• 센서학회지
• /
• 제10권4호
• /
• pp.250-258
• /
• 2001

본 연구에서는 지상에서 전장의 세기를 측정하는 것에 의해 낙뢰 예측이 가능한 뇌경보시스템을 개발하였다. 뇌경보시스템은 전장센서로써 회전형 필드밀, 임피던스변환기, 2단 증폭기 및 마이크로프로세서로 구성되어 있다. 교정 실험결과로부터 뇌경보시스템의 주파수대역과 최대 분해능은 각각 $DC{\sim}200\;[Hz]$, 73[V/m]이었으며, 뇌운에 의한 대지전장의 세기를 18.7 [kV/m]까지 측정할 수 있음을 확인하였다. 실제 상황에서 본 뇌경보시스템의 감지능력을 평가하기 위하여 뇌운의 모델을 이용한 컴퓨터 시뮬레이션을 수행하였으며. 그 결과 관측점으로부터 6 [km] 이내에 접근하는 뇌운의 움직임을 관측할 수 있었다.

• Spatial Information Research
• /
• 제16권3호
• /
• pp.279-290
• /
• 2008

자연재해로 인한 수많은 피해 중 특히 산사태 등 사면붕괴로 인한 피해는 인간에게 많은 인적/물적 자원의 손실을 가져왔다. 이런 사면붕괴로 인한 피해를 줄이고자 사면붕괴 예방을 위해 다양한 계측장비를 이용하여 사면붕괴 예 경보 시스템을 구축하였다. 하지만 대상사면에 접근성 문제를 해결하고 위험 사면 전체에 대한 안전성 평가를 실시할 수 있는 효율적인 계측장비는 많지 않은 실정이다. 이에 사면붕괴예방을 위한 효율적인 계측장비로서 측량학적인 접근 방법으로 사면거동의 정확한 계측을 위해 지상라이다시스템을 이용하여 사면붕괴 예방을 위한 시스템의 활용가능성 판단을 위한 실험을 실시하였다. 본 연구에서는 인공으로 조성되어 사면안정화 공법이 적용된 토사사면에 사면상부에서 단계별로 실물 하중을 가하여 하중에 따른 사면의 거동을 Total Station과 지상라이다시스템을 이용하여 계측하였다. 두 시스템을 이용하여 계측한 성과의 정확한 비교 분석을 위해 두 시스템의 계측 결과를 동일한 좌표계로 일치시키는 3D Similarity Transformation을 통해 서로 다른 좌표계를 가지고 있는 두 좌표계를 하나의 좌표계로 통일시켜 사면이 실물하중에 어떤 거동이 일어나는지를 분석하였다. 타켓중심의 사면거동 분석결과, 지상라이다 시스템은 Total Station과 비교해 X축으로는 1cm이내의 차이가, Y축으로는 규칙적이지 않는 거동의 경향이 발생하고, Z축으로는 서로 유사한 경향을 보였다. 연속된 점에 대한 사면지동 분석결과, Y축의 위치에 따라 사면 하부에서 상부의 방향으로 사면거동의 경향이 다르게 나타나 Total Station에서 분석하기 어려웠던 사면의 연속적인 변화를 관찰할 수 있었다. 따라서 지상라이다 시스템은 Total Station에 버금가는 측량성과를 획득하여 효율적인 사면모니터링을 위한 계측장비로 판단되었으며 기존의 사면모니터링기법의 한계를 대체 할 수 있는 측량학적 분석방법으로 많은 활용이 기대된다.

• 한국항공운항학회지
• /
• 제30권2호
• /
• pp.34-43
• /
• 2022

In Efforts to prevent CFIT accidents so far, have been emphasizing various education measures to minimize the occurrence of human errors, as well as enforcement measures. However, current engineering measures remain in a system (TAWS) that gives warnings before colliding with ground or obstacles, and even actual automatic avoidance maneuvers are not implemented, which has limitations that cannot prevent accidents caused by human error. Currently, various attempts are being made to apply machine learning-based artificial intelligence agent technologies to the aviation safety field. In this paper, we propose a deep reinforcement learning-based artificial intelligence agent that can recognize CFIT situations and control aircraft to avoid them in the simulation environment. It also describes the composition of the learning environment, process, and results, and finally the experimental results using the learned agent. In the future, if the results of this study are expanded to learn the horizontal and vertical terrain radar detection information and camera image information of radar in addition to the terrain database, it is expected that it will become an agent capable of performing more robust CFIT autonomous avoidance.