소형 무인 비행체 번역(한국어 원본)본 논문에서는 기존 통신 infrastructure가 붕괴된 지진과 같은 자연 재해나 전쟁과 같은 상황에서 UAV(Unmanned Aerial Vehicle) 군집 (swarm)을 이용하여 빠른 탐색을 실시한 후 탐색지역 내에 목표물이 위치할 주요 위치를 선정하여 목표물을 찾은 후에, 기지국까지 지속적인 통신 네트워크를 제공하기 위하여 UAV 군집을 제어하는 방안을 제안한다. 제안 방안은 UAV들로 전체지역을 높은 고도에서 탐색하여 전반적인 이동 경로를 확보하고, 탐색한 범위 내에서 목표물이 위치할 주요 위치 n개를 선정하여 UAV들을 n개의 그룹으로 나누어 정밀 탐색을 실시한다. 정밀 탐색 도중 목표물을 발견한 그룹은 목표물에 대한 정보를 전달하기 위하여 기지국으로 정보를 전송하러 이동하고, 목표물을 발견하지 못한 그룹은 기지국으로 복귀한다. 기지국으로 복귀한 그룹은 목표물에 대한 정보를 전송 받은 후, 목표물과 기지국간에 연결성을 유지하기 위하여 목표물에서부터 기지국까지의 거리 사이에 자신이 위치할 지점으로 이동한다. 이와 같은 과정들은 NS-2를 사용한 모의 실험을 통하여 제안되는 기법을 검증하고 성능을 평가한다.
본 논문에서는 기존 통신 infrastructure가 붕괴된 지진과 같은 자연 재해나 전쟁과 같은 상황에서 환자, 화재 위치, 적군과 같은 목표물을 빠르게 찾을 수 있는 방안을 연구하였다. 위성 사진과 같은 대략적인 정보도 얻을 수 없는 상황을 가정하였으며, 대략적인 정보를 얻기 위한 단계와 의심 지역을 탐색하는 단계로 나누었다. 기존의 통신 infrastructure가 붕괴된 상황이므로, Wi-Fi와 ZigBee와 같은 short wireless communication만 가능하다고 가정하였다. 이런 무선 기술을 통한 multi-hop connection으로 연결된 소형 UAV 그룹만으로 목표물이 있을 것으로 파악되는 지역을 빠르게 탐색하여 전반적인 지역에 대한 정보 획득과 목표물이 위치할 주요 지점을 찾아 목표물을 찾기 위한 탐색을 실시한다. 제안되는 방안은 두 가지로 각각 전체탐색과 정밀탐색이라 명명한다.
전체 탐색은 소형 UAV들을 통합 이동하며 목표물 발견이 아닌 탐색 구역 전체의 지도 확보 및 UAV들의 이동경로를 결정하는데 그 목적을 둔다. 따라서, 기지국에서부터 고도를 높인 상태에서 전체탐색을 실시하며 모든 지역 내 탐색이 끝난 후 정밀탐색을 수행할 때는 고도를 낮추어 지상으로 근접하여 탐색을 수행한다. 정밀탐색은 전체 탐색 시에 얻은 정보로부터 목표물이 있을법한 주요 지역을 n개로 선정하여 전체 UAV들을 n개의 그룹으로 나누어 각각 탐색을 수행한다. UAV들은 모두 카메라를 가지고 있다고 가정한다. 높은 고도에서 수행한 전체 탐색은 카메라의 시야각이 크기에 큰 지역에 대한 정보를 얻을 수 있으나 해상도가 떨어져서 정확한 판단을 할 수 없는 반면 낮은 고도에서 수행한 정밀 탐색은 작은 지역에 대한 정보만을 얻을 수 있지만 높은 해상도를 통해 정확한 판단을 할 수 있다. UAV들은 영상 인식을 통해 판단한 정보를 서로 공유할 수 있는 집단 지성을 가지고 있다고 가정하며 영상 인식 기술 자체는 본 논문에서 다루지 않는다.
