KR102172974B1 - 레이더를 이용한 무인 비행체 식별 장치 및 그 방법 - Google Patents

레이더를 이용한 무인 비행체 식별 장치 및 그 방법 Download PDF

Info

Publication number
KR102172974B1
KR102172974B1 KR1020190017943A KR20190017943A KR102172974B1 KR 102172974 B1 KR102172974 B1 KR 102172974B1 KR 1020190017943 A KR1020190017943 A KR 1020190017943A KR 20190017943 A KR20190017943 A KR 20190017943A KR 102172974 B1 KR102172974 B1 KR 102172974B1
Authority
KR
South Korea
Prior art keywords
vehicle
unmanned aerial
pattern information
movement pattern
aerial vehicle
Prior art date
Application number
KR1020190017943A
Other languages
English (en)
Other versions
KR20200099823A (ko
Inventor
오대건
최병길
이영춘
Original Assignee
재단법인대구경북과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020190017943A priority Critical patent/KR102172974B1/ko
Publication of KR20200099823A publication Critical patent/KR20200099823A/ko
Application granted granted Critical
Publication of KR102172974B1 publication Critical patent/KR102172974B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/505—Systems of measurement based on relative movement of target using Doppler effect for determining closest range to a target or corresponding time, e.g. miss-distance indicator
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/04—Systems determining presence of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • G06K9/20—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

레이더를 이용한 무인 비행체 식별 장치 및 그 방법이 개시된다. 무인 비행체 식별 방법은 레이더를 이용하여 비행체를 탐지하는 단계; 상기 비행체의 현재 이동 패턴 정보를 측정하는 단계; 및 상기 현재 이동 패턴 정보를 기초로 상기 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단하는 단계를 포함할 수 있다.

