| 1 |
1
무인기의 위협 상황 인지 방법에 있어서,상기 무인기 주위에 존재하는 적어도 하나의 제1 개체에 관한 정보를 수집하는 단계;상기 제1 개체에 관한 정보에 기초하여 제1 그리드 맵을 생성하는 단계;온톨로지 기반의 제1 추론 모델을 이용하여 상기 제1 그리드 맵을 분석하고, 상기 무인기와 상기 제1 개체 사이의 관계를 1차 추론하는 단계; 및딥 러닝 기반의 제2 추론 모델을 이용하여 상기 1차 추론의 결과를 검증하고, 상기 무인기와 상기 제1 개체 사이의 관계를 2차 추론하는 단계;를 포함하는, 방법
|
| 2 |
2
제1항에 있어서,상기 제1 그리드 맵을 생성하는 단계는상기 제1 개체의, 위치 정보를 상기 제1 그리드 맵의 x축-y축 평면에 저장하고,상기 제1 개체의, 종류 정보, 경로 정보, 고도 정보, 방향 정보 및 속도 정보 중 적어도 하나의 정보가 상기 제1 그리드 맵의 z축에 저장되도록 LOD(Level Of Detail) 형식으로 상기 제1 그리드 맵을 생성하는, 방법
|
| 3 |
3
제1항에 있어서,상기 1차 추론하는 단계는상기 제1 그리드 맵에 저장된 상기 제1 개체에 관한 정보를 상기 1차 추론을 위한 데이터로서 개체화하는 단계;상기 무인기의 임무 정보, 비행 단계, 비행 지역 중 적어도 어느 하나에 기초하여 상기 1차 추론의 대상이 되는 관심 개체를 선별하는 단계; 및상기 관심 개체 중에서 상기 무인기를 위협하는 위협 개체가 존재하는지 여부를 추론하는 단계;를 포함하는, 방법
|
| 4 |
4
제3항에 있어서,상기 1차 추론하는 단계는상기 위협 개체로부터의 회피 방법을 추론하는 단계;를 더 포함하는, 방법
|
| 5 |
5
제3항에 있어서,상기 개체화하는 단계는상기 제1 개체의 제원 정보를 포함하는 제1 온톨로지, 상기 제1 개체의 상태 정보를 포함하는 제2 온톨로지 및 상기 무인기와 상기 제1 개체 사이의 관계 정보를 포함하는 제3 온톨로지에 기초하여, 상기 제1 그리드 맵에 저장된 상기 제1 개체에 관한 정보를, 상기 1차 추론을 위한 상기 데이터로서 개체화하는, 방법
|
| 6 |
6
제1항에 있어서,상기 2차 추론하는 단계는상기 1차 추론의 결과가 거짓(false)이라고 검증한 경우, 상기 1차 추론의 결과를 보정하여, 상기 무인기와 상기 제1 개체 사이의 관계를 추론하는, 방법
|
| 7 |
7
제1항에 있어서,상기 제2 추론 모델은상기 1차 추론의 결과에서 참(true) 및 거짓(false)을 검증하도록 학습된 추론 모델이고,상기 방법은,상기 제2 추론 모델을 학습시키는 단계를 더 포함하는, 방법
|
| 8 |
8
제7항에 있어서,상기 학습시키는 단계는적어도 하나의 제2 개체에 관한 정보를 제2 그리드 맵에 저장하는 단계;상기 제2 그리드 맵을 상기 제1 추론 모델에 입력하는 단계;상기 제2 추론 모델을 이용하여, 상기 제1 추론 모델에서 출력된 출력 데이터의 참 긍정(True Positive: TP), 거짓 긍정(False Positive: FP), 참 부정(True Negative: TN) 및 거짓 부정(False Negative: FN)을 판정하는 단계; 및상기 출력 데이터의 판정 결과에 기초하여, 참 긍정(TP) 및 거짓 긍정(FP)을 검증하는 제1 검증 모델과, 참 부정(TN) 및 거짓 부정(FN)을 검증하는 제2 검증 모델을 학습시키는 단계;를 포함하는, 방법
|
| 9 |
9
제8항에 있어서,상기 학습시키는 단계는상기 제1 추론 모델에서 출력된 출력 데이터의 참 긍정(TP) 및 거짓 긍정(FP)을 1, 0으로 각각 라벨링(labeling)하여 상기 제1 검증 모델을 학습시키고,상기 제1 추론 모델에서 출력된 출력 데이터의 참 부정(TN) 및 거짓 부정(FN)을 1, 0으로 각각 라벨링하여 상기 제2 검증 모델을 학습시키는, 방법
|
| 10 |
10
제9항에 있어서,상기 학습시키는 단계는기설정된 기준 정확도 이상이 될 때까지 상기 제1 검증 모델 및 상기 제2 검증 모델을 학습시키는, 방법
|
| 11 |
11
제7항에 있어서,상기 제2 추론 모델은CNN(Convolutional Neural Networks)을 이용한 추론 모델인 방법
|
