시계열 생성적 적대 신경망을 이용한 비행체 궤적 합성데이터 생성 및 비행체 궤적 예측에서의 활용에 관한 연구
A Study on Synthetic Flight Vehicle Trajectory Data Generation Using Time-series Generative Adversarial Network and Its Application to Trajectory Prediction of Flight Vehicles
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
딥러닝을 포함한 머신러닝 기법을 기반으로 비행체의 궤적 설계, 제어, 최적화, 예측 등의 작업을 수행하기 위해서는 일정한 양 이상의 비행체 궤적 데이터를 필요로 한다. 그러나 다양한 이유(예를 들어 비행체 궤적 데이터셋 구축에 필요한 비용,시간, 인력 등)로 일정한 양 이상의 비행체 궤적 데이터를 확보하기 어려운 경우가 존재한다. 이러한 경우 합성 데이터 생성이 머신러닝을 가능하게 하는 방법 중 하나가 될 수 있다. 본 논문에서는 이와 같은 가능성을 탐구하기 위하여 시계열 생성적 적대 신경망을 이용하여 비행체 궤적 합성 데이터를 생성하고 평가하였다. 또한 비행체의 상태를 인식하기 위한 비행체궤적 예측 작업에서 합성 데이터의 활용 가능성을 탐구하기 위하여 다양한 ablation study(비교 실험)를 수행하였다. 본 논문에서 제시된 생성 평가 및 비교 실험 결과는 비행체 궤적 합성 데이터 생성 및 비행체 궤적 관련 작업에서 합성 데이터의활용 가능성에 대한 연구를 수행하고자 하는 연구자들에게 실질적인 도움이 될 것으로 예상한다.
Abstract
In order to perform tasks such as design, control, optimization, and prediction of flight vehicle trajectories based onmachine learning techniques including deep learning, a certain amount of flight vehicle trajectory data is required. However, there are cases in which it is difficult to secure more than a certain amount of flight vehicle trajectory datafor various reasons. In such cases, synthetic data generation could be one way to make machine learning possible. In thispaper, to explore this possibility, we generated and evaluated synthetic flight vehicle trajectory data using time-seriesgenerative adversarial neural network. In addition, various ablation studies (comparative experiments) were performed toexplore the possibility of using synthetic data in the aircraft trajectory prediction task. The experimental results presentedin this paper are expected to be of practical help to researchers who want to conduct research on the possibility of usingsynthetic data in the generation of synthetic flight vehicle trajectory data and the work related to flight vehicle trajectories.
참고문헌 (10)
- I. Goodfellow, "Generative adversarial nets", Neural Information Processing Systems, pp.2672~2680 (2014), Japan Society for Fuzzy Theory and Intelligent Informatics[DOI]
- Y. J. Jo, "Research Trends of Generative Adversarial Networks and Image Generation and Translation", Electronics and Telecommunications Trends, 35(4), pp.91~102 (2020)[DOI]
- O. Mogren, "CC-RNN-GAN: Continuous recurrent neural networks with adversarial training" (2016)
- C. Esteban, "Real-valued (Medical) Time Series Generation with Recurrent Conditional GANs" (2017)
- J. Yoon, "Time-series Generative Adversarial Networks", Advances in Neural Information Processing Systems, 32 (2019)
- 이창진, "비행체의 궤적 예측을 위한 순환 신경망 기반 기법들의정량적 비교 평가에 관한 연구", 전기전자학회논문지, 25(3), pp.540~543 (2021), 한국전기전자학회
- 김종희, "장단기 메모리를 이용한 새로운 선박 이동 경로 예측 방법", 전기학회논문지, 69(7), pp.1132~1135 (2020), 대한전기학회
- 김종희, "가속도 예측 기반 새로운 선박 이동 경로 예측 방법", 전기전자학회논문지, 24(4), pp.1176~1179 (2020), 한국전기전자학회[DOI]
- Sepp Hochreiter, "Long Short-Term Memory", Neural Computation, 9(8), pp.1735~1780 (1997), MIT Press - Journals[DOI]
- K. Cho, "Learning phrase representations using RNN encoder-decoder for statistical machine translation" (2014)