기술 요약: 합리형 가우시안 웨이블릿 신경망을 활용한 다중 UAV 분류 및 탐지

문제 제기

무인 항공기 (UAV) 의 탐지 및 분류는 밀수부터 감시까지 다양한 위협으로부터 민간 및 군사 인프라를 보호하는 데 있어 중요한 과제입니다. 다양한 탐지 방식 (레이더, 비전, RF) 이 존재하지만, 음향 기반 탐지는 비용 효율성이 높고 시야 확보 없이도 배치 가능하며 UAV 유형을 분류하고 위치를 추정할 수 있다는 고유한 장점을 제공합니다. 그러나 음향 탐지는 배경 소음, 바람 간섭, 드론 오디오 신호의 비정상성 및 비주기성 등 상당한 장애물에 직면해 있습니다.

기존의 음향 기반 접근법은 주로 정적 특징 추출 (예: 단시간 푸리에 변환) 을 수행한 후 전통적인 머신러닝 모델을 적용합니다. 이러한 정적 방법은 해석 가능하지만 다양한 UAV 유형, 기동, 환경 조건에 적응하지 못한다는 한계가 있습니다. 반면, 딥러닝 모델은 높은 성능을 달성하지만 물리적 해석 가능성이 부족하고 특수 하드웨어를 요구하여 안전이 중요한 응용 분야에서 위험을 초래할 수 있습니다. 저자들은 소음이 많은 환경에서 단일 UAV 와 스웜을 구별할 수 있으면서도 높은 정확도와 물리적 해석 가능성을 모두 갖춘 시스템의 필요성을 파악했습니다.

방법론

본 논문은 물리적 해석 가능성을 보장하기 위해 신호 처리를 학습 과정에 직접 통합하는 모델 주도 머신러닝 (MDML) 접근법을 제안하며, 이는 합리형 가우시안 웨이블릿 (RGW) 합성곱 신경망을 활용합니다.

1. 신호 처리 및 데이터 수집

• 데이터 소스: 실험은 제어된 실내 스튜디오 (192 kHz 샘플링) 와 소음이 많은 실외 환경 (8 kHz 샘플링) 에서 수집된 오디오 데이터를 사용했습니다.
• 전처리: 오디오 신호는 100 ms 비중첩 윈도우 (192 kHz 기준 19,200 샘플) 로 분할되고 평균 0, 분산 1 로 정규화되었습니다.
• UAV 다양성: 데이터셋은 다양한 상업용 멀티로터 UAV(DJI Mavic 시리즈, Avata 2, Matrice 30T 등) 를 포함하며, 서로 다른 질량, 로터 구성, RPM 범위를 갖도록 하여 광범위한 음향 스펙트럼을 커버합니다.

2. 합리형 가우시안 웨이블릿 (RGW) 커널

핵심 혁신은 다항식 영점 ($t_k$) 과 극점 ($z_j$) 을 포함하는 매개변수 벡터 $\eta$로 정의된 허용 가능한 웨이블릿 클래스인 RGW 커널의 사용입니다. 모어 웨이블릿 $\psi_\eta(t)$는 다음과 같이 정의됩니다:
$$\psi_\eta(t) = C(\eta) P_\eta(t) v_\eta(t) e^{-t^2/2}$$
고정된 형태를 가진 전통적인 웨이블릿과 달리, RGW 는 학습 가능한 매개변수를 통해 모어 웨이블릿의 형태를 최적화할 수 있습니다. 이를 통해 네트워크는 특정 UAV 서명에 최적의 웨이블릿 형태를 적응적으로 학습할 수 있습니다.

3. 네트워크 아키텍처

제안된 네트워크는 다음으로 구성됩니다:

1. RGW 합성곱 계층: 입력 신호와 RGW 커널 간의 이산 합성곱을 여러 스케일 ($\lambda_k$) 에서 적용합니다. 이 계층은 팽창 매개변수 ($\lambda$) 와 형태 매개변수 ($\eta$) 를 학습합니다.
2. 풀링 계층: 각 스케일당 상위 $Q$개의 최대 절대 웨이블릿 계수만 유지하는 고유한 풀링 메커니즘입니다. 이는 1 차원 필터 역할을 하여 우세한 주파수 성분 (의사 주파수) 을 추출하고 소음을 제거합니다.
3. 분류 헤더: ReLU 활성화 함수를 가진 완전 연결 계층을 따릅니다. 출력은 이진 작업 (탐지) 의 경우 시그모이드 활성화 함수를, 다중 클래스 작업 (분류) 의 경우 소프트맥스를 사용합니다.

