표제지
목차
ABSTRACT 12
제1장 서론 13
제1절 연구 배경 13
1. eVTOL (electric Vertical Takeoff & Landing) 항공기 13
2. 디지털 트윈(Digital Twin) 14
제2절 기존 유사 연구 분석 17
1. eVTOL Vehicle Digital Twin 시스템 연구 17
2. eVTOL 비행체 강건 제어 연구 17
3. 심층학습 기반 제어 연구 18
4. 수학적 모델링 기반의 비행 동역학 모델링 19
5. 기존 유사연구의 한계 19
제3절 연구 목적 20
제2장 이론적 배경 22
제1절 좌표계 22
1. 지구 중심 관성 좌표계 (Earth Centered Inertial Coordinates) 22
2. 동체 고정 좌표계(Body Fixed Coordinates) 23
제2절 운동 방정식 24
제3절 심층 학습(Deep Learning) 25
가. Artificial Neural Network (ANN) 25
나. Deep Neural Network (DNN) 26
다. Generative Adversarial Network (GAN) 27
라. Least Square Generative Adversarial Networks (LSGAN) 28
제4절 전이 학습(Transfer Learning) 29
제3장 eVTOL PAV KP-2 동역학 모델 31
1. eVTOL PAV KP-2 Multicopter 모드 동역학 모델링 33
제4장 심층학습기반 고정밀도 eVTOL 비행체 디지털 트윈 37
제1절 eVTOL 비행체 디지털 트윈 시스템 37
1. 비행 제어 시스템 37
2. 고정밀도 비행 시뮬레이션 38
3. 3D 환경 38
4. 지상 제어 시스템 38
제5장 물리 정보 신경망기반 동역학 모델링 39
제1절 데이터 기반 비행 동역학 모델링 프로세스 40
1. Neural Dynamic Process 40
2. Neural Dynamics (ND) 45
3. Generative Dynamics (GD) 45
제2절 물리 정보 신경망을 통한 비행 동역학 모델링 47
1. 이론적 배경 48
2. Physics-informed Neural Dynamics (PIND) 50
3. Physics-informed Generative Dynamics (PIGD) 51
제3절 비행시험 데이터를 활용한 비행 동역학 모델 검증 54
1. 비행시험 55
2. 비행 시뮬레이션 56
3. 비행 데이터 전처리 58
4. 모델 학습 61
5. 비행 시험 데이터를 통한 모델 검증 64
제6장 심층학습기반 강건 제어 시스템 88
제1절 es-DNLC: Exponentially Stabilizing Deep Neural Lyapunov Control 88
1. 이론적 배경 88
2. es-DNLC 강건 제어 알고리즘 91
제2절 모델 학습 및 수치 시뮬레이션 97
3. eVTOL PAV KP-2 Multicopter 모드 상태함수 방정식과 선형화 97
4. es-DNLC 학습 조건 102
5. 학습 결과 및 수치 시뮬레이션 결과 103
제3절 SITL 환경 기반 제어기 검증 112
1. PX4 - Gazebo SITL 결과 112
제7장 결론 116
제1절 결론 116
제2절 향후 계획 117
부록 124
[부록 A] PX4-Gazebo SITL 환경 구축 124
[부록 B] Nomenclature 127
국문초록 129
〈표 1〉 동체 고정 좌표계의 선운동 및 회전운동 정의 23
〈표 2〉 eVTOL PAV KP-2 제원 33
〈표 3〉 eVTOL PAV KP-2 공력계수 34
〈표 4〉 KP-2 추진시스템 모터 추력 및 토크 계수 35
〈표 5〉 데이터셋 구축에 사용된 PX4 파라미터 58
〈표 6〉 Sortie 1, Sortie 2 데이터의 정규화 범위 59
〈표 7〉 비행 시뮬레이션 데이터의 정규화 범위 60
〈표 8〉 Neural Dynamics, Physics-informed Neural Dynamics 모델의 Hyperparameter 62
