Earticle

고속의 탄도미사일은 발사 후 수 분 이내에 목표지점에 도달하기 때문에 항적에 대한 정보를 신 속하고 정확하게 전파하는 것이 중요하며, 다수의 탐지 센서로부터 수신된 항적정보는 근실시간으로 융합하여 요격 무기체계로 보내주어야 한다. 본 논문에서는 가용한 항적 정보가 공용 데이터링크를 통 해 수신되는 원격 센서 정보만으로 제한되고, 추적 및 궤적예측을 위한 상태추정 필터링에 이용되는 센서측정 데이터를 추가로 수신할 시간적 여유가 없는 상황에서 새롭게 보고되는 항적의 한 점 정보 만을 이용하여 궤적예측을 수행하는 알고리즘을 제시하였다. 또한 보고되는 항적에 공분산 정보가 포 함되지 않은 경우에도 보고 항적의 TQ(Track Quality)를 이용하여 공분산 정보를 추정하여 융합하 는 알고리즘을 제시하였다.

Since High-speed Ballastic Missiles arrive at the target point within minutes after launch. It is important to disseminate track information quickly and accurately and Track Information received from multiple detection sensors must be fused in real time and sent to the Intercept Weapon System.In the paper, an algorithm for Trajectory Prediction is proposed using one point information of a reported track under a situation that track information available is limited to information from remote sensors received through public datalink and there is no time to receive additional sensing data used for state estimation filtering for tracking and prediction. In addition even when there is no covariance information in the reported track, an algorithm for fusion that estimates the covariance information using TQ of the reported track is presented.

골프 퍼팅은 짧은 거리에서 공의 이동을 정밀하게 제어해야 하는 동작으로, 거리, 지형 기울기, 마찰 계수 등 복합적인 물리 요소의 영향을 받는다. 기존 골프 시뮬레이터는 주로 스윙 분석과 타격 거리 계산에 초점을 두고 있어 퍼팅 동작 학습에 필요한 세밀한 피드백 제공에는 한계가 있다. 본 연구는 Unity 엔진과 물리 기반 시뮬레이션을 활용하여 골프 퍼팅 전용 시뮬레이터를 구현하는 것을 목표로 한다. 공과 홀컵 사이 의 실제 거리 계산, 높이 차이를 이용한 경사도 산출, Terrain Normal을 활용한 경사 방향 분석 기법을 적 용하였다. 또한 LineRenderer를 활용하여 목표 방향선, 격자 기반 지형 보조선, 물리 기반 이동 궤적 예측 선을 시각적으로 제공하였다. RigidBody 물리 모델에 힘의 임펄스, 중력 투영, 마찰 계수를 단계적으로 적용 하여 저속 퍼팅 환경을 모사하였다. 실험 결과 거리 및 예측 궤적 정보 제공 시 평균 퍼팅 성공률이 약 18~25% 향상되는 경향을 보였다. 본 연구는 골프 퍼팅 훈련용 시뮬레이터뿐 아니라 스포츠 물리 시각화 UI/UX 설계 연구에 활용될 수 있다.

Golf putting is a precise motion that requires fine control of ball movement over short distances and is influenced by multiple physical factors such as distance, terrain slope, and friction coefficients. Existing golf simulators mainly focus on swing mechanics and long-distance shots, which limits their effectiveness for detailed putting training. This study aims to develop a golf putting simulator using the Unity engine and physics-based simulation techniques. The system calculates the actual distance between the ball and the hole, derives slope values from height differences, and analyzes terrain inclination using terrain normal vectors. Visual assistance elements such as aiming lines, grid-based terrain guides, and physics-based predicted trajectories are provided using LineRenderer components. Impulse force, gravity projection, and friction drag are sequentially applied through a Rigidbody-based physics model to simulate low-speed putting motion. Experimental results indicate that providing distance and trajectory information improves putting success rates by approximately 18–25%. The proposed simulator can be applied to golf training systems and research on sports simulation UI/UX design.

With the rapid development of social media, users' next location prediction has become an important research direction, which can provide personalized travel suggestions for users. However, existing methods ignore the semantic relationship between users' historical and current trajectories. This paper proposes a new method for predicting the user's next location to solve this problem. We first process the user POI data as trajectory data, use the attention mechanism to extract similar features of the user's historical trajectories, and then combine them with the current trajectory features to obtain the user's next location recommendation. The experimental results show that our proposed model performs satisfactorily on a real dataset.