본 논문은 다음과 같이 구성되어 있다. 2장에서는 관련 연구를 보이고, 3장에서는 제안 방안에 대해 설명한다. 4장에서는 실험 결과를 보이고 끝으로 결론을 맺는다.
UAV를 이용하여 목표물 및 지역의 전 범위를 탐색하려면 UAV들은 목표물과 같거나 더 높은 고도의 위치에서 탐색을 수행해야 한다. 또한 목표물은 UAV들 보다 낮은 높이에 위치해 있더라도 해당 고도의 차이가 커짐에 따라서 UAV들이 목표물을 정확히 식별하기가 어려워 질 수 있다. Teuliere등[1]은 color-based기반의 알고리즘을 적용한 카메라로 발견한 오브젝트의 색을 입자 단위로 필터링하고 분석하여 목표물로 인식한다. 본 연구의 정밀 탐색에서 목표물을 정확히 식별 가능하다면, UAV시야에서 잠시 벗어나도 목표물을 지속적으로 감시하는데 쓰일 수 있다.
Novak등[2]은 2륜 차량로봇으로 속도와 이동 각을 kinematics 관점으로 분석하여 목표지점까지의 이동 경로를 선점하였고, Stentz[3], Ferguson[4]은 궤적 이동이 가능한 4륜 로봇을 사용하여 이동 시 마다 floor plan경로를 추가하며 최적의 경로를 요구한다. 해당 연구들은 초기 탐색 시점에서부터 센서를 이용해 장애물을 파악하고 목표지점까지 자신의 이동 경로를 재탐색한다는 공통점을 가지고 있다. 본 연구는 [3-4]의 연구에서 2차원 이동과 장애물을 감지하기 위한 센서 대신 3차원을 활용한 맵 탐색 과정을 포함하여 차후 목표물에 대한 이동경로를 간결화 하였다는 차이점을 들 수 있다.
Pitre등[5-6]은 주요 정밀 탐색 방안으로서 PSO(Particle Swarm Optimization) 알고리즘을 제시하였다. Foo.J[6]는 2차원 탐색의 한계점을 명시하고 UAV를 활용한 3차원 path planning을 제안한다. UAV로 이동시 최소한으로 위협되는 지점을 미리 선점하고, 오랜 시간 탐색에 활용하기 위해 UAV 연료의 소모를 낮추는 것을 목표로 하였다. 이 연구들은 UAV로 목표물을 직접 탐색하는 것이 아닌 UAV들과 목표물의 경로 사이에서 방해되거나 위협되는 외부 요인을 미리 파악한 최적의 경로만을 제안하였다. 본 연구에서는 UAV들 만으로 맵과 관련된 목표물이 있을 법한 지점을 빠르게 탐색하여 기지국이 목표물에 대한 정보를 빠르게 수신할 수 있게 하는 연결성 구축을 주 목표로 한다는 점이 차이점이다. 또한, 탐색이 끝난 후 본래 탐색시작 지점까지 복귀 가능한 경로 방안을 추가함으로서, UAV의 탐색 시작지점과 맵의 크기를 미리 정의하지 않는 방안을 구축할 수 있었다.
Goodrich[7]는 single UAV에 pilot과 sensor operator의 역활을 수행하며, 목표에 대한 directed task 분석을 목적으로 한다. task수행을 위한 사람의 개입을 줄이며, path generation과 path-following 알고리즘을 포함한다. 본 연구는 [7]과 같이 기지국이 맵의 중앙이 아닌 맵의 중앙 끝에 위치한다는 점을 가정하였고, 이를 바탕으로 나선형 탐색이 아닌 시작 지점 부터 zig-zag탐색을 수행한다. 또한, 맵의 분석도 single UAV에 의지하는 visual-based 기반 탐색보다도, multi UAV를 이용하여 전체 탐색을 수행하며 대략적인 이동 경로를 파악하고 목표물에 대한 directed approach 이동방식을 제안한다.