Description

레이더를 이용한 무인 비행체 식별 장치 및 그 방법{APPARATUS AND METHOD FOR IDENTIFYING UNMANNED AERIAL VEHICLES USING RADAR}
본 발명은 마이크로 도플러 패턴 없이 무인 비행체를 식별하는 장치 및 방법에 관한 것이다.
드론과 같은 무인 비행체를 이용한 원거리 감시, 또는 촬영 시스템이 개발됨에 따라 보안을 위하여 무인 비행체를 탐지 및 격퇴하는 대응 시스템도 개발되고 있다.
그러나, 하늘에는 무인 비행체 이외에도 조류나 풍선과 같은 보안과 관련되지 않는 비행체가 있으며, 무인 비행체가 아닌 비행체에 대하여 대응을 하는 경우, 불필요한 경비가 소요된다는 문제가 있었다.
종래의 무인 비행체 식별 장치는 프로펠러를 이용하는 드론들의 특징을 고려하여 프로펠러의 회전에서 발생하는 마이크로 도플러 패턴이 발생하는지 여부를 측정하고, 마이크로 도플러 패턴이 발생한 비행체를 무인 비행체로 식별하였다.
그러나, 마이크로 도플러 패턴을 측정하기 위해서는 레이더 신호가 비행체에서 반사된 반사 신호의 신호대 잡음비가 임계값 이상이어야 하므로, 비행체와 레이더 간의 거리가 일정 거리 이상인 경우, 마이크로 도플러 패턴을 측정할 수 없었다. 즉, 종래의 무인 비행체 식별 장치는 일정 거리 이상의 원거리에 위치한 비행체가 무인 비행체인지 여부를 식별하지 못한다는 한계가 있었다.
또한, 종래의 무인 비행체 식별 장치는 무인 비행체가 마이크로 도플러 패턴이 발생하는 프로펠러가 없는 고정익을 사용하는 경우, 무인 비행체로 식별하지 못한다는 한계도 있었다.
따라서, 원거리에서 탐지된 비행체가 무인 비행체인지 여부를 식별할 수 있는 방법이 요청되고 있다.
본 발명은 비행체의 이동 경로, 또는 패턴에 따라 비행체가 무인 비행체인지 여부를 식별함으로써, 근거리에서만 사용 가능한 도플러 패턴 없이도 무인 비행체 여부를 식별할 수 있으므로, 도플러 패턴의 추출이 불가능한 원거리에서 탐지된 비행체가 무인 비행체인지 여부를 식별할 수 있는 장치 및 방법을 제공할 수 있다.
본 발명의 일실시예에 따른 무인 비행체 식별 방법은 레이더를 이용하여 비행체를 탐지하는 단계; 상기 비행체의 현재 이동 패턴 정보를 측정하는 단계; 및 상기 현재 이동 패턴 정보를 기초로 상기 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따른 무인 비행체 식별 방법의 현재 이동 패턴 정보는, 상기 비행체의 이동 경로, 상기 비행체의 속도 변화 패턴, 상기 비행체의 고도 변화 패턴, 상기 비행체와 상기 레이더 간의 거리, 상기 비행체의 방향 변화 패턴, 상기 비행체의 도플러 패턴 중 적어도 하나를 포함할 수 있다.
본 발명의 일실시예에 따른 무인 비행체 식별 방법의 무인 비행체인지 여부를 판단하는 단계는, 상기 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 규칙적인 경우, 상기 비행체를 상기 무인 비행체로 판단하고, 상기 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 불규칙한 경우, 상기 비행체를 무인 비행체가 아닌 것으로 판단할 수 있다.
본 발명의 일실시예에 따른 무인 비행체 식별 방법의 무인 비행체인지 여부를 판단하는 단계는, 경로에 따라 비행하는 무인 비행체에 대응하는 샘플 이동 패턴 정보, 및 기 설정된 경로 없이 비행하는 비행체에 대응하는 샘플 이동 패턴 정보를 이용하여 학습된 패턴 인식 모델을 이용하여 상기 비행체가 상기 무인 비행체인지 여부를 판단할 수 있다.
본 발명의 일실시예에 따른 무인 비행체 식별 방법의 패턴 인식 모델은, 경로에 따라 비행하는 무인 비행체에 대응하는 샘플 정보, 및 기 설정된 경로 없이 비행하는 비행체에 대응하는 샘플 정보를 재생산하여 다양성을 증가시키고, 다양성이 증가된 샘플 정보들을 기초로 생성된 샘플 이동 패턴 정보들을 이용하여 학습될 수 있다.
본 발명의 일실시예에 따른 무인 비행체 식별 방법은 상기 현재 이동 패턴 정보를 이미지화하는 단계를 더 포함하고, 상기 패턴 인식 모델은, 이미지화된 샘플 이동 패턴 정보들을 이용하여 학습된 이미지 인식 모델이며, 이미지화된 현재 이동 패턴 정보를 기초로 상기 비행체가 상기 무인 비행체인지 여부를 판단할 수 있다.
본 발명의 일실시예에 따른 무인 비행체 식별 장치는 레이더를 이용하여 비행체를 탐지하는 비행체 탐지부; 상기 비행체의 현재 이동 패턴 정보를 측정하는 이동 패턴 정보 측정부; 및 상기 현재 이동 패턴 정보를 기초로 상기 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단하는 무인 비행체 판단부를 포함할 수 있다.
본 발명의 일실시예에 따른 무인 비행체 식별 장치의 현재 이동 패턴 정보는, 상기 비행체의 이동 경로, 상기 비행체의 속도 변화 패턴, 상기 비행체의 고도 변화 패턴, 상기 비행체와 상기 레이더 간의 거리, 상기 비행체의 방향 변화 패턴, 상기 비행체의 도플러 패턴 중 적어도 하나를 포함할 수 있다.
