클러터가 존재하는 수중환경에서의 표적추적을 위한 자료결합 및 트랙초기화 기법 알고리듬 연구

Abstract

해양환경에서 표적을 추적하기 위하여 사용되는 센서로는 크게 각도정보만을 활용하는 수동형 센서와 각도정보와 거리정보를 함께 활용하는 능동형 센서가 있다. 표적의 각도정보만을 활용하여 표적의 위치, 속도를 추정할 경우에는 가관측성(Observability)을 확보하는 문제가 선행되어야만 한다. 실제로 이러한 수동형 센서가 갖는 가관측성 문제를 해결하기 위해서 예인함의 선기동을 통한 가관측성 향상 문제에 대해서 연구되었으며 이러한 연구를 토대로 우수한 표적기동분석(Target Motion Analysis : TMA) 업무를 수행할 수 있게 되었다. 이러한 수동형 센서와 달리 각도정보와 거리정보를 함께 활용하는 능동형 센서의 경우에는 수동형 센서가 갖는 가관측성 문제는 해결될 수 있으나 표적정보를 획득하기 위하여 음파를 발생하여야 하기 때문에 자신의 위치가 노출되는 단점을 가지게 된다. 뿐만 아니라 음파를 발생하여 표적의 정보를 수집하는 과정에서 해양환경을 이루고 있는 다양한 주변요건들로 인해 표적정보 이외의 거짓정보(Clutter)가 함께 수집되는 경우가 필연적으로 발생하게 된다. 이러한 경우에 실제 표적정보가 어떤 것인지 정확히 판단하기 어려울 뿐만 아니라 선택된 정보에 대한 신뢰성이 떨어질 경우에 표적추적을 실패하거나 혹은 그 추적 성능상에 심각한 문제가 발생하게 된다. 따라서 유효측정영역(Validation gate)내에 표적정보이외의 거짓정보가 함께있는 환경에서 필요한 표적정보를 효과적으로 추출해내는 과정이 필요하게 되는데 이러한 일련의 과정을 자료결합(Data Association) 기법이라고 한다. 일반적으로 가장 많이 활용되는 자료결합 기법으로는 예측위치로부터 형성되는 유효측정영역(Validation Gate) 내의 측정치들의 거리정보만을 활용하는 Nearest Neighbor(NN) 계열의 방식이 있으며, 신호의 세기정보만을 활용하는 Strongest Neighbor(SN) 계열을 들 수 있다. 먼저 자료결합 기법을 활용한 가장 간단한 표적추적 알고리듬으로 알려져 있는 Nearest Neighbor Filter(NNF)의 경우를 살펴보면 예측위치를 중심으로 형성되는 유효측정영역 내의 측정치 중 예측위치와 거리(Normalized Distance Squared : NDS)상으로 가장 근거리에 있는 측정치를 표적에 의한 측정치로 단정하여 그 측정치를 표적 추적필터 에 활용하는 방법을 의미하며, Strongest Neighbor Filter(SNF)의 경우에는 유효측정영역내의 측정치 중 신호의 세기(Signal Intensity)가 가장 큰 것을 표적에 의한 측정치로 단정하여 표적 추적필터의 측정치 쇄신과정에 활용하는 방법을 의미한다. 이러한 NNF와 SNF 알고리듬의 경우에는 유효측정영역 내의 측정치 중 어느 하나의 측정치를 표적에 의해 발생된 측정치라 단정적으로 판단하기 때문에 그 연산에 소요되는 시간이 짧다는 장점을 지니는 반면에 클러터가 많은 환경에서는 이처럼 단정적으로 선택된 측정치가 표적이 아닐 경우의 확률이 커지므로 표적의 트랙을 놓치거나 표적추적 필터의 추정치가 발산하는 경우가 발생하게 되는 단점이 있다. 유효측정영역에서 선택된 하나의 측정치를 사용하는 방법과 달리 유효측정영역 내의 모든 측정치를 활용하여 측정치 쇄신에 활용하는 자료결합 기법이 있는데 이러한 기법을 Probabilistic Data Association(PDA) 기법이라고 한다. 자료결합 기법으로써 PDA 기법을 활용한 표적추적 필터 알고리듬인 Probabilistic Data Association Filter(PDAF) 알고리듬은 NNF이나 SNF 알고리듬과 달리 유효측정영역 내에 존재하는 모든 측정치들에 대해서 각각의 측정치가 표적일 확률을 구하여 표적 추적필터의 측정치 쇄신과정의 가중치로 활용하는 알고리듬이다. PDAF 알고리듬의 경우 NNF나 SNF 알고리듬과 달리 모든 측정치를 활용하기 때문에 그 트랙유지 성능에 있어서 안정적이며 표적 추적 측면에서도 매우 효과적이라는 장점이 있지만 클러터가 많은 환경에서는 유효측정영역 내의 유효측정치 개수가 늘어나게되어 그 연산시간이 많이 소요된다는 단점이 있다. 이와 같이 NNF, SNF, PDAF 알고리듬의 경우에는 각각 그 방법에 따른 장.단점이 존재하는데 이러한 장.단점을 상호 보완할 수 있는 표적추적 필터 알고리듬으로는 Probabilistic Nearest Neighbor Filter(PNNF), Probabilistic Strongest Neighbor Filter(PSNF) 알고리듬이 있다. PNNF와 PSNF 알고리듬의 경우에는 유효측정영역의 측정치 중 선택된 하나의 측정치를 NNF와 SNF 알고리듬과 같이 표적에 의한 측정치라 단정적으로 판단하는 것이 아니라 마치 PDAF 알고리듬과 같이 선택된 측정치가 표적에 의한 것인지 혹은 클러터에 의한 것인지에 대한 확률적 가중치를 계산하여 활용하는 것으로 NNF와 SNF 알고리듬에 비해서 그 표적추정 성능이나 트랙유지 성능이 우수하며 PDAF 알고리듬에 비해서는 선택된 하나의 측정치만을 활용하기 때문에 연산시간이 단축되는 장점이 있다. 또한 NNF와 SNF 알고리듬은 PNNF와 PSNF 알고리듬 외에도 유효측정영역 내의 측정치의 개수를 고려하여 선택된 측정치에 대한 확률적 가중치를 NN과 SN에 연관된 발생 가능한 사건들과 연계하여 계산하고, 이를 표적의 상태변수를 쇄신하는데 이용하는 PNNF with m validated measurement(PNNF-m), PSNF with m validated measurement (PSNF-m) 알고리듬이 연구되어 실제적으로 정확히 알 수 없는 클러터의 공간밀도에 대한 민감도를 떨어뜨려 클러터 환경 하에서도 견실한 트랙유지 성능을 나타낼 수 있도록 발전하였다. 그러나 앞에서 소개한 자료결합 기법들은 측정치의 예측위치로부터의 거리정보 혹은 신호의 세기정보만을 이용하는 것들이다. 기존의 자료결합 기법 중 측정치가 갖는 거리정보와 신호세기 정보를 함께활용하는 방법으로는 Probabilistic Data Association with Amplitude Information(PDA-AI) 기법이 대표적이다. 그러나 이러한 PDA-AI 기법의 경우는 근본적으로 앞에서 언급한 PDA 기법과 동일한 방식을 이용하기 때문에 표적추적 필터 알고리듬으로 활용할 경우 뛰어난 성능을 기대할 수 있지만 그 연산시간이 많이 소요되는 단점이 있다. 따라서 본 논문에서 측정치가 갖는 거리정보와 신호세기 정보를 함께 활용하는 새로운 형태의 자료결합 기법으로써 Most Probable Data Association(MPDA) 기법과 Highest Probability Data Association(HPDA) 기법에 대해서 제안하고자 한다. 