표적의 비행특성 분류가 가능한 머신러닝 기반의 방공체계 연구

Research on a machine learning-based air defense system capable of classifying target flight characteristics

Abstract

본 연구에서 탄도 미사일(로켓)과 드론을 분류하는 문제에 대해서 다루었다. 효율적인 방공작전을 위하여 미사일과 드론에 따라서 조치해야하는 상황이 다르기 때문에 미사일과 드론을 분류하는 문제는 중요하다. 우리는 머신러닝 모델 중에 서포트벡터 모델을 이용하여 각 비행 특성을 고려하여 미사일 또는 드론의 분류 방법을 제안하였다. 미사일과 드론 데이터를 수집하기 위해서 오픈 미사일 시뮬레이터실험과 실제 드론 비행을 실시하여 직접 데이터를 구축하였다. 실험결과는 서포트벡터 머신을 통해서 미사일과 드론에 대하여 100% 정확도로 분류 가능한 것을 볼 수가 있었다.

This study addresses the problem of classifying ballistic missiles (rockets) and drones. The classification of missiles and drones is important because different actions need to be taken for effective air defense operations depending on whether the object is a missile or a drone. We propose a method for classifying missiles and drones by considering their flight characteristics using a support vector machine (SVM) model. To collect missile and drone data, we constructed a dataset through open missile simulator experiments and actual drone flights. The experimental results show that the support vector machine can classify missiles and drones with 100% accuracy.

1. 서론

이스라엘이 개발한 대공미사일 방어체계인 아이언돔은 뛰어난 레이더 탐지 능력과 요격 성공률을 자랑하여 하마스와 이란의 미사일-드론 공격을 대부분 요격시켰다[1]. 하지만 한 발에 수천만 원을 호가하는 요격 미사일이 수백만 원에 불과한 저가형 드론을 방어하기 위해서 사용되었으며, 한정적인 요격 미사일이 다수의 군집 드론을 모두 제압하기에는 힘들다는 지적이 제기된다. 따라서 전문가들은 미사일을 요격하는 기존의 아이언돔 체계에서 드론 대응을 위한 대공포나 레이저 요격 체계를 합동 운용하는 방식을 제안하고 있다. 미사일과 드론을 분류하여 대응하는 합동 운용체계에서 중요한 과정 중 하나는 영공을 침범한 미상의 비행체를 레이더가 탐지한 비행 정보를 토대로 분류하는 것이다[2].

본 논문에서는 서로 다른 비행 특성(시간에 따른 속도, 고도 변화 추이)을 지니는 미사일과 드론을 이진 분류하기 위해서, 서포트 벡터 모델[3]에 비행 데이터를 학습시켜 미상의 비행체에 대한 판별이 가능하게 한다. 이용한 모델은 이진 분류에 강력한 성능을 보이는 Support Vector Machine (SVM)이고 미사일(로켓)에 대한 비행 데이터는 Open Rocket 시뮬레이터를 통해, 드론에 대한 비행 데이터는 직접 드론을 비행하여 획득하였다. 또한, 이 연구에 대한 기초연구는 대한전자공학회 하계학술대회[4]에 발표하였다.

이 연구에서 2장에서 본 연구와 관련연구를 소개한다. 3장에서 방법론에 대한 주요 내용을 기술하였다. 4장에서 제안방법의 성능을 검증하기 위한 실험 환경 및 실험결과를 기술하였고 방법론에 대한 토론내용을 기술하였다. 5장은 이 논문의 결론으로 구성하였다.

2. 관련연구

2.1 탄도 미사일의 비행 특성

탄도 미사일의 비행은 발사된 이후 추력이 종료되는 시점까지인 '추진', 중력에 의한 '자유비행', 대기에 의한 항력이 작용하는 '재진입'의 3단계로 구분된다. (그림 1)에서, 비행시간에 따른 속도변화의 추이를 살펴보면 발사 후 상승시부터 연소종료까지 급격히 속도가 증가하다가, 정점에 이르기까지 서서히 감소하며, 자유 낙하시에는 다시 완만하게 증가하다가 재진입 단계에서 항력에 의해 감소한다[5].

(그림 1) 미사일의 시간-속도 그래프

(그림 2)와 같이, 비행시간에 따른 고도변화를 살펴보면 미사일 모터를 연소하여 추진력으로 고도가 상승하다 연료의 연소가 끝난이후 궤적의 최고점까지 도달하고 이후에는 중력에 의해 자유낙하 하여 서서히 고도가 감소하게 된다.

(그림 2) 시간에 따른 미사일 고도 변화(예시)

연료로 추진하여 탄도 비행하는 미사일은 위와 같이 시간에 따른 고도와 속도의 변화가 비슷한 형상을 띄며 이는 드론과 분류시킬 수 있는 미사일의 특징벡터가 된다.

2.2 드론 비행 특성

자폭드론은 저렴한 가격과 정밀한 타격능력으로 군사작전이나 주요시설에 대한 테러에 자주이용된다. 강한 살상력을 가지는 폭탄을 적재하여 목표 지점 까지 위성항법을 통해 자율비행한 뒤 타켓에 직접 부딪혀 폭발하는 양상으로 공격이 이뤄지며 러시아의 ZALA 란쳇이나 이란의 샤헤드-136이 대표적이다[6].