본 발명의 일실시예에 따른 무인 비행체 식별 장치의 무인 비행체 판단부는, 상기 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 규칙적인 경우, 상기 비행체를 상기 무인 비행체로 판단하고, 상기 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 불규칙한 경우, 상기 비행체를 무인 비행체가 아닌 것으로 판단할 수 있다.
본 발명의 일실시예에 따른 무인 비행체 식별 장치의 무인 비행체 판단부는, 경로에 따라 비행하는 무인 비행체에 대응하는 샘플 이동 패턴 정보, 및 기 설정된 경로 없이 비행하는 비행체에 대응하는 샘플 이동 패턴 정보를 이용하여 학습된 패턴 인식 모델을 이용하여 상기 비행체가 상기 무인 비행체인지 여부를 판단할 수 있다.
본 발명의 일실시예에 따른 무인 비행체 식별 장치의 패턴 인식 모델은, 경로에 따라 비행하는 무인 비행체에 대응하는 샘플 이동 패턴 정보, 및 기 설정된 경로 없이 비행하는 비행체에 대응하는 샘플 이동 패턴 정보를 재생산하여 다양성을 증가시키고, 다양성이 증가된 샘플 이동 패턴 정보들을 이용하여 학습될 수 있다.
본 발명의 일실시예에 따른 무인 비행체 식별 장치는 상기 현재 이동 패턴 정보를 이미지화하는 이미지화부를 더 포함하고, 상기 패턴 인식 모델은, 이미지화된 샘플 이동 패턴 정보들을 이용하여 학습된 이미지 인식 모델이며, 이미지화된 현재 이동 패턴 정보를 기초로 상기 비행체가 상기 무인 비행체인지 여부를 판단할 수 있다.
본 발명의 일실시예에 의하면, 비행체의 이동 경로, 또는 패턴에 따라 비행체가 무인 비행체인지 여부를 식별함으로써, 근거리에서만 사용 가능한 도플러 패턴 없이도 무인 비행체 여부를 식별할 수 있으므로, 도플러 패턴의 추출이 불가능한 원거리에서 탐지된 비행체가 무인 비행체인지 여부를 식별할 수 있다.
도 1은 본 발명의 일실시예에 따른 무인 비행체 식별 장치를 나타내는 도면이다.
도 2는 본 발명의 일실시예에 따른 무인 비행체 식별 장치의 구조를 나타내는 도면이다.
도 3은 본 발명의 일실시예에 따라 추출한 이동 패턴 정보의 일례이다.
도 4는 본 발명의 일실시예에 따른 비행체 식별 과정의 일례이다.
도 5는 본 발명의 일실시예에 따라 이미지화된 샘플 이동 패턴 정보들을 학습하는 과정의 일례이다.
도 6은 본 발명의 일실시예에 따라 생성한 도플러 이미지의 일례이다.
도 7은 본 발명의 일실시예에 따른 무인 비행체 식별 방법을 도시한 플로우차트이다.
도 8은 본 발명의 일실시예에 따른 무인 비행체 식별을 위한 인식 모델 학습 방법을 도시한 플로우차트이다.
도 9는 본 발명의 일실시예에 따른 인식 모델을 이용한 무인 비행체 식별 방법을 도시한 플로우차트이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 발명의 일실시예에 따른 무인 비행체 식별 방법은 무인 비행체 식별 장치에 의해 수행될 수 있다.
도 1은 본 발명의 일실시예에 따른 무인 비행체 식별 장치를 나타내는 도면이다.
레이더(110)는 공중으로 레이더 신호를 송출할 수 있다. 그리고, 레이더(110)는 레이더 신호가 공중에서 비행, 또는 부유하고 있는 타겟인 비행체에 반사된 반사 신호를 수신할 수 있다. 이때, 레이더(110)는 수신한 반사 신호가 포함된 측정 결과를 무인 비행체 식별 장치(120)로 전송할 수 있다.
무인 비행체 식별 장치(120)는 레이더(110)로부터 수신한 측정 결과를 이용하여 비행체를 탐지할 수 있다. 다음으로, 무인 비행체 식별 장치(120)는 탐지한 비행체의 이동 패턴 정보를 측정할 수 있다. 그 다음으로, 무인 비행체 식별 장치(120)는 이동 패턴 정보를 기초로 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단할 수 있다.
정찰이나 촬영을 위한 무인 비행체는 수KM이상을 비행하므로, 수동으로 제어하지 않고 기 설정된 경로에 따라 비행하게 된다. 이때, 무인 비행체는 자동 고도 유지 장치에 의하여 일정 고도를 유지할 수 있다. 또한, 무인 비행체는 동력의 효율성을 위하여 최적의 효율을 가질 수 있는 속도를 유지할 가능성이 높다. 즉, 정찰이나 촬영을 위한 무인 비행체는 일정한 고도에서 일정한 속도로 비행하며, 기 설정된 경로로 이동하게 된다.
반면, 조류나, 사용자가 직접 조작하는 비행체는 바람이나 기압에 따라 속도와 고도가 불규칙하게 변화하며, 이동 경로도 조류나 사용자에 의하여 실시간으로 변경되므로 불규칙하게 변화할 수 있다.
따라서, 무인 비행체 식별 장치(120)는 정찰이나 촬영을 위한 무인 비행체와 조류와 같은 비행체 간의 경로 및 이동 패턴의 차이를 고려하여 무인 비행체를 식별할 수 있다.
무인 비행체 식별 장치(120)가 식별하고자 하는 무인 비행체는 경로에 따라 비행하며 촬영이 가능한 원거리 무인 비행체이며, 사용자가 수동으로 조작하는 무인 비행체는 무인 비행체 식별 장치(120)에서 무인 비행체가 아닌 것으로 식별될 수 있다.
예를 들어, 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 규칙적인 경우, 무인 비행체 식별 장치(120)는 비행체를 무인 비행체로 판단할 수 있다. 또한, 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 불규칙한 경우, 무인 비행체 식별 장치(120)는 비행체를 무인 비행체가 아닌 조류나 부유물로 판단할 수 있다.
