1. 서론
4차 산업혁명과 더불어 드론과 같은 무인항공기의 발달이 고도화됨에 따라 비행경로를 추천 및 제안하는 기법에 있어 최근 연구가 활발하게 이루어지고 있다[1]. 이는 단순히 연료의 효율성 및 비용의 절감효과뿐만 아니라, 조종사의 성향을 고려한 항행 습관을 고려하여 도출해내기 때문에 안정성을 높이는 기대효과를 나타낸다. 특히 방산업체를 중심으로 한 혼합현실 분야, HMD(Head Mounted Display)와 같은 항공전자 기술 수준이 높아짐에 따라 민간개발도 함께 성장하고 있다[2,3]. 그러나 이러한 무인항공기를 위한 인프라의 마련과 경로 관제를 위한 체계가 아직 초기 단계에 머물러 있어 상용화할 수 없는 수준이며, 모니터링을 위한 시스템 또한 2차원 디스플레이기반으로 이루어져 있기 때문에 시야에 제약이 크다 [4]. 그러나 무인항공기의 경로 안내 시스템의 경우 고도가 성층권까지 올라가는 일반 항공기와 달리, 일반 도심에서도 주행이 가능한 고도 수준을 유지할 수 있으며, 향후 공중 이동수단으로서의 역할로서의 전망도 기대하고 있어, 이를 위해 혼합현실에서의 관제 시스템의 필요성이 높아지고 있다[5]. 더불어, 항공 경로의 특성상 단순 최단 경로 뿐만이 아닌, 악천후, 버드 스트라이크 등의 다양한 장애 요인에 대한 대응 시스템도 함께 실시간으로 경로에 반영되어야 경로의 추천 정확도가 높아질 수 있다[6].
본 논문에서는 무인항공기를 위한 최적의 3차원 비행경로 추천 시스템 설계 및 구현을 제안한다. 제안한 시스템은 다음과 같이 구성된다. 첫째, 빅데이터 기반의 비행 운항 기록 프로파일 처리 시스템은 무인항공기의 운항 기록 데이터의 수집을 위한 프로파일 정규화 및 전처리를 진행하고 최적의 비행경로추천을 위한 프로파일 처리 및 생성 알고리즘을 위한 DB 저장 및 관리 시스템이다. 둘째, A-Star 알고리즘 기반의 맞춤형 비행경로 추천 시스템은 본 논문에서 제안한 시스템이 제시하는 최적 비행경로를 도출해내고 사용자에게 추천하는 시스템으로 항공 운항기록 데이터를 프로파일 처리하고, 빅데이터 및 인공지능 기반의 분석 알고리즘을 통해 비행경로 패턴을 도출하여 항공 운항 상황에 최적화된 비행경로를 추천하는 시스템이다. 특히, 제안한 시스템의 검증을 위한 추천 경로 시연 및 장애물 감지 시뮬레이션을 진행한다.
본 논문의 구성은 다음과 같다. 2장은 관련 연구로서, 무인항공 모니터링 시스템과 A-Star 알고리즘 기반 추천 시스템에 대해 서술한다. 3장은 제안하는 무인항공기의 A-Star 알고리즘 기반 3차원 비행경로 추천 시스템에 대하여 기술한다. 4장은 제안한 무인항공기의 A-Star 알고리즘 기반 3차원 비행경로추천 시스템의 설계 내용을 검증하기 위한 구현 내용에 대해 기술하고, 마지막으로 5장에서 결론 및 향후 연구로 맺는다.
2. 관련연구
2.1 무인항공 모니터링 시스템
무인 항공(Unmanned Aerial Vehicle, UAV) 또는 통칭 드론(Drone)은 조종사가 실제로 직접 탑승하는 것이 아니라, 지상에서 사전에 프로그래밍 되어 있는 경로에 기반하여 자동 또는 반자동으로 날아가는 비행체를 일컫는다. 또한 자율비행 시 인공지능 탑재를 통해 자체 환경판단에 따라 임무를 수행하는 비행체와 지상통제장비 및 통신장비 지원장비 등의 전체 시스템을 일컫기도 한다. 초기의 무인항공의 목적은 군사적 용도로 시작되었다. 기술이 고도화되어 감에 따라 기체에 원격탐지장치, 위성제어장치 등 첨단 장비를 갖춰 직접 인간이 접근 및 작업이 힘든 곳이나 위험지역에서의 활용까지 그 영역을 확대하게 됐다. 나아가 공격용 무기를 장착해서 지상군의 적을 공격하는 공격기로 활용되기도 하였다. 최근에는 과학기술의 첨가를 통해 촬영, 배송 등 다양한 분야로 사용이 확장되고 있다.