In autonomous driving, environmental perception and decision-making are technologies that acquire signals based on various sensors and generate information that enables obstacle avoidance, emergency stops, and path planning. Such environmental perception technologies are limited in that they depend on expensive sensors such as LIDAR and RADAR, so research on environmental perception technologies using only cameras is actively being conducted. Studies predicting traffic accidents based on dashcam footage have also been performed as part of such research. This is challenging because only limited forward-looking footage can be acquired, and the surrounding environment is dynamic and changes quickly, making analysis difficult. Existing research has focused on learning the spatialtemporal feature representation to solve these problems. This paper extracts the trajectories of the ego-vehicle and surrounding vehicles using Visual SLAM and Multiple Object Tracking algorithms and uses them as inputs to the graph convolutional neural network(GCN) to learn the spatialtemporal feature representation. In addition, the features learned through the GCN are used as inputs to a bayesian neural network(BNN) to predict the probability of accidents, and its ability to predict accidents in advance has been verified by comparison with existing studies.

다가올 지능형 교통 시스템에서의 차량 궤적 예측은 자율 주행 및 차량 간 통신에 있어 중요한 도 전 과제 중 하나이다. 본 연구에서는 차량 궤적 예측을 위한 시계열 딥러닝 모델의 성능을 평가한다. 도심 도로의 복잡성과 차량 이동 패턴의 불확실성을 고려하여, 시계열 예측에 특화된 다양한 딥러닝 기법을 적용하고 이들의 예측 정확도를 비교 분석한다. 특히, LSTM과 같은 전통적인 RNN 계열의 순 환 신경망 모델을 비롯하여 ConvLSTM, 1D-CNN, Transformer 등 다양한 모델을 중심으로 차량 궤 적 예측 모델을 구현하였다. 궤적 예측 정확도 평가의 경우 학습 데이터의 Lookback Window Size를 4와 8로 나누어 모든 모델에 적용해 예측하였다. 실험 결과, Transformer 모델의 예측 정확도가 Lookback Window Size에 관계없이 실험에 사용된 모델 중 가장 우수한 것으로 도출되었다.

목적 : 본 연구의 목적은 Coronavirys Disease(COVID-19) 팬데믹을 거친 고령자의 사회적 건강의 수준의 변화궤적에 대한 잠재계층을 분류하고 잠재 계층별 특성을 분석함에 있다. 또한 이러한 사회적 건강에 영향을 미치는 예측요인을 파악하여 고령자의 사회적 건강을 증진을 위한 기초자료를 마련하고자 한다. 연구방법 : 국내 고령자의 사회적 친밀도에 따른 사회적 건강 유형을 파악하기 위해서 한국복지패널의 3 년차 종단자료를 토대로 분석하였으며, 연구대상자는 세 시점 모두를 응답한 2845명의 고령자를 대상으 로 하였다. 대상자중심접근인 성장혼합모형(Growth Mixture Model; GMM)을 적용하여 변화궤적에 따 른 잠재계층을 분석 하였고, 도출된 각 잠재유형별 특성을 파악하기 위해 χ2 분석, 분산분석을 실시하 였으며, 계층 간 차이를 유발하는 요인을 파악하기 위해 다항로지스틱 회귀분석을 실시하였다. 결과 : GMM 적용결과, 사회적 건강의 변화궤적에 대한 잠재계층은 최종 4개의 집단으로 저수준 감소-증 가 집단, 중수준 유지-증가 집단, 고수준-감소 집단, 고수준 유지’집단으로 분류되었다. 또한 사회적 건강 수준에 따라 여가만족도에서 차이가 나타나는 것으로 드러났으며, 그 외에도 연령 차이가 존재하였 다. 잠재계층분류에 영향을 미치는 영향변인을 검증한 결과, 특히 여성일수록, 종교를 가지고 있을수록, 여가만족도와 전반적 만족도가 모두 높을수록 고수준 유지 집단에 속할 확률이 높은 것으로 나타났다. 결론 : 국내 고령자의 사회적 건강은 시간이 지남에 따라 감소하는 궤적을 보이는 것으로 나타났다. 변화 궤적에 따라 4개의 집단으로 구분 지을 수 있으며, 각 잠재 유형별 연령과 여가 만족도 부분에서 집단별 차이가 드러났다.

