Ⅰ. 서론
적 방공망 제압(SEAD; suppression to enemy air defenses) 임무는 현대전에서 전략적으로 중요한 임무이지만, 적 방공자산에 직접적으로 노출될 위험이 크기 때문에 임무 수행에 있어 위험 부담이 크다. 따라서, 무인기를 이용한 SEAD 임무 수행은 상대적으로 비용이 낮고 생명의 손실이 없다는 점에서 효과적인 대안이 될 수 있다. 이에 따라, 무인기를 위한 SEAD 임무 경로 계획에 대한 많은 선행 연구들이 수행되었다[1]-[3]. 하지만, 관련된 연구들은 대부분 임무 경로를 생성하는 방법에 대해서만 다루고 있으며, 임무 수행 여부 판단을 위한 임무 효과도 산출에 대한 연구는 많지 않다.
임무 효과도는 지휘관이 계획된 임무가 얼마나 효과적인지 판단할 수 있도록 구체적인 지표를 제공한다. 이를 통해, 지휘관은 제한된 자원을 효율적으로 투입함으로써 전체적인 작전의 성공을 이끌 수 있다. 따라서, 본 연구는 임무 수행 여부 판단에 도움이 될 수 있도록 무인기의 생존확률과 연료소모율과 같은 구체적인 지표를 생성하는 기법을 다루고자 한다. 또한, 선행연구의 SEAD 임무 경로 생성 기법을 기반으로 무인기의 생존확률과 연료소모율을 경로 비용으로 고려할 수 있는 임무 경로 생성기법을 제안하고자 한다[3].
본 논문은 다음과 같이 구성된다. 먼저, 2장에서는 알고리즘 적용을 위한 임무 환경 및 가상 시나리오를 소개한다. 3장에서는 침투/타격/이탈 경로 생성 기법을 다루며, 이어서 4장에서는 생성된 경로에 대한 임무 효과도 산출기법에 대해서 제안한다. 마지막으로 5장에서는 결론을 맺는다.
Ⅱ. 임무 환경 및 시나리오
2-1 임무 환경
임무 경로 생성 기법과 효과도 분석 기법을 개발 및 시험하기 위해서 가상 임무 환경과 시나리오 구축이 필수적이다. 본 장에서는 본 연구에서 사용한 가상 임무 환경과 시나리오에 대한 설명을 다룬다.
본 연구에서는 현실적인 전장 환경을 묘사하기 위해 실제 지형 높이 모델을 경로 탐색 환경으로써 활용하였다. 지형의 최대 높이는 591 m, X축과 Y축의 너비는 13,745.58 m이다. 이 지형 모델은 좌표 (37°25'20.2"N, 127°01'21.9"E) 근처의 지형높이 지도를 기반으로 생성되었으며, 그림 1에 나타난다.
그림 1. 단거리 대공 위협과 표적의 위치
Fig. 1. The locations of short range air defense assets and targets.
2-2 임무 시나리오
일반적으로 장거리 방공 자산은 고지대에 위치하는 경우가 많다. 따라서, 임무 시나리오에서 표적이 되는 적 방공자산은 그림 1과 같이 고지대에 위치하도록 설정되었다. 또한, 적의 단거리 대공 위협이 적 방공 자산 근처에 배치되어 있는 상황을 묘사하기 위해 그림 1과 같이 단거리 대공 위협을 배치하였다.
Ⅲ. 임무 경로 생성 기법
본 연구에서 제안하는 무인기를 이용한 SEAD 임무는 침투, 타격, 이탈의 세가지 단계로 이루어진다. 먼저, 침투 단계에서 무인기는 적 레이더에 의한 탐지를 회피하기 위해 저공비행을 수행하며 적 방공자산 근처로 침투한다. 이후, 타격 단계에서 적 장거리 방공 자산을 최단 거리로 타격한다. 마지막으로, 이탈 단계에서 적 레이더에 의한 탐지를 회피하기 위해 저공비행을 수행하며, 전장을 이탈한다.
