평가부(111-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 7은 일부 실시예에 따른 데이터 인식부(112)의 블록도이다.
도 7을 참조하면, 일부 실시예에 따른 데이터 인식부(112)는 데이터 획득부(112-1), 전처리부(112-2), 인식 데이터 선택부(112-3), 인식 결과 제공부(112-4) 및 모델 갱신부(112-5)를 포함할 수 있다.
데이터 획득부(112-1)는 비행체 각각의 이상 여부를 실시간으로 추정하는데 필요한 데이터를 획득할 수 있다. 데이터 획득부(112-1)는 비행체들 각각으로부터 실시간 비행 데이터를 실시간으로 수신하고, 이때의 군집 비행 시나리오를 획득할 수 있다.
전처리부(112-2)는 비행체 각각의 이상 여부를 실시간으로 추정하는데 필요한 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(112-2)는 후술할 인식 결과 제공부(112-4)가 비행체 각각의 이상 여부를 실시간으로 추정하기 위해 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
전처리부(112-2)는 실시간 비행 데이터에서 노이즈를 제거할 수 있다. 전처리부(112-2)는 실시간 비행 데이터에 존재할 수 있는 누락 데이터를 인접 데이터들을 내삽하여 생성할 수 있다.
전처리부(112-2)는 실시간 비행 데이터로부터 비행체들 각각의 위치를 나타내는 측위 데이터를 추출할 수 있다. 전처리부(112-2)는 시나리오에 따라 비행체들 각각의 기준 위치 데이터를 생성할 수 있다. 전처리부(112-2)는 측위 데이터의 위치와 기준 위치 데이터의 위치의 차이를 나타내는 편차 데이터를 생성할 수 있다. 전처리부(112-2)는 편차 데이터를 정규화함으로써 입력 데이터를 생성할 수 있다.
예를 들면, 전처리부(112-2)는 제1 비행체의 제1 실시간 비행 데이터로부터 제1 비행체의 위치를 감지한 제1 측위 데이터(xa1, ya1, za1)를 추출할 수 있다. 전처리부(112-2)는 나머지 비행체들의 트레이닝 비행 데이터들에 대해서도 측위 데이터를 추출한다.
전처리부(112-2)는 시나리오에 따라서 제1 측위 데이터(xa1, ya1, za1)에 대응하는 시점의 제1 비행체의 기준 위치를 나타내는 제1 기준 위치 데이터(xs1, ys1, zs1)를 추출할 수 있다. 전처리부(112-2)는 시나리오에 따라 나머지 비행체들의 기준 위치 데이터를 생성한다.
전처리부(112-2)는 제1 측위 데이터(xa1, ya1, za1)에서 제1 기준 위치 데이터(xs1, ys1, zs1)를 감산함으로써, 제1 편차 데이터(x1, y1, z1)를 생성할 수 있다. 제1 편차 데이터(x1, y1, z1)는 (xa1-xs1, ya1-ys1, za1-zs1)와 같이 산출될 수 있다. 전처리부(112-2)는 나머지 비행체들에 대해서는 편차 데이터를 생성한다.
전처리부(112-2)는 미리 설정된 기간 동안의 편차 데이터를 수집할 수 있다. 미리 설정된 기간 동안 편차 데이터가 수집되면, 제1 비행체의 제1 편차 데이터([x1, y1, z1])는 미리 설정된 기간 동안의 시계열 데이터로 나타낼 수 있다. 이러한 방식으로, 편차 데이터([X, Y, Z])는 제1 편차 데이터([x1, y1, z1]) 내지 제n 편차 데이터([xn, yn, zn])를 포함한다.
새로운 실시간 비행 데이터가 수신되면, 새로운 실시간 비행 데이터에 기초하여 생성된 편차 데이터를 시계열 데이터에 추가하고, 가장 오래된 실시간 비행 데이터에 기초하여 생성된 편차 데이터를 시계열 데이터에서 삭제함으로써, 편차 데이터([X, Y, Z])의 데이터 값의 개수는 일정하게 유지될 수 있다. 또한, 새로운 실시간 비행 데이터가 수신될 때마다, 새로운 입력 데이터가 생성되며, 새로운 입력 데이터에 따른 비행체 이상 정보가 생성된다.
전처리부(112-2)는 편차 데이터([X, Y, Z])를 정규화하기 위하여, 편차 데이터([X, Y, Z])의 평균과 표준편차를 산출할 수 있다. 편차 데이터([X, Y, Z])에서 X의 평균(Xmean)은 시계열 데이터인 [x1] 내지 [xn]의 평균이다. 편차 데이터([X, Y, Z])에서 X의 표준편차(Xstd)는 시계열 데이터인 [x1] 내지 [xn]의 표준편차이다. 이러한 방식으로 편차 데이터([X, Y, Z])에서 Y의 평균(Ymean) 및 표준편차(Ystd) 및 Z의 평균(Zmean) 및 표준편차(Zstd)가 산출될 수 있다. 정규화된 편차 데이터는 ([(X-Xmean)/Xstd, (Y-Ymean)/Ystd, (Z-Zmean)/Zstd])와 같이 산출될 수 있다.