〈표 9〉 Generative Dynamics, Physics-informed Generative Dynamics 모델의 Hyperparameter 62
〈표 10〉 전이 학습에 따른 모델의 예측 오차율 비교 83
〈표 11〉 항공기 형상 및 특성 파라미터 86
〈표 12〉 es-DNLC 학습 Hyperparameter(Roll angle) 102
〈표 13〉 es-DNLC와 LQR의 제어 반응 비교(Roll angle) 105
〈표 14〉 es-DNLC와 LQR의 제어 반응 비교(Pitch angle) 108
〈표 15〉 es-DNLC와 LQR의 제어 반응 비교(Yaw angle) 111
〈표 16〉 외란에 따른 es-DNLC와 LQR의 제어 반응 비교 114
〈그림 1〉 OPPAV 기체 14
〈그림 2〉 KF-21 15
〈그림 3〉 Amazon Robotics Smart Factory 16
〈그림 4〉 지구 중심 관성 좌표계 23
〈그림 5〉 ANN 구조 26
〈그림 6〉 DNN 구조 27
〈그림 7〉 GAN, LSGAN 구조 28
〈그림 8〉 Transfer Learning 구조 30
〈그림 9〉 eVTOL PAV KP-2 형상 31
〈그림 10〉 eVTOL PAV KP-2 형상(측면) 32
〈그림 11〉 eVTOL PAV KP-2 형상(평면) 32
〈그림 12〉 KP-2 추진 시스템 풍동시험 35
〈그림 13〉 eVTOL 비행체 디지털 트윈 시스템 아키텍처 37
〈그림 14〉 Neural Dynamics Process 40
〈그림 15〉 Neural Dynamics 구조 43
〈그림 16〉 Neural Dynamics Transfer Learning 구조 44
〈그림 17〉 Neural Dynamics 학습 과정 45
〈그림 18〉 Generative Dynamics 학습 과정 46
〈그림 19〉 Physics - informed Neural Network 구조 49
〈그림 20〉 Physics-informed Neural Dynamics 학습 과정 51
〈그림 21〉 Physics-informed Generative Dynamics 학습 과정 54
〈그림 22〉 Sortie 1 비행 궤적 56
〈그림 23〉 Sortie 2 비행 궤적 56
〈그림 24〉 비행 시뮬레이션 Manual Control Input 57
〈그림 25〉 비행 시뮬레이션 비행 궤적 58
〈그림 26〉 Sortie 1 비행 데이터 중 모델 학습에 사용된 데이터 61
〈그림 27〉 모델의 학습 시간 비교 64
〈그림 28〉 시뮬레이션 데이터 학습 모델이 예측한 비행 경로 RMSE 비교 65
〈그림 29〉 시뮬레이션 데이터 학습 모델이 예측한 X 방향 위치 RMSE 비교 65
〈그림 30〉 시뮬레이션 데이터 학습 모델이 예측한 Z 방향 위치 RMSE 비교 66
〈그림 31〉 시뮬레이션 데이터 학습 모델이 예측한 X 방향 속도 RMSE 비교 66
〈그림 32〉 시뮬레이션 데이터 학습 모델이 예측한 Z 방향 속도 RMSE 비교 67
〈그림 33〉 시뮬레이션 데이터 학습 모델이 예측한 Pitch angle RMSE 비교 67
〈그림 34〉 시뮬레이션 데이터 학습 모델이 예측한 Yaw angle RMSE 비교 67
〈그림 35〉 시뮬레이션 데이터 학습 모델이 예측한 Roll angular rate RMSE 비교 68
〈그림 36〉 시뮬레이션 데이터 학습 모델이 예측한 X방향 속도 데이터 비교 69
〈그림 37〉 비행 시험 데이터 학습 모델이 예측한 비행 경로 RMSE 비교 70
〈그림 38〉 비행 시험 데이터 학습 모델이 예측한 Y 방향 위치 RMSE 비교 70
〈그림 39〉 비행 시험 데이터 학습 모델이 예측한 Z 방향 위치 RMSE 비교 71
〈그림 40〉 비행 시험 데이터 학습 모델이 예측한 X 방향 속도 RMSE 비교 71
〈그림 41〉 비행 시험 데이터 학습 모델이 예측한 Y 방향 속도 RMSE 비교 71