뿐만 아니라 이렇게 제시된 자료결합 기법을 이용한 표적추적 필터 알고리듬 및 트랙 초기화 기법 알고리듬을 제시하고 표적추적 성능 및 트랙 초기화 성능에 대해 다양한 시뮬레이션 결과를 근거로 제시한 알고리듬의 우수성을 보이고자 한다.; In this dissertation, two kinds of target tracking filters combined with data association and track initiation methods such as MPDA (Most Probable Data Association) and HPDA (Highest Probability Data Association) are suggested in underwater with a clutter. The MPDAF (MPDA Filter) and the HPDAF (HPDA Filter) combine the merits of the PNNF-m(Probabilistic Nearest Neighbor Filter with m validated measurements) and the PSNF-m(Probabilistic Strongest Neighbor Filter with m validated measurements) to improve the track maintenance performance in a clutter environment. The MPDA algorithm rearranges the validated measurements in the order of magnitude of the NDS (Normalized Distance Squared) and the HPDA algorithm rearranges the validated measurements in the order of intensity of the signal amplitude. Firstly, the probability that the l th validated measurement is target-originated is calculated from the joint probability density functions of the NDS and the signal amplitude under the T M , F M and 0 M for the l th measurement. The three discrete events mean that selected measurement is originated from target, false target and no measurement in validation gate. And then the one measurement with the highest probability is selected to update the target states and the estimation error covariance. The suggested MPDAF and HPDAF algorithms in this dissertation have good tracking performance as compared with the existed tracking filter algorithms such as SNF (Strongest Neighbor Filter), PSNF (Probabilistic SNF), PSNF-m (PSNF with m validated measurements), NNF (Nearest Neighbor Filter), PNNF (Probabilistic NNF) and PNNF-m (PNNF with m validated measurements). And they are shown to reduce computational burden of the PDAF-AI (Probabilistic Data Association Filter with Amplitude Information) and have similar performance to the PDAF-AI. Target tracking filter algorithms developed in this dissertation combined with data association methods such as the MPDAF, HPDAF take into account for the target perceivability that result in the correction of the updated covariances of the conventional Kalman-based target tracking filter. For target tracking in a cluttered environment, track initiation method as well as data association method is required. In this dissertation, the MPDAF and the HPDAF algorithms are developed to track initiation method in cluttered environment. The newly proposed track initiation methods are compared with the existed IPDAF-AI (Integrated PDAF-AI) about the performance of track initiation. The results of the Monte Carlo simulation runs represent that the track initiation performances of the the suggested methods have similar performance to the IPDAF-AI. But they are superior to the IPDAF-AI for computational time. In this dissertation, SNF-class target tracking filter algorithms such as the SNF, the PSNF, and the PSNF-m and NNF-class target tracking filter algorithm such as the NNF, the PNNF, and PNNF-m have been applied to the underwater environment in a clutter and the performances are compared through a series of Monte Carlo simulation runs in a realistic situation where the spatial density of randomly generated and distributed false measurements in the validation gate is unknown beforehand to Chap.2 and Chap.3. Also, the newly proposed data association methods and track initiation methods are developed and the track maintenance and initiation performances of the proposed methods are shown to Chap.4 and Chap.5. Finally, the conclusions of the dissertation are exhibited to Chap.6 in this dissertation.