침투와 이탈 단계는 저공 비행을 수행하면서 적의 단거리 대공 무기를 최대한 회피해야한다는 공통점이 있다. 따라서, 동일한 기법을 통해 침투/이탈 경로를 생성할 수 있다.
타격 경로는 무장의 조준 구간을 고려하면서 마찬가지로 적의 단거리 대공 위협을 최대한 회피하는 최단의 경로가 되도록 생성된다. 개별적으로 생성된 침투/타격/이탈 경로는 순서에 따라 연결되어 최종적인 임무경로가 생성된다.
3-1 침투/이탈 최적 경로 생성 기법
무인기의 성공적인 임무 수행을 위해서 지형에 충돌하지 않는 저공 비행 경로를 생성해야 한다. 동시에, 적의 단거리 방공 자산에 의한 위협들을 고려하여 최적의 경로를 생성해야 한다. 본 절에서는 경로 탐색 알고리즘인 RRT(rapidly-exploring random tree)기반의 알고리즘을 활용하여 침투/이탈 경로를 생성하는 방안을 다룬다[4].
1) RRT* 기반의 경로 탐색
경로 계획 알고리즘은 일반적으로 샘플링 기반, 그래프 기반, 수학적 모델 기반, Bio-Inspired 기반, 다중 융합 기반 알고리즘으로 나뉜다[5]. 그중 샘플링 기반 알고리즘은 정적 및 동적 환경 모두에서 높은 시간 효율성을 가지는 것으로 알려져 있다. RRT 알고리즘은 다차원의 환경에서 빠르게 수렴하는 것으로 잘 알려진 샘플링 기반의 경로 탐색 알고리즘이다[4]. 하지만, RRT 알고리즘은 경로의 최적성을 보장할 수 없다는 단점이 있다. 이러한 단점을 해결하기 위해 RRT* 알고리즘이 제안되었다[6]. RRT* 알고리즘은 경로 비용을 고려하여 탐색트리를 업데이트하는 기능이 추가 되었으며, 이를 통해 점근적 최적 경로에 도달할 수 있는 알고리즘이다. 하지만, 수렴속도가 상대적으로 느리기 때문에 이를 개선하기 위한 여러 알고리즘들이 제안되었다[7]-[9].
본 연구에서는 RRT* 기반의 알고리즘인 P-RRT*-smart 알고리즘이 사용되었다[3]. 먼저, 침투/이탈 경로의 저공 비행제약을 만족하기 위해 지표면에서 일정 거리 이상의 영역은 장애물로 간주되어 처리된다. 따라서 경로점은 항상 지표면에서 일정 고도 이내에 위치하게 된다. 본 연구에서는 지표면에서 100 m이내에서 경로점이 생성되도록 설정되었다.
RRT* 기반의 알고리즘은 두 경로점 사이를 비행할 때 발생하는 경로 비용을 정의하여 사용한다. 따라서, 두 경로점 사이의 경로 비용을 모델링하여 다양한 비용들을 반영할 수 있다. 본 연구에서는 경로 길이와 무인기 피격 확률에 대한 비용을 고려하기 위해 다음과 같이 경로 비용을 모델링하였다.
2) 경로점 간 경로 비용 모델
RRT* 기반의 알고리즘은 두 경로점 사이를 비행할 때 발생하는 경로 비용이 정식화되면 이에 따른 최적 경로를 생성할 수 있다. 따라서, 두 경로점 사이의 경로 비용을 모델링하여 다양한 비용들을 반영할 수 있다. 본 연구에서는 무인기의 피격확률과 이동 거리에 의한 경로 비용을 동시에 고려할 수 있도록 경로 비용 모델을 개선했다. 경로점 A에서 경로점 B로 이동할 때, 이동 거리 비용은 식 (1)과 같이 경로점 간의 유클리드 거리를 계산하여 간단히 반영할 수 있다.