이 모델은 경량화되어 제한된 하드웨어에서 실시간 배포에 적합하며, 완전 미분 가능하여 엔드 - 투 - 엔드 학습이 가능합니다.

주요 기여

1. 새로운 RGW 합성곱 계층: 저자들은 최적의 모어 웨이블릿 형태와 관련 스케일을 모두 학습하는 RGW 커널을 사용한 새로운 합성곱 계층을 도입했습니다. 이를 통해 시스템은 비주기적이고 비정상적인 신호에서 물리적으로 의미 있는 특징을 추출할 수 있습니다.
2. 스웜 탐지 능력: 본 연구는 제안된 방법이 단일 UAV 침입과 조정된 드론 스웜을 효과적으로 구별할 수 있음을 보여주며, 이는 많은 방어 전략을 복잡하게 만드는 과제입니다.
3. 해석 가능성과 성능: 이 접근법은 전통적인 해석 가능한 신호 처리와 딥러닝 간의 간극을 메웁니다. 웨이블릿 계수는 표준 딥 신경망의 불투명한 매개변수와 달리 특정 스케일에서 특정 웨이블릿 형태와의 유사성이라는 물리적 의미를 지닙니다.
4. 비용 효율적인 시스템: MEMS 마이크와 경량 신경망을 활용함으로써 저자들은 높은 정확도를 유지하면서 레이더 또는 비전 기반 시스템의 높은 비용과 복잡성을 피하는 시스템을 제안합니다.

실험 결과

저자들은 5 폴드 교차 검증을 통해 세 가지 시나리오에서 모델을 평가했으며, Random Forest(RF), SVM(선형 및 RBF), Naive Bayes(NB), 완전 연결 NN(FCNN), 표준 합성곱 NN(CNN) 과 비교했습니다.

• 시나리오 1: 스웜 탐지 (실내)
  • 작업: 배경 소음, 단일 UAV, 다중 UAV 를 구별합니다.
  • 결과: 제안된 RGW 모델은 평균 정확도 **92.52%**를 달성하여 표준 CNN(90.57%) 보다 우수했고 전통적인 ML 방법 (예: RF 78.94%) 을 크게 앞섰습니다.
• 시나리오 2: UAV 분류 (실내)
  • 작업: 특정 UAV 모델 (Mavic Pro, Mavic Pro 2, Mavic Mini) 을 분류합니다.
  • 결과: RGW 모델은 평균 정확도 **99.20%**를 달성하여 CNN(99.97%) 과 유사하지만 매개변수가 적고 해석 가능성이 높습니다.
• 시나리오 3: 소음이 많은 실외 환경에서의 탐지
  • 작업: 교통, 바람, 헬리콥터 등 강한 배경 소음 속에서 단일 UAV 를 이진 탐지합니다.
  • 결과: RGW 모델은 평균 정확도 **90.55%**를 달성하여 CNN(89.60%) 과 모든 기준선 방법을 능가했습니다. 저자들은 이러한 어려운 환경에서 모델의 유효성을 검증하는 데 해석 가능성이 결정적이었다고 지적합니다.

중요성 및 주장

본 논문은 제안된 방법이 UAV 탐지 작업에서 전통적인 머신러닝 접근법보다 우수하고 최첨단 딥러닝 성능과 맞먹거나 초과하는 물리적으로 해석 가능한 머신러닝 알고리즘을 제공한다고 주장합니다.

중요성에 대한 주요 주장은 다음과 같습니다:

• 적응성: 정적 특징 추출기와 달리 RGW 계층은 다양한 UAV 유형과 환경 조건에 적응합니다.
• 안전 중요성 적합성: 특징의 해석 가능성은 안전이 중요한 국방 응용 분야에서 딥러닝의 '블랙박스' 성향에 대한 우려를 해소합니다.
• 효율성: 이 모델은 소수의 매개변수로 높은 정확도를 달성하여 리소스가 제한된 하드웨어에 배포하기에 적합합니다.
• 재현성: 저자들은 구현이 공개되어 결과의 재현성을 보장한다고 강조합니다.

저자들은 현재 범용 모델이 효과적이지만, 향후 작업은 특정 작업을 위한 전용 모델과 실시간 배포에 초점을 맞출 것이라고 결론지었습니다. 그들은 모든 드론 탐지 과제를 해결한다고 주장하지는 않지만, 음향 기반 탐지 및 분류를 위한 견고하고 해석 가능하며 비용 효율적인 솔루션을 제시합니다.