감시정찰 임무 자율화를 위한 무인기의 의사결정 시스템

국문 초록 (Abstract)

무인기를 위한 자율 시스템은 임무 목표, 임무 상황, 무인기의 상태를 기반으로, 목표 달성을 위해 현재 수행할 행동을 결정하는 의사결정 능력을 가진다. 본 논문에서는 지형 충돌 위험이 있는 저고도 운용, 방문 순서를 변경하지 않아야 하는 항로점 집합, 임무 대상 객체의 위치 불확실성 등 현실적인 제약조건 하에서 감시정찰 임무를 자율적으로 수행할 수 있는 의사결정 시스템과 이러한 특성을 효과적으로 표현할 수 있는 임무 정의를 제시한다. 제안한 의사결정 시스템을 Hardware-In-the-Loop Simulation 환경에서 현실적인 임무 상황을 반영한 3종의 시나리오를 통해 검증한다. 무인기의 비행 경로와 임무 상황에서 의사결정 시스템이 선택한 행동을 시뮬레이션 결과로 제시하고, 그 결과를 논의한다.

다국어 초록 (Multilingual Abstract)

Autonomous system for UAVs has a capability to decide an appropriate current action to achieve the goal based on the ultimate mission goal, context of mission, and the current state of the UAV. We propose a decision-making system that has an ability to operate ISR mission autonomously under the realistic limitation such as low altitude operation with high risk of terrain collision, a set of way points without change of visit sequence not allowed, and position uncertainties of the objects for the mission. The proposed decision-making system is loaded to a Hardware-In-the-loop Simulation environment, then tested and verified using three representative scenarios with a realistic mission environment. The flight trajectories of the UAV and selected actions via the proposed decision-making system are presented as the simulation results with discussion.

목차 (Table of Contents)

• ABSTRACT
• 초록
• Ⅰ. 서론
• Ⅱ. 본론
• Ⅲ. 결론
• References

참고문헌 (Reference)

• 1 임대희, "무인기의 복잡한 지형 회피를 위한 Convex Hull 기반의 계층형 Visibility Graph" 한국항공우주학회 47 (47): 874-880, 2019
• 2 장우혁, "무인기 자율 임무관리 소프트웨어 설계 및 검증 기법" 한국항공우주학회 49 (49): 505-513, 2021
• 3 이호형, "동적 변화 환경에서 다중 임무점 방문을 위한 최적 경로 계획 알고리즘" 한국항공우주학회 47 (47): 379-387, 2019
• 4 Stecz, W., "UAV mission planning with SAR application" 20 (20): 1080-, 2020
• 5 Lee, J. W, "Tiny object recognition in Aerial imagery Using Convolution Neural Network" 1990-1991, 2020
• 6 Gunetti, P., "Simulation of a soar-based autonomous mission management system for unmanned aircraft" 10 (10): 53-70, 2013
• 7 Zhao, Y., "Reinforcement Learning-Based Collision Avoidance Guidance Algorithm for Fixed-Wing UAVs" 2021 : 2021
• 8 Kim, Y., "Real-time path planning with limited information for autonomous unmanned air vehicles" 44 (44): 696-712, 2008
• 9 Schwarting, W., "Planning and decision-making for autonomous vehicles" 1 : 187-210, 2018
• 10 LaValle, S. M., "Planning algorithms" Cambridge university press 2006
• 11 박성관, "PPO 기반 강화학습을 이용한 드론의 자율비행" 제어·로봇·시스템학회 26 (26): 955-963, 2020
• 12 Gat, E., "On three-layer architectures" 195 : 210-, 1998
• 13 Kim, S., "Nonlinear model predictive coordinated standoff tracking of a moving ground vehicle" 36 (36): 557-566, 2013
• 14 Ambrose, R, "NASA technology roadmaps: TA 4: Robotics and autonomous systems" NASA 50-51, 2015
• 15 Silver, D., "Mastering the game of go without human knowledge" 550 (550): 354-359, 2017
• 16 Owen, M, "Implementing Dubins Airplane Paths on Fixed-wing UAVs, All Faculty Publications"
• 17 Boskovic, J, "Implementation & Flight Testing of the IMPACT System for Autonomous ISR" 677-, 2017
• 18 Vinyals, O., "Grandmaster level in StarCraft II using multi-agent reinforcement learning" 575 (575): 350-354, 2019
• 19 Atyabi, A., "Current advancements on autonomous mission planning and management systems : An AUV and UAV perspective" 46 : 196-215, 2018
• 20 Zhen, Z., "Cooperative search-attack mission planning for multi-UAV based on intelligent self-organized algorithm" 76 : 402-411, 2018
• 21 Wierzbanowski, S, "Collaborative operations in denied environment (code)" DARPA
• 22 Tisdale, J., "Autonomous UAV path planning and estimation" 16 (16): 35-42, 2009
• 23 Uhm, T. W, "Autonomous Path Generation Method of Obstacle Avoidance for Small UAV using Linear Model Predictive Control" 327-328, 2020
• 24 Kotseruba, I., "40 years of cognitive architectures : core cognitive abilities and practical applications" 53 (53): 17-94, 2020