또한, 무인 비행체 식별 장치(120)는 이동 패턴 정보 학습 장치(130)로부터 샘플 이동 패턴 정보를 이용하여 학습된 패턴 인식 모델을 수신할 수 있다. 이때, 무인 비행체 식별 장치(120)는 탐지 결과에서 비행체의 현재 이동 패턴 정보를 측정하고, 측정한 현재 이동 패턴 정보를 패턴 인식 모델에 입력하여 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단할 수 있다.
그리고, 무인 비행체 식별 장치(120)는 이동 패턴 정보 학습 장치(130)로부터 샘플 이동 패턴 정보를 이용하여 학습된 이미지 인식 모델을 수신할 수 있다. 이때, 무인 비행체 식별 장치(120)는 탐지 결과에서 비행체의 현재 이동 패턴 정보를 측정하고, 측정한 현재 이동 패턴 정보를 이미지화할 수 있다. 다음으로, 무인 비행체 식별 장치(120)는 이미지화된 현재 이미지 패턴 정보를 이미지 인식 모델에 입력하여 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단할 수 있다.
이동 패턴 정보 학습 장치(130)는 샘플 이동 패턴 정보를 이용하여 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단하기 위한 패턴 인식 모델을 학습시킬 수 있다.
이때, 이동 패턴 정보 학습 장치(130)는 경로에 따라 비행하는 무인 비행체에 대응하는 샘플 정보, 및 기 설정된 경로 없이 비행하는 비행체에 대응하는 샘플 정보를 재생산하여 다양성을 증가시킬 수 있다. 다음으로, 이동 패턴 정보 학습 장치(130)는 다양성이 증가된 샘플 정보들 각각으로부터 샘플 이동 패턴 정보를 생성할 수 있다. 이때, 생성한 샘플 이동 패턴 정보들에는 경로에 따라 비행하는 무인 비행체에 대응하는 샘플 이동 패턴 정보, 및 기 설정된 경로 없이 비행하는 비행체에 대응하는 샘플 이동 패턴 정보가 포함될 수 있다.
그 다음으로, 이동 패턴 정보 학습 장치(130)는 샘플 이동 패턴 정보들을 이용하여 패턴 인식 모델을 학습시킬 수 있다.
또한, 이동 패턴 정보 학습 장치(130)는 샘플 정보들을 이용하여 생성한 샘플 이동 패턴 정보들을 이미지화할 수 있다. 다음으로, 이동 패턴 정보 학습 장치(130)는 이미지화된 샘플 이동 패턴 정보들을 이용하여 이미지화된 현재 이동 패턴 정보가 비행체가 경로에 따라 비행하는 무인 비행체에 대응하는지 여부를 판단하기 위한 이미지 인식 모델을 학습시킬 수 있다.
본 발명의 일실시예에 따른 무인 비행체 식별 장치(120)는 비행체의 이동 경로, 또는 패턴에 따라 비행체가 무인 비행체인지 여부를 식별함으로써, 근거리에서만 사용 가능한 도플러 패턴 없이도 무인 비행체 여부를 식별할 수 있으므로, 도플러 패턴의 추출이 불가능한 원거리에서 탐지된 비행체가 무인 비행체인지 여부를 식별할 수 있다.
도 2는 본 발명의 일실시예에 따른 무인 비행체 식별 장치의 구조를 나타내는 도면이다.
무인 비행체 식별 장치(100)는 도 2에 도시된 바와 같이 비행체 탐지부(210), 이동 패턴 정보 측정부(220), 이미지화부(230), 및 무인 비행체 판단부(240)를 포함할 수 있다. 이때, 비행체 탐지부(210), 이동 패턴 정보 측정부(220), 이미지화부(230), 및 무인 비행체 판단부(240)는 서로 다른 프로세서, 또는 하나의 프로세서에서 수행되는 프로그램에 포함된 각각의 모듈일 수 있다.
비행체 탐지부(210)는 레이더(110)로부터 수신한 측정 결과를 이용하여 비행체를 탐지할 수 있다. 구체적으로, 비행체 탐지부(210)는 레이더(110)가 송출한 레이더 신호와 측정 결과에 포함된 반사 신호를 비교하여 비행체의 위치를 탐지할 수 있다.
이동 패턴 정보 측정부(220)는 비행체 탐지부(210)가 탐지한 비행체의 현재 이동 패턴 정보를 측정할 수 있다. 이때, 현재 이동 패턴 정보는, 비행체의 이동 경로, 비행체의 속도 변화 패턴, 비행체의 고도 변화 패턴, 비행체와 레이더 간의 거리, 비행체의 방향 변화 패턴, 비행체의 도플러 패턴 중 적어도 하나를 포함할 수 있다.
이미지화부(230)는 이동 패턴 정보 학습 장치(130)가 이미지 인식 모델을 전송한 경우, 이동 패턴 정보 측정부(220)가 측정한 현재 이동 패턴 정보를 이미지화할 수 있다. 즉, 실시예에 따라 무인 비행체 식별 장치(120)에 이미지화부(230)가 포함될지 여부가 결정될 수 있다. 예를 들어, 이동 패턴 정보 학습 장치(130)가 패턴 인식 모델을 전송하거나, 무인 비행체 판단부(240)가 현재 이동 패턴 정보만으로 무인 비행체 여부를 판단하는 경우, 현재 이동 패턴 정보의 이미지화가 필요 없을 수 있다. 따라서, 상기 조건 중 하나를 만족하는 경우, 이미지화부(230)는 무인 비행체 식별 장치(120)에 포함되지 않을 수도 있다.
무인 비행체 판단부(240)는 이동 패턴 정보 측정부(220)가 측정한 현재 이동 패턴 정보를 기초로 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단할 수 있다.