무인항공은 운용비용이 저렴하고 신속하게 데이터를 수집할 수 있는 장점이 있는 만큼 다양한 분야에서의 모니터링 수단으로서의 효과적인 방법으로 활용될 수 있다. 김덕인[7]은 국토모니터링분야 적용 가능성을 평가하고 지도제작 및 재난 재해분야 적용 가능성을 살펴보기 위하여 무인항공의 영상을 취득 후 모니터링 내용 분석을 진행하였다. 천장우[8]는 실시간 재난 모니터링을 위한 무인항공기 기반 지도생성 및 가시화 시스템 구축을 진행하여 무인 항공 모니터링 시스템을 구축하였으며, M. Elloumi[9]는도로 내의 교통 상황을 UAV를 통해 관제할 수 있도록 기반 시스템을 구축하고 있으며, UAV 모니터링시스템에 대한 연구가 활발하게 진행되고 있다.
2.2 A-Star 알고리즘 기반 추천 시스템
A-Star 알고리즘이란 주어진 출발 노드에서부터 도착 노드로 향하는 최단 경로를 계산하는 알고리즘이며, 기존의 경로 탐색알고리즘 중 대표 알고리즘인다익스트라(Dijkstra) 알고리즘과 유사점이 있으나, A-Star 알고리즘의 경우 각 꼭짓점에 대한 휴리스틱 추정값을 매기는 방법을 사용한다는 점에 있어서 차이가 있다. 이를 위해서는 각각의 꼭짓점에 대한 평가 함수를 정의해야 한다. 이를 위한 평가 함수 f(n) 은 다음 식 (1)과 같다.
\(f(n)=g(n)+f(n)\) (1)
\(g(n)\)은 출발 노드로부터 꼭짓점 \(n\)까지의 경로 가중치를 뜻하며, \(h(n)\)은 꼭짓점 \(n\)으로부터 도착 노드까지의 추정 경로 가중치를 나타낸 것이다.
한수영[10]은 A-Star 알고리즘을 이용하여 능동형 위치 검출 시스템을 구현하였으며, 이를 통해 긴급 구조 서비스를 제공할 수 있는 발신기 위치를 확인하는 시뮬레이터를 제안하였다. B. Siregar [11] 는지리정보시스템(GIS) 와 A-Star 알고리즘을 이용하여 차량을 이용한 음식 배달 시스템을 구축하였으며, A-Star를 활용하여 최단경로를 구한 후, 음식 배달 차량 개체 추적을 위한 위치 기반시스템(LBS) 프로그래밍을 사용하여 지리정보시스템(GIS)를 구축하였다.
본 논문에서 제시한 무인항공기의 A-Star 알고리즘 기반 3차원 비행경로 추천 시스템을 연구하기 위해서는 무인항공기의 비행 운항 및 경로 데이터를 기반으로 최적의 추천 경로를 추천하기 위한 추천경로 시스템의 설계가 요구된다. 본 논문에서 제안한 3차원 비행경로 추천 시스템은 수집된 운항 기록과 주변 외부 환경에 기반하여 이에 대응할 수 있도록 하여 사용자가 안전하게 이동할 수 있는 최적의 경로를 실시간으로 제공해 줄 수 있는 시스템이다.
3. 무인항공기를 위한 최적의 3차원 비행경로 추천 시스템
3.1 시스템 개요
제안한 무인항공기를 위한 최적의 3차원 비행경로 추천 시스템은 빅데이터 기반의 비행 운항 기록 프로파일 처리 시스템과 A-Star 알고리즘 기반의 맞춤형 비행경로 추천 시스템으로 구성되어 있다.
Fig. 1은 제안한 전체 시스템의 작동 프로세스를 나타낸 것이며, 무인항공체가 비행을 시작하게 되면, 실시간으로 운항 기록을 수집하는 작업 단계에서부터 제안한 시스템이 작동하게 된다. 제안한 시스템의 좌측면은 빅데이터 기반의 비행 운항 기록 프로파일처리 시스템을 나타낸 것으로, 무인항공기의 비행 운항 및 경로 데이터를 수집하여 데이터 전처리 및 분석을 하고 프로파일 생성 및 저장을 통해 시각화 처리를 하여 이를 통해 응용 계층에서 모니터링 할 수 있도록 데이터의 가공 및 처리를 진행한다.