Ldist = ∥B - A∥ (1)
경로점 A에서 경로점 B로 이동할 때, 무인기의 피격 확률은 다음과 같이 모델링 되었다. M개의 적 단거리 대공무기가 배치되어 있고, 각 대공 무기의 교전거리 REngage를 설정한다. 무인기는 일정한 속력 V로 비행한다고 가정한다. 경로점 A에서 경로점 B 사이를 N-1개의 단위 구간으로 일정하게 나누고 각 단위 구간의 길이는 dstep이라 한다. 각 단위 구간을 비행하는 시간 Δt은 식 (5)와 같이 나타난다. i번째 단위 구간을 비행할 때, j번째 대공 위협으로 인한 무인기의 단위 구간 피격 확률 ΔPkill, j은 식 (2)와 같이 모델링된다. ΔPkill, j는 교전거리 REngage j범위 밖에서는 0이며, 범위 이내에서는 대공무기에 가까워 질 수 록 높아진다. ΔPkill, j의 분포는 가우시안 분포를 가지며, 하중 계수 w0와 형태 계수 𝜖으로 함수의 형태를 조절할 수 있다. 이때, 위협 중심점에서의 ΔPkillj이 1을 넘지 않도록 한다. 또한 식 (2)에 나타난 것과 같이, 단위 교전 시간 tkill을 정의하고 위협에 노출된 시간 Δt에 따라 피격 확률이 상승하도록 모델링 되었다. 이때, j번째 대공 위협으로 인한 단위 구간 생존 확률 ΔPsurv, j은 식 (7)과 같다. 모든 대공 위협으로 인한 단위 구간 생존 확률 ΔPsurv, i은 식 (8)과 같이 모든 ΔPsurv, j를 곱한 것으로 나타난다. 경로점 A에서 경로점 B로 이동할 때 무인기의 생존 확률 Psurv는 식 (9)와 같이 모든 단위 구간의 생존 확률 ΔPsurv, i을 곱하여 구할 수 있다. 따라서, 식 (10)을 통해 경로점 A에서 경로점 B로 이동할 때 무인기의 피격 확률 Pkill을 추산할 수 있다.
\(\begin{aligned}\Delta P_{\text {kill }, j}=\left\{\begin{array}{lr}w_{0} \cdot \phi_{\text {Gaussain }}& \left(R_{j}, R_{\text {Engage }, j}, \epsilon\right) \cdot \frac{\Delta t}{t_{\text {kill }}},\left(R_{j} \leq R_{\text {Engage }, j}\right) \\ 0.0, & (R_{j}>R_{\text {Engage }, j})\end{array}\right.\end{aligned}\) (2)
Rj = ∥ni - Tj∥2 (3)
\(\begin{aligned}\phi_{\text {Gaussian }}\left(R, R_{\text {Engage }}, \epsilon\right)=e^{-\frac{\left(R / R_{\text {Evage }}\right)^{2}}{2 \epsilon^{2}}}\end{aligned}\) (4)
\(\begin{aligned}\Delta t=\frac{d_{s t e p}}{V}\end{aligned}\) (5)
0 < w0 < 1 (6)
ΔPsurv, j = 1 - ΔPkill, j (7)
\(\begin{aligned}\Delta P_{s u r v, i}=\prod_{j=1}^{M} \Delta P_{s u r v, j}\end{aligned}\) (8)
\(\begin{aligned}P_{\text {surv }}=\prod_{i=1}^{N-1} \Delta P_{\text {surv }, i}\end{aligned}\) (9)
Pkill = 1 - Psurv (10)
거리비용, 생존성 비용에 대한 상대적인 중요도를 고려하기 위해서 하중계수 wdist, wkill를 적용하여 경로점간 비용 CN2N을 결정한다. 본 연구에서는 wdist를 1.0, wkill를 2000.0으로 설정하였다.
CN2N = ωdist ∙ Ldist + ωkill ∙ Pkill (11)
그림 2. 무인기 생존 확률 및 피격 확률 모델
Fig. 2. Model of survival and shooting rate.
