I. 서 론
레이다는 공간상에 전파를 송신하고 표적으로부터 반사되어 돌아오는 전파를 수신하여 탐지 및 추적을 수행한다. 레이다 외에도 표적을 탐지 및 추적하기 위한 방안으로는 영상정보를 이용하는 카메라나 적외선과 같은 광학장비가 존재하나, 구름, 비와 같은 기상환경에 대한 영향과 원거리의 표적을 탐지하고 추적하기 위해 전파를 사용하는 레이다가 많이 사용되고 있다.
레이다는 짧은 거리의 표적부터 원거리 표적까지 다양한 거리의 표적으로부터 수신된 전파를 분석하여 표적의 거리, 위치 및 속도를 측정할 수 있다. 다수의 표적을 탐지하기 위해서는 해당 파형의 거리 및 속도 차이보다 높은 해상도를 갖는 파형을 사용하게 된다. 하지만 다수의 표적이 군집되어 날아오는 경우, 표적들간의 거리 및 속도가 유사하게 되어 협대역 파형을 사용하는 경우에는 군집된 표적에 대해 탐지 시 다수 표적을 하나의 표적으로 인식하거나, 일부 표적을 탐지하지 못하는 현상이 발생하게 된다. 이와 관련된 문제를 해결하기 위해 레이다에서는 MTT(multi-target tracking) 기법을 사용하고 분산된 다중 표적을 추적하기 위해 합동 빔 및 전력 스케줄링(joint beam and power scheduling)과 같은 방식을 제안하고 있다[1]. 해당 논문의 경우 시스템의 전반적인 안정성을 유지하면서 통신에 필요한 사항을 줄이는 분산형 융합 아키텍처를 제안하였으며, 공분산 교차점(covariane intersection) 융합을 활용하여 레이다의 노드 간에 불명의 정보 상관관계를 해결할 수 있다는 연구를 진행하였다. 또한“표적 상한 기반 자원 최적화 기법” 연구의 경우 미리 결정된 정확도 요구 수치로 추적할 수 있는 표적의 수를 늘리기 위해 다중 레이다의 전송 전력 및 지연 시간 리소스의 사용량 조절에 대한 연구를 진행하였다[2]. 이 외에도 머신러닝 기법의 등장으로 인해 range-Doppler 이미지를 통해 표적을 탐지하거나 주변 노이즈를 감소시키는 방법들이 등장하고 있다[3].
본 논문에서는 낮은 해상도 파형의 사용으로 인해 구분되지 않은 표적을 구분하기 위해 군집되어 날아오는 표적의 수신신호를 기반으로 레이다의 range-Doppler 이미지를 생성하고 기존의 CFAR(constant false alarm rate)[3]와 같은 신호처리 방식을 사용하였을 때 탐지되지 않았던 신호들에 대해 AE(autoencoder)[4]를 통해 노이즈 제거를 위한 전처리 과정을 수행한 이후 CNN(convolution neural network)[5]과 같은 machine learning 기법을 활용하여 표적을 탐지하고 최종적으로 표적의 개수를 확인하는 방법을 제시한다. 해당 방법을 검증하기 위해 FMCW 레이다와 pulsed Doppler 레이다의 협대역 파형에 대해 시뮬레이션을 통해 데이터를 생성하였으며, 해당 데이터를 기반으로 생성된 표적의 개수와 탐지된 표적의 개수가 일치하는지를 통해 성능을 평가하였다.
이 논문의 구성은 다음과 같다. II장에서는 신경망 학습 및 테스트를 위한 모의 표적을 소개한다. III장에서는 제안한 AE 및 CNN을 통한 노이즈 감소 및 분류기의 구조와 학습데이터에 대해 설명한다. IV장에서는 모의 표적에 대해 실험 결과를 제시하고, V장에서 결론을 맺는다.
Ⅱ. 군집 표적 모의 방안
II장에서는 군집된 표적의 데이터를 생성하기 위해 사용된 FMCW 파형을 이용한 데이터 생성 방식과 펄스 파형을 이용한 데이터 생성 방식의 데이터 생성 방식에 대해 설명한다.
실제 군집된 다수의 표적을 날려 시험을 하기 어려운 환경이므로 먼저 AE 및 CNN을 학습하기 위해 실제 레이다와 유사한 환경에서 표적을 모의하고 이를 통해 range-Doppler map을 생성하였다. 먼저, CNN을 통해 분해능 이내의 표적에 대해서도 구분이 가능함을 검증하기 위해 FMCW 레이다 기반의 데이터를 생성하였다. FMCW 레이다는 시간이 지남에 따라 주파수를 선형적으로 변화시키는 첩(chirp) 신호를 사용하며 송신된 신호와 수신된 신호의 차이를 통해 표적의 거리와 속도 정보를 추출한다. FMCW 레이다에서 표적 신호의 모의에 사용된 식은 식 (1)과 같다[6].
