비초음파 데이터를 활용한 수중 이동체의 LSTM 신경망 기반 속도 추정

1. 서 론

수중 환경에서 로봇의 원활한 작업을 위해 수중 이동체의 정확한 위치 인식은 매우 중요하다. 그러나 수중 환경에서는 전파 감쇠가 급격히 발생하기 때문에 GPS와 같은 전파 기반의 장비는 활용할 수 없다. 일반적으로 수중 이동체 위치 인식을 위해 가속도와 자이로스코프 등을 사용하는 INS (Inertial Navigation System), 초음파의 도플러 현상을 이용하는 DVL (Doppler Velocity Log), 초음파 기반 삼각 측량 방법인 USBL (Ultra Short Baseline)을 활용한다^[1]. 초음파는 수중 환경에서 신호 감쇠가 낮고 전파 속도가 빨라 수중 위치 인식 시스템에서 사용되기 적합하다. 그러나 원거리 감지를 위해 비용이 높고 크기가 큰 장비가 요구된다. 또한, 부유물, 물고기, 바위, 벽의 등의 지형지물이나 고르지 못한 해저면이 존재하는 복잡한 수중환경에서는 반사와 굴절로 인해 신호 왜곡이 발생하여 정확도가 저하될 수 있다.

이러한 한계를 극복하기 위해, 최근에는 비초음파 기반의 센서 시스템 개발에 대한 연구가 활발하게 진행되고 있다. Weidong Liu는 정해진 경로를 이동하는 ROV (Remotely Operated Vehicle)에 부착된 두 개의 자기장 감지 센서로 모선에서 발생하는 자기장을 감지하여 비정상 자기장 데이터의 시차를 기반으로 선박에 대한 수중 이동체의 상대 운동 속도를 추정했다^[2]. 자기 신호는 날씨, 환경 등의 요인에 대해 강건하여 쉽게 방해받지 않는다는 장점이 있으나, 거리가 멀어짐에 따라 신호 감쇠가 급격히 발생하여 제한된 상황에서만 활용될 수 있다. 해당 논문에서는 최대 평균 상대 오차가 0.79%에 이를 정도로 매우 정확한 수준으로 속도 추정에 성공하였으나, 측정에 활용되는 자기장의 특성 때문에 반드시 모선이 필요하고 모선 근처에서만 속도 추정이 가능하므로 매우 특수한 상황에서만 활용될 수 있다는 한계가 있다.

표면 압력 정보 또한 수중 이동체의 속도 추정을 위해 활용된다. Fuentes-Pérez는 AUV (Autonomous Underwater Vehicle)의 머리에 부착된 차압 센서를 통해 베르누이 정리에 의한 속도 추정 모델을 고안하였고, DPSS (Differential Pressure Sensor Speedometer)를 개발하여 속도를 추정했다^[3,4]. 저자는 0.2 ~ 2 m/s의 다양한 속도 범위에서 선형 궤적 실험을 통해 제안한 속도 추정 모델에 의한 결과와 DVL 측정 데이터를 비교하여 평가하였다.

위처럼 베르누이 정리를 활용하는 등의 해석적인 방법과 달리, 딥러닝 기법을 활용한 비초음파 방식 위치 추정 연구도 존재한다. 딥러닝은 인공 신경망 기반의 기계 학습 기술로, 대량의 데이터를 학습하여 복잡한 패턴과 관계를 학습하는데 효과적이다^[5]. Ivar Bjørgo Saksvik는 딥러닝 기법을 적용하여 제한된 센서 운용 상황에서 유속에 대한 상대 속도를 추정하는 신경망을 통해 AUV의 Dead-Reckoning Navigation을 성공적으로 수행하였다^[6]. 해당 논문에서는 RNN (Recurrent Neural Network)을 사용하여 IMU (Inertial Measurement Unit), 압력 센서, 제어 입력 데이터를 기반으로 AUV의 상대적인 수평 속도(Surge, Sway 속도)를 예측하도록 하였다. 또한, 저자는 실 해역에서의 실험과 시뮬레이션을 통해 IMU, 압력 센서, 제어 데이터를 수집하였고, 동시에 측정한 DVL을 Ground Truth로 학습과 평가를 진행하여 Surge Network에서 0.0347의 MSE 결과를 얻었다.