3-2 최적 타격 경로 생성 기법
표적 근처 영역은 수많은 적의 단거리 방공 무기들로 보호되고 있을 가능성이 높다. 따라서 무인기의 생존성을 향상 시키기 위해 표적을 최단의 거리로 타격하며, 대공위협을 최대한 회피하는 경로를 생성하는 것이 중요하다. 또한, 무장을 조준하기 위해서 표적을 향해 일정 길이로 직선 비행하는 구간이 필요하다. 이 두 가지 제약을 만족하기 위해, Dubins 경로기반의 최단 경로 생성 기법을 사용할 수 있다[3].
Dubins 경로 기반의 최단 경로 생성 기법의 개념도는 그림 3에 나타난다. 타격 경로는 진입 지점부터 표적 개수 만큼 존재하는 조준 구간을 거쳐 이탈 지점을 연결한 경로f로 나타난다. 따라서, 타격 임무 지역에 진입하는 지점과 이탈하는 지점이 정의되어야 한다. 또한, 각 표적에 대한 조준 구간은 조준 시작지점과 무장 발사 지점을 잇는 직선 구간으로 정의된다. 무인기는 j번째 표적을 향해 특정 Heading angle ψe, j로 직선 비행하며 조준한다. 이때, 조준 시작 지점은 표적으로부터 daiming 만큼 떨어진 곳에, 무장 발사 지점은 표적으로부터 dlaunch만큼 떨어진 곳에 위치한다. 이후, 각 지점을 순서에 따라 Dubins 경로 기법을 사용해 연결한다. Dubins 경로는 항공기의 선회 반경 RTurn을 고려한 두 경로점 사이의 최단의 비행 경로이기 때문에 각 지점을 연결하는 경로는 최단의 경로가 된다[10]. 본 연구에서 daiming은 300 m, dlaunch는 100 m, RTurn은 300 m로 설정되었다.
그림 3. Dubins 경로기반 타격 경로 생성
Fig. 3. Concept of target intercept path planning based Dubins path method.
이를 통해, 생성되는 타격 경로는 표적 타격 순서와 ψe에 따라서 달라진다. 따라서 모든 타격 조합에 대해 식 (12)에 나타난 목적함수를 최소화하도록 ψe를 최적화하여 최적 타격 경로를 얻을 수 있다. 본 연구에서는 robust-SQP 기법을 통해 최적화 하였다[11].
식 (12)에 나타난 목적함수는 생성된 타격 경로에 대한 경로 길이와 피격 확률을 고려하고 있으며, 위협 회피와 경로 길이에 대한 상대적인 중요도를 고려하기 위해 하중계수 wdist, wkill를 적용한다. 이때, 피격 확률은 3-1절에서 소개한 방법을 통해 계산되며, 하중계수의 값도 3장에서 제시한 값과 동일하다.
fobj(ψe) = ωdist ∙ fdist(ψe) + ωkill ∙ Pkill,
ψe = [ψe,1, ψe,2, ⋯, ψe,m]∈Rm (12)
본 장에서 소개한 기법들을 통해 생성된 임무 경로는 그림 4에 나타나며, 침투/이탈 과정에서 적의 단거리 대공 위협을 회피하는 경로가 잘 생성된 것을 확인할 수 있다. 그림 4 (c)를 통해 침투/이탈 과정에서 지표면에서 100 m이상 떨어지지 않고 비행하는 경로가 생성되었음을 확인할 수 있다.
그림 4. 생성된 SEAD 임무 경로
Fig. 4. Planned SEAD mission path.
그림 4 (b)를 살펴보면, 한 표적이 적 단거리 대공 위협의 교전 거리 이내에 위치하고 있으며, 이는 무인기가 표적 타격을 위해 위협 내부로 진입하는 것을 강제한다. 그림 4 (b)에 나타난 타격 경로는 표적 타격 과정에서 주어진 제약조건들을 만족하면서 최대한 위협을 회피하고 있음을 보여준다. 따라서 제시된 경로 생성 기법이 SEAD 임무 경로 생성에 적합하다고 할 수 있다.