Fig. 1. Design and implementation of an optimal 3D flight path recommendation system for unmanned aerial vehicles.
처리된 데이터는 A-Star 알고리즘 기반의 맞춤형 비행경로 추천 시스템으로 전달이 되어 무인항공기를 제어하고 있는 사용자에게 필요한 추천 경로 정보를 제공 및 추천을 하게 된다. 전달된 데이터는 데이터 엔지니어링을 통해 예측 모델을 형성하게 되고, 이를 운용 및 적용을 하여 지속적인 모델의 학습을 진행하게 된다. 이를 기반으로 비행 운항 경로 기록의 데이터 분석 및 사전예측, 실시간 최적 비행경로추천, 분석된 정보 적응화, 데이터 큐레이션의 작업을 진행한다. 또한 악천후 및 다른 사물, 혹은 타 무인항공기와의 충돌 회피 등의 상황에 따른 변경된 실제 비행경로에 따른 실시간 대응이 일어날 수 있어야 하므로, 이에 따른 피드백 반영이 진행되어야 한다.
3.2 빅데이터 기반의 비행 운항 기록 프로파일 처리시스템
빅데이터 기반의 비행 운항 기록 프로파일 처리시스템은 무인항공기의 운항 기록 데이터의 수집을 위한 프로파일 정규화 및 전처리를 진행하고 최적의 비행경로 추천을 위한 프로파일 처리 및 생성 알고리즘을 위한 DB 저장 및 관리 시스템이다.
프로파일의 구축은 맞춤형 추천 시스템에 있어서 선행되어야 하는 작업이며 추천에 필요한 요소들을 찾고 추천에 적합한 형태로 데이터의 정규화 및 분석되어야 한다. 비행 운항 데이터는 기후 상황에 따른 조종 기체의 속도, 위치, 각도, 경로 등의 물리적 요소를 포함하고 있으며 각 데이터는 단위에 따라 각각 저장되므로, 실제 추천 분석에서 사용하기에 적합한 단위와 속성들을 선별할 필요가 있다. 해당 데이터의 경우 텍스트 형태로 저장되며, 이와 같은 초기 운항기록을 프로파일 형태로 저장 및 관리하기 위해서는 다음과 같은 네 가지 요구사항이 요구된다.
첫째, 데이터 타입 및 테이블화가 진행되어야 한다. 기존에 수집되는 데이터는 텍스트 형태로 저장되기 때문에 이를 각 속성들의 특성별 또는 연관 관계에 따라 테이블화 할 필요가 있다. 테이블화를 통해 이후 분석되는 데이터의 시각화나 효율적인 분석이 가능하다.
둘째, 불필요한 속성 제거가 이루어져야 한다. 프로파일이 많은 속성을 가질수록 AI 기반의 추천 시스템에서 추천 결과를 도출하기 위한 모델을 생성하는데 더 많은 연산시간과 모델 복잡도를 가지게 된다. 따라서 효율적으로 추천 모델을 생성하기 위해서는 프로파일의 사전 분석을 통해 불필요하거나 중복되는 속성들을 제거할 필요가 있다.
셋째, 이상치 제거가 진행되어야 한다. 데이터에 따라 데이터의 손상, 입력 오류, 단위 오류 등으로 인해 데이터가
잘못 저장되는 경우가 있다. 이를 위한 전처리 과정에서 원시 로그 데이터의 경우, 불필요한 값이 존재할 수 있으므로 이를 정제하기 위해 직전 값 대비 다음 값이 비정상적으로 변할 경우 이상치(Outlier) 제거 알고리즘을 채택한다. 따라서 선행적으로 데이터 시각화를 통해 이상치를 탐색하여 제거 또는 정규화할 필요가 있으며, Fig. 2의 결과와 같이 나타난다.
Fig. 2. Real-time collected UAV flight data purification process and result sample.