구체적으로, 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 규칙적인 경우, 무인 비행체 판단부(240)는 비행체를 무인 비행체로 판단할 수 있다. 또한, 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 불규칙한 경우, 무인 비행체 판단부(240)는 비행체를 무인 비행체가 아닌 것으로 판단할 수 있다.
그리고, 무인 비행체 판단부(240)는 이동 패턴 정보 학습 장치(130)로부터 패턴 인식 모델을 수신할 수 있다. 이때, 무인 비행체 판단부(240)는 현재 이동 패턴 정보를 패턴 인식 모델에 입력하여 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단할 수 있다.
또한, 무인 비행체 판단부(240)는 이동 패턴 정보 학습 장치(130)로부터 이미지 인식 모델을 수신할 수 있다. 이때, 무인 비행체 판단부(240)는 이미지화부(230)에서 이미지화된 현재 이미지 패턴 정보를 이미지 인식 모델에 입력하여 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단할 수 있다.
도 3은 본 발명의 일실시예에 따라 추출한 이동 패턴 정보의 일례이다.
비행체 탐지부(210)는 레이더(110)가 송출한 레이더 신호와 측정 결과에 포함된 반사 신호를 비교하여 비행체(310)의 위치를 탐지할 수 있다.
이때, 비행체 탐지부(210)는 레이더(110)의 위치를 기준으로 비행체(310)의 고각, 방위각, 거리를 측정하여 이동 패턴 정보 측정부(220)에 전달할 수 있다. 또한, 비행체 탐지부(210)는 비행체(310)의 도플러(doppler) 정보를 추출하여 이동 패턴 정보 측정부(220)로 전달할 수 있다.
다음으로, 이동 패턴 정보 측정부(220)는 비행체 탐지부(210)가 탐지한 비행체의 이동 패턴 정보(320)를 측정할 수 있다.
구체적으로, 이동 패턴 정보 측정부(220)는 비행체 탐지부(210)로부터 수신한 비행체(310)의 고각, 방위각, 거리를 이용하여 비행체(310)의 이동 경로, 비행체의 고도 변화 패턴, 비행체와 레이더 간의 거리, 비행체의 방향 변화 패턴을 측정할 수 있다. 또한, 이동 패턴 정보 측정부(220)는 비행체(310)의 도플러 정보를 이용하여 비행체의 속도 변화 패턴, 속도 분배(Distribution) 정보, 및 비행체의 도플러 패턴을 측정할 수 있다. 그리고, 이동 패턴 정보 측정부(220)는 측정한 정보들이 포함된 이동 패턴 정보(320)를 이미지화부(230), 또는 무인 비행체 판단부(240)로 전달할 수 있다.
도 4는 본 발명의 일실시예에 따른 비행체 식별 과정의 일례이다.
이동 패턴 정보 학습 장치(130)는 샘플 정보들(410)을 입력받을 수 있다.
이동 패턴 정보 학습 장치(130)는 입력받은 샘플 정보(410)들을 재생산하여 샘플 이동 패턴 정보들의 다양성을 증가시킬 수 있다. 예를 들어, 이동 패턴 정보 학습 장치(130)는 갠(GAN: Generative adversarial networks)(420) 러닝을 이용하여 샘플 정보(410)들을 재생산할 수 있다.
이동 패턴 정보 학습 장치(130)는 재생산된 샘플 정보들(430) 각각의 이동 패턴 정보(450)들을 생성할 수 있다. 이때, 이동 패턴 정보 학습 장치(130)는 샘플 정보에 포함된 비행체의 고각, 방위각, 거리, 및 도플러 정보를 이용하여 비행체의 이동 경로, 비행체의 속도 변화 패턴, 비행체의 고도 변화 패턴, 비행체와 레이더 간의 거리, 비행체의 방향 변화 패턴, 비행체의 도플러 패턴 중 적어도 하나를 포함하는 이동 패턴 정보(450)들을 생성할 수 있다.
이동 패턴 정보 학습 장치(130)는 이동 패턴 정보(450)들을 이용하여 패턴 인식 모델(460)이 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단할 수 있도록 학습할 수 있다. 또한, 이동 패턴 정보 학습 장치(130)는 이동 패턴 정보(450)들을 이미지화하고, 이미지화된 이동 패턴 정보(450)들을 이용하여 이미지 인식 모델이 무인 비행체에 대응하는 이미지화된 이동 패턴 정보를 판단할 수 있도록 학습할 수 있다.
무인 비행체 식별 장치(120)는 학습이 완료된 패턴 인식 모델(470)에 현재 이동 패턴 정보를 입력하여 레이더에서 탐지된 비행체가 드론과 같은 무인 비행체인지, 또는 조류와 같은 비행체인지 여부를 식별할 수 있다.
이때, 무인 비행체 식별 장치(120)는 현재 이동 패턴 정보에 프로펠러의 회전에 의한 도플러 패턴이 포함되었고, 비행체가 무인 비행체로 판단된 경우, 비행체를 회전익 드론으로 식별할 수 있다. 또한, 무인 비행체 식별 장치(120)는 현재 이동 패턴 정보에 프로펠러의 회전에 의한 도플러 패턴이 포함되지 않고, 비행체가 무인 비행체로 판단된 경우, 비행체를 고정익 드론으로 식별할 수 있다.
도 5는 본 발명의 일실시예에 따라 이미지화된 샘플 이동 패턴 정보들을 학습하는 과정의 일례이다.
이동 패턴 정보 학습 장치(130)는 샘플 이동 패턴을 이미지화하여 이미지화된 샘플 이동 패턴(510)들을 생성할 수 있다.
그리고, 이동 패턴 정보 학습 장치(130)는 랜덤 노이즈(520)들을 역CNN(Inverse Convolutional Neural Network)500)에 입력하여 거짓 이미지(530)들을 생성할 수 있다.