Ⅳ. 임무 효과도 산출 기법
3장에서 소개한 방법을 통해 임무 경로를 계획할 수 있으나 임무 수행이 적절한지는 판단하기 어렵다. 따라서 적절한 판단 기준으로 삼을 수 있는 임무 효과도를 산출할 필요가 있다. 본 연구에서는 주어진 경로에 대한 연료소모량, 무인기의 생존 확률, 임무 수행 소요 시간, 그리고 표적 파괴 확률을 계산하여 구체적인 임무 효과 지표를 산출한다.
1) 연료 소모량 추산
전체 경로의 연료 소모량은 각 경로점 간 비행 구간에서 소모하는 연료량을 모두 합하여 추산할 수 있다. 따라서, 두 경로점 사이를 이동할 때의 연료 소모량 분석 기법을 소개한다. 경로점 A에서 경로점 B로 이동할 때 소모연료량을 분석하기 위해서 몇가지 가정이 필요하다.
경로점 A에서 경로점 B로 이동할 때 소모연료량을 분석하기 위해 XY평면에서는 속력 V로 등속비행, 고도축으로는 등 가속 비행한다고 가정한다. 또한, 경로점간 소모 연료량 분석구간 동안 연료량 소모로 인한 무게 변화를 고려하지 않으며, 바람과 같은 교란이 없다고 가정한다. 무인기의 진행방향은 경로의 방향과 항상 일치한다.
가정을 통해 경로점간 비행 시간 Δtflight을 식(14)과 같이 계산할 수 있다. 이때 타격 경로에 포함되는 Dubins 선회 경로길이 dXY는 그림 5의 우측 그림과 같이 주어진 선회 반경 RTurn, 선회각 θTurn을 통해 계산한다.
그림 5. 직선/선회 비행시 경로점간 거리
Fig. 5. Distance between waypoints in straight/trunning flight.
\(\begin{aligned}d_{X Y}=\left\{\begin{array}{ll}\|\boldsymbol{B}-\boldsymbol{A}\|, & (\text { Straight Flight }) \\ \theta_{\text {Trun }} \cdot R_{\text {Turn }}, & (\text { Turning Flight })\end{array}\right.\end{aligned}\) (13)
\(\begin{aligned}\Delta t_{f l i g h t}=\frac{d_{X Y}}{V}\end{aligned}\) (14)
무인기는 주어진 비행시간 동안 등가속 운동하면서 A 경로점의 고도 hA에서 B 경로점의 고도 hB에 도달해야한다. 따라서 고도축 등가속력 \(\begin{aligned}\ddot{h}_{c}\end{aligned}\) 는 식 (15)과 같이 계산된다. 이때, B경로점에서의 초기 고도축 속도는 0이라고 가정한다.
\(\begin{aligned}\begin{array}{l}h_{B}-h_{A}=\Delta h=\dot{h}_{A} \Delta t_{\text {flight }}+\frac{1}{2} \ddot{h}_{c} \Delta t_{\text {flight }}^{2} \\ \rightarrow \ddot{h}_{c}=\frac{2\left(\Delta h-\dot{h}_{A} \Delta t_{\text {flight }}\right)}{\Delta t_{\text {flight }}^{2}}\end{array}\end{aligned}\) (15)
주어진 경로를 따라 비행하기 위해서 무인기에서 발생 시켜야하는 가속도는 그림 6의 abinormal와 anormal이다. abinormal는 중력과 고도 변화로 인한 가속도 이며, anormal은 선회 비행시 유발 되는 구심력으로 인한 가속도이다. abinormal과 anormal an을 보상하기 위해서 양력으로 인한 가속도 alift가 필요하며, 각 가속도의 크기는 식 (18)과 같이 계산된다.