넷째, 속성 간 연관성을 파악해야 한다. 일부 속성값들의 경우 연관성을 가지므로 추천 분석 시 그룹핑하여 추천하는 기법을 사용할 수 있다. 따라서 사전시각화 분석을 통해 연관성을 가질 수 있는 속성을 파악할 필요가 있다.
수집된 데이터를 기반으로 운항 기록 프로파일의 정제 및 구축을 하기 위해서 무인항공기의 운항 경로 기록을 통해 실시간 트렌드 데이터를 수집 및 정제, 분석을 통한 데이터 명세화 및 정의를 진행하고, 이후 데이터 통합 및 전처리 실행을 진행해야 한다.
특히 수집된 데이터의 패턴을 분석하고 악천후 및 장애물에 대처할 수 있는 상황 분석에 대한 빅데이터 기반의 장애 패턴 분석 알고리즘을 포함한다. 특히 계획된 비행경로와 실제 비행경로 간의 차이를 만드는 여러 외부 변수들의 경험 데이터는 항행 데이터 내의 환경 변수를 달리한 주행 기록을 기반으로 지속적으로 수집하여 데이터 애널리틱스(data analytics) 모델을 형성할 수 있도록 수집 및 가공이 되어야 한다.
3.3 A-Star 알고리즘 기반의 맞춤형 비행경로 추천시스템
A-Star 알고리즘 기반의 맞춤형 비행경로 추천시스템은 본 논문에서 제안한 시스템이 제시하는 최적 비행경로를 도출해내고 사용자에게 추천하는 시스템으로 항공 운항 기록 데이터를 프로파일 처리하고, 빅데이터 및 인공지능 기반의 분석 알고리즘을 통해 비행경로 패턴을 도출하여 항공 운항 상황에 최적화된 비행경로를 추천하는 시스템이며 Fig. 3의 구조로 처리되도록 설계되어 있다. 빅데이터 기반의 비행 운항 프로파일 처리 시스템에서 처리된 데이터들이 전달되거나 검색이 요청될 때, 무인항공기의 비행 운항 경로 기록 빅데이터 DB와 지속적으로 학습되어 피드백 데이터로써 저장되어있는 A-Star 알고리즘을 기반으로 처리된 패턴/예측 분석 인공지능 DB를 구축하게 된다.
Fig. 3. Customized flight path recommendation system based on A-Star algorithm.
특히 수집된 빅데이터를 인공지능 기술을 활용하여 다양한 상황에 따른 경로를 분석하는 알고리즘 및 학습 모델로서 최적 경로 탐색 및 추천에 적합한 A-Star 알고리즘을 사용하였다. 휴리스틱 가중치 계산법을 통해 타 알고리즘과 비교하였을 때 가장 빠른 최단 거리 길 찾기가 가능하며, 주변 환경 또는 추정값이 반영된 실질적 최단거리를 찾기 용이하다는 점에 있어 A-Star 알고리즘을 선택하였다.
A-Star 알고리즘의 최적 비용을 구하는 알고리즘은 수식 (2)과 같다. \(g(n)\)은 시작 지점으로부터 현재 위치까지의 비용을 계산하는 함수를 나타내며, \(h(n)\)은 현재 위치에서부터 도착지점까지 예상되는 비용을 계산하는 함수를 나타내고, 이를 합친 \(f(n)\)을 구한 후, 가장 작은 \(f(n)\) 값을 가진 경우를 최적 경로라고 저장하여 해당 노드들의 인덱스를 반환하여 경로로 나타내도록 하였다.
\(f(n)=g(n)+f(n)\) (2)
이후 실제 UAV 운행 시 건물, 새 등과 같은 물리적 장애물을 피해야 하는 장애물 감지 및 대응 기능과, 갑작스러운 기상 악화로 인한 비행 접근 불가 구간(No Fly Zone)의 감지 및 대응을 기반으로 상황에 따른 최적화된 경로 추천 기능을 제공하기 위해 장애물을 감지하는 알고리즘을 작성하였으며 그 순서도는 Fig. 4와 같다. 장애물 감지 알고리즘을 위해 유한한 두 세그먼트의 교차점을 통해 최적 경로가 될 수 있는 모든 후보 경로들과 장애물들의 경계 사이의 LOS(Line-Of-Sight: 가시거리) 상태 점검을 고려해야 하며, 이는 다음과 같은 과정으로 설명할 수 있으며 Fig. 5의 형태이다.
Fig. 4. A-Star algorithm-based UAV optimal path search algorithm.
