Diffusion 기반 미사일 항적 데이터 시뮬레이션 증강 모델 연구

Research on a Diffusion-Based Model for Augmenting Missile Trajectory Simulation Data

본 연구는 미사일 항적 데이터를 생성하기 위해 Variational Autoencoder(VAE)와 Diffusion 모델의 성능을 비교하고, Diffusion 기반 데이터 증강기법을 제안하였다. Diffusion 모델은 1D UNet을 백본 네트워크로 활용하여 1000회의 점진적 추론 과정을 통해 노이즈를 제거하며, 높은 품질과 신뢰성 있는 데이터를 생성한다. 데이터 전처리 과정은 회전 변환을 통한 증강, MinMaxScaling, 패딩, 및 다양한 임베딩을 적용하여 모델 학습 성능을 극대화하였다. 실험 결과 Diffusion 모델은 PSNR, DTW, Cosine Similarity 등 주요 지표에서 TimeVAE를 능가하며, 시계열 데이터의 방향성과 형태를 더욱 정교하게 재현하였다. 특히, Diffusion 모델은 그래프 시각화에서도 원본 항적과 유사한 결과를 보여주었다. 본 연구는 Diffusion 모델이 시계열 데이터 생성 및 증강에서 우수한 성능을 발휘함을 입증하며, 이를 다양한 시뮬레이션 분야에 적용할 가능성을 제시한다.

This study compares the performance of Variational Autoencoder (VAE) and Diffusion models for generating missile trajectory data and proposes a Diffusion-based data augmentation method. The Diffusion model utilizes a 1D UNet as its backbone network and removes noise through 1,000 iterative inference steps, generating high- quality and reliable data. The data preprocessing pipeline includes augmentation through rotational transformations, MinMaxScaling, padding, and various embeddings to maximize model training performance. Experimental results demonstrate that the Diffusion model outperforms the VAE in key metrics such as PSNR, DTW, and Cosine Similarity, accurately reproducing the directionality and shape of the time-series data. Notably, visualizations of the generated trajectories show that the Diffusion model closely aligns with the original trajectories, unlike the TimeVAE. This study validates the Diffusion model’s superiority in time-series data generation and augmentation, highlighting its potential applicability in various simulation domains.