이동 패턴 정보 학습 장치(130)는 이미지화된 샘플 이동 패턴(510)들과 거짓 이미지(530)들을 CNN(501)에 입력하여 거짓 이미지(530)들에 대하여 결과(540)가 거짓(Fake)가 되도록 CNN(501)을 학습할 수 있다. 또한, 이동 패턴 정보 학습 장치(130)는 이미지화된 샘플 이동 패턴(510) 중에서 무인 비행체에 대응하는 이미지화된 샘플 이동 패턴들에 대하여 결과(540)가 참(Real)이 되도록 CNN(501)을 학습할 수 있다.
도 6은 본 발명의 일실시예에 따라 생성한 도플러 이미지의 일례이다.
이동 패턴 정보 측정부(220)는 도 5에 도시된 바와 같은 도플러 정보(600)를 이용하여 도플러 패턴 이미지들을 생성할 수 있다. 예를 들어, 이동 패턴 정보 측정부(220)는 도플러 정보(600)의 패턴(610)의 형상을 나타내는 도플러 패턴 이미지(611)를 생성할 수 있다. 또한, 이동 패턴 정보 측정부(220)는 도플러 정보(600)의 패턴(620)의 형상을 나타내는 도플러 패턴 이미지(621)를 생성할 수 있다.
도 7은 본 발명의 일실시예에 따른 무인 비행체 식별 방법을 도시한 플로우차트이다.
단계(710)에서 비행체 탐지부(210)는 레이더(110)로부터 수신한 측정 결과를 이용하여 비행체를 탐지할 수 있다. 구체적으로, 비행체 탐지부(210)는 레이더(110)가 송출한 레이더 신호와 측정 결과에 포함된 반사 신호를 비교하여 비행체의 위치를 탐지할 수 있다.
단계(720)에서 이동 패턴 정보 측정부(220)는 단계(710)에서 탐지한 비행체의 현재 이동 패턴 정보를 측정할 수 있다.
단계(730)에서 무인 비행체 판단부(240)는 단계(720)에서 측정한 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 규칙적인지 여부를 확인할 수 있다. 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 규칙적인 경우, 무인 비행체 판단부(240)는 단계(740)를 수행할 수 있다. 또한, 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 불규칙적인 경우, 무인 비행체 판단부(240)는 단계(730)를 수행할 수 있다.
단계(730)에서 무인 비행체 판단부(240)는 비행체를 무인 비행체가 아닌 것으로 판단할 수 있다.
단계(740)에서 무인 비행체 판단부(240)는 비행체를 무인 비행체로 판단할 수 있다.
도 8은 본 발명의 일실시예에 따른 무인 비행체 식별을 위한 인식 모델 학습 방법을 도시한 플로우차트이다.
단계(810)에서 이동 패턴 정보 학습 장치(130)는 샘플 정보들을 입력받을 수 있다. 이때, 이동 패턴 정보 학습 장치(130)는 입력받은 샘플 정보(410)들을 재생산하여 샘플 이동 패턴 정보들의 다양성을 증가시킬 수 있다.
단계(820)에서 이동 패턴 정보 학습 장치(130)는 단계(810)에서 획득, 또는 재생산한 샘플 정보들 각각의 이동 패턴 정보들을 생성할 수 있다. 이때, 이동 패턴 정보 학습 장치(130)는 샘플 정보에 포함된 비행체의 고각, 방위각, 거리, 및 도플러 정보를 이용하여 비행체의 이동 경로, 비행체의 속도 변화 패턴, 비행체의 고도 변화 패턴, 비행체와 레이더 간의 거리, 비행체의 방향 변화 패턴, 비행체의 도플러 패턴 중 적어도 하나를 포함하는 이동 패턴 정보들을 생성할 수 있다.
단계(830)에서 이동 패턴 정보 학습 장치(130)는 단계(810)에서 생성한 이동 패턴 정보들을 이용하여 패턴 인식 모델에게 무인 비행체의 특징을 학습시킬 수 있다.
단계(840)에서 이동 패턴 정보 학습 장치(130)는 단계(830)에서 무인 비행체의 특징을 학습한 패턴 인식 모델을 무인 비행체 식별 장치(120)로 전송할 수 있다.
도 9는 본 발명의 일실시예에 따른 인식 모델을 이용한 무인 비행체 식별 방법을 도시한 플로우차트이다.
단계(910)에서 무인 비행체 식별 장치(120)는 이동 패턴 정보 학습 장치(130)로부터 무인 비행체의 특징을 학습한 패턴 인식 모델을 수신할 수 있다.
단계(920)에서 비행체 탐지부(210)는 레이더(110)로부터 수신한 측정 결과를 이용하여 비행체를 탐지할 수 있다.
단계(930)에서 이동 패턴 정보 측정부(220)는 단계(920)에서 탐지한 비행체의 현재 이동 패턴 정보를 측정할 수 있다.
단계(940)에서 무인 비행체 판단부(240)는 단계(910)에서 수신한 패턴 인식 모델에 단계(930)에서 측정한 현재 이동 패턴 정보를 입력하여 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단할 수 있다.
본 발명은 비행체의 이동 경로, 또는 패턴에 따라 비행체가 무인 비행체인지 여부를 식별함으로써, 근거리에서만 사용 가능한 도플러 패턴 없이도 무인 비행체 여부를 식별할 수 있으므로, 도플러 패턴의 추출이 불가능한 원거리에서 탐지된 비행체가 무인 비행체인지 여부를 식별할 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
110: 레이더
120: 무인 비행체 식별 장치
130: 이동 패턴 정보 학습 장치