Fig. 5. Node detection process within obstacles.
① 유한한 세그먼트 P1-P2 점 (x,y)를 정의하여 수식 (3)과 같이 정의함
\(\left\{\begin{array}{l} x \\ y \end{array}\right\}=(1-\lambda)\left\{\begin{array}{l} x_{P 1} \\ y_{P 1} \end{array}\right\}+\lambda\left\{\begin{array}{l} x_{P 2} \\ y_{P 2} \end{array}\right\}, \quad \lambda \in[0,1]\) (3)
② \(\lambda=0\) 일 때, 점 P1을 수식 (4)과 같이 정의함
\(\left\{\begin{array}{l} x \\ y \end{array}\right\}_{(\lambda=0)}=\left\{\begin{array}{l} x_{P 1} \\ y_{P 1} \end{array}\right\}\) (4)
③ 수식 (5)에 의해 마찬가지로 \(\lambda=1\)일 때 \(\lambda=0\)은 P2를 정의함
\(\left\{\begin{array}{l} x \\ y \end{array}\right\}_{(\lambda=1)}=\left\{\begin{array}{l} x_{P 2} \\ y_{P 2} \end{array}\right\}\) (5)
④ 즉, \(0<\lambda<1\) 과 같은 \(\lambda\)의 다른 모든 값에 대해 P1과 P2 사이의 선분을 따라 지정하게 됨. 그러나, \(\lambda<0\) 또는 \(\lambda>1\)이면 \((x, y)\)이 P1 아래 (\(\lambda<0\))또는 P2 위에 (\(\lambda>1\)) 놓여있게 되므로, 고려하지 않아도 됨
⑤ 마찬가지로, 또 다른 라그랑주 매개 변수로 정의될 수 있는 꼭지점 P3-P4를 결합하여 형성된 유한한 범위 내의 모서리 E2는 다음 수식 (6)를 사용하여 정의할 수 있으며, \(\mu \in[0,1]\)을 따름
\(\left\{\begin{array}{l} x \\ y \end{array}\right\}=(1-\mu)\left\{\begin{array}{l} x_{P 3} \\ y_{P 3} \end{array}\right\}+\mu\left\{\begin{array}{l} x_{P 4} \\ y_{P 4} \end{array}\right\}, \quad \mu \in[0,1]\) (6)
⑥ \(\mu=0\)은 점 P3을 정의하고, \(\mu=1\)은 P4를 정의하며, \(0<\mu<1\)은 그 사이의 모든 노드를 정의하게 됨
⑦ Z 점은 두 세그먼트의 교차점이므로 수식 (7) 을통해 구할 수 있음
\(\left\{\begin{array}{l} x_{Z} \\ y_{Z} \end{array}\right\}=\left(1-\lambda_{Z}\right)\left\{\begin{array}{l} x_{P 1} \\ y_{P 1} \end{array}\right\}+\lambda_{Z}\left\{\begin{array}{l} x_{P 2} \\ y_{P 2} \end{array}\right\}\) (7)-1
\(\left\{\begin{array}{l} x_{Z} \\ y_{Z} \end{array}\right\}=\left(1-\mu_{Z}\right)\left\{\begin{array}{l} x_{P 3} \\ y_{P 3} \end{array}\right\}+\mu_{Z}\left\{\begin{array}{l} x_{P 4} \\ y_{P 4} \end{array}\right\}\) (7)-2
⑧ 수식 (8)-1의 과정과 같이 재정렬 및 행렬 형식으로 작성 후, 8-(2)의 유효성 검증 및 LOS 조건을 충족하는 것을 확인하여 해당 지점이 통과 가능한 지점인지, 혹은 비행 중 시야 방해가 이루어지지 않는 경로인지를 판별할 수 있음
\(\left\{\begin{array}{l} x_{Z} \\ y_{Z} \end{array}\right\}=\left(1-\lambda_{Z}\right)\left\{\begin{array}{l} x_{P 1} \\ y_{P 1} \end{array}\right\}+\lambda_{Z}\left\{\begin{array}{l} x_{P 2} \\ y_{P 2} \end{array}\right\}=\left(1-\mu_{Z}\right)\left\{\begin{array}{l} x_{P 3} \\ y_{P 3} \end{array}\right\}+\mu_{Z}\left\{\begin{array}{l} x_{P 4} \\ y_{P 4} \end{array}\right\}\) (8)-1