〈그림 42〉 비행 시험 데이터 학습 모델이 예측한 Roll angle RMSE 비교 72
〈그림 43〉 비행 시험 데이터 학습 모델이 예측한 Yaw angle RMSE 비교 72
〈그림 44〉 비행 시험 데이터 학습 모델이 예측한 Roll angular rate RMSE 비교 72
〈그림 45〉 비행 시험 데이터 학습 모델이 예측한 Pitch angular rate RMSE 비교 73
〈그림 46〉 비행 시험 데이터 학습 모델이 예측한 Z방향 위치 데이터 비교 74
〈그림 47〉 비행 시험 데이터 학습 모델이 예측한 Roll angle 데이터 비교 74
〈그림 48〉 전이 학습 모델이 예측한 비행 경로 RMSE 비교 75
〈그림 49〉 전이 학습 모델이 예측한 Z 방향 위치 RMSE 비교 76
〈그림 50〉 전이 학습 모델이 예측한 X 방향 속도 RMSE 비교 76
〈그림 51〉 전이 학습 모델이 예측한 Z 방향 속도 RMSE 비교 76
〈그림 52〉 전이 학습 모델이 예측한 Roll angle RMSE 비교 77
〈그림 53〉 전이 학습 모델이 예측한 Yaw angle RMSE 비교 77
〈그림 54〉 전이 학습 모델이 예측한 비행 경로 Pitch anguler rate RMSE 비교 77
〈그림 55〉 전이 학습 모델이 예측한 Roll angle 데이터 비교 78
〈그림 56〉 전이 학습 모델이 예측한 X 방향 위치 데이터 비교 79
〈그림 57〉 전이 학습 모델이 예측한 Pitch angle 데이터 비교 79
〈그림 58〉 Physics-informed Neural Dynamics의 Physics-informed loss 비교 80
〈그림 59〉 Physics-informed Generative Dynamics의 Physics-informed loss 비교 81
〈그림 60〉 PIND 모델의 물리 정보 손실 85
〈그림 61〉 PIGD 모델의 물리 정보 손실 86
〈그림 62〉 Region of Attraction 90
〈그림 63〉 es-DNLC 학습 프로세스 92
〈그림 64〉 es-DNLC Pseudo Code 94
〈그림 65〉 es-DNLC DNN 구조 95
〈그림 66〉 LQR의 Lyapunov Function (Roll angle) 103
〈그림 67〉 es-DNLC의 Lyapunov Function (Roll angle) 104
〈그림 68〉 es-DNLC와 LQR의 ROA 비교(Roll angle) 104
〈그림 69〉 Roll angle에 외란이 작용하였을 때의 수치 시뮬레이션 결과 105
〈그림 70〉 LQR의 Lyapunov Function(Pitch angle) 106
〈그림 71〉 es-DNLC의 Lyapunov Function (Pitch angle) 107
〈그림 72〉 es-DNLC와 LQR의 ROA 비교(Pitch angle) 107
〈그림 73〉 Pitch angle에 외란이 작용하였을 때의 수치 시뮬레이션 결과 108
〈그림 74〉 LQR의 Lyapunov Function(Yaw angle) 109
〈그림 75〉 es-DNLC의 Lyapunov Function (Yaw angle) 110
〈그림 76〉 es-DNLC와 LQR의 ROA 비교(Yaw angle) 110
〈그림 77〉 Yaw angle에 외란이 작용하였을 때의 수치 시뮬레이션 결과 111
〈그림 78〉 Gazebo Simulator에서 시뮬레이션 된 바람의 세기 112
〈그림 79〉 외란에 따른 KP-2의 Yaw angle 및 rate 113
〈그림 80〉 외란에 따른 KP-2의 Roll angle rate의 FFT 114
〈그림 81〉 외란에 따른 KP-2 Roll angle rate의 FFT 115
〈그림 82〉 tiltrotor.sdf 파일 125
〈그림 83〉 Gazebo Simulator의 LiftDragPlugin 양력 계산 그래프 126
〈그림 84〉 Gazebo Simulator에 구현한 KP-2 126