또한, 전처리부(112-2)는 실시간 비행 데이터로부터 비행체들 각각의 속도를 나타내는 속도 데이터를 추출할 수 있다. 전처리부(112-2)는 속도 데이터를 정규화할 수 있으며, 정규화된 속도 데이터도 입력 데이터에 포함될 수 있다. 정규화된 속도 데이터는 ([(VX-VXmean)/VXstd, (VY-VYmean)/VYstd, (VZ-VZmean)/VZstd])와 같이 나타낼 수 있다.
전처리부(112-2)에 의해 출력되는 입력 데이터는 정규화된 편차 데이터, 및 정규화된 속도 데이터를 포함할 수 있다.
인식 데이터 선택부(112-3)는 전처리된 데이터 중에서 비행체 각각의 이상 여부를 실시간으로 추정하는데 필요한 데이터를 선택할 수 있다. 인식 데이터 선택부(112-3)는 비행체 각각의 이상 여부를 실시간으로 추정하기 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(112-3)는 후술할 모델 학습부(111-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(112-4)는 선택된 데이터를 지도 학습 모델(113)에 적용하여 비행체 각각의 이상 여부를 실시간으로 추정할 수 있다. 인식 결과 제공부(112-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(112-4)는 인식 데이터 선택부(112-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 지도 학습 모델(113)에 적용할 수 있다. 또한, 인식 결과는 지도 학습 모델(113)에 의해 결정될 수 있다. 예를 들면, 비행체 각각의 이상 여부를 실시간으로 추정한 결과는 텍스트, 이미지 또는 명령 (예를 들면, 어플리케이션 실행 명령어, 모듈 기능 실행 명령어 등)등으로 제공될 수 있다.
모델 갱신부(112-5)는 인식 결과 제공부(112-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 지도 학습 모델(113)이 갱신되도록할 수 있다. 예를 들어, 모델 갱신부(112-5)는 인식 결과 제공부(112-4)에 의해 제공되는 인식 결과를 모델 학습부(111-4)에게 제공함으로써, 모델 학습부(111-4)가 지도 학습 모델(113)을 갱신하도록 할 수 있다.
한편, 데이터 인식부(112) 내의 데이터 획득부(112-1), 전처리부(112-2), 인식 데이터 선택부(112-3), 인식 결과 제공부(112-4) 및 모델 갱신부(112-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 디바이스에 탑재될 수 있다. 예를 들어, 데이터 획득부(112-1), 전처리부(112-2), 인식 데이터 선택부(112-3), 인식 결과 제공부(112-4) 및 모델 갱신부(112-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 디바이스에 탑재될 수도 있다.
또한, 데이터 획득부(112-1), 전처리부(112-2), 인식 데이터 선택부(112-3), 인식 결과 제공부(112-4) 및 모델 갱신부(112-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(112-1), 전처리부(112-2), 인식 데이터 선택부(112-3), 인식 결과 제공부(112-4) 및 모델 갱신부(112-5) 중 일부는 이상 탐지 장치(100)에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(112-1), 전처리부(112-2), 인식 데이터 선택부(112-3), 인식 결과 제공부(112-4) 및 모델 갱신부(112-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(112-1), 전처리부(112-2), 인식 데이터 선택부(112-3), 인식 결과 제공부(112-4) 및 모델 갱신부(112-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 8은 일 실시예에 따라서 이상 탐지 장치가 군집 비행하는 비행체들에서 이상 동작을 나타내는 비행체를 실시간으로 탐지하는 방법을 설명하기 위한 도면을 도시한다.
도 8을 참조하면, n개의 비행체들(30-1~30-n)로부터 n개의 비행 데이터들(200-1~200-n)을 수신할 수 있다.
비행체들(30-1~30-n)은 시나리오(11)에 따라서 군집하여 비행할 수 있다. 여기서, n은 예컨대 100과 같은 상당히 큰 수일 수 있으나, 본 발명을 한정하지 않는다. 비행체들(30-1~30-n)은 시나리오(11)에 따라 예컨대 도 1에 도시된 바와 같은 공연 연출을 위해 비행하고 시나리오(11)에 따라 특정 색상의 조명을 방출할 수 있다.
비행체들(30-1~30-n)은 시나리오(11)에 따라 비행하면서 비행 데이터들(200-1~200-n)을 송신할 수 있다. 비행 데이터들(200-1~200-n)은 이상 탐지 장치(100)에 수신될 수 있다.
비행 데이터들(200-1~200-n)은 생성 시간, 비행체들(30-1~30-n)의 위치에 관한 측위 데이터 및 속도에 관한 속도 데이터를 포함할 수 있다.
이상 탐지 장치(100)는 비행체들(30-1~30-n)이 시나리오(11)에 따라 위치해야 하는 기준 위치에 관한 기준 위치 데이터(210)를 생성할 수 있다.
이상 탐지 장치(100)는 비행 데이터들(200-1~200-n)과 기준 위치 데이터(210)에 기초하여 비행체들(30-1~30-n)에 각각 대응하는 입력 데이터들(220-1~220-n)을 생성할 수 있다.
입력 데이터들(220-1~220-n)은 비행 데이터들(200-1~200-n)의 측위 데이터와 기준 위치 데이터(210)의 차에 해당하는 편차 데이터를 생성하고, 편차 데이터를 정규화한 데이터를 포함할 수 있다. 입력 데이터들(220-1~220-n)은 비행 데이터들(200-1~200-n)의 속도 데이터를 정규화한 데이터를 포함할 수 있다.