\(재정렬 :\\ \lambda_{Z}\left\{\begin{array}{l} x_{P 2}-x_{P 1} \\ y_{P 2}-y_{P 1} \end{array}\right\}+\mu_{Z}\left\{\begin{array}{l} x_{P 3}-x_{P 4} \\ y_{P 3}-y_{P 4} \end{array}\right\}=\left\{\begin{array}{l} x_{P 3}-x_{P 1} \\ y_{P 3}-y_{P 1} \end{array}\right\} \\ 조건 검증 :\\ \left\{\begin{array}{l} \lambda_{Z} \\ \mu_{Z} \end{array}\right\}=A^{-1} b \\ 0 \leqq \lambda \leqq 1 \text { and } 0 \leqq \mu \leqq 1 \) (8)-2
다음 수식으로 구성된 알고리즘을 기존 구현되어있던 2D A-Star 알고리즘의 구현 내용을 기반으로 3D A-Star 알고리즘을 구현 및 검증을 진행하였으며, 이때, 2D와 구분되는 3D A-Star 알고리즘 기반의 구현 요소들을 고려하여 추가 개발을 진행하였다. Fig. 6은 실행 시 결과 모습으로 평면 구조에서 입체화로 변형된 후 경로 탐색이 이루어진 것을 알 수 있다.
Fig. 6. Validation of matlab-based 2D A-Star algorithm and 3D A-Star algorithm.
① 고도가 추가되어 있어 휴리스틱 계산 시 이를 고려하여 수식을 다시 산정 하였음. (X, Y, Z 축의 3차원 방향으로의 계산이 필요)
\(\begin{aligned} &\text { function hew = heuristic_cost(newnodepos, } \\ &\text { goal) } \\ &\text { hew = } \operatorname{sqrt}\left((\text { newnodepos }(1)-g o a l(1))^{\wedge} 2+\right. \\ &\text { (newnodepos(2) - goal(2)). } 2 \text { ) } \end{aligned}\)
▼
\(\begin{aligned} &\text { function hew }=\text { heuristic_cost_3d(newnodepos, } \\ &\text { goal) } \\ &\text { hew = sqrt((neunodepos(1) }-\operatorname{goal}(1)) \cdot 2+ \\ &\text { (neunodepos(2) - goal(2)).2 + (neunodepos(3) - } \\ &\text { goal(3)).2); } \end{aligned}\)
② 기존의 좌표 평면에서 이루어졌던 Node 계산이 3D Grid 상에서 매칭이 될 수 있도록 3차원 상좌 표 평면 환경이 구성되어야 함
③ Obstacle 및 No Fly Zone의 확인이 필요함
- 물리적 접근이 불가한 장애물 : 건물, 사람, 도로 등
- 통과는 가능하지만 접근하지 말아야 하는 경로: 악천후 등
4. 구현 및 시뮬레이션
본 제안한 시스템의 설계 및 시뮬레이션을 위하여 항공 데이터 수집을 위해 미국 켄트대학교에서 측에서 무인항공기의 모의 비행 테스트를 진행하였으며, 무인항공기의 이동 로그 데이터의 수집은 Marvel- mind사의 Indoor GPS Beacon을 이용하기로 하였다.
무인항공기의 이동 로그 데이터 수집을 위한 Indoor GPS Beacon은 송신기와 수신기 간의 초음파 센서를 이용하여 좌표 값을 받아올 수 있으며, 실험 공간은 3.3 m×3.8 m×2 m로 설정해 주었음. 바닥에 네 개, 천장에 가깝도록 벽에 세 개의 비콘을 설치하여 보다 좌표 값의 정확도를 높여주었다. 구현을 하기 위한 3차원 좌표계의 (x, y, z)좌표가 양수로만 나타날 수 있도록 하기 위해 좌표계의 원점을 임의로 하나의비콘으로 설정을 한 후, 장애물은 아래의 좌표에 맞춰 위치시키고 무인항공기의 모의 비행 테스트를 진행하였음. 출발지점과 도착지점은 임의로 지정하여 실험 동안 유지하였으며 이를 토대로 최적 경로 계산을 위한 경로 데이터를 Fig. 7과 같이 수집하여 전달받아 데이터 셋 프로파일 구축을 위한 전처리 과정을 진행하였다.
