DVL 기반 가속도 예측 딥러닝 모델

초록

본 논문은 과거 DVL 속도 측정값만을 이용해 AUV의 가속도 벡터를 추정하는 엔드‑투‑엔드 딥러닝 모델을 제안한다. 1‑차원 CNN과 2‑계층 LSTM을 결합한 네트워크를 설계하고, 지중해에서 수집한 실제 실험 데이터를 활용해 학습·검증하였다. 제안 모델은 기존 최소제곱 기반 모델에 비해 RMSE를 67.2 % 감소시켜 가속도 추정 정확도를 크게 향상시켰다.

상세 분석

이 연구는 DVL(Doppler Velocity Log)만으로도 가속도 정보를 얻을 수 있다는 기존 모델‑기반 접근법을 데이터‑드리븐 방식으로 확장한다는 점에서 의미가 크다. 기존 방법은 시간 차이를 이용한 선형 최소제곱식(식 1‑3)으로 가속도를 계산하지만, 실제 해양 환경에서는 비선형 항력, 흐름 변화, 센서 노이즈 등 복합적인 요인이 존재한다. 이러한 비선형성을 포착하기 위해 저자는 1‑D CNN을 첫 번째 특징 추출 단계로 사용한다. 커널 크기 3의 컨볼루션은 순간적인 속도 변화를 강조하고, LeakyReLU(α=0.01) 활성화는 음수 영역에서도 작은 기울기를 유지해 학습 안정성을 높인다. 이어지는 1‑D MaxPooling(풀 사이즈 3)은 시계열 길이를 축소하면서 가장 중요한 특징을 보존한다.

CNN 출력은 두 개의 LSTM 레이어(각 32개의 은닉 유닛)로 전달된다. LSTM은 장기 의존성을 모델링해 과거 속도 패턴이 현재 가속도에 미치는 영향을 학습한다. 게이트 구조(식 8‑13)를 통해 정보 흐름을 선택적으로 기억·버림함으로써, 급격한 방향 전환이나 정지·가속 구간에서도 안정적인 추정을 가능하게 한다. 최종적으로 두 개의 Fully‑Connected 레이어와 LeakyReLU를 거쳐 3차원 가속도 벡터(𝑥,𝑦,𝑧)를 출력한다. 손실 함수는 평균제곱오차(MSE)이며, 학습은 배치 16, 학습률 0.001, 30 epoch 동안 진행되었다.

데이터셋은 Haifa 대학의 Snapir AUV에서 수집한 100 Hz IMU와 1 Hz DVL 데이터를 사용한다. 총 66.7 분(10 세그먼트, 각 400 s)의 원본 데이터를 10배의 인위적 노이즈(스케일·바이어스·가우시안 화이트 노이즈)와 결합해 학습용 133.4 분을 구성하였다. 테스트는 학습에 포함되지 않은 3개의 400 s 세그먼트로 수행돼 과적합 여부를 엄격히 검증한다.

실험 결과는 RMSE 기준으로 제안 모델이 0.082 m/s²(제안) vs 0.25 m/s²(기존)로 67.2 % 개선을 달성했음을 보여준다. 이는 비선형 동역학을 효과적으로 학습했음을 의미한다. 또한, 학습·검증 손실 곡선이 30 epoch 내에 안정적으로 수렴함을 확인할 수 있다.

한계점으로는 DVL 샘플링 주기가 1 Hz로 비교적 낮아 고속 움직임에 대한 응답성이 제한될 수 있다는 점, 그리고 실험이 단일 지역·플랫폼에 국한돼 일반화 검증이 부족하다는 점을 들 수 있다. 향후 연구에서는 다중 플랫폼·다양한 해양 환경 데이터를 통합하고, 실시간 구현을 위한 경량화 모델 설계와 INS‑DVL 융합에 가속도 추정치를 직접 활용하는 방안을 탐색할 필요가 있다.