입력 데이터들(220-1~220-n)은 도 5 및 도 6을 참조로 앞에서 설명된 바와 같이 사전에 트레이닝된 지도 학습 모델(113)에 입력될 수 있다. 지도 학습 모델(113)은 입력 데이터들(220-1~220-n)에 기초하여 비행체들(30-1~30-n)의 이상 여부를 출력할 수 있다. 일 예에 따르면, 입력 데이터들(220-1~220-n)이 입력된 지도 학습 모델(113)의 출력은 비행체들(30-1~30-n) 각각이 정상 상태일 확률일 수 있다. 샘플링 시간(예컨대, 0.1초)이 흘러서 비행 데이터들(200-1~200-n)이 새로 추가됨에 따라, 지도 학습 모델(113)에 입력되는 입력 데이터들(220-1~220-n)이 달라지고, 지도 학습 모델(113)의 출력 역시 달라지게 된다. 따라서, 비행 데이터들(200-1~200-n)이 추가됨에 따라 지도 학습 모델(113)의 출력이 변하므로, 실시간으로 비행체들(30-1~30-n)의 이상 여부가 탐지될 수 있다. 지도 학습 모델(113)의 세부 구성에 대하여 도 12를 참조하여 아래에서 더 자세히 설명한다.
도 8에 도시되지는 않았지만, 지도 학습 모델(113)의 출력은 사용자가 비행체들(30-1~30-n)의 이상 여부를 더욱 쉽게 탐지할 수 있도록 후처리될 수 있다. 예를 들면, 사용자가 비행체들(30-1~30-n) 중에서 이상 동작을 하는 비행체를 쉽게 식별할 수 있도록, 지도 학습 모델(113)의 출력이 후처리될 수 있다. 지도 학습 모델(113)의 출력 및 이의 후처리 동작에 대하여 도 13 및 도 14를 참조하여 아래에서 더욱 자세히 설명한다.
도 9는 일 실시예에 따라서 이상 탐지 장치가 군집 비행하는 비행체들에서 이상 동작을 나타내는 비행체를 실시간으로 탐지하기 위해 지도 학습 모델을 트레이닝하는 방법을 설명하기 위한 도면을 도시한다.
도 9를 참조하면, n개의 비행체들로부터 수신되어 DB(도 2의 130)에 저장된 n개의 비행 데이터들(200-1~200-n)이 독출될 수 있다. n개의 비행체들은 도 8의 n개의 비행체들(30-1~30-n)과 동일할 수 있지만, 상이할 수도 있다. 또한, 비행 데이터들(200-1~200-n)의 개수(n)는 도 8의 비행 데이터들(200-1~200-n)의 개수(n)와 동일할 수 있지만, 상이할 수도 있다. 비행 데이터들(200-1~200-n)은 생성 시간, 비행체들의 위치에 관한 측위 데이터 및 속도에 관한 속도 데이터를 포함할 수 있다.
도 9에 도시되지 않았지만, 비행체들은 시나리오에 따라서 군집하여 비행한 것이다. 이상 탐지 장치(100)는 비행체들이 비행한 시나리오에 따라 비행체들이 비행 데이터들(200-1~200-n)의 생성 시간에 위치해야 하는 기준 위치에 관한 기준 위치 데이터를 생성할 수 있다. 기준 위치 데이터도 참조된 생성 시간을 포함할 수 있다.
이상 탐지 장치(100)는 비행 데이터들(200-1~200-n)과 기준 위치 데이터에 기초하여 비행체들(30-1~30-n)에 각각 대응하는 트레이닝 데이터들(230-1~230-n)을 생성할 수 있다.
트레이닝 데이터들(230-1~230-n)은 비행 데이터들(200-1~200-n)의 측위 데이터와 기준 위치 데이터의 차에 해당하는 편차 데이터를 생성하고, 편차 데이터를 정규화한 데이터를 포함할 수 있다. 트레이닝 데이터들(230-1~230-n)은 비행 데이터들(200-1~200-n)의 속도 데이터를 정규화한 데이터를 포함할 수 있다.
트레이닝 데이터들(230-1~230-n)은 비지도 학습 모델(114)에 입력될 수 있다. 비지도 학습 모델(114)은 트레이닝 데이터들(230-1~230-n) 각각을 정상 상태와 이상 상태로 분류할 수 있다. 비지도 학습 모델(114)에 의한 트레이닝 데이터들(230-1~230-n) 각각의 분류 결과를 참조로 트레이닝 데이터들(230-1~230-n) 각각의 이상 여부가 결정될 수 있다. 제j 트레이닝 데이터(230-j)의 이상 여부라 함은, 제j 비행체가 이상 동작을 하는지의 여부를 의미한다. 트레이닝 데이터들(230-1~230-n) 각각의 이상 여부가 트레이닝 데이터들(230-1~230-n) 각각에 라벨링됨으로써, 이상 정보가 라벨링된 트레이닝 데이터들(240-1~240-n)이 생성될 수 있다.
