AI를 이용한 도심지 멀티콥터 비행안전지역 예측 시스템 개발 :Development of multicopter flight safety region forecasting system in urban area using AI

유강국

추천

검색

자료유형: 학위논문

저자정보: 유강국 (경희대학교, 慶熙大學校)

지도교수: 鄭信圭

발행연도: 2020

저작권: 경희대학교 논문은 저작권에 의해 보호받습니다.

이용수20

이 논문의 연구 히스토리 (4)

2020

AI를 이용한 도심지 멀티콥터 비행안전지역 예측 시스템 개발

유강국 機械工學科 2020.01 학위논문

2019

풍환경에 의한 도심지 멀티콥터 비행 위험 지역 예보 시스템 개발

유강국 , 정신규 한국항공우주학회 학술발표회 초록집 2019.11 학술대회자료

딥러닝 기법을 이용한 도심지 환경에서의 멀티콥터 이탈 거리 예측

유강국 , 이융교 , 정신규 한국전산유체공학회 학술대회논문집 2019.05 학술대회자료

딥러닝 기법을 이용한 풍환경 변화에 따른 멀티콥터 이탈 거리 예측

유강국 , 이융교 , 정신규 한국항공우주학회 학술발표회 초록집 2019.04 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

최근 상업용 멀티콥터에 대한 관심이 증가함에 따라 멀티콥터 시장의 규모는 매년 꾸준히 성장하고 있다. 해외에서는 다수의 기업들이 멀티콥터를 이용한 운송 사업의 상용화를 진행하고 있고, 국내에서는 2025년 멀티콥터를 이용한 배송 사업의 상용화를 목표로 한 로드맵을 2019년 10월에 발표하였다. 미국 연방항공청에서는 멀티콥터를 이용한 운송 사업의 상용화를 위해 2016년 소형무인항공기에 대한 규제 완화를 실시하였다. 멀티콥터를 이용한 운송 사업이 활성화되기 위해서는 비가시 범위 비행 금지, 야간 비행 금지, 인구 밀집 지역 비행 금지와 같은 규제에 대해서 더 적극적으로 완화할 필요가 있다. 하지만 현재 멀티콥터의 운용 가이드라인은 최대 비행 고도, 최대 허용 중량 정도를 제시하는 수준으로 비행 안전에 대한 문제가 존재한다. 멀티콥터를 이용한 운송 사업이 본격적으로 시행되기 위해서는 도심지 풍환경을 고려한 운용 가이드라인을 통한 비행안전지역 예측 시스템의 개발이 필요하다.
본 논문에서는 도심지 멀티콥터 비행안전지역 예측 시스템을 개발하였다. 이를 위한 선행 연구로 멀티콥터에 적합한 고해상도 도심지 풍환경 데이터베이스의 구축 및 외란에 의한 멀티콥터의 안정성을 평가할 수 있는 시뮬레이터가 수행되었다. 구축된 풍환경 데이터베이스와 시뮬레이터를 사용하여 풍환경에 의한 멀티콥터 이탈 거리의 계산은 가능하지만 풍환경이 바뀌면 계산을 다시 해야하는 문제가 존재하여 데이터를 기반으로 풍환경에 의한 멀티콥터의 이탈 거리를 예측하였다. 예측 기법으로는 비선형성이 큰 대용량 데이터에 대해 우수한 예측 성능을 가지는 AI(Artificial Intelligence) 기법 중 ANN(Artificial Neural Network)을 사용하였다. 신경망의 입력 변수로 풍환경 데이터베이스를, 출력 변수로 풍환경에 의한 멀티콥터 이탈 거리를 설정하였다. 먼저 입력 변수로 풍환경의 속도를 고려하고 출력 변수로 이탈 거리를 고려하여 학습을 수행한 결과 학습 성능이 좋지 못했지만, 입력 변수로 풍환경의 속도 및 속도 구배를 고려하여 학습한 결과 예측 성능이 매우 우수하였다. 따라서 풍환경에 의한 이탈 거리를 정확하게 예측하기 위해서 풍환경의 속도 및 속도 구배를 고려해야하는 것을 확인하였다.
비행위험지역을 예측하기 위해 3가지 비행위험지표를 선정하였고, 풍환경에 의한 비행위험지역의 차이를 확인하기 위해 3가지의 서로 다른 풍환경에 이를 적용하였다. 적용 결과 학습된 신경망의 예측 이탈 거리로 인한 비행위험지역이 모든 고도에서 풍환경에 따라 큰 차이를 보이는 것을 확인하였다.
마지막으로 A* 알고리즘을 사용하여 비행위험지역을 고려한 비행안전경로를 제시하였다. 도심지의 지형 데이터 및 예측된 비행위험지역을 탐색 불가 지역으로 설정하였고, 실제 멀티콥터를 이용한 운송 사업에서 발생할 수 있는 3가지의 다른 상황에 이를 적용하였다. 적용 결과 비행위험지역이 넓게 분포할수록 비행안전경로의 이동 거리가 증가하며, 경우에 따라 비행안전경로가 존재하지 않는 것을 확인하였다.

