An Improved Method for Tracking of Maritime Obstacles Using Sensor Data = 센서 데이터를 활용한 해상 장애물의 개선된 추적 방법
저자
발행사항
서울 : 서울대학교 대학원, 2024
학위논문사항
학위논문(석사)-- 서울대학교 대학원 : 조선해양공학과 2024. 2
발행연도
2024
작성언어
영어
주제어
DDC
623.8
발행국(도시)
서울
형태사항
vi, 89 ; 26 cm
일반주기명
지도교수: 노명일
UCI식별코드
I804:11032-000000182545
DOI식별코드
소장기관
For the safe operation of ships, it is important to recognize and track nearby maritime obstacles accurately. Various types of sensors, such as RADAR (Radio Detection and Ranging), AIS (Automatic Identification System), cameras, etc., are used to detect maritime obstacles. However, getting accurate information about maritime obstacles can be difficult when sensor noise or data is missing. To compensate for this, we utilize a tracking algorithm based on the sensor data to track the status of the obstacle, such as trajectory, COG (Course Over Ground), and SOG (Speed Over Ground).
There has been a lot of research on obstacle tracking methods, one of which is the EKF-based tracking method, which can track the state of an obstacle from measurements with noise. When computing the EKF (Extended Kalman Filter), the parameters of EKF may need to be optimized because the user usually sets parameters empirically. In addition, it requires an accurate system model of the target obstacle and a convergence for the tracking values to stabilize at the beginning of the tracking. There has been a lot of research on deep learning in various fields recently, and there is a lot of research on applying deep learning to obstacle tracking. Learning-based tracking methods using deep learning do not require a system model of the tracked object and track obstacles without initial convergence of tracking values. However, it requires a separate deep learning model training process and a large amount of data to train the model, and the accuracy is lower than the EKF-based tracking method.
In this study, we improved the EKF-based tracking method by optimizing its parameters and implemented a learning-based tracking method using DNN (Deep Neural Network). In addition, we proposed a hybrid tracking method combining the EKF-based and learning-based tracking methods to compensate for the shortcomings of each method. The three tracking methods utilized in this study were verified using data obtained through field tests. The verification results showed that the learning-based tracking method reduced the SOG tracking accuracy by 11.47% compared to the EKF-based tracking method. Compared with the EKF-based tracking method, the hybrid tracking method has improved the convergence speed, and the tracking accuracy is reduced by 22.42% for COG and 42.05% for SOG. Therefore, these results demonstrate the hybrid tracking method can effectively track by compensating for the shortcomings of the other methods.
선박의 안전한 운항을 위해서는 근접한 해상 장애물을 정확히 인지하고 추적하는 것이 중요하다. 주로 RADAR (Radio Detection and Ranging), AIS (Automatic Identification System), 카메라 등과 같은 여러 종류의 센서를 사용하여 해상 장애물을 탐지한다. 하지만, 센서 노이즈가 발생하거나 센서 데이터의 결측치가 생길 때에는 해상 장애물의 정확한 정보를 알기 어려울 수 있다. 이를 보완하기 위해 해상 장애물을 탐지한 센서 데이터를 기반으로 추적 알고리즘을 활용하여 해상 장애물의 상태인 trajectory, COG (Course Over Ground), 그리고 SOG (Speed Over Ground) 등을 추적한다.
장애물 추적 방법에 관해 많은 연구가 진행되어왔는데, 그 중 대표적인 추적 방법인 확장 칼만 필터 기반의 추적 방법은 잡음이 포함된 측정값으로부터 장애물의 상태를 추적할 수 있다. 그러나, 확장 칼만 필터 계산 시 사용자가 경험적으로 설정해야 하는 파라미터는 최적의 값이 아닐 수 있다. 그뿐만 아니라, 추적하고자 하는 장애물의 정확한 운동 모델이 필요하고, 추적 초반에 추적 값이 안정적으로 수렴하기까지 소요되는 일정한 수렴 시간이 필요하다. 최근 다양한 분야에서 딥 러닝에 관한 연구가 활발히 진행되고 있으며, 장애물 추적 분야에도 딥 러닝을 접목시킨 연구가 활발히 이루어지고 있다. 딥 러닝을 활용한 학습 기반의 추적 방법은 추적 대상의 운동 모델이 필요하지 않으며, 추적 초반에 수렴 시간 없이 장애물을 추적할 수 있다. 하지만, 별도의 딥 러닝 모델 학습 과정과 모델의 학습을 위한 방대한 양의 데이터가 필요하며, 확장 칼만 필터 기반의 추적 방법보다 정확도가 높지 않다.
본 논문에서는 확장 칼만 필터의 파라미터 최적화를 수행하여 확장 칼만 필터 기반의 추적 방법을 개선하였고, DNN (Deep Neural Network)을 활용한 학습 기반의 추적 방법을 구현하였다. 또한, 확장 칼만 필터 기반의 추적 방법과 학습 기반의 추적 방법을 결합하여 각 방법 별 단점을 보완한 혼합 추적 방법을 구현하였다. 실해역 시험을 통해 취득한 데이터를 활용하여 본 논문에서 제안한 세 가지 추적 방법을 검증하였으며, 그 결과 학습 기반의 추적 방법은 확장 칼만 필터 기반의 추적 방법보다 SOG 추적 정확도가 11.47% 감소하였다. 혼합 추적 방법은 확장 칼만 필터 기반의 추적 방법이 비해 수렴 시간이 개선되었으며, 추적 정확도는 COG 22.42%, SOG는 42.05% 감소하였다. 따라서, 혼합 추적 방법이 나머지 방법들의 단점을 보완하여 효과적으로 추적할 수 있음을 확인하였다.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)