그림 6. 무인기에 작용하는 가속도
Fig. 6. Acclerations acting on the UAV.
\(\begin{aligned}a_{\text {binormal }}=g+\ddot{h}_{c}\end{aligned}\) (16)
\(\begin{aligned}a_{\text {normal }}=\frac{V^{2}}{R_{\text {turn }}}\end{aligned}\) (17)
\(\begin{aligned}a_{\text {lift }}=\sqrt[2]{a_{b}^{2}+a_{n}^{2}}\end{aligned}\) (18)
필요 양력을 통해 무인기의 받음각 α을 추산할 수 있다. 이때, 받음각 α는 대상으로 하는 항공기의 공력 테이블을 통해 추산해야 한다. 하지만, 본 논문에서는 대상항공기를 특정하고 있지 않기 때문에 일반적인 양력공식과, 선형 양력계수모델을 통해 추산한다. 본 연구에서 날개 면적 S는 11.45 m2 으로 설정되었다.
CL(α) = 2πα (19)
\(\begin{aligned}\begin{array}{l}m_{A} \cdot a_{\text {lift }}=\frac{1}{2} \rho V^{2} \cdot C_{L}(\alpha) \cdot S \\ \rightarrow \alpha=\frac{m_{A} \cdot a_{\text {lift }}}{\frac{1}{2} \rho V^{2} \cdot S \cdot 2 \pi}\end{array}\end{aligned}\) (20)
식 (21)과 같이, 추산된 받음각 α와 비행 속도를 통해 무인기에 작용하는 항력을 추산할 수 있다. 무인기 추력의 크기는 항력과 같다고 가정한다. 무인기가 발생시켜야하는 추력, 비연료소모율(SFC; specific fuel consumption), 비행시간 그리고 속력을 곱해 소모 연료량 ΔWfuel을 계산할 수 있다. 이때, SFC는 항공기의 엔진에 따라 다르며, 일반적으로 비행조건에 따라 테이블로 미리 작성하여, 비행조건에 맞는 값을 테이블에서 찾아 사용한다. 하지만, 본 논문에서는 대상 엔진을 특정하지 않았기 때문에 SFC를 상수 값으로 특정하여 해석한다. 본 연구에서 매개변수들은 다음과 같이 설정되었다.(CD0 = 0.0075, e = 0.8, AR = 19, SFC = 0.0947g/s/kW)
\(\begin{aligned}a_{d r a g}=\frac{1}{2 m_{A}} \rho V^{2} C_{D}(\alpha) S\end{aligned}\) (21)
\(\begin{aligned}C_{D}(\alpha)=C_{D_{0}}+C_{D_{i}}=C_{D_{0}}+\frac{(2 \pi \alpha)^{2}}{\pi \cdot A R \cdot e}\end{aligned}\) (22)
ΔWfuel = αdrag ∙ mA ∙ SFC ∙ V ∙ Δtflight (23)
경로점 A에서 경로점 B까지 이동하면서 소모된 연료량 WfuelB는 식 (24)과 같이 계산되며, 경로점 B에서의 무인기 질량 mB은 식 (25)과 같이 계산된다.
WfuelB = WfuelA - ΔWfuel (24)
mB = mA - ΔWfuel (25)
2) 무인기 생존 확률 추산
3-1절에서 소개한 경로점간 피격 확률 계산 기법을 모든 경로점에 대해 적용하고, 경로점간 생존 확률을 모두 곱하여 전체 경로에 대한 무인기의 생존 확률을 추산할 수 있다.
3) 임무 수행 소요 시간 추산
경로점간 비행 시간은 경로점간 거리를 주어진 속도 V로 등속 비행한다고 가정한다. 이를 통해, 목적 경로점에 도달하는 시점을 계산할 수 있다. 이 방법을 전체 경로점에 대해 적용하여 마지막 경로점에 도달하는 시점을 계산할 수 있고, 임무 수행 소요 시간을 추산할 수 있다. 본 연구에서는 모든 구간에서의 비행속도를 40 m/s로 설정하여 임무 소요 시간이 추산되었다.