Claims (12)

  1. 레이더를 이용하여 비행체를 탐지하는 단계;
    상기 비행체의 현재 이동 패턴 정보를 측정하는 단계;
    상기 현재 이동 패턴 정보를 이미지화하는 단계; 및
    상기 현재 이동 패턴 정보를 기초로 상기 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단하는 단계
    를 포함하고,
    상기 무인 비행체인지 여부를 판단하는 단계는,
    경로에 따라 비행하는 무인 비행체에 대응하는 샘플 이동 패턴 정보, 및 기 설정된 경로 없이 비행하는 비행체에 대응하는 샘플 이동 패턴 정보를 이용하여 학습된 패턴 인식 모델을 이용하여 상기 비행체가 상기 무인 비행체인지 여부를 판단하며,
    상기 패턴 인식 모델은,
    이미지화된 샘플 이동 패턴 정보들을 이용하여 학습된 이미지 인식 모델이며, 이미지화된 현재 이동 패턴 정보를 기초로 상기 비행체가 상기 무인 비행체인지 여부를 판단하는 무인 비행체 식별 방법.
  2. 제1항에 있어서,
    상기 현재 이동 패턴 정보는,
    상기 비행체의 이동 경로, 상기 비행체의 속도 변화 패턴, 상기 비행체의 고도 변화 패턴, 상기 비행체와 상기 레이더 간의 거리, 상기 비행체의 방향 변화 패턴, 상기 비행체의 도플러 패턴 중 적어도 하나를 포함하는 무인 비행체 식별 방법.
  3. 제1항에 있어서,
    상기 무인 비행체인지 여부를 판단하는 단계는,
    상기 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 규칙적인 경우, 상기 비행체를 상기 무인 비행체로 판단하고, 상기 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 불규칙한 경우, 상기 비행체를 무인 비행체가 아닌 것으로 판단하는 무인 비행체 식별 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 패턴 인식 모델은,
    경로에 따라 비행하는 무인 비행체에 대응하는 샘플 정보, 및 기 설정된 경로 없이 비행하는 비행체에 대응하는 샘플 정보를 재생산하여 다양성을 증가시키고, 다양성이 증가된 샘플 정보들을 기초로 생성된 샘플 이동 패턴 정보들을 이용하여 학습되는 무인 비행체 식별 방법.
  6. 삭제
  7. 레이더를 이용하여 비행체를 탐지하는 비행체 탐지부;
    상기 비행체의 현재 이동 패턴 정보를 측정하는 이동 패턴 정보 측정부;
    상기 현재 이동 패턴 정보를 이미지화하는 이미지화부; 및
    상기 현재 이동 패턴 정보를 기초로 상기 비행체가 경로에 따라 비행하는 무인 비행체인지 여부를 판단하는 무인 비행체 판단부
    를 포함하고,
    상기 무인 비행체 판단부는,
    경로에 따라 비행하는 무인 비행체에 대응하는 샘플 이동 패턴 정보, 및 기 설정된 경로 없이 비행하는 비행체에 대응하는 샘플 이동 패턴 정보를 이용하여 학습된 패턴 인식 모델을 이용하여 상기 비행체가 상기 무인 비행체인지 여부를 판단하며
    상기 패턴 인식 모델은,
    이미지화된 샘플 이동 패턴 정보들을 이용하여 학습된 이미지 인식 모델이며, 이미지화된 현재 이동 패턴 정보를 기초로 상기 비행체가 상기 무인 비행체인지 여부를 판단하는 무인 비행체 식별 장치.
  8. 제7항에 있어서,
    상기 현재 이동 패턴 정보는,
    상기 비행체의 이동 경로, 상기 비행체의 속도 변화 패턴, 상기 비행체의 고도 변화 패턴, 상기 비행체와 상기 레이더 간의 거리, 상기 비행체의 방향 변화 패턴, 상기 비행체의 도플러 패턴 중 적어도 하나를 포함하는 무인 비행체 식별 장치.
  9. 제7항에 있어서,
    상기 무인 비행체 판단부는,
    상기 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 규칙적인 경우, 상기 비행체를 상기 무인 비행체로 판단하고, 상기 현재 이동 패턴 정보에 포함된 패턴들, 또는 이동 경로가 불규칙한 경우, 상기 비행체를 무인 비행체가 아닌 것으로 판단하는 무인 비행체 식별 장치.
  10. 삭제
  11. 제7항에 있어서,
    상기 패턴 인식 모델은,
    경로에 따라 비행하는 무인 비행체에 대응하는 샘플 이동 패턴 정보, 및 기 설정된 경로 없이 비행하는 비행체에 대응하는 샘플 이동 패턴 정보를 재생산하여 다양성을 증가시키고, 다양성이 증가된 샘플 이동 패턴 정보들을 이용하여 학습되는 무인 비행체 식별 장치.
  12. 삭제
KR1020190017943A 2019-02-15 2019-02-15 레이더를 이용한 무인 비행체 식별 장치 및 그 방법 KR102172974B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190017943A KR102172974B1 (ko) 2019-02-15 2019-02-15 레이더를 이용한 무인 비행체 식별 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190017943A KR102172974B1 (ko) 2019-02-15 2019-02-15 레이더를 이용한 무인 비행체 식별 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20200099823A KR20200099823A (ko) 2020-08-25
KR102172974B1 true KR102172974B1 (ko) 2020-11-02