프로펠러러의 회전에 의한 추력으로 비행하는 자폭드론은 추진제에 의한 탄도비행을 하는것이 아니므로, (그림 3)과 같이 정형화된 속도 변화추이는 없고 지상의 장애물을 회피기동하는 과정이나 풍속 등 기상조건에 의하여 속도가 달라지게 된다.

(그림 3) 시간에 따른 드론의 속도 그래프

또한 군사용 드론[7]은 지상 장애물의 영향을 받지 않기 위해서 초반에 높은 고도에 도달한 이후, 일정한 고도를 유지하는데 이는 드론 배터리의 전력효율과 비행안정성 향상을 위함이다. 따라서 (그림 4)에서 드론의 비행시간에 따른 고도는 초반에 급격히 상승하다가 비행 대부분을 일정한 높이에서 유지하고 목표물을 발견하면 급격히 고도를 낮추는 양상이며, 완만한 이차곡선의 형태를 띄는 미사일의 고도변화 그래프와 차이가 있다.

(그림 4) 드론의 시간에 따른 높이 그래프

3. 방법론

이 연구에서 다루는 데이터의 특징이 테이블 데이터이고 이진 분류 위주이기 때문에 서포트 벡터머신을 적용하여 분석하였다.

서포트벡터머신(Support Vector Meachin)은 이진 분류 문제에 있어서 좋은 성능을 제공하는 머신러닝 모델이다. 서포트벡터 머신은 결정 경계선에서 가까운 마진 데이터만 고려하여 학습을 하기 때문에 많은 양의 데이터가 아닌 특정 데이터만 고려하여 학습하여 학습속도가 빠르고 좋은 결정 경계선을 생성이 가능한 장점이 있다. 또한, 커널 트릭을 이용하여 데이터에 대한 정보를 전부 알지 못하더라도 학습이 가능한 점이 있다. 하지만 서포트벡터 머신에서 다루는 힌지 로스가 dual problem 문제이기 때문에 계산 과정에서는 상당한 시간이 필요한 알고리즘인 단점이 있다.

서포트벡터머신의 수학적인 측면에서 살펴보자. 주어진 데이터셋이 선형적으로 구분이 가능하다고 가정하고 가장 큰 마진을 갖는 결정 경계를 찾는 문제로 볼수가 있다.

데이터셋은 {(x_i, y_i)}ⁿ_i=1으로 표현되며 x_i는 I번째 샘플의 특징벡터를 의미하며, y_i는 i번째 샘플의 클래스 레이블로 –1 또는 1 값을 갖는다. 이러한 데이터에 대해서 서포트벡터머신은 결정 경계선을 찾는 문제로 볼 수 있다. 결정경계선 식은 w∙ x + b = 0이며 w는 결정경계선의 법선 벡터를 의미하며 b는 바이어스 항을 의미한다. 이러한 결정경계선의 w, b 값을 구하기 위해서 아래와 같은 손실함수를 이용해서 이 손실함수값이 가장 작게 하는 w와 b 값는 찾는 문제이다. 손실함수 문제는 아래와 같다.

\(\begin{align}\min _{\mathrm{w}, b} \frac{1}{2}\|\mathrm{w}\|^{2}\end{align}\)

subject to

y_i(w ∙ x_i + b) ≥ 1 (i = 1, ⋯, n)

이 손실함수 문제를 라그랑주 승수법을 이용하여 계산한다. 이 손실함수를 최소화하는 과정을 통해서 최적의 모델을 생성한다.

4. 실험 및 평가

이 장에서는 제안방법을 검증하기 위하여 실험 환경 및 실험 결과에 대해서 기술하였다. 본 실험을 진행한 실험환경은 Pytorch 머신러닝 라이브러리[8]를 사용하였으며, GPU는 Nvidia Tesla T 4을 사용하였다.

4.1 데이터셋

우선 본 논문에서는 적군이 직선거리 120m에 있는 아군의 군사시설을 파괴하기 위해 미사일과 드론을 발사하는 상황을 설정하였으며, 아군은 레이더를 통해서 적국에서 날라오는 미상의 비행체의 속도와 고도를 파악할 수 있다고 가정하였다. 학습 데이터는 시간(0.1s)에 따른 속도(m/s)와 고도(m)값을 가지는 시계열 데이터의 형태이며 미사일과 드론 중 하나의 라벨을 가진다[9].

미사일과 드론에 대한 비행데이터는 공개자료에서 수집이 어려우므로 상황조건에 맞도록 시뮬레이션과 실험을 직접 진행하여 데이터를 획득하였다.

미사일에 대한 데이터는 미사일(로켓) 설계 및 비행 시뮬레이션을 위한 오픈 소스 소프트웨어인 OpenRocket[8]을 통하여 미사일의 형태, 크기, 무게, 엔진 등의 조건을 달리하여 120m거리에 있는 표적을 적중하는 미사일에 대한 속도와 고도 데이터를 25개 획득 하였다. <표 1>, <표 2>, <표 3>은 데이터 획득과정에서에 사용한 미사일의 탄두형태, 비행날개, 추진엔진에 대한 정보이다.