Objective: The purpose of this study is to identify the latent classes for a change in trajectory of the level of social health of older adults who have gone through the COVID-19 pandemic and analyze the characteristics of each class, thereby identifying predictive factors affecting the social health of older adults. Methods: To analyze the types of changes in the trajectory of the level of social health, Korean Welfare Panel Study (KOWEPS) data (2019~2021) was used. The subjects of the study were 2845 older adults who responded at all three time points. The Growth Mixed Model (GMM), which is a subject-centered approach, was applied to analyze the latent classes. In addition, χ2 and ANOVA were conducted to identify the characteristics of each latent type, and a multinominal logistic regression was applied to analyze the influencing factors between classes. Results: As the results of applying GMM indicate, the latent classes for the changes in trajectory of social health were classified into four groups: a low level decrease-increase group, a medium level maintenance-increase group, a high level decrease group, and a high level maintenance group. There was a difference in leisure satisfaction and demographic between classes. In terms of the influencing variables, it was analyzed that the greater the number of women, the more religious the individuals, and the higher their leisure and overall life satisfaction, the higher their probability of belonging to a high level maintenance group. Conclusion: By applying GMM, this study identified the latent class of the changes in trajectory of the social health level of older adults, and it was found that there were significant differences in leisure satisfaction according to the various types. In addition, the influencing factors that distinguish social health were also analyzed.

Ground speed calculation is basic work for trajectory prediction, conflict detection and air traffic flow management. This paper proposes a novel algorithm based on Vincenty’s formulas for ground speed calculation. Our experiments used simulations with wind components and our experimental results show that our ground speed calculation exhibits much better accuracy performance.

본 논문에서는 딥러닝 모델 기반 보행자의 GPS 경로를 예측하는 시스템을 제안한다. 보행자 경로 예측은 보행자의 위험 및 충돌 상황들을 알림을 통해 방지할 수 있으며, 다양한 마케팅 등 비즈니스 면에서도 영향을 끼치는 연구이다. 또한 보행자 뿐 아니라 많은 각광을 받고 있는 무인 이동수단의 경로 예측에도 활용될 수 있다. 다양한 경로 예측 방식들 중 본 논문은 GPS 데이터를 활용하여 경로를 예측하는 연구이다. 시계열 데이터인 보행자의 GPS 경로를 학습하여 다음 경로를 예측하도록 하는 딥러닝 모델 기반 연구이다. 본 논문에서는 보행자의 GPS 경로를 딥러닝 모델이 학습할 수 있도록하는 데이터 셋 구성 방식을 제시하였으며, 예측 범위에 큰 제약이 없는 경로 예측 딥러닝 모델을 제안한다. 본 연구의 경로 예측 딥러닝 모델에 적합한 파라메터들을 제시하였으며, 우수한 예측 성능을 보이는 결과를 제시한다.

In this paper, we propose a system to predict the GPS trajectory of a pedestrian based on a deep learning model. Pedestrian trajectory prediction is a study that can prevent pedestrian danger and collision situations through notifications, and has an impact on business such as various marketing. In addition, it can be used not only for pedestrians but also for path prediction of unmanned transportation, which is receiving a lot of spotlight. Among various trajectory prediction methods, this paper is a study of trajectory prediction using GPS data. It is a deep learning model-based study that predicts the next route by learning the GPS trajectory of pedestrians, which is time series data. In this paper, we presented a data set construction method that allows the deep learning model to learn the GPS route of pedestrians, and proposes a trajectory prediction deep learning model that does not have large restrictions on the prediction range. The parameters suitable for the trajectory prediction deep learning model of this study are presented, and the model's test performance are presented.

Many construction projects involve a plethora of safety-related problems that can cause loss of productivity, diminished revenue, time overruns, and legal challenges. Incorporating data collection and analytics methods can help overcome the root causes of many such problems. However, in a dynamic construction workplace collecting data from a large number of resources is not a trivial task and can be costly, while many contractors lack the motivation to incorporate technology in their activities. In this research, an Android-based mobile application, Preemptive Construction Site Safety (PCS2) is developed and tested for real-time location tracking, trajectory prediction, and prevention of potential collisions between workers and site hazards. PCS2 uses ubiquitous mobile technology (smartphones) for positional data collection, and a robust trajectory prediction technique that couples hidden Markov model (HMM) with risk-taking behavior modeling. The effectiveness of PCS2 is evaluated in field experiments where impending collisions are predicted and safety alerts are generated with enough lead time for the user. With further improvement in interface design and underlying mathematical models, PCS2 will have practical benefits in large scale multi-agent construction worksites by significantly reducing the likelihood of proximity-related accidents between workers and equipment.