이상 정보가 라벨링된 트레이닝 데이터들(240-1~240-n)를 이용하여 지도 학습 모델(113)이 트레이닝될 수 있다. 지도 학습 모델(113)을 트레이닝하기 위한 세부 구성에 대해서는 도 5 및 도 6을 참조로 앞에서 설명하였으므로 여기서 반복하지 않는다.
도 9에 도시되지 않았지만, 이상 정보가 라벨링된 트레이닝 데이터들(240-1~240-n)이 입력된 지도 학습 모델(113)의 출력은 트레이닝 데이터들(240-1~240-n) 각각에 라벨링된 이상 정보와 비교될 수 있으며, 지도 학습 모델(113)은 지도 학습 모델(113)의 출력과 트레이닝 데이터들(240-1~240-n) 각각에 라벨링된 이상 정보의 차이가 최소화되도록 트레이닝될 수 있다.
다른 실시예에 따르면, 주성분 분석 및 k-평균 클러스터링(k-means Clustering)을 이용하여 트레이닝 데이터들(230-1~230-n) 각각의 이상 여부가 결정될 수 있다. 이에 대하여 도 10a 및 도 10b, 및 도 11a 및 도 11b를 참조하여 아래에서 자세히 설명된다.
도 10는 일 실시예에 따라서 트레이닝 데이터들에 대하여 주성분 분석을 수행한 결과를 2차원 그래프에 표시한 도면을 도시한다.
도 10을 참조하면, 트레이닝 데이터들은 군집 비행의 비행체들로부터 수집된 데이터들이다. 트레이닝 데이터들은 100개의 비행체들에 대응하여 100개의 트레이닝 데이터를 포함한다. 트레이닝 데이터 각각은 0.1초의 샘플링 주파수로 16초가 샘플링된 160 세트의 시계열 데이터들을 포함한다. 트레이닝 데이터는 대응하는 비행체의 x축, y축, z축 각각의 위치 편차 데이터, 및 x축, y축, z축 각각의 속도 데이터를 포함한다.
트레이닝 데이터들에 대하여 주성분 분석이 수행될 수 있다. 주성분 분석의 결과, 트레이닝 데이터는 주성분 1과 주성분 2로 표현될 수 있다. 트레이닝 데이터 각각은 주성분 1에 대응하는 제1 스코어 값과 주성분 2에 대응하는 제2 스코어 값을 포함하는 차원 축소 데이터로 변환될 수 있다. 차원 축소 데이터들은 도 10에 도시된 바와 같이 2차원 그래프로 표시될 수 있다.
도 10은 일부 비행체들(x52, x59, x62, x68, x70)의 트레이닝 데이터들에 대한 주성분 분석의 결과를 도시한다.
도 11은 일 실시예에 따르서 트레이닝 데이터들을 주성분 분석한 결과에 대하여 클러스터링한 결과를 표시한 도면을 도시한다.
차원 축소 데이터들에 대하여 k-평균 클러스터링(k-means Clustering)이 수행될 수 있다. k-평균 클러스터링은 데이터들을 미리 설정된 k개의 그룹으로 분류하는 기법이다. k-평균 클러스터링은 k개의 중심점을 랜덤하게 설정하고, 데이터 각각을 가장 가까운 중심점의 그룹에 할당한다. 그 후, 그룹 각각에 할당된 데이터들 중에서 중심점을 다시 설정하고, 다시 설정된 중심점을 기준으로 데이터들을 그룹들에 할당한다. 이러한 과정을 더 이상 중심점이 바뀌지 않을 때까지 반복함으로써 차원 축소 데이터들 각각을 k개의 그룹들로 그룹핑할 수 있다.
도 11은 예시적으로 일부 비행체들(x52, x59, x62, x68, x70)의 차원 축소 데이터들을 클러스터 0 내지 4로 분류한 결과가 도시된다. 구체적으로, 일부 비행체들(x52, x59, x62, x68, x70) 각각의 데이터들 중 어떤 비율로 클러스터 0 내지 4 각각으로 분류되었는지가 도시된다. 일부 비행체들(x52, x59, x62, x68)의 데이터들은 비교적 비슷한 비율로 클러스터 0 내지 4로 분류되지만, 제70 비행체(x70)의 데이터는 다른 비행체들의 데이터에 비해 상당히 적은 비율로 클러스터 0에 포함되고, 반대로 다른 비행체들의 데이터에 비해 상당히 큰 비율로 클러스터 1과 4에 포함된다. 게다가, 제70 비행체(x70)의 데이터는 클러스터 2와 3에는 하나도 포함되지 않는다.
비행체들의 데이터들이 클러스터 0 내지 4에 분류된 비율을 기초로 비행체들 각각의 이상 여부가 결정되 수 있다. 본 예에서는 제70 비행체(x70)가 이상 동작하는 것으로 결정될 수 있다. 이러한 이상 여부 결정 과정은 컴퓨팅 장치에 의해 룰 기반으로 또는 학습 모델 기반으로 자동으로 수행될 수도 있고, 클러스터 0 내지 4로 분류된 데이터의 비율을 기초로 엔지니어가 직접 수동으로 수행될 수도 있다.
도 12는 일 실시예에 따른 지도 학습 모델을 구현하는 신경망의 구조를 도시한다.
