KR20200058947A - Method and apparatus of prediction for unmanned aerial vehicle traffic management - Google Patents

Method and apparatus of prediction for unmanned aerial vehicle traffic management Download PDF

Info

Publication number
KR20200058947A
KR20200058947A KR1020180143686A KR20180143686A KR20200058947A KR 20200058947 A KR20200058947 A KR 20200058947A KR 1020180143686 A KR1020180143686 A KR 1020180143686A KR 20180143686 A KR20180143686 A KR 20180143686A KR 20200058947 A KR20200058947 A KR 20200058947A
Authority
KR
South Korea
Prior art keywords
unmanned aerial
traffic
data
aerial vehicle
unmanned
Prior art date
Application number
KR1020180143686A
Other languages
Korean (ko)
Inventor
이원종
이경은
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020180143686A priority Critical patent/KR20200058947A/en
Publication of KR20200058947A publication Critical patent/KR20200058947A/en

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0047—Navigation or guidance aids for a single aircraft
    • G08G5/0069—Navigation or guidance aids for a single aircraft specially adapted for an unmanned aircraft
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0043—Traffic management of multiple aircrafts from the ground
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/04—Anti-collision systems
    • G08G5/045—Navigation or guidance aids, e.g. determination of anti-collision manoeuvers
    • B64C2201/12—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

The present invention provides an unmanned aerial vehicle traffic management method for predicting information required to determine a driving route of a vehicle set consisting of a plurality of unmanned aerial vehicles and dynamically adjust a policy for overall operations. According to one embodiment of the present invention, the method comprises the following steps. A computer device receives multiple types of traffic data of an unmanned aerial vehicle. The computer device pre-processes each of the multiple types of traffic data. The computer device inputs the multiple types of pre-processed data to a deep learning model learned in advance. The computer device generates traffic information for each airspace required for the operation of the unmanned aerial vehicle in accordance with an output result of the deep learning model. The deep learning model is characterized by utilizing directionality to analyze a driving direction of unmanned aerial vehicle for learning.

Description

무인 비행체 교통 관리를 위한 예측 방법 및 장치{METHOD AND APPARATUS OF PREDICTION FOR UNMANNED AERIAL VEHICLE TRAFFIC MANAGEMENT}METHOD AND APPARATUS OF PREDICTION FOR UNMANNED AERIAL VEHICLE TRAFFIC MANAGEMENT}

본 발명은 무인 비행체의 교통 관리를 위한 예측 방법 및 무인 비행체의 교통 관리를 위한 예측 장치에 관한 것이다.The present invention relates to a prediction method for traffic management of an unmanned aerial vehicle and a prediction apparatus for traffic management of an unmanned aerial vehicle.

무인 비행체(예컨대, 드론)(Unmanned Aerial Vehicle)는 조종사가 비행체에 직접 탑승하지 않고 지상에서 원격 조종 혹은 사전 프로그램된 경로에 따라 자동 또는 반자동 형식으로 자율 비행하거나 인공지능을 탑재하여 자체 환경판단에 따라 임무를 수행하는 비행체와 지상통제장비 및 통신장비 등을 포함하는 전체 시스템을 통칭한다. An unmanned aerial vehicle (e.g., a drone) is a pilot that does not directly board an aircraft, but can autonomously fly in an automatic or semi-automatic form according to a remotely controlled or pre-programmed route on the ground, or with artificial intelligence installed according to its own environmental judgment. Collectively, it refers to the entire system, including aircraft and ground control equipment and communication equipment performing missions.

무인 비행체는 일반적으로 저고도의 공역에서 비행할 수 있으며 무인 비행체의 수는 기하급수적으로 늘어날 것으로 예상된다. 이에 따라 저고도 공역에 대한 관리가 필요한 상황이다. 또한, 저고도 공역에서의 무인 비행체의 효율적이고 안전한 활용을 위한 교통 관리 체계 구축 및 무인화/자동화 플랫폼 구축이 필요한 상황이다. Unmanned aerial vehicles can generally fly in low altitude airspace, and the number of unmanned aerial vehicles is expected to increase exponentially. Accordingly, it is necessary to manage low-altitude airspace. In addition, there is a need to establish a traffic management system and an unmanned / automated platform for efficient and safe use of unmanned aerial vehicles in low altitude airspace.

본 발명은 다수의 무인 비행체로 이루어진 운행체 집합의 운행 경로 결정 및 운행 전반에 대한 정책을 동적으로 조정하는 데 있어서 필요한 정보를 예측하기 위한 딥러닝 기반의 무인 비행체 교통 관리 방법을 제공하는 것을 기술적 과제로 한다.The present invention is to provide a deep learning-based unmanned air vehicle traffic management method for predicting information required to dynamically determine the driving route of a set of vehicles consisting of a large number of unmanned vehicles and dynamically adjust policies for the entire operation. Shall be

본 발명의 기술적 과제는 이상에서 언급한 것들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제는 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The technical problem of the present invention is not limited to those mentioned above, and another technical problem not mentioned will be clearly understood by those skilled in the art from the following description.

본 발명의 일 실시예에 따른 무인 비행체 교통 관리 예측 방법은 컴퓨터 장치가 무인 비행체의 복수의 교통 데이터를 수신하는 단계, 컴퓨터 장치가 복수의 교통 데이터를 각각 전처리하는 단계, 컴퓨터 장치가 전처리한 복수의 교통 데이터를 사전에 학습한 딥러닝 모델에 입력하는 단계, 및 컴퓨터 장치가 딥러닝 모델의 출력 결과에 따라 무인 비행체의 운행에 필요한 공역별 교통 정보를 생성하는 단계를 포함하고, 딥러닝 모델은 무인 비행체의 운행 방향을 분석하는 방향성을 학습에 활용하는 것을 특징으로 한다.An unmanned air vehicle traffic management prediction method according to an embodiment of the present invention includes: a computer device receiving a plurality of traffic data of an unmanned air vehicle, a computer device preprocessing a plurality of traffic data, and a plurality of computer devices preprocessing The method includes inputting traffic data into a deep learning model that has been previously learned, and generating a traffic information for each airspace required for the operation of the unmanned air vehicle according to the output result of the deep learning model, and the deep learning model is unmanned. It is characterized by utilizing directionality to analyze the direction of travel of a vehicle for learning.

일 실시예에서, 컴퓨터 장치는 센서 장치 또는 무인 비행체에 연결된 별도의 진단 장치로부터 복수의 교통 데이터를 수신하는 것일 수 있다.In one embodiment, the computer device may be to receive a plurality of traffic data from a sensor device or a separate diagnostic device connected to an unmanned aerial vehicle.

일 실시예에서, 무인 비행체는 복수의 무인 비행체이고, 복수의 교통 데이터는 복수의 무인 비행체가 수집한 서로 다른 항목을 포함할 수 있다.In one embodiment, the unmanned aerial vehicle is a plurality of unmanned aerial vehicles, and the plurality of traffic data may include different items collected by the plurality of unmanned aerial vehicles.

일 실시예에서, 복수의 교통 데이터는, 무인 비행체의 운행 데이터, 운영 데이터, 및 센싱 데이터 중 적어도 하나를 포함하는 것일 수 있다.In one embodiment, the plurality of traffic data may include at least one of driving data, operating data, and sensing data of an unmanned aerial vehicle.

일 실시예에서, 무인 비행체의 운행 데이터 및 운영 데이터는 별도의 진단 장치로부터 수신하고, 무인 비행체의 센싱 데이터는 센서 장치로부터 수신하는 것일 수 있다.In one embodiment, operation data and operation data of an unmanned aerial vehicle may be received from separate diagnostic devices, and sensing data of an unmanned aerial vehicle may be received from a sensor device.