The Automatic Dependent Surveillance Broadcast (ADS-B) system is a key component of CNS/ATM recommended by the International Civil Aviation Organization (ICAO) as the next generation air traffic control system. ADS-B broadcasts identification, positional data, and operation information of an aircraft to other aircraft, ground vehicles and ground stations in the nearby region. This paper explores the ADS-B based trajectory prediction and the conflict detection algorithm. The multiple-model based trajectory prediction algorithm leads accurate predicted conflict probability at a future forecast time. We propose an efficient and accurate algorithm to calculate conflict probability based on approximation of the conflict zone by a set of blocks. The performance of proposed algorithms is demonstrated by a numerical simulation of two aircraft encounter scenarios.

해상 운송의 대부분을 차지하고 있는 선박의 경로를 예측하는 연구는 해상의 위험을 사전에 탐지하여 사고를 예방할 수 있다. 도로와 달리 해상에는 신호체계가 따로 존재하지 않고, 교통 관리가 어렵기에 해상 안정성을 위해 선박 경로 예측은 필수적이다. 그러나 선박의 경로 데이터셋의 시간 간격은 통신 장애로 인해 불규칙하다. 본 연구는 이 문제를 해결하기 위해 선박 경로 예측에 적합한 보간법을 사용하여 데이터의 시간 간격을 조정하는 방법을 제시한다. 또한, 선박의 경로를 예측하기 위한 선박 경로 예측 딥러닝 모델을 개발하였다. 본 연구의 모델은 선박의 실시간 경로 정보를 담고 있는 AIS 데이터를 통해 선박의 이동패턴을 파악하여 이후에 위치할 선박의 GPS 좌표를 예측하는 LSTM 모델이다. 본 논문은 선형 보간법을 사용한 데이터 전처리 방법과 선박 경로 예측에 적합한 딥러닝 모델을 제시하고, 실험을 통해 MSE 0.0131, Accuracy 0.9467로 본 논문에서 제시하는 방법의 예측 성능이 우수함을 나타낸다.

The research on predicting the routes of ships, which constitute the majority of maritime transportation, can detect potential hazards at sea in advance and prevent accidents. Unlike roads, there is no distinct signal system at sea, and traffic management is challenging, making ship route prediction essential for maritime safety. However, the time intervals of the ship route datasets are irregular due to communication disruptions. This study presents a method to adjust the time intervals of data using appropriate interpolation techniques for ship route prediction. Additionally, a deep learning model for predicting ship routes has been developed. This model is an LSTM model that predicts the future GPS coordinates of ships by understanding their movement patterns through real-time route information contained in AIS data. This paper presents a data preprocessing method using linear interpolation and a suitable deep learning model for ship route prediction. The experimental results demonstrate the effectiveness of the proposed method with an MSE of 0.0131 and an Accuracy of 0.9467.

In practical etching process, etch ant is sprayed on the metal-deposited panel through nozzles collectively connected to the manifold and that panel is usually composed of many PCB(printed circuit board)'s. The etching uniformity, the difference between individual PCB's on the same panel, has become one of most important features of etching process. In this paper, the prediction of nozzle trajectory has been performed by the combination of algebraic formula and numerical simulation. With the pre-determined geometrical factors of nozzle distribution, the trajectories of individual nozzles were predicted with the change of process operational factors such as panel speed, nozzle swing frequency and so on. As results, two dimensional distribution of impulsive force of etchant spray which could be considered as a key factor determining the etching performance have been successfully obtained. Though only qualitative prediction of etching uniformity have been predicted by the process developed in this study, the expansion to the quantitative prediction of etching uniformity is expected to be apparent by this study.

An analysis method of trajectory prediction has been suggested and the developed trajectory prediction module, which is an important functional component of the Arrival Manager (AMAN) of Jeju airport, has been tested by applying the suggested method. The objective of this method is to improve prediction performance of the trajectory prediction module. The trajectory prediction module predicts the trajectories based on the real-time track data and flight plans. Therefore, the suggested analysis method includes the simulation framework which is based on real-time playback, recording, and graphic display systems for testing. Besides, the definition of time error, which is a important index for the time based scheduling system, such as AMAN, is included in the suggested analysis method. An example of arrival time prediction accuracy improvement through the suggested analysis method has also been presented.