도 12를 참조하면, 지도 학습 모델은 합성곱 신경망을 포함할 수 있다. 합성곱 신경망은 다계층 퍼셉트론(multilayer perceptrons)의 한 종류로서, 하나 또는 여러 개의 컨벌루션 레이어와 일반적인 인공 신경망 레이어들로 이루어져, 컨벌루션 레이어에서 전처리를 수행하는 구조를 가진 인공 신경망을 의미한다.
지도 학습 모델은 입력층, 제1 내지 제8 은닉층 및 출력층을 포함할 수 있다. 은닉층의 개수는 오로지 예시적이며 본 발명을 한정하지 않는다.
입력층에서는 비행 데이터들을 전처리하여 생성된 입력 데이터들을 표준화하는 동작이 수행될 수 있다.
제1 내지 제6 은닉층 각각에서 1차원 컨벌루션 동작, 1차원 배치 정규화 동작, 및 ReLU 동작이 수행될 수 있다. 1차원 컨벌류션 동작을 통해 입력 데이터의 의미있는 특징을 추출하기 위해 필터 연산에 해당하는 합성곱 연산을 수행할 수 있다. 1차원 배치 정규화 동작은 1차원 컨벌루션 동작의 출력 값을 정규화, 즉, 정규 분포로 만드는 동작이다. 학습에 따라 출력값을 정규화하기 때문에 초기화 문제에서 비교적 자유로울 수 있다. 각 은닉층에서 정규화를 하면서 입력 분포가 일정해지고, 그에 따라 학습 비율(learning rate)을 크게 설정할 수 있게 된다. 그에 따라 학습 속도가 증가하게 된다. ReLU 동작은 1차원 배치 정규화 동작의 출력을 ReLU 함수에 통과시키는 동작이다. ReLU 함수는 입력값이 0보다 작으면 0이고 0보다 크면 입력값 그대로 출력한다. 도 12에 예시된 은닉층의 구성은 오로지 예시적이다. 본 발명을 한정하지 않는다.
제7 은닉층에서 글로벌 평균 풀링 동작이 수행될 수 있다. 제8 은닉층에서 덴스(Dense) 동작, 1차원 배치 정규화 동작, 및 ReLU 동작이 수행될 수 있다. 출력층에서 덴스 동작 및 시그모이드 동작이 수행될 수 있다. 시그모이드 동작이 수행됨에 따라서, 비행 데이터들 각각에 대응하는 비행체가 정상 동작(1)하는지, 아니면 이상 동작(0)을 하는지가 출력될 수 있다.
도 13은 일 실시예에 따라서 지도 학습 모듈의 도 11의 제70 비행체(x70)에 대응한 출력으로서, 제70 비행체의 정상 확률을 도시한다.
도 13을 참조하면, 87초 정도에는 0.8 내지 0.9 정도의 값이 출력되지만, 95초 이후에는 거의 0의 값이 출력되는 것을 알 수 있다.
도 14는 일 실시예에 따라서 지도 학습 모듈의 도 11의 일부 비행체들(x52, x59, x62, x68, x70)에 대응한 출력을 후처리한 결과를 도시한다.
도 14를 참조하면, 일부 비행체들(x52, x59, x62, x68, x70) 각각의 정상 또는 이상 확률이 도시된다. 지도 학습 모듈의 출력이 0.5보다 크면 정상으로 카운트하고, 0.5보다 작으면 이상으로 카운트하여, 전체 데이터에서 정상으로 카운트된 비율과 이상으로 카운트된 비율을 나타낸 것이다. 도 14를 참조하면 제70 비행체(x70)만이 이상 확률이 매우 높으며, 제70 비행체가 이상 동작한다는 것을 쉽게 결정할 수 있다.
도 15는 일 실시예에 따라서 이상 동작하는 것으로 결정한 제70 비행체의 비행 데이터를 도시한다.
도 15를 참조하면, 제70 비행체의 X축 실측 위치(RTK-GPS)와 기준 위치(Setpoint), Y축 실측 위치(RTK-GPS)와 기준 위치(Setpoint), Z축 실측 위치(RTK-GPS)와 기준 위치(Setpoint)가 도시된다. 시나리오와 다르게 X축 위치와 Z축 위치가 변하지 않고, Y축 위치는 Y축 기준 위치를 따라가지 못했음을 알 수 있다. 또한, 제70 비행체의 X축, Y축, Z축 각각의 실제 속도와 기준 속도가 도시된다. 여기에서도 제70 비행체는 기준 속도를 따라가지 못했음을 알 수 있다.
따라서, 이상 동작을 하는 것으로 판정된 제70 비행체는 실제로도 이상 동작을 하고 있음을 알 수 있다. 본 발명의 다양한 실시예들에 따라서 비행체의 이상 동작을 탐지하는 방법은 신뢰도 있게 적용될 수 있다는 것이 확인된다.
이상 설명된 다양한 실시예들은 예시적이며, 서로 구별되어 독립적으로 실시되어야 하는 것은 아니다. 본 명세서에서 설명된 실시예들은 서로 조합된 형태로 실시될 수 있다.