앞서 소개된 것처럼 대부분의 비초음파 방식 수중 위치탐지 연구는 AUV를 활용하여 주로 진행되었다^[3,4,6]. AUV는 일반적으로 [Fig. 1]의 좌측과 같이 유선형의 잠수함 또는 어뢰의 형태이며, 수평 운동 시, 주로 전진과 회전의 조합으로 이동한다. 반면, ROV는 [Fig. 1]의 우측과 같이 직육면체의 복잡한 형상이며, 모든 방향으로 자유로운 움직임이 가능하다. 이와 같이 AUV와 비교하여 형태와 운동 양상에 큰 차이가 있으므로 기존의 AUV 대상 연구를 ROV에 적용하기에는 한계가 있다.

[Fig. 1]

The representative shapes of AUV[7] (left) and ROV[8] (right)

우리의 이전 연구에서는 물고기의 감각 기관을 모사한 압력 센서 분포를 기반으로 등속 운동이 유지되는 준정적인 시뮬레이션 환경에서 딥러닝 기법을 활용하여 표면 압력 정보만으로 속도 추정이 가능함을 확인했다^[9]. 앞서 언급했듯, 복잡한 형상을 가지며, 비교적 낮은 속도로 운용되고, 자유로운 기동이 가능한 ROV는 AUV에 비해 외란의 영향에 더 민감하다. 따라서 본 논문에서는 이러한 ROV의 형상 및 운동 특징을 잘 반영하기 위해, 다수의 압력 센서를 활용한 표면 압력 수집 모듈을 구성하였다. 또한, 표면 압력을 주요 입력 데이터로 하는 딥러닝 기법을 활용한 비초음파 속도 추정 시스템을 제안한다[Fig. 2].

[Fig. 2]

Outline of velocity estimation algorithm

2. 실험 데이터 수집

ROV의 수중 속도를 딥러닝 기법으로 추정하기 위해서는, 운동 상태를 반영하는 데이터를 입력으로 사용하고, 속도 데이터를 Target으로 사용해야 한다. 이동체의 표면 압력은 유체 내에서 운동할 때 속도 변화에 따라 그 크기와 분포가 달라지므로, 이를 통해 속도 정보를 간접적으로 추론할 수 있다^[10]. IMU를 통해 얻은 가속도는 속도의 변화율을 나타내며, 일반적으로 수치 적분을 통해 속도를 추정할 수 있다. 그러나 본 연구에서는 속도 추정을 위한단일 센서 시스템에 집중하고자 가속도 데이터의 운동 상태 정보를 그대로 반영하기 위해 속도 추정 신경망의 입력 데이터로 활용했다. 다만, 가속도 데이터는 추후 센서 융합 위치 추정 시, 현재 제안하는 속도 추정 시스템과 함께 수치 적분을 통해 다시 활용될 예정이다. 또한, IMU에서 얻을 수 있는 회전 정보 역시 ROV의 운동 상태를 반영하는 중요한 요소이다. Roll, Pitch, Yaw는 센서 자체 알고리즘에 의한 칼만 필터(Kalman Filter)를 거쳐 얻는다. 필터를 거치더라도 발생하는 필연적인 수치 오차는 실험 시 주기적인 영점 조절을 통해 완화하였다. 마지막으로, ROV의 움직임을 제어하는 조작 명령과 각 모터에 인가되는 출력 데이터도 ROV의 운동 상태를 반영하는 중요한 정보로 활용되었다.

2.1 실험 장비 및 과정

실험에 사용된 ROV는 Blue Robotics사의 BlueROV2이며, 연결된 조이스틱을 통해 x, y, z 3축 방향 이동 및 Yaw 회전 조작이 가능하다. 운용 중 표면 압력을 수집하기 위해 [Fig. 3]와 같이 표면 압력 수집 모듈을 구성하였다. 압력 센서는 좌우 대칭으로 각각 전후, 상하를 바라보는 센서 1개씩, 왼쪽 또는 오른쪽을 바라보는 센서 2개씩 총 12개 부착하였다. 사용된 압력센서는 MS5837-02BA이다. IMU는 ROV에 내장된 ICM-20602를 사용했다. DVL은 Water Linked사의 A-50을 ROV 프레임 하단부에 장착하여 사용했다. 실험은 12m×8m×7m 크기의 실내 공학 수조에서 진행하였다.

