음속 프로파일 추정을 위한 경로 계획

초록

본 논문은 자율잠수정(AUV)이 CTD 센서와 전송 손실(TL) 측정을 이용해 지역 내 음속 프로파일(SSP)을 추정하고, 추정 불확실성을 최소화하도록 재밍 호라이즌 경로 계획을 수행하는 방법을 제시한다. 선형 기저함수 전개와 Unscented Kalman Filter(UKF)를 결합해 CTD와 TL 데이터를 융합하고, Bellhop 시뮬레이션을 통해 제안 기법이 기존 고정 속도 이동 대비 추정 정확도를 크게 향상시킴을 입증한다.

상세 분석

이 연구는 수중 음향 시스템의 성능을 좌우하는 핵심 환경 변수인 음속 프로파일(SSP)을 효율적으로 추정하기 위해 두 가지 센서 정보를 동시에 활용한다는 점에서 혁신적이다. CTD 센서는 특정 위치에서의 온도·염도·압력으로부터 직접적인 음속 값을 제공하지만 공간 커버리지가 제한적이다. 반면 전송 손실(TL) 측정은 송신기와 AUV 사이의 전체 전파 경로에 대한 정보를 담고 있어 전역적인 SSP 변화를 반영한다. 저자들은 SSP를 ϕ(p)ᵀθ 형태의 선형 기저함수 전개로 모델링하고, θ의 시간 변화를 랜덤 워크(θₜ₊₁=θₜ+wₜ)로 가정함으로써 상태공간 모델을 구성한다.

비선형 측정 모델 y_TL = f(c(·;θ),p) + e_TL은 Bellhop과 같은 고정밀 파동 전파 모델을 통해 구현되며, 이 복잡성을 다루기 위해 Unscented Kalman Filter(UKF)를 선택한다. UKF는 sigma‑point을 이용해 비선형 변환을 2차 이상 정확하게 근사하므로, TL 측정이 가진 강한 비선형성을 효과적으로 선형화한다. 알고리즘 1에 제시된 UKF 흐름은 예측 단계에서 상태와 공분산을 전파하고, 측정 단계에서 sigma‑point을 측정 함수 h(θ,p)로 매핑한 뒤 칼만 이득을 통해 업데이트한다.

핵심 기여는 추정 정확도를 높이는 경로 계획이다. 매 시간 단계마다 가능한 궤적 집합 Ω_T를 정의하고, 각 궤적에 대해 미래 i 단계까지의 총 음속 분산 σ²_tot,i를 예측한다. σ²_tot,i는 예측 공분산 Σₜ₊ᵢ|ₜ와 기저함수 ϕ(p)의 결합으로 계산되며, 이는 (7)식에 나타난 영역 적분 형태이다. 비용 함수 L(pₜ₊₁:ₜ₊ₜ)=∑_{i=1}^{T} λ^{i} σ²_tot,i 로 정의되어, 할인 인자 λ(0<λ≤1)을 통해 초기 측정이 미치는 영향을 강조한다.

경로 최적화는 미분 진화(differential evolution) 알고리즘을 사용해 전역 최적해를 탐색한다. 여기서는 AUV의 동역학을 3차원 자전거 모델로 제한하고, 베지어 곡선 파라미터화(13)로 스티어링 각과 가속도를 제어한다. 또한, Fisher 정보 행렬을 이용해 Σₜ₊ᵢ|ₜ⁻¹을 빠르게 업데이트함으로써 실시간 경로 평가 비용을 크게 낮춘다(8a).

시뮬레이션은 Bellhop을 이용한 2D 전파 모델과 6×6 기저함수(범위 2000 m, 깊이 50 m)로 구성되었다. Monte‑Carlo 실험 350회를 통해 CTD만, TL만, 그리고 두 센서를 결합한 경우를 비교했으며, 경로 계획을 적용했을 때 특히 CTD 기반 추정이 크게 개선되는 것을 확인했다. RRMSE 그래프(Fig.2)와 실제 SSP 재구성(Fig.3)에서 보듯, 계획된 궤적은 AUV가 변동성이 큰 영역을 우선 탐색하도록 유도해 전역적인 불확실성을 감소시킨다.

결과적으로, 제안된 프레임워크는 (1) CTD와 TL의 상보적 정보를 융합해 지역·전역 SSP를 동시에 정확히 추정하고, (2) 재밍 호라이즌 경로 계획을 통해 측정 위치를 최적화함으로써 추정 불확실성을 최소화한다는 두 가지 목표를 성공적으로 달성한다. 이는 수중 통신, 소나 탐지 및 자율 항해 시스템에서 실시간 환경 인식을 향상시킬 수 있는 실용적인 접근법으로 평가된다.