이상 설명된 다양한 실시예들은 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 명세서에서, "부", "모듈" 등은 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다. 예를 들면, "부", "모듈" 등은 소프트웨어 구성 요소들, 객체 지향 소프트웨어 구성 요소들, 클래스 구성 요소들 및 태스크 구성 요소들과 같은 구성 요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들에 의해 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (20)
- 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
인공지능 신경망을 이용하여 지도 학습 모델을 생성하는 단계;
미리 설정된 제1 시나리오에 따라 군집하여 이동하는 복수의 제1 이동체로부터 복수의 제1 이동 데이터를 수집하는 단계;
상기 미리 설정된 제1 시나리오에 따른 상기 복수의 제1 이동체 각각의 제1 기준 위치 데이터를 생성하는 단계;
상기 복수의 제1 이동 데이터 및 상기 제1 기준 위치 데이터에 기초하여 상기 복수의 제1 이동체에 각각 대응하는 복수의 트레이닝 데이터를 생성하는 단계;
상기 복수의 트레이닝 데이터에 대하여 주성분 분석(PCA, Principal component analysis)을 수행하여, 상기 복수의 트레이닝 데이터의 차원을 축소하여 복수의 차원 축소 데이터를 생성하는 단계;
상기 복수의 차원 축소 데이터에 대하여 머신러닝에 기반한 비지도 클러스터링 방법을 수행하여, 상기 차원 축소 데이터를 k개의 그룹으로 그룹핑하는 단계;
상기 복수의 차원 축소 데이터를 상기 k개의 그룹으로 그룹핑한 결과에 기초하여, 상기 복수의 차원 축소 데이터 각각에 대응하는 상기 복수의 트레이닝 데이터 각각의 데이터 값들이 상기 k개의 그룹으로 분류되는 분배 비율을 산정하는 단계;
상기 복수의 트레이닝 데이터 각각의 상기 분배 비율에 기초하여, 상기 복수의 트레이닝 데이터 각각에 대응하는 상기 복수의 제1 이동체 각각의 이상 유무를 결정하는 단계;
상기 복수의 제1 이동체 각각의 이상 유무에 따라 상기 복수의 트레이닝 데이터 각각에 이상 정보를 라벨링하는 단계;
상기 이상 정보가 라벨링된 상기 복수의 트레이닝 데이터를 이용하여 상기 지도 학습 모델을 트레이닝하는 단계;
미리 설정된 제2 시나리오에 따라 군집하여 이동하는 복수의 제2 이동체로부터 복수의 제2 이동 데이터를 실시간으로 수신하는 단계;
상기 미리 설정된 제2 시나리오에 따른 상기 복수의 제2 이동체 각각의 제2 기준 위치 데이터를 생성하는 단계;
상기 복수의 제2 이동 데이터 및 상기 제2 기준 위치 데이터에 기초하여 상기 복수의 제2 이동체에 각각 대응하는 복수의 입력 데이터를 생성하는 단계; 및
상기 복수의 입력 데이터를 상기 지도 학습 모델에 입력하여, 상기 복수의 제2 이동체 각각의 이상 여부를 실시간으로 추정하는 단계를 포함하고,
상기 복수의 제2 이동 데이터는 상기 복수의 제2 이동체 각각의 위치를 측정한 측위 데이터를 포함하고,
상기 복수의 입력 데이터는 상기 측위 데이터와 상기 제2 기준 위치 데이터 간의 차이를 나타내는 편차 데이터를 포함하는 군집 시스템의 이상 탐지 방법. - 제1 항에 있어서,
상기 복수의 제2 이동체는 상기 미리 설정된 시나리오에 따라 군집 비행하는 무인 비행체들인 것을 특징으로 하는 군집 시스템의 이상 탐지 방법. - 삭제
- 제1 항에 있어서,
상기 복수의 제2 이동 데이터와 상기 복수의 입력 데이터는 상기 복수의 제2 이동체 각각의 속도를 측정한 속도 데이터를 더 포함하는 것을 특징으로 하는 군집 시스템의 이상 탐지 방법. - 제1 항에 있어서,
상기 복수의 제2 이동 데이터 및 상기 제2 기준 위치 데이터는 생성 시간이 타임스탬핑되고,
미리 설정된 시간 동안 수신되는 상기 복수의 입력 데이터가 상기 지도 학습 모델에 입력되는 것을 특징으로 하는 군집 시스템의 이상 탐지 방법. - 삭제
- 삭제
- 삭제
- 제1 항에 있어서,
상기 복수의 차원 축소 데이터는 상기 주성분 분석에 의해 상기 복수의 트레이닝 데이터가 6차원에서 2차원으로 축소된 데이터인 것을 특징으로 하는 군집 시스템의 이상 탐지 방법. - 삭제
- 삭제
- 컴퓨팅 장치를 이용하여 제1 항, 제2 항, 제4 항, 제5 항 및 제9 항 중 어느 한 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
- 인공지능 신경망을 이용하여 생성된 지도 학습 모델, 미리 설정된 제1 시나리오에 따라 군집하여 이동하는 복수의 제1 이동체로부터 수집된 복수의 제1 이동 데이터, 상기 미리 설정된 제1 시나리오에 따라 생성된 상기 복수의 제1 이동체 각각의 제1 기준 위치 데이터, 미리 설정된 제2 시나리오에 따라 군집하여 이동하는 복수의 제2 이동체로부터 실시간으로 수신되는 복수의 제2 이동 데이터, 및 상기 미리 설정된 제2 시나리오에 따라 결정되는 상기 복수의 제2 이동체 각각의 제2 기준 위치 데이터를 저장하는 메모리;
상기 복수의 제1 이동 데이터 및 상기 제1 기준 위치 데이터에 기초하여 상기 복수의 제1 이동체에 각각 대응하는 복수의 트레이닝 데이터를 생성하고, 상기 복수의 트레이닝 데이터에 이상 정보를 라벨링하고, 상기 이상 정보가 라벨링된 상기 복수의 트레이닝 데이터를 이용하여 상기 지도 학습 모델을 트레이닝하도록 구성되는 적어도 하나의 제1 프로세서; 및
상기 복수의 제2 이동 데이터 및 상기 제2 기준 위치 데이터에 기초하여 상기 복수의 제2 이동체에 각각 대응하는 복수의 입력 데이터를 생성하고, 상기 복수의 입력 데이터를 상기 트레이닝된 지도 학습 모델에 입력하여, 상기 복수의 제2 이동체 각각의 이상 여부를 실시간으로 추정하도록 구성되는 적어도 하나의 제2 프로세서를 포함하고,