[Fig. 3]

ROV used for data collection and location of the attached pressure sensor

효과적인 딥러닝 학습을 위해 일반적인 상황에서 ROV 운용 시 주로 수행되는 자연스러운 이동 동작을 상정하여 동일 이동 동작에 대한 반복 데이터를 수집하였다. 동일한 이동 명령 인가를 위해 ROV 이동 매크로 제작이 필요했다. 이를 위해 연결된 조이스틱의 입력을 기록하고, 조이스틱 매크로 명령을 생성, 실행할 수 있는 외부 프로그램을 활용했다. 예를 들어, 전진 동작에 대한 매크로 제작을 위해 연결된 조이스틱의 좌측 스틱을 기울여 ROV를 전진시키면, 매크로 프로그램이 좌측 스틱의 기울기 입력을 저장하고 추후 재생하여 완전히 동일한 조이스틱 조작을 가해준 것과 같은 결과를 얻을 수 있다. 이 방식은 ROV 데이터를 수집하는 경우, 매우 직관적으로 복잡한 기동에 대해 반복 실험할 수 있다는 점에서 속도 제어 방식보다 적합하다.

실험에 사용된 ROV 이동 매크로는 정지, 전진, 후진, 좌우 반복 기동, S자 기동, Z자 기동, 8자 기동, 자유 기동으로 총 8가지이다. S자 기동은 전진 중 Yaw 회전 명령이 추가되어 S자를 그리며 이동하고, Z자 기동은 전진 중 y축 방향 이동 명령이 추가되어 Z자를 그리며 이동한다. [Fig. 4] 자유 기동은 모든 방향에 대해 다양한 출력으로 사용자가 직접 조작하였다.

[Fig. 4]

S-line (left) and Z-line (right) movement visualization

2.2 데이터 전처리

딥러닝 신경망 학습에서 데이터 전처리는 매우 중요하다. 딥러닝 모델의 성능은 입력 데이터에 전적으로 의존하므로 학습에 사용되는 데이터의 잡음, 결측치, 이상치 등을 최소화해야 한다. 또한, 일반적으로 정규화 과정을 통해 데이터 스케일을 조정하는 것이 필수적이라고 알려져 있다^[11]. 적절한 전처리 과정을 거친 입력 데이터는 모델의 학습 효율을 높이고 학습 시간을 크게 단축시킨다.

DVL의 속도 데이터는 외란에 의한 불연속적 이상치가 종종 발생하므로 이를 제거할 필요가 있다. 그러나 모든 데이터에 대해 이상치를 수동으로 제거하기에는 어려움이 있고, 그 판단 기준 또한 모호한 경우가 많다. 따라서 본 논문에서는 보수적인 기준을 적용하여 확실하게 이상치라고 판단되는 데이터를 우선 제거하고, 이동 매크로를 통해 다수 확보한 유사 데이터를 학습시켜 이상치에 둔감한 모델을 구축하고자 했다. 우선, 보수적인 기준으로 이상치를 판단하기 위해 Lowpass Filter를 통해 과도하게 평활화된 데이터와 원본 데이터의 차이를 확인하였다. 그 차이가 표준편차의 2배 이상인 경우 이상치로 판단하여 원본 데이터에서 제거하고 앞뒤 데이터로 선형 보간 하였다. 그 후 이상치가 제거된 원본 데이터를 일반적인 수준의 Lowpass Filter에 통과시켜 고주파 잡음을 감소시켰다. [Fig. 5] 압력 데이터의 특성상 이동에 의한 표면 압력보다 수심에 의한 압력의 영향이 지배적이다. 수심 정보는 수중 이동체 위치 추정에 필요한 중요 정보이지만, 본 연구에서는 ROV 이동에 따른 표면 압력 변화를 통해 V_x, V_y, V_z의 3축 속도를 예측하고자 하므로 수심 변동에 의한 큰 스케일의 압력 변화는 오히려 방해가 된다. 따라서 압력 센서를 통해 얻은 데이터에서 수심에 의한 영향은 최대한 배제할 필요가 있다. 단, 수심을 반영하는 압력 정보는 추후 센서 통합을 통한 위치 추정 알고리즘에 활용되어 Z축 방향 위치를 계산하는 데 활용할 예정이다. 또한 압력 데이터는 압력 값 그 자체보다는 정지 상태 대비 이동에 따른 변화가 중요하므로 모든 데이터는 초기값을 빼서 사용하였다. 식 (1)은 수심을 제거하고 초기값을 제거하는 압력 보정 수식이다. 식 (1)에서 i는 12개의 센서 중 각 센서의 번호, t는 해당 센서 값이 수집된 시점이다.

$\[ \begin{array}{c}{P}_{i,t}^{corr}=P_{i,t}^{raw}-{\sum }_{i=1}^{12}\left(P_{i,t}^{raw}\right)\hfill \\ P_{i,t}^{input}=P_{i,t}^{corr}-P_{i,0}^{corr}\hfill \end{array} \]$

(1)

[Fig. 5]

Outlier Removal Process (DVL, Vx)

IMU를 통해 얻은 선형 가속도 데이터는 순수한 움직임에 의한 가속도만 반영하기 위해 ROV 자세에 대한 중력을 제거하여 사용하였다. IMU의 Roll, Pitch, Yaw는 자이로스코프에서 얻은 각속도를 바탕으로 센서 내부 알고리즘에 의해 도(deg) 단위로 저장되며, 신경망 입력으로 사용하기 위해 초기값을 빼고 180으로 나누어 정규화 하였다. 또한 RC 입력은 컨트롤러를 통해 가해진 입력 명령이며, 전후, 좌우, 상하, Yaw회전의 총 4개 채널에 대한 명령을 의미한다. 모터 출력은 ROV의 각 프로펠러에 실제로 가해진 8개의 모터 출력을 의미한다. 모터 출력 데이터는 ROV의 설정 모드(자세 유지, 수심 유지 모드 등)에 의한, 사용자의 조작과 관련 없는 모터 출력도 반영된다. 다양한 움직임을 구현하기 위해 ROV의 설정 모드를 거의 항시 사용하므로 조종자의 의도가 반영된 RC입력과 실제 모터 출력 데이터를 동시에 사용해야 한다. RC 입력과 모터 출력은 모두 ROV Logger를 통해 얻었으며, 최솟값 1000, 최댓값 2000의 값으로 표현된다. 따라서 식 (2)와 같이 -0.5와 0.5사이의 값으로 정규화 하였다.

$\[ X_{i,t}^{input}=\frac{X_{i,t}^{raw}-1500}{1000} \]$

(2)

[Fig. 6]은 동일한 S자 기동 이동 매크로를 2회 수행하여 얻은 표면 압력, DVL, IMU, RC 입력, 모터 출력 데이터의 전처리를 완료한 그래프이다. 두 데이터셋의 피어슨 관계수를 계산하여 모든 데이터의 유사성을 확인하였다. 특히, 동일 매크로 입력을 가했기 때문에 RC 명령 입력은 완전히 동일하다. DVL Pose의 경우, 신경망 입력과 target으로 활용되지 않지만 원활한 데이터 이해를 위해 다른 데이터와 함께 시각화 하였다.

[Fig. 6]

Two sets of data collected from the same S-line movement macro. It shows similarity of two sets of data. The average Pearson correlation coefficient for each dataset is as follows. (Pressure: 0.9942, DVL: 0.9021, IMU: 0.8904, Motor output: 0.9800)

3. 딥러닝 모델 정의

복잡한 형상을 가진 ROV의 경우에도, 표면의 모든 압력 분포를 알 수 있다면 이동 속도와의 관계를 딥러닝 기법으로 학습시킬 수 있을 것이다. 그러나 센서 배치의 현실적 문제로 인하여 매우 제한적인 위치에서의 압력만 측정 가능하다. 따라서 본 연구에서는 제한된 표면 압력을 사용하는 대신, 딥러닝 신경망에 속도를 추정 대상 시점 이전의 정보 또한 입력하여 최근 시간에 대한 변화량을 반영할 수 있도록 하였다. 또한, ROV 이동에 대한 정보를 가진 IMU의 가속도, 자세 정보, RC 입력, 모터 출력 정보를 추가로 입력하여, 보다 높은 정확도의 모델 성능을 얻고자 하였다.

시계열 데이터 처리에 특화된 모델에는 크게 RNN (Recurrent Neural Network) 계열과 Transformer 계열이 존재한다. RNN 계열 신경망은 연속된 시간 단계에서의 상관관계를 분석하는데 주로 사용되며, 병렬 처리가 어려워 긴 시퀀스를 처리하는 데 많은 시간이 소요된다^[12]. Transformer 계열 신경망은 Attention 매커니즘을 통해 입력의 모든 위치 간의 상호작용을 계산하며 특히 자연어 처리에서 두각을 나타낸다^[13]. Transformer 신경망은 Attention 매커니즘으로 각 입력 및 출력 Token 사이 관계를 학습한다. 본 논문에서 사용되는 데이터는 매 Timestep의 데이터 자체가 의미를 갖기보다는 그 변화 양상에 의미가 있으며, 서로 근접한 시간대의 데이터간 연관성이 매우 높기 때문에 Transformer 계열 신경망 보다는 RNN 계열 신경망을 선택하였다.

LSTM (Long Short Term Memory)은 RNN 계열 신경망을 발전시키고 변형시킨 신경망 중 하나로, 기존 RNN의 기울기 소실 문제를 해결하기 위해 설계되어 데이터의 장기적 흐름을 기억하고 사용하는데 특화된 신경망이다. 따라서 RNN 계열 신경망 중 LSTM 신경망을 활용하였으며 속도 추정 모델 구조와 학습 하이퍼파라미터는 [Fig. 7], [Table 1]과 같다.

[Fig. 7]

Velocity estimation model structure

[Table 1]

Hyper parameter and dimension of Neural network

4. 학습 결과

실험을 통해 수집한 약 6000초 분량의 데이터를 7 (Train data): 1.5 (Validation data): 1.5 (Test data)의 비율로 나누어 학습을 진행하였다. 동일한 이동 매크로를 통해 수집된 Test set의 데이터와 Train set의 데이터는 완전히 동일하지는 않으나 상당히 유사하여 높은 정확도로 속도를 추정할 수 있었다. 따라서 학습에 직접 참여하지는 않았어도 이동 매크로를 통해 수집한 데이터를 활용한 테스트 결과만을 통해 모델의 성능을 평가하기에는 한계가 있다고 판단하였고, 이동 매크로를 사용하지 않고 조이스틱으로직접 조작한 자유 기동 데이터 중 일부를 Test set에 배정하였다. [Fig. 8] 은 자유 기동 중 수집한 데이터로 수행한 속도 추정 결과이다. 또한, 표면 압력 데이터, IMU 가속도 및 자세 데이터, RC 제어 입력 및 모터 출력 데이터가 각각 얼마나 속도 예측에 기여하는지 확인하기 위해 동일한 구조의 신경망과 데이터셋을 사용하되, 각기 다른 입력을 제공하여 속도 예측 성능을 비교하였다. [Table 2]는 3종류의 데이터를 활용하여 서로 다른 조합의 입력에 대한 Test 평가 결과이다. 평가 지표로는 평균 제곱근 오차(Root Mean Squared Error, RMSE)를 활용하였다. RMSE는 추정값과 실제값의 차이를 제곱한 후 평균을 구한 값으로, 값이 작을수록 더 정확한 예측을 의미한다. RMSE 평가 지표의 계산 방법은 식 (3)과 같다.

[Fig. 8]

Velocity estimation result plot using data from free maneuver

[Table 2]

RMSE according to input combinations

[Table 2]에서 볼 수 있듯이, 더 많은 종류의 데이터가 입력될수록 낮은 오차를 보이는 경향이 있다. 다만, 외부 유속이 존재하지 않는 수조환경 특성상 Command input (RC입력, 모터 출력) 또는 표면 압력 정보 단독으로도 모든 정보를 제공한 모델과 유사한 성능을 보였다. 이는 신경망이 외란이 적은 환경에서 제어 입력과 각 모터 출력 정보를 통한 운동 모델을 학습하였음을 시사한다. IMU 데이터는 단독으로 활용한 경우에 가장 낮은 성능을 보이므로 속도 추정에 미치는 영향이 가장 적다고 할 수 있으나, 표면 압력과 함께 사용되었을 경우에는 성능 향상에 도움이 된 것을 확인하였다.

[Fig. 9] 는 동일한 8자 이동 매크로를 통해 수집한 데이터를 각각 활용하여 y축 방향 속도를 추정한 결과 그래프이다. 상단(Eight maneuver 1)과 비교하여 하단(Eight maneuver 2)에서는 2.3에서 소개된 이상치 제거 알고리즘으로 완벽하게 제거되지 않은 이상치가 7000 ms 부근에서 발견된다. 하지만 딥러닝 모델을 통한 속도 예측 결과는 이상치에 대해 민감하게 반응하지 않으며 준수한 일반화 성능을 보였다. 이는 동일한 이동 매크로로 수집한 데이터를 여러 개 사용하여 종종 발생하는 DVL 센서 이상치에 대한 과적합이 방지된 것으로 사료된다.

[Fig. 9]

Comparison of Vy estimates using data obtained from identical figure-eight maneuver macros. An outlier is observed around 7000ms in the second graph

학습 결과를 효과적으로 평가하기 위해서 기존 비초음파 속도 추정 연구들의 결과와 비교할 필요가 있다. 그러나 비교하고자 하는 기존 연구들은 AUV를 활용하여 연구되었으므로, ROV와 비교는 각각 Surge 속도 추정, x축 방향 속도 추정 결과로 제한된다. [Table 3]는 이전 연구에서 제시된 AUV 속도 추정 모델과 본 논문에서 제시한 ROV 속도 추정 모델의 Surge 속도, V_x 추정 결과를 비교한 표이다. 서론에서 소개된 AUV의 RNN 기반 속도 추정 시스템의 Surge 속도 평가 결과(MSE 0.0347, RMSE 약 0.186), 차압 센서 기반 속도 추정 모델(DPSS)의 Surge 속도 평가 결과(RMSE 평균 약 0.05)와 비교하면, 본 논문의 ROV 속도 추정 신경망의 V_x 추정 평가 결과(RMSE 0.036)는 기존 연구들에 비해 유사하거나 더 좋은 성능을 보인다고 생각할 수 있다^[3,6]. 그러나 단순히 RMSE 만으로 비교하기에는 다음과 같은 이유로 한계가 있다. 첫째, 본 논문의 ROV 속도 추정 신경망은 외란이 적은 실내 수조 환경에서 비교적 느린 속도로 운영하여 데이터를 수집한 반면 AUV를 사용한 연구는 실제 해상에서 빠른 속도로 운용하여 데이터 수집을 수행하였다. 둘째, ROV와 AUV의 형상과 운동 특성 차이가 존재한다. 셋째, 본 논문에서는 실험 중 이동 매크로 사용으로 유사 데이터를 학습하여 보다 정확한 속도 추정이 가능하다. 따라서 이러한 점들을 모두 종합적으로 고려하여 결과를 이해할 필요가 있다.

[Table 3]

Comparison of surge (Vx) prediction RMSE between previous work (DPSS[3], RNN-Based model[6]) and our work (LSTM-Based model)

5. 결 론

본 논문에서는 AUV와 다른 ROV의 형상 및 운동 특성을 반영하기 위해 다수의 압력센서를 이용하여 표면 압력 수집 센서 모듈을 구성하였고, 해당 센서 모듈을 통해 얻은 압력 데이터를 전처리하여 수심의 영향을 배제하고 움직임에 의한 압력 정보를 추출하였다. 그리고 외부 유속이 없는 수조 환경에서 ROV를 기동하며 수집한 표면 압력, IMU, RC 입력, 모터 출력 등의 비초음파 데이터를 활용하여 LSTM 기반 딥러닝 모델을 통해 DVL로 측정한 x, y, z축 방향 속도를 추정하였다. 이동 매크로를 반복 수행하여 수집한 데이터를 학습한 속도 추정 모델은 DVL 측정 속도의 이상치에 민감하게 반응하지 않았으며, Test set에 대해 높은 일반화 성능을 보였다. 또한, 표면 압력, IMU, RC 제어 입력 및 모터 출력 정보가 속도 추정 성능에 각각 얼마나 기여하는지 확인한 결과, 외부 유속이 없는 환경에서는 표면 압력 또는 RC 제어 입력과 모터 출력 정보만으로도 준수한 수준의 속도 추정이 가능하다는 결론을 얻었다. 다만, 외부 유속이 존재하는 환경에서는 RC 제어 입력과 모터 출력 정보만으로는 속도 추정에 한계가 있을 것으로 예상된다. AUV를 활용하여 개발된 비초음파 속도 추정 시스템과의 정량적, 정성적 비교를 통해 비초음파 데이터를 활용한 ROV 속도 추정 시스템의 발전 가능성을 확인하였다. 후속 연구에서는 외부 유속이 존재하는 환경에서 같은 방식으로 데이터를 수집하여 속도를 추정하고 더 나아가 수집된 압력 정보를 바탕으로 외부 유속을 추정할 수 있는 알고리즘을 개발할 계획이다.

Acknowledgments

This research was supported by the National Research Foundation of Korea (NRF) grand funded by the Korea government (Ministry of Science and ICT) (No. 2022 R1A2C2010101).

This research was supported by Korea Institute for Advancement of Technology (KIAT) grant funded by the Korea Government (MOTIE) (RS-2024-00406796, HRD Program for Industrial Innovation).

References

• P. A. Miller, J. A. Farrell, Y. Zhao, and V. Djapic, “Autonomous Underwater Vehicle Navigation,” IEEE Journal of Oceanic Engineering, vol. 35, no. 3, pp. 663-678, Jul., 2010. [https://doi.org/10.1109/JOE.2010.2052691]
• W. Liu, L. Li, L. Li, H. Jiao, J. Qu, and G. Sun, “Velocity Estimation of Underwater Vehicle Based on Abnormal Magnetic Field Waveform,” IEEE Sensors Journal, vol. 24, no. 1, pp. 367-376, Jan., 2024. [https://doi.org/10.1109/JSEN.2023.3324431]
• J. F. Fuentes-Pérez, C. Meurer, J. A. Tuhtan, and M. Kruusmaa, “Differential pressure sensors for underwater speedometry in variable velocity and acceleration conditions,” IEEE Journal of Oceanic Engineering, vol. 43, no. 2, pp. 418-426, Apr., 2018. [https://doi.org/10.1109/JOE.2017.2767786]
• C. Meurer, J. Francisco Fuentes-Pérez, N. Palomeras, M. Carreras, and M. Kruusmaa, “Differential pressure sensor speedometer for autonomous underwater vehicle velocity estimation,” EEE Journal of Oceanic Engineering, vol. 45, no. 3, pp. 946-978, Jul., 2020. [https://doi.org/10.1109/JOE.2019.2907822]
• Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, pp. 436–444, May, 2015. [https://doi.org/10.1038/nature14539]
• I. B. Saksvik, A. Alcocer, and V. Hassani, “A Deep Learning Approach To Dead-Reckoning Navigation For Autonomous Underwater Vehicles With Limited Sensor Payloads,” OCEANS 2021: San Diego – Porto, San Diego, CA, USA, pp. 1-9, 2021. [https://doi.org/10.23919/OCEANS44145.2021.9706096]
• P. Esparon, S. Shah, T. Nickels, and the 2008 CAUV team, Nokia Photography Competition at the Department of Engineering 2009 entries, [Online], http://www3.eng.cam.ac.uk/photocomp/2009/, , Accessed: Nov. 14, 2024.
• ROV Hercules 2005, [Online], https://commons.wikimedia.org/wiki/File:ROV_Hercules_2005.JPG, , Accessed: Dec. 27, 2024.
• B. Yoon and J. Kim, “Measurement of moving object velocity and angle in a quasi-static underwater environment through simulation data and spherical convolution,” Journal of Korea Robotics Society, vol. 18, no. 1, pp. 53-58, Feb., 2023. [https://doi.org/10.7746/jkros.2023.18.1.053]
• F. M. White, Fluid mechanics, 8th ed., McGraw-Hill, 2016, [Online], https://www.google.co.kr/books/edition/EBOOK_Fluid_Mechanics_SI_units/OMsvEAAAQBAJ?hl=ko&gbpv=0, .
• Md Manjurul Ahsan, M. P. Mahmud, P. K. Saha, K. D. Gupta, and Z. Siddique, “Effect of data scaling methods on machine learning algorithms and model performance,” Technologies, vol. 9, no. 3, Jul., 2021. [https://doi.org/10.3390/technologies9030052]
• I. D. Mienye, T.G. Swart, and G. Obaido, “Recurrent Neural Networks: A Comprehensive Review of Architectures, Variants, and Applications,” Information, vol. 15, no. 9, Aug., 2024. [https://doi.org/10.3390/info15090517]
• S. Ahmed, I. E. Nielsen, A. Tripathi, S. Siddiqui, R. P. Ramachandran, and G. Rasool, “Transformers in Time-Series Analysis: A Tutorial,” Circuits Syst Signal Process, vol. 42, pp. 7433-7466, Jul., 2023. [https://doi.org/10.1007/s00034-023-02454-8]