Terrain referenced navigation (TRN) is a navigation technology that estimates position of aircraft by comparing the altitude measured by an altimeter with a digital elevation model (DEM). In this study, I proposed an interferometric radar altimeter (IRA) based TRN which is suitable for UAVs or cruise missiles. The IRA is a sensor that acquires the relative distance from the aircraft to the nearest point as three-dimensional data. I design an IRA-based TRN method to apply a Bank of Kalman filter (BKF) or particle filter (PF) and solve various problems for performance improvement through machine learning. Three main factors that determine the performance of TRN are a high-precision altimeter, a high-resolution DEM, and an optimized TRN algorithm. The IRA has a disadvantage in that the sensor output is significantly uncertain due to the signal processing process and environmental factors, which is in contrast to the advantage of providing the 3D information. In this study, the validity of the technique is verified by applying a valid measurement extraction method through a radial basis function and extreme learning machine with a BKF and PF-based TRN. A high-resolution DEM requires a large amount of memory space, and widely used interpolation methods that deal with this include unpredictable errors. In this study, I derived a regression model by learning the high-resolution DEM using a multi-layered radial basis function based extreme learning machine method. As a result, the memory space is remarkably reduced and the performance is improved. In addition, TRN can obtain stable performance even in a situation where a GNSS is no possible for a long time, but it has a disadvantage in that performance is degraded in flat and repetitive terrains. To address this disadvantage, I proposed a technique to adjust the noise covariances and the measurement model of the PF using the recurrent neural network (RNN) to design the filter so that it is stable in flat and repetitive terrains. I verify how close to the optimal design the algorithm is through an analysis of the Cramér-Rao lower bound (CRLB).
지형대조항법은 수치표고모델 상의 지형 고도와 고도계를 통해 측정된 고도를 비교하여 비행체의 위치를 추정하는 항법 기술이다. 본 연구에서는 무인기 혹은 순항 미사일 등에 적합한 간섭계 레이더 고도계 기반 지형대조항법 알고리듬에 관한 연구를 수행하였다. 간섭계 레이더 고도계는 항체로부터 최근점까지의 상대거리를 3차원 데이터로 획득할 수 있는 센서로, 기존의 전파 고도계와 달리 고고도에서 사용할 수 있는 장점이 있다. 이에 간섭계 레이더 고도계 기반 지형대조항법을 설계하고자 하며, 칼만 필터 무리, 파티클 필터 등을 적용하되 성능 개선을 위한 여러 문제점들을 기계 학습을 통해 해결하고자 한다. 지형대조항법의 성능을 결정하는 세 가지 요소로는 고정밀 고도계, 고해상도의 수치표고모델 및 최적 지형대조항법 알고리듬을 들 수 있다. 간섭계 레이더 고도계는 직하방 거리만 출력해주는 레이저 고도계와 달리 3차원 좌표를 제공하는 장점에 반해, 센서 출력에 신호처리 과정 및 환경적 요인 등에 의해 높은 불확실성을 보이는 단점이 존재한다. 이에 본 논문에서는 방사기저 함수와 급속 기계 학습을 통해 유효한 측정치 축출 기법을 도출하고, 이를 칼만필터 무리 및 파티클 필터 기반 지형대조항법에 적용하여 기술의 적합성을 검증하였다. 고해상도의 수치표고모델은 대용량의 메모리 공간이 필요하며, 이을 처리하기 위해 사용되는 보간법 또한 예측할 수 없는 오차를 포함하고 있다. 이에 본 연구에서는 고해상도의 수치표고모델을 다층 방사 기저 함수 기반 급속 기계 학습 기법으로 학습하여 회귀 모델을 도출하였다. 이를 통해 메모리 공간의 획기적 절약과 성능 개선의 효과를 기대할 수 있었다. 또한 지형대조항법은 장시간 위성항법이 불가한 환경에서도 안정적인 항법 해를 얻을 수 있지만, 평준하거나 반복적인 지형에서는 성능이 저하된다. 따라서 평준하거나 반복적인 지형에서도 안정적인 필터를 설계하기 위해 순환 신경망을 이용하여 파티클 필터의 잡음 공분산 및 측정치 모델을 조정하는 기법을 제안하였고, 크레머 라오 하한 분석을 통해 얼마나 최적 설계에 근접하였는지를 검증하였다.