Fig. 7. Flight log data screenshot sample.
A-Star 알고리즘의 좌표계를 구현하기 위하여 3 차원의 격자를 동적으로 생성하였으며 실행화면은 Fig. 8과 같다. 실제 주행 모습을 보여 줄 때에는 격자의 가시성(Visibility)를 False로 선택하여 투명하게 설정하도록 하였으며, 각 Grid의 \(x, y, z\)의 크기 (Scale) 및 한계값(Limitation)을 조절할 수 있게 하여 외부에서 받아오는 경로 데이터의 크기에 따라 유동적으로 맵핑할 수 있게 구성하였다.
Fig. 8. Dynamic creation of 3D grid based on Unity 3D.
Fig. 9에서 흰색 정육면체를 건물과 같은 물리적 장애물, 반투명 노란색 정육면체를 악천후와 같은 비행 접근 불가 구간으로 설정하였으며, Fig. 10을 통해 A-Star 알고리즘을 적용시킨 시뮬레이션 상황에서 추천 경로가 장애물을 피하며 정상 작동함을 확인할 수 있었다. 이때, 마젠타(Magenta) 색상은 추천 경로, 주황색 색상은 계획 경로, 그리고 시안(Cyan) 색상은 현재 경로를 나타낸다.
Fig. 9. Created 3D grid (When the limitation of the Y-axis is set to 5).
Fig. 10. Demo of optimal flight path recommendation algorithm based on A-Star algorithm.
현재 알고리즘이 정상 작동함을 확인하기 위해 고의적으로 장애물 및 비행 접근 불가 구간에 부딪히는 경로 데이터를 생성하여 경고 안내를 나타내는 기능을 구현하였으며 그 결과는 Fig. 11과 Fig. 12와 같이 나타난다. 물리적 장애물의 경우 통과가 불가능하며, 2초간 정지한 후, 다시 운행을 재개하는 형태로 구성하였으며, 비행 접근 불가 구간은 악천후와 같이 평상시에는 운행할 수 있는 경로이나, 추천 경로상 피하여야 한다고 생각하는 구역이라고 판단되는 구간으로 지정하였으며, 해당 영역은 통과는 가능하지만 경고 안내를 줄 수 있도록 구현하였다.
Fig. 11. Demo showing notification if hit no fly zone.
Fig. 12. Demo showing notification when hit with physical obstacle.
5. 결론
무인항공기를 위한 최적의 3차원 비행경로 추천시스템은 빅데이터 기반의 비행 운항 기록 프로파일처리 시스템과 A-Star 알고리즘 기반의 맞춤형 비행경로 추천 시스템으로 구성되어 있으며, 시뮬레이션을 통해 추천 경로를 파악하고, 해당 경로가 어떻게 장애물을 지나가고, 혹은 장애 상황에 대처하는지를 확인할 수 있다. 본 시스템을 통해 몰입감과 현실성의 한계를 극복하고, 상황별 특성에 대응할 수 있는 최적의 경로를 제안할 수 있게 되어 시간적·경제적 비용이 절감될 수 있었다.
성능검증을 위한 항공 데이터 수집을 위해 켄트대학교에서 측에서 무인항공기의 모의 비행 테스트를 진행하였으며, 무인항공기의 이동 로그 데이터를 수집한 후 이를 바탕으로 A-Star 알고리즘 기반의 맞춤형 비행경로 추천 시스템을 기반으로 최적의 비행경로를 도출해내어 시뮬레이션을 구현하였다. 흰색 정육면체를 건물과 같은 물리적 장애물, 반투명 노란색 정육면체를 악천후와 같은 비행 접근 불가 구간으로 설정하여 관찰에 무리가 없도록 설정하였고, A-Star 알고리즘을 적용시킨 시뮬레이션 상황에서 추천 경로가 장애물을 피하며 정상 작동함을 확인할 수 있었다.
이때, 마젠타(Magenta) 색상은 추천 경로, 주황색색상은 계획 경로, 그리고 시안(Cyan) 색상은 현재 경로를 나타낼 수 있도록 하였다. 또한 기본적으로 건물과 같은 장애물에 대해서는 경로가 정상적으로 계산이 되면서 피하는 것을 확인할 수 있었으나, 갑작스러운 돌풍과 같은 일시적인 악천후, 즉 통과 가능한 장애물의 경우, 부딪히는 상황을 가정한 후 실험을 진행하였고, 이에 대한 경고 안내가 나타나는 것을 확인했다.