딥러닝을 포함한 머신러닝 기법을 기반으로 비행체의 궤적 설계, 제어, 최적화, 예측 등의 작업을 수행하기 위해서는 일정한 양 이상의 비행체 궤적 데이터를 필요로 한다. 그러나 다양한 이유(예를 들어 비행체 궤적 데이터셋 구축에 필요한 비용, 시간, 인력 등)로 일정한 양 이상의 비행체 궤적 데이터를 확보하기 어려운 경우가 존재한다. 이러한 경우 합성 데이터 생성이 머신러닝을 가능하게 하는 방법 중 하나가 될 수 있다. 본 논문에서는 이와 같은 가능성을 탐구하기 위하여 시계열 생성적 적대 신경망을 이용하여 비행체 궤적 합성 데이터를 생성하고 평가하였다. 또한 비행체의 상태를 인식하기 위한 비행체 궤적 예측 작업에서 합성 데이터의 활용 가능성을 탐구하기 위하여 다양한 ablation study(비교 실험)를 수행하였다. 본 논문에서 제시된 생성 평가 및 비교 실험 결과는 비행체 궤적 합성 데이터 생성 및 비행체 궤적 관련 작업에서 합성 데이터의 활용 가능성에 대한 연구를 수행하고자 하는 연구자들에게 실질적인 도움이 될 것으로 예상한다.

In order to perform tasks such as design, control, optimization, and prediction of flight vehicle trajectories based on machine learning techniques including deep learning, a certain amount of flight vehicle trajectory data is required. However, there are cases in which it is difficult to secure more than a certain amount of flight vehicle trajectory data for various reasons. In such cases, synthetic data generation could be one way to make machine learning possible. In this paper, to explore this possibility, we generated and evaluated synthetic flight vehicle trajectory data using time-series generative adversarial neural network. In addition, various ablation studies (comparative experiments) were performed to explore the possibility of using synthetic data in the aircraft trajectory prediction task. The experimental results presented in this paper are expected to be of practical help to researchers who want to conduct research on the possibility of using synthetic data in the generation of synthetic flight vehicle trajectory data and the work related to flight vehicle trajectories.

정확한 선박 항적 예측은 선박의 충돌 회피 전략 수립과 자율운항 선박의 안전 운항에 중요한 요소이다. MMG(Maneuvering Modeling Group) 모델이나 CFD(Computational Fluid Dynamics)를 활용하여 선박 항적을 계산할 수 있지만, 계산을 위한 선박의 정확한 계수등을 확보하는 것은 현실적으로 어렵다. 이에 대한 대안으로, LSTM(Long Short-Term Memory)과 같은 인공지능을 활용한 항적 예측 연구가 진행되고 있다. 그러나 LSTM 단독으로는 선박의 복잡한 비선형적 움직임을 완벽히 예측하는데 한계가 있다. 예측 정확도를 향상시키기 위해 본 연구에서는 STL-CNN-LSTM 하이브리드 모델을 제안한다. 이 모델은 STL (Seasonal and Trend decomposition using Loess)을 이용한 데이터를 분해하고, CNN(Convolutional Neural Network)을 활용한 데이터의 특징 추출, 그리고 LSTM을 통한 학습이 이뤄진다. 이 연구는 CNN-LSTM에 비해 얼마나 더 높은 항적 예측도를 보여주는지 비교 분석한다. 분석 결과, STL-CNN-LSTM 모델은 CNN-LSTM보다 우수한 예측 성능을 보이며, 예측 오차는 1~5미터 범위 내에 있는 것으로 나타났다. 이러한 연구 결과는 정밀한 충돌 회피 전략 개발에 기여할 수 있으며, 향후 연구에서는 실무 적용을 위한 충돌회피 모델의 설계 고도화 연구에 적용될 것이다.

Accurate trajectory prediction of ships is essential for developing collision avoidance strategies and ensuring safe navigation of autonomous ships. Although ship trajectories can be calculated using the Maneuvering Modeling Group (MMG) or Computational Fluid Dynamics (CFD) models, obtaining precise coefficients for these calculations is often impractical. Alternatively, artificial intelligence-based approaches, such as Long Short-Term Memory (LSTM), have been explored for trajectory prediction. However, LSTM alone has limitations in accurately predicting the complex nonlinear movements of ships. To enhance predictive accuracy, this study proposes an STL-CNN-LSTM hybrid model. This model uses Seasonal and Trend decomposition using Loess (STL) for data decomposition, a Convolutional Neural Network (CNN) for feature extraction, and LSTM for sequential learning. This study compares the predictive performance of STL-CNN-LSTM with that of CNN-LSTM to assess its effectiveness. The results demonstrate that the STL-CNN-LSTM model outperforms CNN-LSTM model, limiting prediction errors within the range of 1-5 m. These findings contribute to the development of precise collision avoidance strategies, and future research should focus on advancing collision avoidance models for real-world implementation.