음향 기반 드론 물품 전달 탐지

초록

본 논문은 지상 마이크 배열을 이용해 무인항공기(UAV)의 배달 순간을 음향 신호만으로 식별하는 알고리즘을 제안한다. 딥러닝 기반 CRNN이 멜 스펙트로그램과 파워 켑스트럼을 입력으로 드론 존재 여부와 블레이드 패싱 주파수(BPF)를 추정하고, 추정된 BPF의 급격한 변화를 분석해 배달 이벤트를 검출한다. 실험 결과, 150 m 이내에서 BPF 추정 평균 절대 오차는 16 Hz, 드론 존재 검출 정확도는 97 %, 배달 검출 성공률은 96 %이며 오탐률은 8 %에 불과하다.

상세 분석

이 연구는 기존 UAV 탐지·위치 추정 연구와 달리 “배달 이벤트” 자체를 식별하려는 최초 시도로, 음향 신호만을 활용한다는 점에서 실용적이다. 핵심은 두 단계로 구성된다. 첫 번째 단계에서는 16채널 마이크 배열에서 3초 길이(93프레임)의 멜 스펙트로그램과 파워 켑스트럼을 동시에 입력받는 다중 과제 CRNN을 학습한다. 컨볼루션 블록은 저주파와 고주파 정보를 모두 포착하고, 양방향 GRU와 완전 연결층을 통해 두 개의 출력—각 프레임별 BPF(두 개의 가장 빠른 모터)와 드론 존재 확률—을 생성한다. 손실 함수는 MSE와 BCE를 가중합한 형태로, BPF는 양수 제한을 위해 ReLU, 존재 여부는 시그모이드로 정규화한다. BPF는 블레이드 수와 회전 속도에 비례하므로, 페이로드가 추가되면 모터 부하가 증가해 BPF가 상승한다는 물리적 근거를 이용한다. 두 번째 단계에서는 추정된 BPF 시계열에 대해 이동 윈도우 기반 변화점 검출을 수행한다. 각 윈도우는 과거와 현재 구간을 나누어 히스토그램을 만든 뒤, 카이제곱 거리, Jensen‑Shannon 발산, 히스토그램 교차점, 평균 차이 등을 가중합해 점수를 산출한다. 가중치는 실험적으로 w₁=10, w₂=2, w₃=−20, w₄=−0.05 로 설정되었으며, 다중 윈도우(3 s~15 s)를 평균해 최종 점수를 얻는다. 점수가 사전 정의된 임계값을 초과하면 배달 이벤트로 판단한다. 알고리즘은 실시간 적용 시 최대 7.5 s의 지연을 갖지만, 이는 가장 큰 윈도우(15 s)의 절반에 해당한다. 데이터 수집은 Holybro X500 V2 드론에 탑재된 라즈베리 파이와 16채널 MEMS 마이크 배열을 이용해 28회 비행(총 194 분) 동안 수행했으며, 23건의 배달 상황을 포함한다. 훈련·검증·테스트 데이터는 온보드와 지상 마이크 각각에서 별도로 분리했으며, 150 m 이상 거리 데이터는 제외하고, 배경 소음 및 인공 잡음(헬리콥터, 차량, 모기 등)을 포함한 데이터 증강을 적용했다. 실험 결과는 거리 150 m 이내에서 BPF 추정 MAE 16 Hz, 드론 존재 검출 정확도 97 %를 달성했으며, 배달 검출 성공률 96 %와 8 %의 오탐률을 기록했다. 이는 기존 연구가 100 m 거리에서 70 % 수준으로 급감하던 정확도와 비교해 현저히 높은 성능을 보여준다. 또한, BPF 추정에 사용된 멜 스펙트로그램은 저비용 MEMS 마이크에서도 충분히 구현 가능하므로, 비용 효율적인 보안 시스템 구축에 유리하다. 다만, 배터리 전압에 따른 BPF 변동을 보정하지 못한 점과, 풍향·풍속에 민감한 BPF 변화를 완전히 제거하지 못한 점은 향후 연구 과제로 남는다.