📌 핵심 요약 (Key Takeaways)
- 핵심 성과 1: 8차원 시계열 궤적 데이터를 웨이블릿 패킷 변환(WPT)하여 주파수 도메인으로 분해, 자체 구축 5클래스 저고도 데이터셋(LOA)에서 평균 정확도 99.63% 달성
- 독창적 차별점 2: 깊이별 분리 합성곱(Depthwise Separable Convolution)과 배치 정규화 제거 전략을 적용하여 54K 파라미터의 초경량 WPCNLG 변형 모델 구현 및 연산 비용 절감
- 실무 파급력 3: 안티드론(Anti-UAV) 시스템 및 실시간 저고도 교통관리(UTM) 에지 디바이스 환경에서 저지연 궤적 식별 성능 입증
1. 서론: 저고도 경제와 소형 비행체 궤적 분류의 과제
저고도 경제의 급격한 성장과 함께 멀티콥터, 고정익 UAV, 기구, 조류를 포함한 저고도·저속·소형(Low-Slow-Small, LSS) 타겟의 식별 수요가 급증하고 있습니다. 특히 무단 비행하는 드론이나 미인가 무인이동체를 실시간으로 탐지하고 분류하는 기술은 방산 및 도심항공교통(UAM) 인프라의 핵심 선결 과제로 자리 잡았습니다.
기존의 시계열 궤적 분류 연구는 주로 LSTM, Transformer, ROCKET 등의 모델에 의존해왔으나, 고도화된 안티드론 시스템의 에지 컴퓨팅 제약 조건 내에서 실시간으로 다차원 궤적 특징을 추출하는 데는 계산 복잡도와 메모리 측면에서 한계가 존재했습니다. 본 연구는 적외선 소형 타겟 인식에 활용되던 웨이블릿 패킷 합성곱 네트워크(WPCN)를 궤적 기반 분류 도메인으로 확장하여 이러한 공학적 한계를 극복하고자 합니다.
2. WPCN 아키텍처 및 다차원 궤적 특징 처리 메커니즘
제안된 WPCN 시스템은 위치, 속도, 방위각, 가속도를 포함한 8차원 궤적 데이터(8 dimensions × 256 frames)를 채널별 웨이블릿 패킷 변환(WPT)을 통해 75 × 32 크기의 주파수 도메인 표현으로 분해합니다. 이 변환 과정은 시계열 데이터의 다중 스케일 모션 패턴을 효과적으로 포착할 수 있도록 설계되었습니다.
주파수 도메인으로 변환된 데이터는 잔차 1D CNN(Residual 1D CNN) 구조를 거치며, 특히 에지 하드웨어 배포를 위해 깊이별 분리 합성곱(Depthwise Separable Convolution)과 배치 정규화(Batch Normalization) 제거 전략이 도입되었습니다. 이를 통해 경량화된 WPCNLG 변형 모델은 단 54K개의 파라미터만으로도 대형 모델과 견줄 수 있는 연산 효율성을 확보했습니다.
3. 성능 벤치마크 및 실험 결과 분석
본 연구에서는 자체 구축한 5클래스 저고도 궤적 데이터셋(LOA)과 7개의 UCR 공인 시계열 데이터셋을 활용해 성능을 검증했습니다. 1m 측정 노이즈 환경에서 10회 반복 실험한 결과, WPCN 모델은 99.63% ± 0.19%의 평균 정확도를 기록하며 기존 LSTM(99.33%), Transformer(99.00%), ROCKET(99.00%) 모델을 유의미한 수치로 상회했습니다.
또한 WPT 소거(Ablation) 실험 결과, 웨이블릿 패킷 변환 도입으로 인해 정확도가 0.30%p 향상되는 동시에 2.4배의 학습 속도 가속화가 이루어졌습니다. 동적 시간 워핑(DTW) 및 거리 기반 평균(DBA) 분석에서도 WPT 변환 이후 클래스 간 분리 비율이 19.6% 개선되었음이 확인되었습니다.
4. 유사 선행 연구 대비 독창성 및 성능 비교
| 비교 항목 | 기존/유사 논문 방식 (LSTM/Transformer) | 본 연구의 제안 방식 (WPCN / WPCNLG) | 실무적 차별성 및 한계 |
|---|---|---|---|
| 특징 추출 방식 | 시간 영역 순차적 임베딩 및 어텐션 연산 | 웨이블릿 패킷 변환(WPT) 기반 주파수 도메인 분해 | 다중 스케일 모션 패턴 포착 능력 우수, 2.4배 빠른 학습 속도 |
| 모델 파라미터 및 연산량 | 대규모 파라미터, 높은 연산 오버헤드 발생 | 54K 파라미터 (WPCNLG) 및 BN 제거 전략 적용 | 자원 제한적인 임베디드 에지 하드웨어 배포 최적화 |
| 분류 정확도 (LOA 벤치마크) | LSTM 99.33% / Transformer 99.00% | 99.63% ± 0.19% (노이즈 환경 강건성 확보) | 센서 노이즈(1m) 환경에서도 높은 클래스 간 분리도 유지 |
5. 산업 현장 적용 포인트 및 파급 효과
본 연구에서 제안된 WPCN 및 경량형 WPCNLG 모델은 실제 산업 현장에서 강력한 파급력을 지닙니다. 특히 안티드론(Anti-UAV) 시스템의 지상통제시스템(GCS)이나 레이더·광학 연동 감시 장비의 에지 컴퓨팅 보드에 직접 탑재되어, 불법 소형 드론의 궤적을 실시간으로 판별하는 데 활용될 수 있습니다.
연산 자원이 제한된 임베디드 환경에서도 54K 수준의 초소형 파라미터로 고정밀 분류를 수행할 수 있으므로, 드론 탐지 지연 시간을 획기적으로 줄이고 저고도 무인기 교통관리(UTM) 시스템의 안전성과 신뢰성을 동시에 제고하는 핵심 공학 솔루션으로 평가받을 수 있습니다.
출처: OpenAlex – Wavelet packet convolutional network for low-altitude target trajectory classification