향후 제안한 무인항공기를 위한 최적의 3차원 비행경로 추천 시스템의 성능 개선을 위해 휴리스틱 가중치 값의 계산을 위하여 주변 환경 변수와 경로 결과에 대한 상관 관계성에 대한 빅데이터 분석을 진행해야 하며, 이것이 가능할 수 있도록 더 많은 양의 데이터가 축적되어야 한다.
또한 이를 혼합현실 환경에 옮겨 관제할 수 있는 UI를 설계함으로써, 2차원 디스플레이의 한계를 해소하고, 다각도로 접근해서 확인할 수 있도록 하여, 추천 경로상의 오류 여부 및 운행 결과에 대한 검수와 만족도 평가를 할 수 있는 기반을 다질 수 있도록 할 연구가 필요하며, 혼합현실 기술을 적용한 만큼 몰입감과 높은 실체감을 제공해 줄 수 있을 것으로 예상되어, 이에 따른 제안 경로에 대한 피드백 데이터 및 평가 만족도가 향상될 것으로 기대된다.
※ This research was supported by the MSIT(Ministry of Science, ICT), Korea, under the High-Potential Individuals Global Training Program)((2020-0-01510) supervised by the IITP(Institute for Information & Communications Technology Planning & Evaluation)
References
- S.Y. Kim and J.H. Jeon. "A Study on the Convertgent Trend of UAV Patent," Journal of Korea Technology Innovation Society, Vol. 22, No. 6, pp. 1138-1163, 2019. https://doi.org/10.35978/jktis.2019.12.22.6.1138
- K.T. Lee and K.H. Lee, "UAV - Current and Future," Journal of the Korean Society for Aeronautical & Space Sciences, Vol. 28, No. 6, pp. 142-163, 2000.
- S.W. Kim, J.I. Sim, W.G. Lee, W.J. Lee, and D.Y. Won, "A Study on the Trend of an Avionics System Architecture Development for UAV," Journal of the Korea Institute of Military Science and Technology, Vol. 17, No. 4, pp. 436-447, 2014. https://doi.org/10.9766/KIMST.2014.17.4.436
- I.P. Lee, "Development and Application of UAV Based Real-time Aerial Monitoring System," Magazine of The Korean Society of Hazard Mitigation, pp. 184-184, 2013.
- A.M. Amjed, B.H. Sababha, A.M. Nailah, A. Barghouthi, and R. Younisse, "UTSim: A Framework and Simulator for UAV Air Traffic Integration, Control, and Comm- unication," International Journal of Advanced Robotic Systems, Vol. 16, No. 5, 2019.
- S. Pant and S.D. Lee, "Obstacle Avoidance Method for UAVs using Polar Grid," Journal of Korea Multimedia Society, Vol. 23, No. 8, pp. 1088-1098, 2020. https://doi.org/10.9717/KMMS.2020.23.8.1088
- D.I. Kim, Y.S. Song, G.H. Kim, and C.W. Kim, "A Study on the Application of UAV for Korean Land Monitoring," Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 32, No. 1, pp. 29-38, 2014. https://doi.org/10.7848/KSGPC.2014.32.1.29
- J.W. Cheon, K.A. Choi, and I.P. Lee, "Development of Image-map Generation and Visualization System Based on UAV for Real-time Disaster Monitoring," Korean Journal of Remote Sensing, Vol. 34, pp. 407-418, 2018. https://doi.org/10.7780/KJRS.2018.34.2.2.8
- M. Elloumi, R. Dhaou, B. Escrig, H. Idoudi, and L.A. Saidane, "Monitoring road traffic with a UAV-based system," IEEE Wireless Communications and Networking Conference, pp. 1-6, 2018.
- S.Y. Han, "Implementation of Active Location Detecting System using A-Star Algorithm," The Journal of Korean Institute of Information Technology, Vol. 11, No. 11, pp. 133-140, 2011.
- B. Siregar, D. Gunawan, U. Andayani, E.S. Lubis, and F. Fahmi, "Food Delivery System with the Utilization of Vehicle Using GeographIcal Information System (GIS) and A Star Algorithm," Journal of Physics: Conference Series, Vol. 801. No. 1, 2017.