의도 추론과 구문 추적을 위한 GMTI 측정 활용

초록

본 논문은 목표물의 공간 궤적을 확률적 문맥 자유 문법(SCFG)과 전환 모드 상태공간 모델로 표현하고, 베이지안 구문 필터링을 통해 의도와 이상 행동을 자동 추출하는 알고리즘을 제시한다. X‑band 광대역 실험 레이더(GMTI) 데이터를 이용해 성능을 검증하였다.

상세 분석

이 연구는 전통적인 목표 추적 시스템이 제공하는 위치·속도 정보만으로는 고차원 의도 판단에 한계가 있다는 점에 착안한다. 저자는 목표의 이동 패턴을 ‘문장’으로 보고, 이를 확률적 문맥 자유 문법(SCFG)으로 모델링한다는 혁신적인 접근을 채택하였다. SCFG는 비터미널과 터미널, 그리고 생산 규칙으로 구성되며, 각 규칙에 확률을 부여해 실제 궤적이 어느 정도의 확률로 특정 패턴(예: 직선, 회전, 급정지 등)에 해당하는지를 정량화한다. 이러한 문법적 표현은 기존의 마코프 전이 모델이 포착하기 어려운 장거리 의존성 및 중첩 구조를 자연스럽게 기술한다.

또한, 목표의 물리적 움직임은 전통적인 선형·비선형 상태공간 모델로 기술되며, ‘스위치드 모드’ 구조를 통해 여러 움직임 모드(예: 정속 이동, 가속, 회전 등) 사이를 전이한다. 베이지안 필터링은 두 층을 결합한다. 첫 번째 층에서는 칼만 필터(또는 입자 필터)를 이용해 연속적인 상태 추정을 수행하고, 두 번째 층에서는 파싱 알고리즘(예: CYK 파서의 확률적 변형)을 적용해 현재 관측된 상태 시퀀스가 어떤 비터미널에 가장 높은 사후 확률을 갖는지를 계산한다.

핵심 알고리즘은 ‘확률적 파싱 필터’로, 시간에 따라 누적된 관측을 기반으로 실시간으로 문법 구조를 업데이트한다. 이때, 전이 확률과 생산 규칙 확률을 동시에 학습하거나 사전 지식으로 설정할 수 있어, 새로운 전술 패턴이 등장했을 때도 적응이 가능하다. 실험에서는 DRDC Ottawa의 XWEAR 시스템으로부터 수집한 실제 GMTI 데이터(다중 목표, 다양한 기동)를 사용했으며, 제안된 필터가 기존의 베이시안 추적기 대비 의도 탐지 정확도와 조기 경보 성능에서 현저히 우수함을 입증하였다. 특히, 복합적인 기동(예: 직선 이동 후 급격한 회전)이나 은폐·재출현 패턴을 높은 확률로 식별해 인간 운영자의 의사결정을 크게 지원한다는 점이 강조된다.

이 논문의 주요 기여는 (1) 목표 궤적을 형식 언어 이론과 결합한 새로운 모델링 프레임워크, (2) 확률적 문법 파싱을 실시간 베이지안 필터와 통합한 알고리즘, (3) 실제 X‑band GMTI 레이더 데이터를 통한 실증 검증이다. 향후 연구에서는 다중 센서 융합, 온라인 문법 학습, 그리고 대규모 전술 시뮬레이션에의 적용이 기대된다.