Waharte[8]는 Goodrich[7]와 같이 visual-based 탐색방안을 제시하나, 위성사진으로 미리 맵을 greedy로 각 구간을 나누어 파악하고, multi UAV에 greedy heuristic방식과 Markov Decision Process를 적용한 이동 방식을 제안하였다. UAV들이 맵 전체의 경로를 파악하고 이동하는데 있어, 서로 간에 통신 가능 거리를 확보하고 맵에 대한 정보를 주고받으며 이를 분석한다. Waharte[8]는 본문에서 UAV들이 한정된 연료를 가진다는 가정을 바탕으로 빠른 시간 안에 효율적인 map 분석을 요구한다. 본 연구는 위성 사진이 아닌 UAV들 만으로의 맵 탐색을 우선 목표로 두고, 한번의 탐색으로 map에 대한 대략적인 파악을 위한 이동 방식을 제안한다. 또한, UAV들 store and forward로 기지국까지의 빠른 정보 전달을 목표로 하였다.s
Yu[9]는 지상 목표물의 위치를 파악하기 위하여 UAV외 탐색 도구로 UGV(Unmmaned Ground Vehicle)를 이용하였다. 지상은 UGV가 센서 감지로 장애물 파악 및 경로를 확보하고, 공중은 UAV가 이동하여 목표물의 위치를 파악한다. 목표물이 존재하는 도심 지역을 Dynamic Occupancy Grid로 나누고, Markov chain modelrhk Bayesian filtering을 사용하여 목표물의 이동 경로를 분석하였다. 본 연구에서는 지상 목표물을 찾는데 있어 UAV들 만으로의 탐색만으로도 효율적이라 판단하였다. 특히, 대략적인 map 생성을 위하여 높은 고도에서 UAV들을 비행시키는 방법을 연구하였다. |
소형 무인 비행체 번역(영어 번역본)Herein, we propose a method for utilizing UAV (unmanned aerial vehicle) swarm when communication infrastructure is disabled due to war or natural disaster such as earthquake. The method involves using UAV swarm to perform a quick search, to locate the target by selecting main locations within the search area at which the target may be located, and to manipulate the swarm to establish continuous communication network to the base station. UAVs will first conduct the search of the whole area at high altitude to plan overall movement paths. They will then select N main locations within the searched area at which the target may be located, and divide into N groups to perform close search. The group that locates the target during the search will move toward the base station to transmit the information about the target, and the groups that did not locate the target also return to the base station. The groups that return to the base station receives information about the target then moves to the position between the target and the base station to maintain connectivity between the target and the base station. The proposed method was validated and its performance was evaluated using NS-2 simulation.
In the current study, a method for locating a target such as a patient, fire, or an enemy soldier in case of natural disaster such as earthquake or war was researched. We assumed lack of availability of general information such as satellite images, and therefore divided the process into an initial phase for acquiring general information and a later phase for searching the suspected regions. Since the communication infrastructure has been disabled, we assumed that only short-ranged wireless communication such as Wi-Fi and ZigBee is available. Using only small UAV groups communicating with such wireless technology, regions suspected to harbor the target are quickly surveyed for general information, which is used for subsequent search of the identified regions to locate the target. The two tiers will be referred to as global exploration and close search.
Global exploration involves
integrated movement of micro UAVs and aims at acquiring the map of the whole search region and to determine the paths of the UAVs rather than locating the target. Therefore, the UAVs perform global exploration at a high altitude starting from the base station, and they come closer to the ground when performing close search after the exploration of all regions. For close search, information obtained from the global exploration is used to divide the whole region into N main regions that the target is most likely to be present, and the UAVs are divided into N groups for respective search of the regions. All UAVs are assumed to possess a camera. Images acquired during global search, which is conducted at a high altitude, has large field of view that allows for acquisition of information about a larger region but the images have low resolution and cannot be used for accurate determination of course of action, whereas images acquired during low-altitude close search convey information about a smaller region but allows accurate decision-making due to its high resolution. The UAVs are assumed to possess collective intelligence that allows them to share the information they obtained from image recognition. Discussion of the image recognition technology itself is outside the scope of this study and will not be presented.
