3차원 공간에서 기동 표적을 계속 따라가는 일은 움직임이 자주 바뀌고, 궤적 예측과 실제가 어긋나기 쉬워 까다롭다. 동적 모델을 정교하게 맞추지 못하면 기존 추정기는 성능이 급격히 흔들린다. 이 논문은 이런 문제를 줄이기 위해, 상호작용 다중모델(IMM)의 해석 가능한 구조와 학습 가능한 신경망을 결합한 IMMNet을 제안한다. 논문은 동료검토 전 arXiv 프리프린트 상태다.
핵심은 모델 기반과 데이터 기반의 역할 분담이다. IMMNet은 네 개의 병렬 KalmanNet 추적기를 두어 CV, CA, CT+, CT- 각 운동 가설에 대응시키고, 모델 확률 갱신은 Transformer 분류기가 맡는다. 기존 IMM이 마코프 전이와 칼만필터 계산에 의존했다면, 여기서는 칼만 이득을 학습으로 얻고, 단기 궤적 윈도우에서 모드 확률을 추정해 융합한다. 이렇게 Bayesian 추론 틀은 유지하면서도 잡음 통계와 모델 불일치에 적응하도록 설계했다.
훈련은 두 단계로 진행된다. 먼저 네 개의 KalmanNet 추적기를 따로 예비학습하고, 각 추적기는 자기 모델과 일치하는 궤적과 일반 기동 궤적을 6:4 비율로 섞은 합성 데이터로 학습한다. 이후 전체 IMMNet을 end-to-end로 미세조정하며, 추적 손실(MSE)과 분류 손실(cross-entropy)을 γ=0.7로 가중 결합한다. Adam, 학습률 1×10−3, 배치 64, 100 epoch 설정이 사용됐다.
검증은 3D-LAST라는 대규모 항공 감시 궤적 데이터셋에서 이뤄졌다. 총 100,000개 궤적이 생성됐고, 각 궤적은 400초, 모드 전환 3회, 거리 0.5–20 NM(926–37,040 m), 속도 0–340 m/s, 선회율 −10°/s~+10°/s 범위를 따랐다. 측정잡음 표준편차는 1–7m에서 균등 샘플링됐고, 과정잡음 표준편차는 0.2 m/s²였다. 실험은 PyTorch 1.11과 RTX 4090에서 수행됐다.
전체 시험셋 평균 RMSE는 IMMNet이 x, y, z축 모두 0.29m로 같았고, 비교군은 IMM-Accurate 1.60/1.63/0.72m(평균 1.32m), IMM-Min 4.13/3.91/1.83m(평균 3.29m), IMM-Max 5.82/5.21/2.62m(평균 4.55m)였다. 개별 궤적에서도 같은 경향이 이어졌다. 궤적 1의 평균 RMSE는 IMMNet 0.50m, IMM-Accurate 0.73m, IMM-Min 1.37m, IMM-Max 1.84m였고, 궤적 2에서는 각각 0.24m, 0.59m, 1.30m, 1.89m였다.
| 비교 대상 | 전체 시험셋 평균 RMSE(m) | 조건/비고 |
|---|---|---|
| IMMNet | 0.29 | 3D-LAST 전체 시험셋, x/y/z축 모두 0.29 |
| IMM-Accurate | 1.32 | r=4, σq=0.2; 완전히 알려진 파라미터 가정 |
| IMM-Min | 3.29 | r=1, σq=1; 하한만 반영 |
| IMM-Max | 4.55 | r=7, σq=1; 상한만 반영 |
자료: STORIUM 정리
논문은 IMMNet이 모드 전환 구간에서 특히 안정적이라고 해석한다. 기존 IMM 계열은 전환 뒤 모델 불일치 때문에 오차가 커졌지만, 제안 방식은 입력 데이터에서 운동 패턴과 잡음 특성을 함께 학습해 더 낮은 추적 오차를 냈다. 다만 평가 범위는 3D-LAST 기반의 시뮬레이션과 내부 테스트에 한정되며, 실제 레이더 운영 환경이나 다표적 상황 확장은 후속 과제로 남겼다.
저작권자 © STORIUM 무단전재 및 재배포 금지