4) 표적 파괴 확률 추산
표적이 파괴될 확률은 무인기 피격 확률과 무장 명중률로 추산할 수 있다. 무인기가 무장을 발사하는 시점의 피격 확률과 미리 설정된 무장 명중 확률을 곱하여 표적 파괴율을 추산할 수 있다. 본 연구에서 무장 명중 확률은 90%로 설정되었다.
그림 4에서 제시된 경로에 대한 임무 효과도는 표 1과 같이 나타난다. 이때, 무인기의 공허중량은 500 kg, 초기 연료 중량은 100 kg으로 설정되었다. 또한, 각 무장의 중량은 15 kg으로 설정하고, 총 4개의 무장이 탑재되도록 설정되어 무장의 총 중량은 60 kg이다. 그림 7을 통해, 발사 시점마다 무장의 무게 만큼 무인기의 무게가 줄어드는 것을 확인할 수 있다.
표 1. 임무 효과도
Table 1. Mission effectiveness.
그림 7. 임무 시간에 따른 효과도 변화
Fig. 7. Mission effectiveness over time.
주어진 경로에 대한 임무 수행 시간은 약 690 초로 추산되었으며, 예상된 소모 연료량은 약 485 g으로 추산되었다. 임무 종료 시점에서의 무인기의 생존 확률은 48.52%로 나타난다. 이는 그림 4에 나타난 것과 같이 첫 번째 표적에 대한 타격이후 적 단거리 대공 위협에 의해 생존확률이 급격히 떨어지기 때문으로 보인다. 추산된 첫 번째 표적의 파괴 확률은 90%이며, 나머지 표적에 대한 파괴 확률은 42.73%이다. 나머지 표적에 대한 파괴 확률이 떨어지는 이유는 첫 번째 표적에 대한 타격이후 급격히 떨어진 생존 확률이 영향을 미치기 때문이다.
임무 수행 소요 시간은 임무 수행에 있어 제한시간이 있는 경우에 참고할 수 있는 지표가 될 수 있으며, 예상 연료 소모량은 주어진 연료로 임무를 수행할 수 있는 지 판단하기 위해 참고할 수 있다. 또한, 운용자는 무인기의 손실로 인한 손해와 표적 파괴로 얻을 수 있는 이득을 무인기 생존 확률과 표적 파괴 확률을 통해 비교하여 임무 수행 여부를 판단할 수 있다. 따라서 제시된 기법이 주어진 경로에 대해 무인기의 임무 수행 여부를 판단하는데 있어 효과적일 것으로 보인다.
Ⅴ. 결론
본 연구에서는 무인기의 SEAD 임무 수행을 위한 저공 침투 타격 임무 경로를 생성하는 기법과 생성된 경로에 대한 임무 효과도를 산출하는 기법을 제시하고 있으며, 주어진 가상 시나리오를 토대로 검증되었다. RRT* 기반의 경로 탐색 알고리즘을 통해, 적의 단거리 대공 위협을 고려할 수 있는 저공 침투/이탈 비행 경로를 생성하였고, Dubins 경로 기반의 타격 경로 생성기법을 통해 최단의 경로이면서 동시에 적의 단거리 대공 위협을 최대한 회피하는 경로를 생성하였다. 생성된 침투/타격/이탈 경로는 순서에 따라 통합되어 연료소모량, 무인기의 생존 확률, 임무 수행 소요 시간, 그리고 표적 파괴 확률로 이루어진 임무 효과도를 산출되는데 활용되었다.
이를 통해, 제안된 기법이 무인기의 SEAD 임무 수행 경로생성을 효과적으로 수행할 수 있음을 확인하였으며, 주어진 경로에 대하여 임무 효과도를 산출할 수 있음을 확인하였다. 결론적으로 제안된 기법은 임무 경로를 생성하는 것에 그치지 않고 임무 수행 여부 판단에 있어 구체적인 지표를 제공할 수 있었다.
본 연구에서 제안하는 경로 생성 기법은 선행연구의 기법과 비교하여 위협에 대한 무인기의 생존확률을 구체적으로 추산하고 경로 비용으로 활용함으로써 보다 직관적인 경로 비용 모델링이 가능해졌다[3]. 또한, 타격 경로 생성 시, 위협으로 인한 비용을 고려하여 보다 생존성이 높은 경로를 생성하도록 하였다.
하지만, 제안된 기법은 단일 무인기를 대상으로 하고 있으며, 동적 상황 변화는 고려하지 않는다는 제한사항이 있다. 따라서, 다수의 무인기의 협력적인 임무 수행과 동적 임무 경로계획이 가능하도록 추가적인 연구를 수행할 예정이다.
References
- Eun, Y.,and Bang, H., "Cooperative Control of Multiple UCAVs for Suppression of Enemy Air Defenses," AIAA 3rd 'Unmanned Unlimitted' Technical Conference, Workshop and Exhibit, Vol. 20-12, pp. 1-14, 2004.
- Ridder, J. P., and HandUber, J. C., "Mission Planning for Joint Suppression of Enemy Air Defenses Using a Genetic Algorithm," Genetic and Evolutionary Computation Conference, GECCO 2005, Vol. June 25-29,2005, pp. 1929-1936, 2005.
- Woo, J. W., Choi, Y. S., An J. Y., Kim C. J.,"An Approach to Air-to-Surface Mission Planner on 3D Environments for an Unmanned Combat Aerial Vehicle," Drones, 2022, 6, 20. https://doi.org/10.3390/drones6010020
- LaValle, S. M. "Rapidly-Exploring Random Trees: A New Tool for Path Planning," Report No. TR 98-11, Computer Science Department, Iowa State University, 1998. Available at http://janowiec.cs.iastate.edu/papers/rrt.ps.
- Yang, L., Qi, J., Song, D., Xiao, J., Han, J., and Xia, Y., "Survey of Robot 3D Path Planning Algorithms," Journal of Control Science and Engineering. vol. 2016, pp. 22, 2016.
- Karaman, S., and Frazzoli, E., "Sampling-Based Algorithms for Optimal Motion Planning," International Journal of Robotics Research, Vol 30, Issue 7, pp. 846-894, 2011. https://doi.org/10.1177/0278364911406761
- Wang, J., Chi, W., Li, C., Wang, C., and Meng, M. Q. H. "Neural RRT*: Learning-Based Optimal Path Planning," IEEE Transactions on Automation Science and Engineering, Vol. 17, Issue 4, pp. 1748-1758, 2020. https://doi.org/10.1109/TASE.2020.2976560
- Li, Y., Wei, W., Gao, Y., Wang, D., and Fan, Z. "PQ-RRT*: An Improved Path Planning Algorithm for Mobile Robots," Expert Systems with Applications, 113425, 2020.
- Nasir, J., Islam, F., Malik, U., Ayaz, Y., Hasan, O., Khan, M., and Muhammad, M. S. "RRT*-SMART: A Rapid Convergence Implementation of RRT*," International Journal of Advanced Robotic Systems, Vol. 10, pp. 299-310, 2013. https://doi.org/10.5772/56718
- Dubins, L. E. "On Curves of Minimal Length with a Constraint on Average Curvature, and with Prescribed Initial and Terminal Positions and Tangents," American Journal of Mathematics, Vol. 79, Issue 3. pp. 497, 1957. https://doi.org/10.2307/2372560
- Kim, C. J., Sung, S., and Shin, K. C. "Pseudo-Spectral Application to Nonlinear Optimal Trajectory Generation of a Rotorcraft," Advanced Science Letters, Vol. 9, Issue 1, pp. 204-209, 2012. https://doi.org/10.1166/asl.2012.2637