Previous studies will be overviewed in Section 2, and the proposed method will be explained in Section 3. Test results will be presented in Section 4, followed by the Conclusion.
In order to search for the target and the whole search region, UAVs must conduct the search at an altitude that is the same or higher as that of the target. Even if the target is located lower than the UAVs, UAVs may have difficulty in accurately identifying the target if the difference in altitude is large. Teuliere et al. [1] used color-based algorithm to filter and analyze the color of the object acquired by a camera at a pixel-level to identify the target. If the target can be correctly identified during the close search of the proposed method, the target can be continuously monitored even if it temporarily escapes the field of vision of the UAVs.
Novak et al.[2] conducted kinematic analysis of speed and movement angle of a two-wheeled robot to determine the path to a target location, while Stentz [3] and Ferguson et al. [4] used a four-wheeled robot with
variable trajectory, which adds floor plan path upon each movement and determines the optimal path. These studies share in common that the robots use sensor from the initial search phase to identify obstacles and re-analyze their paths to the target. In this study, rather than two-dimensional movement and sensor for identifying obstacles, we simplified the map search process utilizing three-dimensional information, and also the path toward the target.
Pitre et al. [5-6] proposed the PSO (particle swarm optimization) algorithm for close search. Foo et al. [6] identified the limitations of two-dimensional search and proposed a three-dimensional path planning using UAVs. Their goals were to
identify the location with minimal threat to UAV movement, and also to minimize fuel consumption by the UAVs for increased search duration. These studies did not involve direct searching of the target and only proposed a method for optimal path determination by identifying obstacles and external threats between the UAVs and the target. The current study is different from the previous studies in that its main goal is to quickly search the regions at which the target is likely to be located using only UAVs and thereby promptly establishing communication connectivity such that the base station can quickly receive information about the target. Also, a method for returning to the original start position at the end of the search was developed, which unnecessitated the need for pre-defining the search start position of the UAVs and size of the map.
In a study by Goodrich et al. [7], a single UAV performed the role of pilot and sensor operator; their goal was directed task analysis about the target. The study minimized human involvement for task performance, and included algorithms for path generation and path-following. As in [7], we assumed that the base station is located at the top-middle location of the map instead of at the center of the map, and the search was conducted in a zig-zag manner instead of a spiral. Also, instead of visual-based search relying on a single UAV, the map analysis was conducted using multiple UAVs for global exploration to identify overall movement paths followed by directed approach toward the target.
As with Goodrich et al., Waharte et al. [8] proposed a visual-based search, but the map was divided into sections beforehand by a greedy algorithm applied on satellite images, and multi UAV paths were determined using greedy heuristic method and Markov decision process. In recognizing the paths over the whole map and moving along them, UAVs maintain the distance required for communication, communicate information about the map, and analyze the information. Waharte et al. [8] required efficient map analysis in a timely manner assuming that the UAVs possess finite amount of fuel. In our study, our goal was to not utilize any satellite images and use only UAVs to search the whole map, and develop a method for overall map analysis with a single search. Also, we aimed to quickly relay the information to the base station by store-and-forward by the UAVs.
To identify the location of on-ground targets, Yu et al. [9] used the UGVs (unmanned ground vehicle) as a search tool in addition to the UAVs. UGVs use their sensors to identify obstacles and secure paths on the ground, while UAVs fly to identify the location of the target. Urban area in which the target exists was divided by the dynamic occupancy grid, and the Markov chain model and Bayesian filtering were used to analyze the path of the target. In this study, we determined that search by UAVs alone would be efficient for identifying an on-ground target. Especially, we researched the method to fly the UAVs at a high altitude in order to generate a gross map. |
