This paper proposes Trajectory Auto-Encoder (TrAE), a self-supervised representation learning approach based on guided missile trajectory data. TrAE is designed to identify anomalies by learning compact representations from partial trajectory states without labels, which can effectively improve the performance of anomaly detection. Furthermore, TrAE can learn good representations of Normal set data even with limited labeled anomaly data, indicating its potential for use in scenarios where labeled anomaly data is scarce. By applying a self-supervised approach, which is widely used in many machine learning tasks, this paper demonstrates that (1) selecting one feature variable group among position, velocity, acceleration, angular velocity, Euler angle, and command input can lead to good representations, implying the tendency of the trajectory; (2) comparing the influence of each guidance phase on classification performance; and (3) importance of anomaly information lies in its ability to enhance the performance of learning good representations. Evaluation on various features and guidance phases shows that different types of features and guidance phases have varying influences on classification performance, with acceleration variable and initial guidance phase being the most informative for anomaly detection. The proposed method in this paper has the potential to significantly improve the effectiveness and efficiency of anomaly detection in guided missile trajectories and can be applied in other types of trajectories and anomaly detection tasks.
본 연구는 유도 미사일의 궤적 데이터를 기반으로 하는 자기 지도 학습 표현 학습 접근 방식인 궤적 오토인코더(Trajectory Auto Encoder; TrAE)를 제안한다. TrAE는 데이터의 레이블을 필요하지 않고 궤적의 일부 상태 데이터의 표현을 학습하여 궤적의 이상성 분류 성능을 향상시킨다. 본 연구에서는 궤적의 이상점이 드물며 각 유도 단계가 분류에 영향을 미친다는 가정 하에, 각 단계에서 혼합 궤적 집합과 정상 궤적 집합을 사용하여 TrAE를 학습한다. 이를 통해 (1) 궤적 데이터에서 다양한 상태 변수 중 하나의 변수 그룹만을 선택하여 좋은 표현과 편향을 학습하고, (2) 세 유도 단계 중 어느 부분이 이상성 분류에 더 큰 영향을 미치는지 비교하며, (3) 이상성 데이터가 희소한 상황에서도 정상 데이터만을 사용하여 좋은 표현을 학습할 수 있는 것을 보인다. 다중 계층 퍼셉트론 분류기를 사용하여 평가한 결과, 가속도 변수와 초기 유도 단계의 표현이 이상성 분류에 높은 영향을 갖는 것을 확인한다. 본 연구에서 제안한 방식은 유도 미사일 궤적의 이상성 탐지 및 분류의 성능 향상에 높은 잠재성을 가지며, 다양한 종류의 궤적과 이상성 분류 작업에 적용할 수 있다.