여기서 k는 FMCW 파형 1개 첩의 기울기를 나타내는 값이며, n은 샘플의 개수, p는 chirp 수를 나타낸다. 표적의 정보를 나타내는 변수는 R과 V로 각각 거리와 속도를 나타내며, d와 A는 각각 수신 안테나소자 사이의 간격과 표적의 각도를 나타낸다. 이 때 R과 V는 각각 표적의 중심거리와 중심속도를 의미하며, 각 파라미터들을 변경하며 총 4가지 경우에 대해 진행했다. 해당 중심거리, 중심속도를 기준으로 거리해상도 및 속도해상도를 반영하여 설정한 표적의 개수에 맞게 설정하였다. 또한 표적 신호를 모의하기 위해 아래 표 1과 같이 파형을 설계하여 표적을 생성했다. FMCW 파형을 사용한 모의에서는 CNN 모델의 분해능 이내 표적 식별 가능성을 보기 위함이므로 노이즈는 낮게 설정하여 테스트를 진행했다.
| Parameter | Value | Unit |
|---|---|---|
| Center frequency | 10 | GHz |
| Bandwidth | 100 | MHz |
| Frame duration | 3 | ms |
| FFTSize | 8,000×1,200 | |
| Reference range | 90, 300, 420, 600 | m |
| Reference velocity | 90 | m/s |
| RCS | 0.01 | m2 |
이를 통해 생성된 각 표적에 대한 range-Doppler 결과는 그림 1과 같다.
표적 생성 시 유사한 표적이 군집되어 다가오는 상황을 모사하기 위해 일부 표적이 range-Doppler 상에서 레이다의 거리분해능과 속도분해능 이내에 존재하도록 설정했다. 레이다의 거리분해능과 속도분해능을 얻기 위한 식은 식 (2) 및 식 (3)과 같다[7].
위 식 (2)에서 B는 파형의 bandwidth를 나타내고, c는 빛 속도를 나타낸다. 또한 λ는 파형의 파장길이를 나타내며, Tf는 frame duration을 나타낸다. 각각의 표적의 이격 거리는 군집표적의 특성을 반영하기 위해 거리해상도의 경우 식 (2)를 적용하여 얻은 거리해상도 1.5 m보다 적은 0.94 m에서 최대 5.5 m를 적용하였으며 속도 해상도의 경우 식 (3)을 적용하여 얻은 속도해상도 5 m/s보다 작은 3.125 m/s에서 최대 18 m/s 까지 적용하였다. 이와 같이 적용된 거리 및 속도 해상도를 반영하여 생성하고자 하는 1개 표적부터 6개 표적까지 표적의 개수에 맞춰 최종적으로 표적 신호를 생성하였다.
FMCW에서 군집 내 표적에 대한 개수 식별이 가능함을 확인한 이후, 펄스 파형에서도 동일한 결과를 얻게 되는 지를 확인하기 위해 펄스 파형을 통한 모의 시에는 이동하는 표적 궤적을 기반으로 신호를 모의하였다. 파형은 phase coded modulation 변조를 적용한 펄스 파형을 사용하였으며, 거리분해능 및 속도분해능과 관련된 정보는 아래 표 2와 같다. 신호 생성 결과에 노이즈 성분을 더하여 신호를 생성하여 신호의 SNR은 약 12 dB가 되도록 모의 표적을 생성하였다. 표적의 개수는 최대 4개로 설정하였으며 그 결과는 그림 2와 같다.
| Parameter | Value | Unit |
|---|---|---|
| Center frequency | 10 | GHz |
| Bandwidth | 20 | MHz |
| RCS | 0.01 | m2 |
| Range resolution | 7.49 | m |
| Velocity resolution | 150 | m/s |
Ⅲ. 표적 개수 식별을 위한 신경망 학습
생성된 데이터를 기반으로 CNN을 통한 거리분해능 이내의 표적에 대해 개수 식별이 가능한지에 대한 여부를 판단하기 위해 CNN 구조를 설계하였으며, 이후 펄스 파형 데이터에서는 CNN을 통한 표적 개수 식별 시, noise에 대한 영향성을 제거하기 위해 range-Doppler 이미지에서 표적 데이터 이외의 노이즈를 감소시키기 위한 AE를 설계하였다.
표적의 개수 식별을 위한 입력 데이터로는 그림 1과 같은 227×227×1 크기의 range-Doppler 데이터를 사용하였으며, 각각의 채널별로 신호의 amplitude를 사용하였다. 신경망에 입력 전 표적 신호를 제외한 영역에서의 특성을 배제하기 위해 64×64의 크기를 갖는 데이터로 crop 작업을 수행 후 CNN에 입력했다.
