딥러닝 기반 INS DVL 정렬 방법

초록

본 논문은 AUV의 관성항법시스템(INS)과 도플러 속도계(DVL) 간 정렬 문제를 해결하기 위해 1‑D CNN 구조의 딥러닝 모델 AlignNet을 제안한다. 시뮬레이션 데이터(10 648개의 라운드‑머신 궤적)를 이용해 학습한 AlignNet은 기존 SVD 기반 속도 방법에 비해 정렬 정확도를 유지하면서 수렴 시간을 75 % 단축한다. 또한 다양한 센서 오류와 궤적 패턴에 강인한 성능을 보인다.

상세 분석

본 연구는 AUV에서 INS와 DVL의 좌표계 정렬이 전체 항법 정확도에 미치는 영향을 정량적으로 분석하고, 기존 모델 기반 방법의 한계를 딥러닝으로 극복하고자 한다. 먼저, 논문은 DVL 빔 방향 행렬 H와 INS의 6‑DOF 운동 방정식을 상세히 전개하여, 정렬 파라미터 R_db(바디→DVL 회전 행렬)를 추정하는 수학적 기반을 제시한다. 전통적인 방법은 가속도 기반 적분과 DVL 속도 측정을 연계한 SVD 절차를 사용하지만, 이는 특정 궤적(예: 라운드‑머신)과 긴 수렴 시간에 의존한다는 점에서 실운용에 제약이 있다.

이를 보완하기 위해 제안된 AlignNet은 시간적 연속성을 갖는 IMU와 DVL 속도 시퀀스를 6차원 텐서(