일 실시예에서, 딥러닝 모델은, 복수의 교통 데이터에서 공간적 정보를 학습하는 CNN(Convolutional Neural Network) 및 시간적 정보를 학습하는 RNN(Recurrent Neural Network) 중 적어도 하나를 사용하거나 CNN과 RNN을 순차적으로 적용하는 것일 수 있다. In one embodiment, the deep learning model uses at least one of a convolutional neural network (CNN) that learns spatial information from a plurality of traffic data and a recurrent neural network (RNN) that learns temporal information, or sequentially uses CNN and RNN. It may be applied.

일 실시예에서, 공역별 교통 정보는, 복수의 무인 비행체의 운행에 필요한 공역별 리스크, 혼잡도, 평균 속도, 교통량, 운행 밀도, 운행 시간 중 적어도 하나를 포함하는 것일 수 있다.In one embodiment, the traffic information for each airspace may include at least one of risk, congestion, average speed, traffic volume, driving density, and driving time for each airspace required for the operation of a plurality of unmanned aerial vehicles.

일 실시예에서, 딥러닝 모델은, 전처리한 교통 데이터 중에서 일정 기준을 만족하는 교통 데이터만 사용하는 데이터 필터링을 추가로 학습에 활용하는 것일 수 있다.In one embodiment, the deep learning model may use data filtering that uses only traffic data that satisfies a certain criterion among pre-processed traffic data for further learning.

본 발명의 일 실시예에 따른 무인 비행체 교통 관리 예측 장치는, 무인 비행체의 복수의 교통 데이터를 입력받는 입력 장치, 전처리된 데이터로 사전에 학습한 딥러닝 모델을 저장하는 저장 장치, 및 입력받은 복수의 교통 데이터를 전처리하고, 전처리한 교통 데이터를 딥러닝 모델에 입력하고 무인 비행체의 운행에 필요한 공역별 교통 정보를 생성하는 연산 장치를 포함하고, 딥러닝 모델은 무인 비행체의 운행 방향을 분석하는 방향성을 학습에 활용하는 것을 특징으로 한다.An apparatus for predicting traffic management of an unmanned aerial vehicle according to an embodiment of the present invention includes an input device that receives a plurality of traffic data of an unmanned air vehicle, a storage device that stores a pre-trained deep learning model as preprocessed data, and a plurality of the received vehicle Pre-processing the traffic data of the vehicle, input the pre-processed traffic data into the deep learning model, and includes a computing device that generates traffic information for each airspace required for the operation of the unmanned aerial vehicle, and the deep learning model is directional to analyze the driving direction of the unmanned aerial vehicle. Characterized in that it is utilized for learning.

일 실시예에서, 무인 비행체는 복수의 무인 비행체이고, 복수의 교통 데이터는 복수의 무인 비행체가 수집한 서로 다른 항목을 포함할 수 있다.In one embodiment, the unmanned aerial vehicle is a plurality of unmanned aerial vehicles, and the plurality of traffic data may include different items collected by the plurality of unmanned aerial vehicles.

일 실시예에서, 공역별 교통 정보는, 복수의 무인 비행체의 운행에 필요한 공역별 리스크, 혼잡도, 평균 속도, 교통량, 운행 밀도, 운행 시간 중 적어도 하나를 포함할 수 있다.In one embodiment, the traffic information for each airspace may include at least one of risk, congestion, average speed, traffic volume, driving density, and driving time for each airspace required for the operation of a plurality of unmanned air vehicles.

일 실시예에서, 딥러닝 모델은, 전처리한 교통 데이터 중에서 일정 기준을 만족하는 교통 데이터만 사용하는 데이터 필터링을 추가로 학습에 활용할 수 있다.In one embodiment, the deep learning model may further utilize data filtering that uses only traffic data that satisfies a certain criterion among pre-processed traffic data for learning.

본 발명에 따르면, 복수의 무인 비행체의 운행 체계 내에서, 충돌 리스크를 감소시킴으로써 안전성을 확보할 수 있고, 혼잡도를 예측하여 혼잡하지 않은 구간을 우선으로 운행 경로로 선택하게 할 수 있어 경제적 효율성이 증가할 수 있다.According to the present invention, within the operation system of a plurality of unmanned aerial vehicles, safety can be secured by reducing the risk of collision, and congestion degree can be predicted, so that a non-congested section can be preferentially selected as a driving route, thereby increasing economic efficiency. can do.

본 발명에 따르면, 관리자 입장에서 단일 무인 비행체가 아닌 복수의 무인 비행체의 공역별 관리를 가능하게 하는 장점이 있다. According to the present invention, there is an advantage that enables management by airspace of a plurality of unmanned air vehicles instead of a single unmanned air vehicle from the viewpoint of the administrator.

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description of the claims.

도 1은 본 발명의 일 실시예에 따른 무인 비행체 교통 관리 예측 방법의 순서를 나타낸 것이다.
도 2는 본 발명의 일 실시예에 따른 무인 비행체 교통 관리 예측 장치에 대한 예시도이다.
도 3은 무인 비행체의 복수의 교통 데이터를 전처리하는 과정에 대한 일 예이다.
도 4는 무인 비행체 교통 관리를 예측하는 방법에 대한 일 예이다.
도 5a 및 도 5b는 무인 비행체 교통 관리를 위한 공역의 예시도이다.
도 6은 무인 비행체의 복수의 교통 데이터 중 방향성을 나타내는 예시도이다.
도 7a 내지 도 7d는 방향성을 분석하기 위한 예시도이다.
도 8a 및 도 8b는 무인 비행체의 복수의 교통 데이터 중 데이터 필터링을 나타내는 예시도이다.1 shows a sequence of a method for predicting unmanned air vehicle traffic management according to an embodiment of the present invention.
2 is an exemplary view of an apparatus for predicting unmanned air vehicle traffic management according to an embodiment of the present invention.
3 is an example of a process of preprocessing a plurality of traffic data of an unmanned aerial vehicle.
4 is an example of a method for predicting unmanned air vehicle traffic management.
5A and 5B are exemplary views of an airspace for unmanned aerial vehicle traffic management.
6 is an exemplary view showing directionality among a plurality of traffic data of an unmanned aerial vehicle.
7A to 7D are exemplary views for analyzing directionality.
8A and 8B are exemplary views illustrating data filtering among a plurality of traffic data of an unmanned aerial vehicle.

이하, 본 발명의 바람직한 실시 예를 첨부한 도면을 참조하여 설명한다. 본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 하나의 실시 예로서 설명되는 것이며, 이것에 의해 본 발명의 기술적 사상과 그 핵심 구성 및 작용은 제한되지 않는다.Hereinafter, preferred embodiments of the present invention will be described with reference to the accompanying drawings. Although the present invention has been described with reference to the embodiments shown in the drawings, it is described as one embodiment, whereby the technical spirit of the present invention and its core configuration and operation are not limited.

도 1은 본 발명의 일 실시예에 따른 무인 비행체 교통 관리 예측 방법의 순서를 나타낸 것이고, 도 2는 본 발명의 일 실시예에 따른 무인 비행체 교통 관리 예측 장치에 대한 예시도이다.1 shows a sequence of a method for predicting unmanned air vehicle traffic management according to an embodiment of the present invention, and FIG. 2 is an exemplary view for an apparatus for predicting unmanned air vehicle traffic management according to an embodiment of the present invention.

도 1을 참조하면, 단계(S100)에서, 무인 비행체의 복수의 교통 데이터를 수신할 수 있다. 여기서 무인 비행체(UAV, Unmanned Aerial Vehicle)란 조종사가 탑승하지 않은 항공기를 통칭하는 것으로 공기역학적 힘에 부양하여 자율적으로 또는 원격조정으로 비행을 하는 동력 비행체로 볼 수 있다. 대표적인 무인 비행체로는 드론(Drone)이 있으나 이에 한정되는 것은 아니다.Referring to FIG. 1, in step S100, a plurality of traffic data of an unmanned aerial vehicle may be received. Here, an unmanned aerial vehicle (UAV) refers to an aircraft that is not onboard a pilot, and can be regarded as a powered vehicle that supports autonomous or remote control by supporting aerodynamic forces. Representative drones include, but are not limited to, drones.