Convolution block에는 convolution layer와 batch normalization, 활성화함수를 사용하였으며, 활성화함수로는 ReLU를 사용하였다. Convolution block을 수행한 뒤에는 maxpooling을 사용함으로써 표적의 특징을 유지한 채 데이터의 개수를 감소시켜 빠른 계산이 가능하도록 하였다. convolution block을 모두 수행한 뒤에는 해당 range Doppler 데이터 내에서 표적의 개수를 판별하기 위해 fully connected layer와 softmax layer를 사용하여 표적의 개수를 판별할 수 있도록 하였다. 이를 반영한 CNN 구조는 그림 3과 같다. 표적의 데이터는 표적의 개수마다 5,000개씩 총 30,000개의 데이터를 사용하였으며 학습데이터와 검증데이터, 시험데이터는 각각 8:1:1의 비율로 구분하여 적용했다.
펄스 파형에서 적용된 신호의 경우 CNN에 입력으로 넣기 전 표적 신호 이외의 노이즈를 제거하기 위해 AE를 사용하였으며, 해당 구조는 그림 4와 같다.
Transposed block에는 transposed layer, batch normalization, 활성화함수를 사용하였으며, CNN과 동일하게 활성화함수는 ReLU를 사용하였다. AE 학습 시에는 입력으로 noise를 포함하고 있는 펄스 파형의 수신신호를 입력하고 noise가 없는 상태의 표적 신호만을 결과로 입력하여 AE를 통해 노이즈를 제거할 수 있도록 학습을 수행하였다. 표적 데이터는 총 47,100개의 데이터에 대해 학습데이터와 검증데이터, 시험데이터의 비율을 각각 8:1:1로 적용하여 학습 및 시험을 수행했다.
Ⅳ. 모의실험 결과
실험은 앞서 설정한 30,000개의 데이터 중에서 10 %인 3,000개의 데이터로 수행하였으며 총 6개의 표적 클래스에 대해 각각 500개씩 사용하였다. CNN을 적용하여 표적 개수 식별에 대한 정확도 판단은 모든 클래스의 개수를 기준으로 실제 표적의 개수를 정확하게 식별한 개수를 백분율로 환산하였다. 그 결과 97.9 %의 정확도를 얻었으며 각각의 클래스 별 예측 결과와 실제 결과를 비교한 confusion chart의 결과는 그림 5와 같다. 표적의 개수가 적은 경우일수록 정확하게 개수를 예측하는 것을 볼 수 있으며, 표적의 개수가 많아지더라도 약 93 % 이상의 정확도로 표적의 개수를 식별할 수 있음을 검증하였다.
FMCW 파형에서 나타난 것과 같이 표적의 개수가 증가할수록 식별 정확도가 감소하는 경향이 보였다. 이를 기반으로 노이즈를 추가한 펄스 파형 모델의 경우, 노이즈가 표적의 개수로 식별되는 경우를 방지함으로써 CNN의 식별 정확도를 높이기 위해 AE를 전단에 추가하여 노이즈를 제거하였다. AE를 적용 결과 그림 6과 같이 표적의 peak 신호 세기와 range, velocity 샘플의 위치가 동일하고 주변 노이즈가 매우 감소함을 확인하였다.
학습이 완료된 AE와 CNN을 결합하여 최종적으로 펄스 파형으로 얻은 데이터 4,710개의 데이터에 4-1의 실험과 동일하게 1개부터 4개의 표적이 존재하는 경우에 대해 표적 개수를 식별하였다. 그 결과 3개의 표적에 대해 2번의 오류를 제외하고 나머지 4,608개의 경우에 대해 실제 표적 개수를 정확하게 식별하여 그림 7과 같이 약 99.9 %의 정확도로 표적의 개수를 정확하게 식별하는 것을 검증하였다.
Ⅴ. 결 론
본 연구를 통해 거리가 가까운 군집 표적에 대한 FMCW 파형과 펄스 파형에서 표적의 개수를 식별하는 방안을 제시하였다. FMCW 파형에서는 거리, 속도 분해능 이내에 표적을 위치시켰음에도 CNN을 통해 표적의 개수가 식별됨을 확인하였으며, 펄스 파형에서는 노이즈가 존재하는 환경에서 AE를 CNN 전단에 추가함으로써 정확한 표적의 개수를 식별할 수 있음을 보였다. 제시한 방안은 추후 레이다에서 군집표적에 대한 탐지, 추적 시에 표적의 개수를 식별함으로써 머신러닝 기법을 통해 표적을 검출할 수 있다는 것을 확인하였으나, 실제 표적데이터를 기반으로 학습 및 검증이 필요하다는 제한사항이 존재한다. 향후에는 실제 레이다 장비를 이용하여 실제 환경 하에서 표적 데이터를 획득하여 본 연구방안을 적용해 봄으로써 실 장비에 적용이 가능한지를 확인하는 연구가 필요하다.
