As the demand for civil unmanned aerial vehicles increases, airspace integration for unmanned and manned aircraft has been discussing both domestically and internationally. For the airspace integration, a reliable collision avoidance technology is essential. Furthermore, non-cooperative collision avoidance ability is also required in case of equipment failure. For these reasons, we propose an vision-based aircraft detection method using deep convolution neural network for collision avoidance for unmanned aerial vehicles. The proposed model is applicable to various environments and can detect the aircraft even in a complex background. The model achieved 88% detection rate. Real-time image processing runs at 29 frames per second on a GPU-equipped embedded computer. In addition, a method to estimate the intruder's angle-off and relative distance using deep learning is proposed. Videos and flight log data collected through actual flight tests were used for training and testing. The test results show that the mean square error of the angle-off is 13.68 degrees and of the relative distance is 6.61 meters.
민간 무인항공기의 수요가 증대되면서, 무인기와 유인기의 공역 통합 운용을 위한 제도화가 국내외적으로 진행되고 있다. 무인기의 안전한 운용 및 공역의 통합을 위해서는 신뢰할 수 있는 수준의 무인기 충돌 회피 기술이 필수적이다. 소형 무인기의 경우 크기, 무게, 전력 소모량 등의 제한으로 인해 유인기에서 사용하는 상용 공중 충돌 방지 장치의 탑재가 어렵고, 비협조적인 항공기에 대한 충돌 회피 능력이 요구되기 때문에 영상 센서를 기반으로 한 충돌 회피 기술이 주목을 받고 있다. 본 논문에서는 소형 무인항공기의 충돌 회피를 위해 심층 컨볼루션 신경망을 이용한 영상 기반 비행체 검출 기법을 제안한다. 제안된 모델은 다양한 환경에 적용하여 복잡한 배경에서도 비행체를 검출할 수 있으며, 약 88%의 검출율을 나타내었다. 또한 GPU가 탑재된 소형 임베디드 컴퓨터에서 초당 29프레임의 실행 속도로 실시간 영상 처리가 가능하도록 하였다. 기존의 탐지 모델과 비교하면, 제안된 탐지 모델은 작은 크기의 물체 검출에 좋은 성능을 보인다. 또한, 영상 평면에서의 비행체 탐지 결과와 형상 이미지를 입력으로 하는 딥 러닝 기법을 이용하여 적기와의 교차각 및 상대 거리를 추정하는 방법을 제시하였다. 실제 비행 실험을 통해 수집한 영상과 비행 로그 데이터를 학습과 테스트에 사용하였으며, 테스트 결과 교차각의 평균 제곱 오차는 13.68도, 상대 거리는 6.61미터의 평균 제곱 오차를 얻었다.