Family

ID=72292799

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190017943A KR102172974B1 (ko) 2019-02-15 2019-02-15 레이더를 이용한 무인 비행체 식별 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102172974B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112882009B (zh) * 2021-01-12 2022-04-19 西安电子科技大学 基于幅度相位双通道网络的雷达微多普勒目标识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100017114A1 (en) * 2007-05-24 2010-01-21 Honeywell International Inc. Flight Path Planning to Reduce Detection of an Unmanned Aerial Vehicle
US20170248687A1 (en) * 2014-12-19 2017-08-31 Xidrone Systems, Inc. Deterent for unmanned aerial systems

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100017114A1 (en) * 2007-05-24 2010-01-21 Honeywell International Inc. Flight Path Planning to Reduce Detection of an Unmanned Aerial Vehicle
US20170248687A1 (en) * 2014-12-19 2017-08-31 Xidrone Systems, Inc. Deterent for unmanned aerial systems

Also Published As

Publication number Publication date
KR20200099823A (ko) 2020-08-25

Similar Documents

Publication Publication Date Title
US20190025858A1 (en) Flight control using computer vision
US8682521B2 (en) Unpredictable vehicle navigation
US11531100B2 (en) Methods and systems for acoustic machine perception for an aircraft
CN108596045B (zh) 一种基于空中监控平台的群体异常行为检测方法
KR20180054007A (ko) 드론을 제어하기 위한 시스템 및 방법
JP2015533109A (ja) ビデオ画像を用いた衝突検出
JP6525291B2 (ja) 位置管理装置、位置管理方法、及びプログラム
CN116907282B (zh) 基于人工智能算法的无人靶机超低空飞行控制方法
WO2009102001A1 (ja) 鳥類探査システム、鳥類探査方法およびコンピュータプログラム
KR102172974B1 (ko) 레이더를 이용한 무인 비행체 식별 장치 및 그 방법
Pandey et al. An optimization of target classification tracking and mathematical modelling for control of autopilot
Svanström Drone detection and classification using machine learning and sensor fusion
JP2015059749A (ja) 物体検出装置、物体検出方法および物体検出システム
KR102414986B1 (ko) 해킹 방지 기술이 적용된 딥러닝 기반의 무인 항공기 및 이를 이용한 무인 항공기 시스템
US11741936B2 (en) Acoustic awareness platform
KR20220085513A (ko) 동적 장애물 충돌 회피 무인기 및 그 회피 방법
JP7028247B2 (ja) 飛行体、飛行体制御装置、飛行体制御方法および飛行体制御プログラム
US20190129423A1 (en) Dynamic impact detection
KR20210039156A (ko) 무인 비행 장치 및 이의 동작 방법
CA3048013A1 (fr) Procede et drone muni d'un systeme d'aide a l'atterrissage/decollage
KR20200123556A (ko) 무인 항공기 운용 평가 시스템 및 방법
KR20200075073A (ko) 풍력 발전기 블레이드 인식/분석 장치 및 방법
Svanström et al. Drone Detection and Tracking in Real-Time by Fusion of Different Sensing Modalities. Drones 2022, 6, 317
WO2023286186A1 (ja) 不審機対処装置、不審機対処システム、不審機対処方法およびプログラム記憶媒体
US11772656B2 (en) Enhanced vehicle operation

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant