인공 갈색긴귀박쥐 귀를 이용한 고정밀 목표 고도 추정 기술

초록

본 연구는 갈색긴귀박쥐(Plecotus auritus)의 귀 형태를 3D 프린팅한 인공 핀나와 초음파 스피커·마이크를 결합한 바이노럴 소나 시스템을 구축하고, 회귀형 인공신경망과 슬라이딩 윈도우 평균 알고리즘을 이용해 목표물의 고도( elevation)를 5° 이하 오차로 추정한다. 핀나를 평행하게 배치했을 때 고도 추정 정확도가 높으며, 핀나를 직각으로 배치하면 고도와 방위(azimuth) 두 축을 동시에 추정할 수 있음을 보였다. FEM·Kirchhoff 적분을 통한 시뮬레이션 결과와 실험 결과가 일치한다.

상세 분석

이 논문은 생체모방 로보틱스와 초음파 센싱 분야에서 의미 있는 진전을 제시한다. 첫째, 갈색긴귀박쥐의 귀는 주파수에 따라 측면 로브(side‑lobe)의 방위가 고도 방향으로 선형적으로 스캔되는 특성을 가지고 있다. 저자들은 유한요소법(FEM)과 Kirchhoff 적분을 이용해 22–56 kHz 범위의 주파수별 방사 패턴을 정량화했으며, 30 kHz 이상에서 측면 로브의 반파폭(Half‑Power Beam Width)이 넓고 에너지 비가 높아 고도 정보를 효과적으로 인코딩한다는 것을 확인했다.

둘째, 이러한 물리적 특성을 그대로 재현하기 위해 3D 프린터로 실제 박쥐 귀와 동일한 형상의 인공 핀나를 제작하고, 각 핀나의 뿌리부에 마이크를 부착했다. 초음파 스피커는 FM 챱(Linear FM chirp) 펄스를 5 ms 길이로 방출해 실제 박쥐가 사용하는 주파수 변조 방식을 모방한다.

셋째, 수집된 에코 신호는 시간‑주파수 영역으로 변환된 뒤, 주요 주파수 피크와 스펙트럼 강도를 특징 벡터로 추출한다. 이 벡터를 입력으로 하는 9‑노드 은닉층을 가진 역전파(Back‑Propagation) 신경망을 10‑폴드 교차 검증으로 학습시켰다. 결과적으로, 핀나가 평행(두 귀가 동일 방향)일 때는 고도 추정 정확도가 80 % 이상(±5° 오차)이며, 방위가 0°에 가까울수록 정확도가 상승한다. 방위가 ±30°를 초과하면 신호‑대‑잡음비(SNR) 저하와 함께 정확도가 약 60 %까지 떨어지지만, 표준편차는 크게 변하지 않아 고도와 주파수 스캔 간의 상관관계가 강함을 확인한다.

넷째, 단일 펄스보다 다중 펄스(3~20개)로 구성된 펄스 트레인을 사용하고, 슬라이딩 윈도우 평균(“moving window accumulation”)을 적용하면 추정 오차가 크게 감소한다. 특히 20펄스 트레인에서는 ±3° 오차 범위 내 정확도가 95 %에 달한다. 이는 실제 박쥐가 연속적인 에코를 통합해 위치 정보를 보강하는 메커니즘을 효과적으로 모방한 것이다.

다섯째, 핀나를 직각(90°)으로 배치한 경우, 두 귀가 서로 다른 평면에서 고도 정보를 제공하므로 방위와 고도 두 축을 동시에 추정할 수 있다. BP 신경망을 이용해 방위와 고도를 각각 학습시켰으며, 무작위 방위·고도 조합에서도 평균 오차가 ±5° 이하로 유지되는 견고한 성능을 보였다.

마지막으로, 실험은 1–2 m 거리의 작은 구형 목표물을 대상으로 수행되었으며, 다양한 방위·고도 조합(방위 –90°~90°, 고도 20°~68°)을 포함한다. 데이터는 65 600개의 에코 펄스로 구성돼 충분한 통계적 신뢰성을 확보했다. 다만, 실험 환경이 실내 정적이며 목표물의 반사 특성이 일정하다는 점, 그리고 고주파(>30 kHz) 영역에서 마이크와 스피커의 감도 차이가 SNR에 영향을 미친다는 점은 향후 연구에서 개선이 필요하다.

요약하면, 이 연구는 박쥐 귀의 주파수‑고도 스캔 메커니즘을 정량화하고, 이를 인공 핀나와 머신러닝 기반 신호 처리에 적용함으로써 3차원 위치 추정, 특히 고도 추정에서 기존 2D 마이크로폰 어레이 기반 방법보다 높은 정확도와 간결한 하드웨어 구성을 달성했다.