<표 1> 미사일 외관과 기체정보

<표 2> DJI MAVIC AIR 드론 제원

<표 3> 미사일 엔진정보

드론에 대한 데이터는 DJI사의 MAVIR AIR [10] 기체를 직선거리 120m인 코스를 비행시켜 획득하였다. 속도와 고도를 달리하여 주어진 코스에 대하여 반복비행을 진행한 뒤, DJI사의 비행로 그 추출 프로그램 DJI ASSISTANT2와 무인항공기 비행데이터 분석 사이트AIRDATA를 통하여 속도와 고도 데이터 25개를 획득하였다. 아래 표는 사용한 드론의 제원이다.

각각의 비행실험에서 속도데이터와 고도데이터를 250개를 추출하고 array형태로 합쳐서 비행특성에 해당하는 X로 정의하고 미사일을 0, 드론을 1로 라벨을 지정하여 Y로 정의했다. 데이터는 test_size=0.2로 훈련데이터와 테스트데이터로 분류하였고, random_state=42로 지정했다.

4.2 분류 모델

모델의 경량성과 학습 속도를 고려하여 이진분류 성능이 뛰어난 선형 서포트 벡터 머신(SVM)을 학습모델로 사용하였다. 하이퍼파라미터로 규제항은 1로 설정하였고 커널은 가우시안 커널을 사용하였다.

4.3 실험 결과

(그림 5)는 서포트벡터머신을 이용한 실험 결과를 보여주는 내용이다. 전체 데이터셋은 50개이며 학습데이터셋은 40개를 설정하였고 테스트 데이터는 10개를 설정하였다. 실험결과 10개 데이터 중에 10개를 정확히 맞춰서 정확도가 100%인 것을 볼 수가 있다. 즉, 서포트 벡터 머신을 통해서 실험한 결과로 미사일과 드론에 대하여 100% 정확도로 미사일과 드론을 잘 구분할 수 있는 것을 볼 수가 있다.

(그림 5) 실험환경

(그림 5) 실험 결과 (일부)

이 연구방법은 미사일과 드론 물체에 대한 분류 문제를 다룬다. 이 연구의 공헌점은 미사일과 드론 데이터를 직접 구축해서 수집하였고 이에 대한 데이터 구축을 하였다는 점이다. 또한, 이진 분류 문제에서 성능이 좋은 서포트 벡터머신을 적용하여 100% 정확도로 잘 분류한 것을 실험적으로 테스트하였다.

이러한 방법은 국방 분야에서 북한군의 드론이나 미사일 분류에 있어서 참고로 활용될 수가 있으며 특히 드론과 같은 무인비행기에 대한 분류에 활용될 수가 있다.

향후 연구 측면에서 이 연구는 두가지 분류 문제에서 높은 정확도를 보이는 것은 분명하지만, 예외가 존재하고 다양한 데이터가 수집될 수가 있다. 예를 들어, 음성, 이미지, 각종 텍스트 정보 등이 퓨전으로 합쳐진 상태에서 데이터를 분류하는 연구가 필요할 수가 있고 이진 분류가 아닌 다중분류로 확장될 수가 있다. 또한, 모델의 학습 및 테스트에 이용한 전체 데이터의 개수가 50개 밖에 되지 않고 데이터 획득을 위해 구현한 실험 환경이 제한적이므로 모델에 대한 신뢰성을 높이기 위해서 다양한 실험 환경에서의 더 많은 데이터가 필요한 측면이 있다. 향후 모델 측면에서, 미사일과 드론의 고도, 속도 변화 추이가 뚜렷한 차이를 보이므로 시계열 데이터를 plot하여 얻은 시각데이터를 CNN(Convolution Neural Network)[11]을 사용하여 분류하는 것도 좋은 방법이 될 것으로 판단된다. 이외에도 머신러닝 모델[12-14]을 이용하여 다양한 분야에서 활용되고 있다.

5. 결론

본 논문에서는 방공무기체계의 효율성 향상을 위해 서포트 벡터 머신을 이용하여 미상의 비행체를 미사일과 드론으로 분류하는 방법을 제안하고 직접 실험을 진행였다. 실제 환경에서 드론 데이터를 수집하고 오픈 미사일 시뮬레이터에서 데이터를 수집하여 모델에 학습시켰고 모델 정확도는 100%가 나왔다.

드론의 공중공격이 보편화되고 있는 현대전쟁에서 인공지능을 활용하여 탄도 미사일과 드론을 분류하여 각각 대응할 수 있다면 방공체계의 큰 효율성 향상을 기대할 수 있을 것이다. 또한 본 논문에서 다루는 비행특성을 이용한 분류는 레이더를 통해 탐지한 비행체의 고도와 속도데이터를 기반으로 하기 때문에 기존의 이미지 기반 분류 모델과 달리 밤에도 우수한 성능을 낼 수 있을 것으로 예상된다.