상기 적어도 하나의 제1 프로세서는 상기 복수의 트레이닝 데이터에 대하여 주성분 분석(PCA, Principal component analysis)을 수행하여, 상기 복수의 트레이닝 데이터의 차원을 축소하여 복수의 차원 축소 데이터를 생성하고, 상기 복수의 차원 축소 데이터에 대하여 머신러닝에 기반한 비지도 클러스터링 방법을 수행하여, 상기 차원 축소 데이터를 k개의 그룹으로 그룹핑하고,
상기 복수의 차원 축소 데이터를 상기 k개의 그룹으로 그룹핑한 결과에 기초하여, 상기 복수의 차원 축소 데이터 각각에 대응하는 상기 복수의 트레이닝 데이터 각각의 데이터 값들이 상기 k개의 그룹으로 분류되는 분배 비율을 산정하고, 상기 복수의 트레이닝 데이터 각각의 상기 분배 비율에 기초하여, 상기 복수의 트레이닝 데이터 각각에 대응하는 상기 복수의 제1 이동체 각각의 이상 유무를 결정하고, 상기 복수의 제1 이동체 각각의 이상 유무에 따라 상기 복수의 트레이닝 데이터 각각에 이상 정보를 라벨링하도록 구성되고,
상기 복수의 제2 이동 데이터는 상기 복수의 제2 이동체 각각의 위치를 측정한 측위 데이터, 및 상기 복수의 제2 이동체 각각의 속도를 측정한 속도 데이터를 포함하고,
상기 복수의 입력 데이터는 상기 측위 데이터와 상기 기준 위치 데이터 간의 차이를 나타내는 편차 데이터, 및 상기 속도 데이터를 포함하는 것을 특징으로 하는 군집 시스템의 이상 탐지 장치. - 제13 항에 있어서,
상기 복수의 제2 이동체는 상기 미리 설정된 제2 시나리오에 따라 군집 비행하는 무인 비행체들인 것을 특징으로 하는 군집 시스템의 이상 탐지 장치. - 삭제
- 삭제
- 삭제
- 삭제
- 제13 항에 있어서,
상기 복수의 차원 축소 데이터는 상기 주성분 분석에 의해 상기 복수의 트레이닝 데이터가 6차원에서 2차원으로 축소된 데이터인 것을 특징으로 하는 군집 시스템의 이상 탐지 장치.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190159354A KR102170632B1 (ko) | 2019-12-03 | 2019-12-03 | 군집 시스템에서 실시간 이상 탐지 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190159354A KR102170632B1 (ko) | 2019-12-03 | 2019-12-03 | 군집 시스템에서 실시간 이상 탐지 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102170632B1 true KR102170632B1 (ko) | 2020-10-27 |
Family
ID=73136369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190159354A KR102170632B1 (ko) | 2019-12-03 | 2019-12-03 | 군집 시스템에서 실시간 이상 탐지 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102170632B1 (ko) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313280A (zh) * | 2021-03-31 | 2021-08-27 | 阿里巴巴新加坡控股有限公司 | 云平台的巡检方法、电子设备及非易失性存储介质 |
| KR20220139044A (ko) * | 2021-04-07 | 2022-10-14 | 엘아이지넥스원 주식회사 | 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치 |
| WO2023008597A1 (ko) * | 2021-07-27 | 2023-02-02 | 주식회사 럭스로보 | 스마트 ai 키트 제어 시스템 및 제어 방법 |
| KR20230022688A (ko) | 2021-08-09 | 2023-02-16 | 주식회사 케이티 | 객체 인식을 위한 학습 데이터를 생성하는 서버, 방법 및 컴퓨터 프로그램 |
| KR102504701B1 (ko) * | 2021-10-14 | 2023-02-27 | 한국항공대학교산학협력단 | 블록체인 기반의 드론 군집에 대한 데이터 수집 및 이상 관제 장치 및 방법 |
| KR20230126625A (ko) * | 2022-02-21 | 2023-08-30 | 다겸 주식회사 | 1차원 오토인코더를 이용한 이상 탐지 장치 |
| KR102665097B1 (ko) * | 2023-11-22 | 2024-05-10 | 한국항공우주연구원 | 군집 시스템에서 개별 이동체의 이상 탐지 방법 및 장치 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180054007A (ko) * | 2016-11-14 | 2018-05-24 | 동국대학교 산학협력단 | 드론을 제어하기 위한 시스템 및 방법 |
| KR102039540B1 (ko) * | 2019-04-23 | 2019-11-01 | (주)위세아이텍 | 빅데이터의 이상값 탐지 프로세스 자동화 장치 및 방법 |
-
2019
- 2019-12-03 KR KR1020190159354A patent/KR102170632B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180054007A (ko) * | 2016-11-14 | 2018-05-24 | 동국대학교 산학협력단 | 드론을 제어하기 위한 시스템 및 방법 |
| KR102039540B1 (ko) * | 2019-04-23 | 2019-11-01 | (주)위세아이텍 | 빅데이터의 이상값 탐지 프로세스 자동화 장치 및 방법 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313280A (zh) * | 2021-03-31 | 2021-08-27 | 阿里巴巴新加坡控股有限公司 | 云平台的巡检方法、电子设备及非易失性存储介质 |