As interest in commercial multicopter has increased in recent years, the size of the multicopter market has been growing steadily every year. Many overseas companies are proceeding to commercialize the transportation business using multicopter. In Korea, a roadmap aimed at commercializing the delivery business using multicopters in 2025 is announced in October 2019. The U.S. Federal Aviation Administration implemented deregulation on small unmanned aircraft in 2016 to commercialize the transportation business using multicopter. To stimulate the transportation business using multicopter, there is a need to more aggressively deregulate regulations such as flight outside the visible range, flight in night, flight in densely populated areas. However, current operating guidelines for multicopter raises the issue of flight safety due to present maximum flight altitude, maximum gross weight. In order for the transportation business using multicopter to be implemented, it is necessary to develop a flight safety region forecasting system through operating guidelines considering urban wind environment.
In this paper, the flight safety region forecasting system is developed. As previous studies, construction of a high resolution urban wind environment database suitable for multicopter and development a simulator for evaluating the stability of a multicopter by the disturbance were conducted. It is possible to cacluate the multicopter deviation distance using the constructed wind environment database and multicopter simulator, there is a problem that needs to be recalculated when the wind environment changes. Therefore, the deviation distance of the multicopter due to the wind environment is estimated based on the data. As the prediction method, ANN (Artificial Neural Network) is used among AI (Artificial Intelligence) that have good prediction performance for large data with large nonlinearity. The wind environment database is set as the input variables of the neural network and the multicopter deviation distance by the wind environment is set as the output variables. First, the training is performed by considering the velocity of the wind environment as the input variables and the deviation distance as the output variables, and the prediction performance is poor. Next, the training is performed by considering the velocity and gradient of velocity of the wind environment as the input variables, the prediction is very good. Therefore, the results show that the velocity and gradient of velocity of the wind environment should be considered as input variables in order to accurately predict the deviation distance.
To predict flight hazard region, three indexes are selected. To check differences in flight hazard region due to the wind environment, three different wind environments are applied. The application results show that the predicted deviation distance from trained neural network makes a big difference in the flight hazard region at all altitudes.
Finally, the flight safety path considering the flight hazard region is proposed using A* algorithm. The terrain data of urban area and the predicted flight hazard region are set as non-searchable areas. And those areas are applied to three different situations that can occur in actual transportation business using multicopter. The application results show the wider the flight hazard region, the greater distance of the flight safety path. And in some cases, the flight safety path does not exist.

제 1 장 서 론 1
1.1연구배경 1
1.2 연구목적 3
제 2 장 ANN을 이용한 멀티콥터 이탈 거리 예측 4
2.1 ANN (Artificial Neural Network) 4
2.2 ANN 코드 검증 9
2.3 학습 데이터 구축 13
2.4 학습 결과 및 검증 16
제 3 장 비행위험지역 예측 27
3.1 비행위험지표 설정 27
3.2 비행위험지표를 이용한 비행위험지역 예측 결과 29
제 4 장 비행안전경로 제시 35
4.1 A* 알고리즘 35
4.2 비행위험지역을 고려한 비행안전경로 제시 36
제 5 장 결 론 42
참고문헌 44

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (4)

초록· 키워드

목차

최근 본 자료

댓글(0)