도 2를 참조하면, 컴퓨터 장치(300)는 무인 비행체(100) 및 센서 장치(200)로부터 무인 비행체(100)의 복수의 교통 데이터를 수신한다. 여기서, 복수의 교통 데이터는 무인 비행체(100)의 운행 데이터, 무인 비행체(100)의 운영 데이터, 및 센싱 데이터 중 적어도 하나를 포함하는 데이터들의 집합체로 볼 수 있다. Referring to FIG. 2, the computer device 300 receives a plurality of traffic data of the unmanned aerial vehicle 100 from the unmanned aerial vehicle 100 and the sensor device 200. Here, the plurality of traffic data may be viewed as a collection of data including at least one of driving data of the unmanned aerial vehicle 100, operating data of the unmanned aerial vehicle 100, and sensing data.

무인 비행체(100)는 별도의 진단 장치를 포함하고, 별도의 진단 장치는 무인 비행체(100)의 운행 데이터 및 운영 데이터를 진단 하고 수집하여 컴퓨터 장치(300)에 전달한다. 운행 데이터는 무인 비행체(100)의 운행에 필요한 데이터로 구체적으로 무인 비행체(100)의 고도, 위도, 경도, 속도와 같이 운행에 필요한 정보로 볼 수 있다. 운영 데이터는 무인 비행체(100)의 운영에 필요한 데이터로 구체적으로 무인 비행체(100)의 엔진 데이터, 변속 데이터, 동력전달장치 데이터, 냉각장치 데이터, 엔진 회전수 등 운영에 필요한 정보로 볼 수 있다.The unmanned aerial vehicle 100 includes a separate diagnostic device, and the separate diagnostic device diagnoses and collects operation data and operation data of the unmanned aerial vehicle 100 and transmits it to the computer device 300. The operation data is data required for the operation of the unmanned vehicle 100, and specifically, it can be viewed as information necessary for operation such as altitude, latitude, longitude, and speed of the unmanned vehicle 100. The operation data is data required for the operation of the unmanned vehicle 100, and specifically, it can be viewed as information necessary for operation, such as engine data, transmission data, power transmission data, cooling device data, and engine speed of the unmanned vehicle 100.

센서 장치(200)는 무인 비행체(100)가 운행하는 것을 관측하기 위해 무인 비행체(100)가 운행 하는 경로 인근의 어느 한 지점 혹은 복수의 지점에 위치할 수 있다. 센서 장치(100)는 무인 비행체(100)의 운행 프로세스를 관측하면서 생성하는 데이터, 무인 비행체(100) 인근의 교통 상황에 대한 데이터, 또는 기온, 기후와 같은 환경 데이터를 센싱한 센싱 데이터를 컴퓨터 장치(300)에 전달한다.The sensor device 200 may be located at any one point or a plurality of points near the path of the unmanned aerial vehicle 100 to observe the unmanned aerial vehicle 100 in operation. The sensor device 100 is a computer device that senses data that is generated while observing the operation process of the unmanned aerial vehicle 100, data about traffic conditions near the unmanned aerial vehicle 100, or environmental data such as temperature and climate. (300).

여기서 컴퓨터 장치(300)는 무인 비행체 교통 관리 장치로 볼 수 있다. 컴퓨터 장치(300)는 무인 비행체(100)의 복수의 교통 데이터를 입력 받는 입력 장치, 전처리된 데이터로 사전에 학습한 딥러닝 모델을 저장하는 저장 장치, 입력 받은 복수의 교통 데이터를 전처리하고, 전처리한 교통 데이터를 딥러닝 모델에 입력하며 무인 비행체의 운행에 필요한 공역별 교통 정보를 생성하는 연산 장치를 포함할 수 있다.Here, the computer device 300 may be viewed as an unmanned air vehicle traffic management device. The computer device 300 is an input device that receives a plurality of traffic data of the unmanned aerial vehicle 100, a storage device that stores a deep learning model previously learned as pre-processed data, and preprocesses and processes a plurality of input traffic data. It may include a computing device that inputs one traffic data into the deep learning model and generates traffic information for each airspace required for the operation of the unmanned aerial vehicle.

이와 같이, 컴퓨터 장치(300)는 무인 비행체(100) 및 센서 장치(200)로부터 복수의 교통 데이터를 수신할 수 있고, 전술한 교통 데이터는 이에 한정되지 않고 무인 비행체(100)의 운행에 필요한 다양한 교통 데이터를 포함할 수 있다.As such, the computer device 300 may receive a plurality of traffic data from the unmanned aerial vehicle 100 and the sensor device 200, and the above-described traffic data is not limited thereto, and various necessary for the operation of the unmanned aerial vehicle 100 May include traffic data.

다시 도 1을 참조하면, 단계(S200)에서, 복수의 교통 데이터를 각각 전처리할 수 있다. 컴퓨터 장치(300)는 무인 비행체(100) 및 센서 장치(200)로부터 수신한 복수의 교통 데이터를 딥러닝 모델에 입력하기 위한 데이터로 전처리한다. 컴퓨터 장치(300)가 복수의 교통 데이터를 전처리하는 과정은 도 3 및 도 4를 결부하여 후술하기로 한다.Referring back to FIG. 1, in step S200, a plurality of traffic data may be pre-processed, respectively. The computer device 300 pre-processes a plurality of traffic data received from the unmanned aerial vehicle 100 and the sensor device 200 as data for input to a deep learning model. The process of preprocessing a plurality of traffic data by the computer device 300 will be described later with reference to FIGS. 3 and 4.

도 3은 무인 비행체의 복수의 교통 데이터를 전처리하는 과정에 대한 일 예이다.3 is an example of a process of preprocessing a plurality of traffic data of an unmanned aerial vehicle.

도 3을 참조하면, 교통 데이터가 전처리 되는 과정을 볼 수 있다. 여기서 교통 데이터는 무인 비행체(100) 인근의 교통 상황에 대한 데이터로 예를 들어 설명한다. 도 3은, 무인 비행체(100)의 예상 운행 경로에 따른 경로별 평균 속도의 정보를 나타낸다. Referring to FIG. 3, it is possible to see a process in which traffic data is pre-processed. Here, the traffic data will be described, for example, as data about the traffic situation near the unmanned aerial vehicle 100. 3 shows information on the average speed for each route according to the expected travel route of the unmanned aerial vehicle 100.

도 3a에서, 초록색 라인은 초록색 라인 경로를 따라 운행하는 복수의 무인 비행체(100)들의 평균 속도가 30Km/h인 것을 나타내고, 빨간색 라인은 빨간색 라인 경로를 따라 운행하는 복수의 무인 비행체(100)들의 평균 속도가 20Km/h인 것을 나타낸다. 도 3b에서, 초록색 라인 및 빨간색 라인 경로는 좌표계로 변환될 수 있다. 도 3c에서, 초록색 라인 및 빨간색 라인 경로에 해당하는 좌표에 그 지점에서의 평균 속도를 입력한다. 따라서 초록색 라인에 따른 경로의 좌표에는 30이 입력되고, 빨간색 라인에 따른 경로의 좌표에는 20이 입력된다. 다만, 초록색 라인과 빨간색 라인이 만나는 지점은 그 두개의 평균 속도인 25를 입력한다.In FIG. 3A, the green line indicates that the average speed of the plurality of unmanned aerial vehicles 100 traveling along the green line path is 30 km / h, and the red line indicates the plurality of unmanned aerial vehicles 100 traveling along the red line path. It shows that the average speed is 20 Km / h. In FIG. 3B, the green line and red line paths may be converted into a coordinate system. In FIG. 3C, the average speed at that point is input to coordinates corresponding to the green line and red line paths. Therefore, 30 is input to the coordinates of the path along the green line, and 20 is input to the coordinates of the path along the red line. However, the point where the green line meets the red line is 25, the average speed of the two.

이와 같이, 무인 비행체(100)의 복수의 교통 데이터는 딥러닝 모델에 입력되기 위하여 전처리될 수 있다. 다만 전처리 방법은 이에 한정되는 것이 아니고, 일정한 시간 동안 연속하여 수집한 데이터를 연속된 변량으로 표현한 뒤, 연속된 변량을 시간축에서 파형과 같은 형태로 정의하는 시계열적인 전처리 방법으로 전처리될 수도 있다. As such, a plurality of traffic data of the unmanned aerial vehicle 100 may be pre-processed to be input to a deep learning model. However, the pre-processing method is not limited to this, and the data collected continuously for a certain period of time may be expressed as a continuous variable, and then the pre-processing may be pre-processed by a time-series pre-defining method in which the continuous variable is defined as a waveform on the time axis.

다시 도 1을 참조하면, 단계(S300)에서, 전처리한 복수의 교통 데이터를 사전에 학습한 딥러닝 모델에 입력할 수 있다. 즉, 컴퓨터 장치(300)는 복수의 교통 데이터 각각을 전처리하여 컴퓨터 장치(300)의 딥러닝 모델에 전처리된 데이터를 입력한다. Referring back to FIG. 1, in step S300, a plurality of pre-processed traffic data may be input to a deep learning model previously learned. That is, the computer device 300 preprocesses each of the plurality of traffic data and inputs the preprocessed data to the deep learning model of the computer device 300.

딥러닝 모델은 무인 비행체(100)의 복수의 교통 데이터가 전처리된 데이터를 입력 받아 무인 비행체(100)의 공간적 정보, 시간적 정보를 학습할 수 있고, 구체적으로 무인 비행체(100)의 방향성에 대한 학습, 무인 비행체(100)의 데이터 중 일부만을 필터링하여 사용하는 데이터 필터링에 대한 학습을 할 수 있다. 이에 대하여는 후술하기로 한다.The deep learning model can receive spatial data and temporal information of the unmanned aerial vehicle 100 by receiving pre-processed data of a plurality of traffic data of the unmanned aerial vehicle 100, and specifically learn about the directionality of the unmanned aerial vehicle 100 , It is possible to learn about data filtering by filtering only a part of the data of the unmanned aerial vehicle 100. This will be described later.

도 4는 무인 비행체 교통 관리 예측하는 방법에 대한 일 예이다.4 is an example of a method for predicting unmanned air vehicle traffic management.

도 4를 참조하면, 복수의 교통 데이터는 데이터 전처리 과정을 거쳐 전처리 데이터로 변환되고, 전처리된 데이터는 딥러닝 모델(신경망)에 입력되고, 딥러닝 모델은 일정한 결과를 출력한다. 예컨대, 딥러닝 모델은 무인 비행체(100)가 리스크나 혼잡도 없이 운행할 수 있는 경로를 출력하거나 각 공역별 리스크나 혼잡도 자체를 출력할 수 있다. 딥러닝 모델은 사전에 학습될 수 있고, 학습에 이용한 훈련 데이터에 따라 딥러닝 모델의 기능 및 딥러닝 모델이 출력하는 값이 달라질 수 있다.Referring to FIG. 4, a plurality of traffic data is converted into pre-processing data through a data pre-processing process, the pre-processed data is input to a deep learning model (neural network), and the deep learning model outputs a certain result. For example, the deep learning model may output a path through which the unmanned aerial vehicle 100 can operate without risk or congestion, or may output the risk or congestion level for each airspace itself. The deep learning model may be learned in advance, and a function of the deep learning model and a value output by the deep learning model may vary according to training data used for learning.

도 4는 신경망으로 CNN 및 RNN의 예를 도시하였다. 딥러닝 모델은 복수의 교통 데이터에서 공간적 정보를 학습하는 CNN(Convolutional Neural Network) 및 복수의 교통 데이터에서 시간적 정보를 학습하는 RNN(Recurrent Neural Network)를 순차적으로 적용하여 결과값을 출력할 수 있다. 4 shows examples of CNN and RNN as neural networks. The deep learning model may output a result by sequentially applying a convolutional neural network (CNN) for learning spatial information from a plurality of traffic data and a recurrent neural network (RNN) for learning temporal information from a plurality of traffic data.

CNN은 입력 데이터에서 특성을 추출하는 컨볼루션 레이어와 정의된 데이터 범위의 데이터 중 특정한 값을 선택하는 풀링 레이어를 포함할 수 있고, 컨볼루션 레이어와 풀링 레이어를 3회 반복하여 입력 데이터로부터 특성을 추출할 수 있다. 이 때, 전 결합 레이어에 softmax 함수를 적용하여, CNN의 출력 레이블에서의 정보를 0과 1사이 값으로 출력할 수 있다. 예를 들어, CNN의 출력 레이블에서의 출력 값이 0.5인 경우 무인 비행체(100)의 인근의 교통 상황이 적체되는 등의 리스크 또는 혼잡도가 증가한 상황으로 볼 수 있다. 또 다른 예로는 출력 값이 교통이 적체될 확률 값일 수도 있다.The CNN may include a convolutional layer that extracts characteristics from input data and a pooling layer that selects a specific value from data in a defined data range, and extracts characteristics from input data by repeating the convolutional layer and the pooling layer three times. can do. At this time, by applying the softmax function to all the combined layers, the information in the output label of the CNN can be output as a value between 0 and 1. For example, when the output value of the output label of the CNN is 0.5, it can be regarded as a situation in which risk or congestion such as traffic congestion in the vicinity of the unmanned aerial vehicle 100 is accumulated. As another example, the output value may be a probability value that traffic may be accumulated.

RNN은 시퀀스 데이터를 주로 대상으로 하는 것으로 동일한 지점에 대한 과거의 데이터로부터 현재의 데이터까지의 데이터 정보를 통해 도로별 교통 상황 등을 예측할 수 있다. The RNN mainly targets sequence data and can predict traffic conditions for each road through data information from past data to present data for the same point.

딥러닝 모델은 시공간 데이터에서 CNN-RNN 알고리즘을 활용하여 복수의 교통 데이터에 대하여 학습할 수 있고, 무인 비행체(100)의 정확한 운행 정보 또는 리스크나 혼잡도를 출력할 수 있다. 무인 비행체 교통 관리 시스템에서, 무인 비행체(100)의 원활한 운행을 위해 무인 비행체(100) 인근의 혼잡도, 다른 무인 비행체(100) 또는 건물 등과 충돌할 수 있는 리스크, 무인 비행체(100)가 원활히 운행할 수 있는 평균 속도를 예측하는 것은 상당히 중요하다고 볼 수 있다. 이러한 혼잡도, 리스크, 속도를 예측하는 데 동일한 지점의 과거 데이터와 현재 데이터를 필요로 할 수 있고, 운행 경로 인근 주변의 정보 데이터를 필요로 할 수 있어 시간적 및 공간적 정보를 모두 고려하는 딥러닝 모델을 필요로 하고, 본 발명에 따른 무인 비행체 교통 관리 예측 방법은 CNN-RNN을 순차적으로 적용하는 하이브리드 모델을 적용하여 무인 비행체(100)의 원활한 운행을 위한 운행 경로를 예측 및 변경할 수 있다. 여기서 기계학습 방법으로 RNN 중 LSTM 방식의 알고리즘이 적용될 수 있고, 이에 따라 CNN-LSTM을 순차적으로 적용하는 하이브리드 모델이 적용될 수 있다. 또한 CNN, RNN, CNN-RNN 중 주어진 환경에서 가장 좋은 성능을 내는 한 가지를 골라 적용하는 모델이 적용될 수도 있다.  The deep learning model can learn about a plurality of traffic data by using the CNN-RNN algorithm from the spatiotemporal data, and can output accurate driving information or risk or congestion of the unmanned air vehicle 100. In the unmanned aerial vehicle traffic management system, for smooth operation of the unmanned aerial vehicle 100, the congestion degree around the unmanned aerial vehicle 100, the risk of collision with other unmanned aerial vehicles 100 or buildings, and the unmanned aerial vehicle 100 to operate smoothly It is very important to predict the average speed that can be achieved. A deep learning model that takes into account both temporal and spatial information because it can require both historical and current data at the same point to predict congestion, risk, and speed. It is necessary, and the method for predicting unmanned air vehicle traffic management according to the present invention can predict and change a driving route for smooth operation of the unmanned air vehicle 100 by applying a hybrid model sequentially applying CNN-RNN. Here, an algorithm of LSTM method among RNNs may be applied as a machine learning method, and accordingly, a hybrid model sequentially applying CNN-LSTM may be applied. Also, a model that selects and applies one of the best performances in a given environment among CNN, RNN, and CNN-RNN may be applied.

다시 도 1을 참조하면, 단계(S400)에서, 딥러닝 모델의 출력 결과에 따라 무인 비행체(100)의 운행에 필요한 공역별 교통 정보를 생성한다. 컴퓨터 장치(300)는 도 4에 따른 딥러닝 모델의 출력 결과에 따라 무인 비행체(100)의 운행에 필요한 공역별 교통 정보를 생성한다. 공역별 교통 정보에 대하여는 후술하기로 한다.Referring to FIG. 1 again, in step S400, traffic information for each airspace required for the operation of the unmanned air vehicle 100 is generated according to the output result of the deep learning model. The computer device 300 generates traffic information for each airspace required for the operation of the unmanned air vehicle 100 according to the output result of the deep learning model according to FIG. 4. Traffic information for each airspace will be described later.

도 5a 및 도 5b는 무인 비행체 교통 관리를 위한 공역의 예시도이다.5A and 5B are exemplary views of an airspace for unmanned aerial vehicle traffic management.

도 5a 및 도 5b를 참조하면, 공역(CA)은 운행 위치를 기준으로 일정 반경을 가지는 정육면체 형태 또는 튜브 형태를 가질 수 있으나 이에 한정되는 것은 아니다.5A and 5B, the air space CA may have a cube shape or a tube shape having a predetermined radius based on the driving position, but is not limited thereto.

도 5a는 동적 공역 구조를 설정하는 방법을 나타내는 것으로 운행 중인 무인 비행체(100)의 경로 내의 지역에 대하여 공역 구획을 설정한다. 예를 들어, 무인 비행체(100)의 경로를 중심으로 r*r*r Km^3씩 정육면체를 형성하여 공역 구조를 설정할 수 있다. 이 때, 설정된 공역 구조에는 복수의 무인 비행체가 포함되어 있을 수 있다. 즉, 단일 무인 비행체(100)의 운행 경로만을 예측하는 시스템이 아니고, 복수의 무인 비행체(100)가 포함되어 있는 공역 단위로 혼잡도, 리스크, 평균 속도를 예측하기 위하여 공역 구조를 설정할 수 있다. 예를 들어, 용산에서 여의도까지 가는 경로 내의 지역을 일정 구획으로 나누고 각 공역 구조에서의 혼잡도, 리스크, 평균 속도, 교통량, 운행 밀도, 운행 시간 중 한 가지 이상의 교통정보를 예측한다. 이러한 정보에 따라 한 공역의 혼잡도 또는 리스크가 일정 범위를 넘어서면 새로운 무인 비행체(100)가 해당 공역을 사용하는 것을 불허하도록 운행 경로를 설정하는 방법, 또는 전반적 이륙 허가의 기준을 공역 혼잡도에 따라 높이거나 낮추는 방법, 또는 각 지역별로 그날의 혼잡도를 예측하고 그에 맞춰 복수의 무인 비행체(100)의 운행량의 상한선을 정하는 방법을 사용할 수 있고, 복수의 무인 비행체(100)의 교통 관리 시스템에서 혼잡도, 리스크를 줄일 수 있는 복수의 무인 비행체(100)의 운행 경로를 예측 및 설정할 수 있다. 이 때, 복수의 교통 데이터는 복수의 무인 비행체(100)가 수집한 서로 다른 항목에 따른 데이터가 종합된 것으로 볼 수 있다.FIG. 5A shows a method for setting a dynamic airspace structure, and an airspace section is set for an area within a path of an unmanned air vehicle 100 in operation. For example, an air space structure may be established by forming a cube by r * r * r Km ^ 3 centering on the path of the unmanned aerial vehicle 100. At this time, the set airspace structure may include a plurality of unmanned aerial vehicles. In other words, it is not a system for predicting only the operation path of a single unmanned aerial vehicle 100, but an airspace structure may be set to predict congestion, risk, and average speed in an airspace unit including a plurality of unmanned aerial vehicles 100. For example, the area within the route from Yongsan to Yeouido is divided into sections, and traffic information of one or more of congestion, risk, average speed, traffic volume, operating density, and operating time in each airspace structure is predicted. According to this information, if the congestion degree or risk of an airspace exceeds a certain range, a method of setting a service route to disallow the new unmanned air vehicle 100 from using the airspace, or raise the standard of the overall take-off permission according to the air congestion degree It is possible to use a method of lowering or lowering or predicting the congestion of the day for each region and setting an upper limit of the operation amount of the plurality of unmanned vehicles 100 accordingly, and the congestion degree and risk in the traffic management system of the plurality of unmanned vehicles 100 It is possible to predict and set the driving paths of the plurality of unmanned aerial vehicles 100 capable of reducing. At this time, the plurality of traffic data may be regarded as a combination of data according to different items collected by the plurality of unmanned aerial vehicles 100.

도 5b는 다른 예에 따른 공역 구조 설정 방법을 나타낸 것이다. 도 5b에 따른 공역 구조 설정은 공역 설계의 최대치로서 고정적이고 밀집된 라우트 구조이고, 튜브 별로 방향, 속도, 무인 비행체(100) 타입을 다르게 설정할 수 있으므로 안정성이 높다. 이와 같이, 튜브 타입의 공역 구조에서는 서로 다른 타입의 무인 비행체(100) 들이 서로 다른 튜브에 속하게 되므로, 사용자 요구 또는 트래픽 밀집도에 따라 동적으로 튜브 구조가 변경될 수 있다.5B illustrates a method for setting an airspace structure according to another example. The airspace structure setting according to FIG. 5B is a fixed and dense route structure as the maximum value of the airspace design, and has high stability because the direction, speed, and unmanned air vehicle type 100 can be set differently for each tube. As described above, in the tube-type airspace structure, since the unmanned aerial vehicles 100 of different types belong to different tubes, the tube structure may be dynamically changed according to user demand or traffic density.

이와 같이, 본 발명에 따른 무인 비행체 교통 관리 방법은, 복수의 무인 비행체(100)의 운행 경로를 예측하고 관리하기 위한 공역 구조를 설정하고, 딥러닝 모델을 통하여 공역별 교통 정보를 생성할 수 있으므로, 복수의 무인 비행체(100)의 혼잡도, 리스크를 최소화하며 원활한 운행을 위한 교통 관리를 할 수 있다.As described above, in the unmanned air vehicle traffic management method according to the present invention, it is possible to set up an airspace structure for predicting and managing a driving path of a plurality of unmanned air vehicle 100, and generating traffic information for each airspace through a deep learning model. , Minimizing the congestion and risk of a plurality of unmanned air vehicles 100 and can manage traffic for smooth operation.

도 6은 무인 비행체의 복수의 교통 데이터 중 방향성을 나타내는 예시도이고, 도 7a 내지 도 7d는 방향성을 분석하기 위한 예시도이다.6 is an exemplary view showing the directionality among a plurality of traffic data of an unmanned aerial vehicle, and FIGS. 7A to 7D are exemplary views for analyzing the directionality.

도 6을 참조하면, 무인 비행체(100)의 운행 경로(D1)와 무인 비행체(100) 인근의 교통 상황(점선으로 표기)이 표시되어 있다. 여기서 가로축은 경도, 세로축은 위도로 볼 수 있으나 이에 한정되는 것은 아니다.Referring to FIG. 6, a driving path D1 of the unmanned aerial vehicle 100 and a traffic condition (indicated by dotted lines) near the unmanned aerial vehicle 100 are displayed. Here, the horizontal axis may be viewed as longitude, and the vertical axis may be viewed as latitude, but is not limited thereto.

도 6에 따르면, 무인 비행체(100)의 현재 운행 경로(D1)이 정체 구간(빨간색 점선으로 표기)임을 알 수 있다. 이 때, 무인 비행체(100)의 최종 목적지에 도달하기 위해 최단 시간으로 도달할 수 있는 경로를 선택하도록 무인 비행체(100)의 인근의 교통 상황에 따른 방향성을 분석할 수 있다. According to FIG. 6, it can be seen that the current driving path D1 of the unmanned aerial vehicle 100 is a congestion section (indicated by a red dotted line). At this time, in order to reach the final destination of the unmanned aerial vehicle 100, the directionality according to the traffic conditions in the vicinity of the unmanned aerial vehicle 100 may be analyzed to select a route that can be reached in the shortest time.

도 7a에서 무인 비행체(100)의 현재 운행 경로(D1)와 상대적 운행 각도가 0

Figure pat00001
30도인 D2를 분석한다. 여기서, D2는 D1과 일치하는 방향으로 정의된다. 그리고 D2의 경로를 선택하였을 때의 무인 비행체(100)가 최종 목적지에 도달하는데 걸리는 시간과 리스크를 분석하여 딥러닝 모델에 학습시킨다.In FIG. 7A, the current driving route D1 and the relative driving angle of the unmanned aerial vehicle 100 are 0
Figure pat00001
D2, which is 30 degrees, is analyzed. Here, D2 is defined in a direction coinciding with D1. In addition, the time and risk for the unmanned aerial vehicle 100 to reach the final destination when the path of D2 is selected is analyzed and trained in a deep learning model.

도 7b는 무인 비행체(100)의 현재 운행 경로(D1)와 상대적 운행 각도가 약 180도를 이루고 있는 D3를 분석한다. 여기서, D3는 D1과 반대되는 방향으로 정의된다. 하나의 공역에서도 서로 다른 방향의 경로가 있을 수 있고, 다른 방향의 경로의 혼잡도, 리스크, 복수의 무인 비행체(100)들의 평균 속도 등이 상이할 수 있다. 그리고 D3의 경로를 선택하였을 때의 무인 비행체(100)가 최종 목적지에 도달하는데 걸리는 시간과 리스크를 분석하여 딥러닝 모델에 학습시킨다.7B analyzes D3 in which the current driving path D1 of the unmanned aerial vehicle 100 and the relative driving angle form about 180 degrees. Here, D3 is defined in a direction opposite to D1. In one airspace, there may be paths in different directions, and congestion, risk, and average speed of a plurality of unmanned aerial vehicles 100 may be different in paths in different directions. Then, when the route of D3 is selected, the time and risk for the unmanned aerial vehicle 100 to reach the final destination are analyzed and trained in the deep learning model.

도 7c는 무인 비행체(100)의 현재 운행 경로(D1)와 상대적 운행 각도가 약 90도인 D4를 분석한다. 여기서, D4는 D1과 수직되는 방향으로 정의된다. 그리고 D4의 경로를 선택하였을 때의 무인 비행체(100)가 최종 목적지에 도달하는데 걸리는 시간과 리스크를 분석하여 딥러닝 모델에 학습시킨다.7C analyzes the current driving route D1 of the unmanned aerial vehicle 100 and D4 having a relative driving angle of about 90 degrees. Here, D4 is defined as a direction perpendicular to D1. Then, when the path of D4 is selected, the time and risk for the unmanned aerial vehicle 100 to reach the final destination are analyzed and trained in the deep learning model.

도 7d는 무인 비행체(100)의 현재 운행 경로(D1)와 상대적 운행 각도가 약 -90도인 D5를 분석한다. 여기서, D5는 D1과 수직되는 방향으로 정의된다. 그리고 D5의 경로를 선택하였을 때의 무인 비행체(100)가 최종 목적지에 도달하는데 걸리는 시간과 리스크를 분석하여 딥러닝 모델에 학습시킨다. 여기서 딥러닝 모델은 도 7a 내지 도 7d에 따른 분석을 학습하여 최적의 경로를 출력하는데 활용할 수 있다.FIG. 7D analyzes the current driving route D1 of the unmanned aerial vehicle 100 and D5 having a relative driving angle of about -90 degrees. Here, D5 is defined as a direction perpendicular to D1. In addition, the time and risk required for the unmanned aerial vehicle 100 to reach the final destination when the path of D5 is selected is analyzed and trained in a deep learning model. Here, the deep learning model can be utilized to output the optimal path by learning the analysis according to FIGS. 7A to 7D.

이와 같이, 본 발명에 따른 무인 비행체 교통 관리 예측 방법은 무인 비행체(100)의 방향성에 대하여 새롭게 정의하고, 새롭게 정의된 방향성에 따른 교통 데이터를 딥러닝 모델에 학습시키며, 이를 통해 최적의 운행 경로를 예측할 수 있다. 이는 복수의 무인 비행체(100)가 운행되는 교통 관리 시스템에서, 하나의 무인 비행체(100)가 나아갈 수 있는 방향성에 대하여 새롭게 정의하고, 우선적으로 분석함에 따라, 인근의 무인 비행체(100)와의 리스크 및 혼잡도를 최소화할 수 있다는 이점이 있다. 예를 들어, 무인 비행체(100)가 집합되어 있는 공역 구조에서 무인 비행체(100)간의 단순 거리로만 혼잡도, 리스크를 산정하게 되면, 실제로 무인 비행체(100)가 운행되는 경로에 따른 혼잡도, 리스크와 상이한 결과가 출력될 수 있고, 교통 관리의 비효율을 초래할 수 있다.As described above, the method for predicting the unmanned air vehicle traffic management according to the present invention newly defines the directionality of the unmanned air vehicle 100 and trains the traffic data according to the newly defined directionality into the deep learning model, thereby enabling the optimal driving route. Predictable. In the traffic management system in which a plurality of unmanned aerial vehicles 100 are operated, a new definition of the direction in which one unmanned aerial vehicle 100 can proceed, and priority analysis, risks with the adjacent unmanned aerial vehicle 100 and This has the advantage of minimizing congestion. For example, in the airspace structure in which the unmanned aerial vehicle 100 is aggregated, when the congestion degree and the risk are calculated only with a simple distance between the unmanned aerial vehicle 100, the congestion degree and the risk actually differ from the unmanned aerial vehicle 100 according to the path in which the unmanned aerial vehicle 100 operates. The results can be output and can lead to inefficiencies in traffic management.

이와 달리, 본 발명에 따른 무인 비행체 교통 관리 예측 방법은, 무인 비행체(100)가 나아가는 방향성을 고려하여, 무인 비행체(100)의 인근에 다른 무인 비행체(100)가 있다고 하더라도, 나아가는 방향에 영향이 적다면 혼잡도와 리스크를 낮게 산정하는 방식을 통해 최적의 경로를 산출할 수 있다는 이점이 있다.On the other hand, the unmanned air vehicle traffic management prediction method according to the present invention takes into account the directionality of the unmanned air vehicle 100, and even if there is another unmanned air vehicle 100 in the vicinity of the unmanned air vehicle 100, it has an influence on the moving direction. If it is small, there is an advantage that the optimal route can be calculated through a method of estimating congestion and risk low.

도 8a 및 도 8b는 무인 비행체의 복수의 교통 데이터 중 데이터 필터링을 나타내는 예시도이다. 데이터 필터링은 교통 데이터 중에서 일정 기준을 만족하는 교통 데이터만을 딥러닝 모델 학습에 사용하는 방법으로 볼 수 있다.8A and 8B are exemplary views illustrating data filtering among a plurality of traffic data of an unmanned aerial vehicle. Data filtering can be seen as a method of using only traffic data that satisfies a certain standard among traffic data for training a deep learning model.

도 8a를 참조하면, 무인 비행체(100)의 운행 경로를 다양한 경로로 구분한 것을 볼 수 있다. 예를 들어, P1 내지 P8은 운행 방향, 속해있는 구나 동, 도로 기능, 도로 유형, 도로 형태, 제한 속도, 밀도 등의 다양한 데이터의 기준에 따라 분류되어 있는 개개의 경로들로 볼 수 있다.Referring to FIG. 8A, it can be seen that the driving route of the unmanned aerial vehicle 100 is divided into various routes. For example, P1 to P8 may be viewed as individual routes classified according to various data standards, such as a driving direction, belonging or east, road function, road type, road shape, speed limit, and density.

도 8b는 도 8a에 따른 경로 중 데이터 필터링에 의해 일정 기준을 만족하는 교통 데이터만을 추려낸 것이다. 예를 들어, 도 8b는 도 8a에서 예측을 원하는 타겟 경로(P4)와 전날의 최저 속도를 기록한 시간이 동일한 경로만을 추리는 데이터 필터링을 적용한 것으로 볼 수 있다. 여기서 P4의 전날 최저 속도를 기록한 시간이 오전 11시이고, P2와 P5는 오전 8시, P1과 P3와 P7은 오전 11시, P6과 P8은 오후 6시였다면, 데이터 필터링 방법에 의해 P1과 P3과 P7의 데이터만을 선별적으로 딥러닝 모델에 학습시킨다.8B shows only traffic data that satisfies a certain criterion by filtering data among the routes according to FIG. 8A. For example, in FIG. 8B, it can be seen that FIG. 8A shows that the target path P4 for prediction and the data filtering that tracks only the path having the same time as the lowest speed of the previous day are applied. If P4 and P5 were 8 am, P1 and P3 and P7 were 11 am, P6 and P8 were 6 pm, and the P1 and P3 were recorded by the data filtering method. And P7 data are selectively trained in a deep learning model.

이와 같이, 본 발명에 따른 무인 비행체 교통 관리 예측 방법은 데이터 필터링 방식에 의해 사용자가 원하는 정보에 따른 최적의 무인 비행체 운행 경로를 출력할 수 있다는 장점이 있다. 예를 들어, 사용자가 제한 속도가 일정한 경로를 따라 최종 목적지에 도달하는 운행 경로를 원하고 있다면, 제한 속도가 일정하지 않은 다른 경로는 최종 목적지에 도달하는 운행 경로 산정에 도움이 되지 않는다. 다만, 본 발명에 따른 무인 비행체 교통 관리 예측 방법은 사용자가 원하는 최적의 운행 경로를 출력하기 위하여, 다양한 기준에 따른 데이터 필터링을 통해 딥러닝 모델의 학습을 진행하기 때문에, 제한 속도가 일정한 경로를 따르는 최적의 운행 경로를 출력할 수 있다는 장점이 있다.As described above, the method for predicting unmanned air vehicle traffic management according to the present invention has an advantage of outputting an optimal unmanned air vehicle operation route according to information desired by a user by a data filtering method. For example, if a user wants a driving route that reaches a final destination along a route having a constant speed limit, another route having a constant speed limit does not help to calculate a driving route to the final destination. However, in the unmanned air vehicle traffic management prediction method according to the present invention, since a deep learning model is trained through data filtering according to various criteria in order to output an optimal driving route desired by a user, a limited speed follows a constant path It has the advantage that it can output the optimal driving route.

이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.The present invention described above has been described with reference to the embodiments shown in the drawings, but this is merely exemplary, and those skilled in the art will understand that various modifications and modifications of the embodiments are possible therefrom. However, it should be considered that such modifications are within the technical protection scope of the present invention. Therefore, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.

100: 무인 비행체 200: 센서 장치
300: 컴퓨터 장치 CA: 공역100: unmanned aerial vehicle 200: sensor device
300: computer device CA: airspace

Claims (12)

컴퓨터 장치가 무인 비행체의 복수의 교통 데이터를 수신하는 단계;
상기 컴퓨터 장치가 상기 복수의 교통 데이터를 각각 전처리하는 단계;
상기 컴퓨터 장치가 상기 전처리한 복수의 교통 데이터를 사전에 학습한 딥러닝 모델에 입력하는 단계; 및
상기 컴퓨터 장치가 상기 딥러닝 모델의 출력 결과에 따라 상기 무인 비행체의 운행에 필요한 공역별 교통 정보를 생성하는 단계를 포함하고,
상기 딥러닝 모델은 상기 무인 비행체의 운행 방향을 분석하는 방향성을 학습에 활용하는 것을 특징으로 하는 무인 비행체 교통 관리 예측 방법.A computer device receiving a plurality of traffic data of the unmanned aerial vehicle;
Pre-processing each of the plurality of traffic data by the computer device;
Inputting a plurality of traffic data pre-processed by the computer device into a deep learning model previously learned; And
And generating, by the computer device, traffic information for each airspace required for the operation of the unmanned air vehicle according to an output result of the deep learning model,
The deep learning model is a method for predicting traffic management of an unmanned air vehicle, characterized in that it utilizes directionality to analyze the driving direction of the unmanned air vehicle for learning. 제1항에 있어서,
상기 컴퓨터 장치는 센서 장치 또는 상기 무인 비행체에 연결된 별도의 진단 장치로부터 상기 복수의 교통 데이터를 수신하는 것을 특징으로 하는 무인 비행체 교통 관리 예측 방법.According to claim 1,
The computer device receives the plurality of traffic data from a sensor device or a separate diagnostic device connected to the unmanned aerial vehicle. 제1항에 있어서,
상기 무인 비행체는 복수의 무인 비행체이고,
상기 복수의 교통 데이터는 상기 복수의 무인 비행체가 수집한 서로 다른 항목을 포함하는 무인 비행체 교통 관리 예측 방법.According to claim 1,
The unmanned aerial vehicle is a plurality of unmanned aerial vehicles,
The plurality of traffic data is a method for predicting unmanned aerial vehicle traffic management including different items collected by the plurality of unmanned aerial vehicles. 제2항에 있어서,
상기 복수의 교통 데이터는,
상기 무인 비행체의 운행 데이터, 운영 데이터, 및 센싱 데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 무인 비행체 교통 관리 예측 방법.According to claim 2,
The plurality of traffic data,
An unmanned air vehicle traffic management prediction method comprising at least one of operation data, operation data, and sensing data of the unmanned air vehicle. 제4항에 있어서,
상기 무인 비행체의 운행 데이터 및 운영 데이터는 상기 별도의 진단 장치로부터 수신하고,
상기 무인 비행체의 센싱 데이터는 상기 센서 장치로부터 수신하는 것을 특징으로 하는 무인 비행체 교통 관리 예측 방법.The method of claim 4,
The operation data and operation data of the unmanned aerial vehicle are received from the separate diagnostic device,
The unmanned air vehicle traffic management prediction method, characterized in that the sensing data of the unmanned air vehicle is received from the sensor device. 제1항에 있어서,
상기 딥러닝 모델은,
상기 복수의 교통 데이터에서 공간적 정보를 학습하는 CNN(Convolutional Neural Network) 및 시간적 정보를 학습하는 RNN(Recurrent Neural Network) 중 적어도 하나를 사용하거나 CNN과 RNN을 순차적으로 적용하는 것을 특징으로 하는 무인 비행체 교통 관리 예측 방법.According to claim 1,
The deep learning model,
Unmanned air vehicle traffic characterized by using at least one of a convolutional neural network (CNN) for learning spatial information and a recurrent neural network (RNN) for learning temporal information from the plurality of traffic data, or sequentially applying CNN and RNN. Management forecasting methods. 제3항에 있어서,
상기 공역별 교통 정보는,
상기 복수의 무인 비행체의 운행에 필요한 공역별 리스크, 혼잡도, 평균 속도, 교통량, 운행 밀도, 운행 시간 중 적어도 하나를 포함하는 것을 특징으로 하는 무인 비행체 교통 관리 예측 방법.According to claim 3,
The traffic information for each airspace,
An unmanned air vehicle traffic management prediction method comprising at least one of risk, congestion, average speed, traffic volume, operating density, and operating time for each airspace required for the operation of the plurality of unmanned aerial vehicles. 제1항에 있어서,
상기 딥러닝 모델은,
상기 전처리한 교통 데이터 중에서 일정 기준을 만족하는 교통 데이터만 사용하는 데이터 필터링을 추가로 학습에 활용하는 것을 특징으로 하는 무인 비행체 교통 관리 예측 방법.According to claim 1,
The deep learning model,
A method for predicting traffic management of unmanned air vehicles, characterized in that data filtering using only traffic data that satisfies a certain criterion among the pre-processed traffic data is further utilized for learning. 무인 비행체의 복수의 교통 데이터를 입력 받는 입력 장치;
전처리된 데이터로 사전에 학습한 딥러닝 모델을 저장하는 저장 장치; 및
상기 입력 받은 복수의 교통 데이터를 전처리하고, 전처리한 교통 데이터를 상기 딥러닝 모델에 입력하고 상기 무인 비행체의 운행에 필요한 공역별 교통 정보를 생성하는 연산 장치를 포함하고,
상기 딥러닝 모델은 상기 무인 비행체의 운행 방향을 분석하는 방향성을 학습에 활용하는 것을 특징으로 하는 무인 비행체 교통 관리 예측 장치.An input device that receives a plurality of unmanned air vehicle traffic data;
A storage device for storing a deep learning model previously learned with pre-processed data; And
And a computing device that pre-processes the received plurality of traffic data, inputs the pre-processed traffic data into the deep learning model, and generates traffic information for each airspace required for the operation of the unmanned aerial vehicle,
The deep learning model is an apparatus for predicting traffic management of an unmanned aerial vehicle, characterized in that it utilizes directionality to analyze the driving direction of the unmanned aerial vehicle for learning. 제9항에 있어서,
상기 무인 비행체는 복수의 무인 비행체이고,
상기 복수의 교통 데이터는 상기 복수의 무인 비행체가 수집한 서로 다른 항목을 포함하는 것을 특징으로 하는 무인 비행체 교통 관리 예측 장치.The method of claim 9,
The unmanned aerial vehicle is a plurality of unmanned aerial vehicles,
The plurality of traffic data, the unmanned vehicle traffic management prediction apparatus comprising a different item collected by the plurality of unmanned aerial vehicles. 제10항에 있어서,
상기 공역별 교통 정보는,
상기 복수의 무인 비행체의 운행에 필요한 공역별 리스크, 혼잡도, 평균 속도, 교통량, 운행 밀도, 운행 시간 중 적어도 하나를 포함하는 것을 특징으로 하는 무인 비행체 교통 관리 예측 장치.The method of claim 10,
The traffic information for each airspace,
An unmanned air vehicle traffic management prediction apparatus comprising at least one of risk, congestion, average speed, traffic volume, operating density, and operating time for each airspace required for the operation of the plurality of unmanned aerial vehicles. 제9항에 있어서,
상기 딥러닝 모델은,
상기 전처리한 교통 데이터 중에서 일정 기준을 만족하는 교통 데이터만 사용하는 데이터 필터링을 추가로 학습에 활용하는 것을 특징으로 하는 무인 비행체 교통 관리 예측 장치.The method of claim 9,
The deep learning model,
An apparatus for predicting traffic management of unmanned air vehicles, characterized in that data filtering using only traffic data that satisfies a certain criterion among the pre-processed traffic data is further utilized for learning.
KR1020180143686A 2018-11-20 2018-11-20 Method and apparatus of prediction for unmanned aerial vehicle traffic management KR20200058947A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180143686A KR20200058947A (en) 2018-11-20 2018-11-20 Method and apparatus of prediction for unmanned aerial vehicle traffic management

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180143686A KR20200058947A (en) 2018-11-20 2018-11-20 Method and apparatus of prediction for unmanned aerial vehicle traffic management

Publications (1)

Publication Number Publication Date
KR20200058947A true KR20200058947A (en) 2020-05-28

Family

ID=70920561

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180143686A KR20200058947A (en) 2018-11-20 2018-11-20 Method and apparatus of prediction for unmanned aerial vehicle traffic management

Country Status (1)

Country Link
KR (1) KR20200058947A (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102445617B1 (en) * 2021-12-27 2022-09-21 주식회사 파블로항공 Method and apparatus for managing flight plan
CN116957345A (en) * 2023-09-21 2023-10-27 上海伯镭智能科技有限公司 Data processing method for unmanned system

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102445617B1 (en) * 2021-12-27 2022-09-21 주식회사 파블로항공 Method and apparatus for managing flight plan
CN116957345A (en) * 2023-09-21 2023-10-27 上海伯镭智能科技有限公司 Data processing method for unmanned system
CN116957345B (en) * 2023-09-21 2023-12-08 上海伯镭智能科技有限公司 Data processing method for unmanned system

Similar Documents

Publication Publication Date Title
US11955017B2 (en) Dynamic aircraft routing
US11244572B2 (en) Dynamic aircraft routing
CN110192083B (en) Apparatus and method for remote support of autonomous operation of vehicle
CN110235070B (en) Teleoperation of autonomous vehicles to address problem situations
EP3983753B1 (en) Dynamic aircraft routing
US9513125B2 (en) Computing route plans for routing around obstacles having spatial and temporal dimensions
US11209816B2 (en) Autonomous long range aerial vehicles and fleet management system
KR101993603B1 (en) Wide area autonomus search method and system using multi UAVs
KR102529115B1 (en) Scoring autonomous vehicle trajectories using reasonable crowd data
US11891087B2 (en) Systems and methods for generating behavioral predictions in reaction to autonomous vehicle movement
CN109901572A (en) Automatic Pilot method, training method and relevant apparatus
US20200101974A1 (en) Device and method for selecting optimal travel route based on driving situation
WO2016053196A1 (en) Method and apparatus for controlling agent movement in an operating space
WO2009091431A1 (en) Computing flight plans for uavs while routing around obstacles having spatial and temporal dimensions
CN109000651B (en) Path planning method and path planning device
US11315432B2 (en) Landing an unmanned aerial vehicle in a contingency scenario
WO2022211932A1 (en) Route planner and decision-making for exploration of new roads to improve map
EP4314716A1 (en) Explainability and interface design for lane-level route planner
KR20200058947A (en) Method and apparatus of prediction for unmanned aerial vehicle traffic management
Jotanovic et al. Smart city iot on-demand monitoring system using a drone fleet
Richards et al. Self-Directed and Informed Forced-Landing System for UAV Avoidance of On-Ground Persons, Vehicles, and Structures

Legal Events

Date Code Title Description
E601 Decision to refuse application