| CN113313280B (zh) * | 2021-03-31 | 2023-09-19 | 阿里巴巴新加坡控股有限公司 | 云平台的巡检方法、电子设备及非易失性存储介质 |
| KR20220139044A (ko) * | 2021-04-07 | 2022-10-14 | 엘아이지넥스원 주식회사 | 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치 |
| KR102570576B1 (ko) * | 2021-04-07 | 2023-08-25 | 엘아이지넥스원 주식회사 | 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치 |
| WO2023008597A1 (ko) * | 2021-07-27 | 2023-02-02 | 주식회사 럭스로보 | 스마트 ai 키트 제어 시스템 및 제어 방법 |
| KR20230022688A (ko) | 2021-08-09 | 2023-02-16 | 주식회사 케이티 | 객체 인식을 위한 학습 데이터를 생성하는 서버, 방법 및 컴퓨터 프로그램 |
| KR102504701B1 (ko) * | 2021-10-14 | 2023-02-27 | 한국항공대학교산학협력단 | 블록체인 기반의 드론 군집에 대한 데이터 수집 및 이상 관제 장치 및 방법 |
| KR20230126625A (ko) * | 2022-02-21 | 2023-08-30 | 다겸 주식회사 | 1차원 오토인코더를 이용한 이상 탐지 장치 |
| KR102611399B1 (ko) * | 2022-02-21 | 2023-12-08 | 다겸 주식회사 | 1차원 오토인코더를 이용한 이상 탐지 장치 |
| KR102665097B1 (ko) * | 2023-11-22 | 2024-05-10 | 한국항공우주연구원 | 군집 시스템에서 개별 이동체의 이상 탐지 방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102170632B1 (ko) | 군집 시스템에서 실시간 이상 탐지 방법 및 장치 | |
| Piciarelli et al. | Trajectory clustering and its applications for video surveillance | |
| US9728014B2 (en) | Sensor fault detection and diagnosis for autonomous systems | |
| US10908261B2 (en) | Target identification and clutter mitigation in high resolution radar systems | |
| US11995766B2 (en) | Centralized tracking system with distributed fixed sensors | |
| US20150278711A1 (en) | System state classifier | |
| CN115761421A (zh) | 一种多源信息融合低慢小目标探测方法及无人空防*** | |
| CN106546975A (zh) | 一种基于雷达数据的轻小型无人机与飞鸟分类识别方法 | |
| Ahmad et al. | Intelligent framework for automated failure prediction, detection, and classification of mission critical autonomous flights | |
| CN113869379A (zh) | 一种基于数据驱动的航空器能量异常识别方法 | |
| CN115064009A (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
| US20220011786A1 (en) | Correlated motion and detection for aircraft | |
| CN117311393B (zh) | 一种无人机自主飞行路径规划方法及*** | |
| CN116954264A (zh) | 分布式高亚音速无人机集群控制***及其方法 | |
| Anthony et al. | Surface classification for sensor deployment from UAV landings | |
| Holbrook et al. | Aerial object trajectory classification by training on flight controller data and testing on radar generated tracks | |
| Dhulipudi et al. | Geospatial object detection using machine learning-aviation case study | |
| Zhang et al. | Pilot maneuvering performance analysis and evaluation with deep learning | |
| CN114415726A (zh) | 一种基于图像分析的无人机避障控制***及方法 | |
| KR102665097B1 (ko) | 군집 시스템에서 개별 이동체의 이상 탐지 방법 및 장치 | |
| CN111902851B (zh) | 学习用数据生成方法、学习用数据生成装置以及学习用数据生成程序 | |
| Mendes et al. | Computer vision systems in unmanned aerial vehicle: a review | |
| Mochurad et al. | Identification and Tracking of Unmanned Aerial Vehicles Based on Radar Data. | |
| Hu et al. | Anomaly Detection of UAV State Data Based on Single-class Triangular Global Alignment Kernel Extreme Learning Machine | |
| Pathak et al. | Autonomous Obstacle Detection and Avoidance in Drones |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |