KR102175239B1 - 인공 지능을 이용하여 레이더 신호로부터 타겟을 추적하는 방법 및 그 장치 - Google Patents

인공 지능을 이용하여 레이더 신호로부터 타겟을 추적하는 방법 및 그 장치 Download PDF

Info

Publication number
KR102175239B1
KR102175239B1 KR1020180095289A KR20180095289A KR102175239B1 KR 102175239 B1 KR102175239 B1 KR 102175239B1 KR 1020180095289 A KR1020180095289 A KR 1020180095289A KR 20180095289 A KR20180095289 A KR 20180095289A KR 102175239 B1 KR102175239 B1 KR 102175239B1
Authority
KR
South Korea
Prior art keywords
target
tracking
radar
candidates
unit
Prior art date
Application number
KR1020180095289A
Other languages
English (en)
Other versions
KR20200020057A (ko
Inventor
김종일
Original Assignee
(주)스마트레이더시스템
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)스마트레이더시스템 filed Critical (주)스마트레이더시스템
Priority to KR1020180095289A priority Critical patent/KR102175239B1/ko
Priority to US16/457,898 priority patent/US11486966B2/en
Publication of KR20200020057A publication Critical patent/KR20200020057A/ko
Application granted granted Critical
Publication of KR102175239B1 publication Critical patent/KR102175239B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

레이더에서 수신한 신호를 처리하는 기술, 특히 검출된 타겟 후보 신호들로부터 타겟을 추적하는 기술이 개시된다. 제안된 발명은 허신호와 노이즈가 섞여 있는 신호에서 타겟 신호를 찾기 위해 메모리 기능을 가지는 순환 신경망 회로(Recurrent Neural Network)를 도입한다. 이 순환 신경망 회로는 최대 Q개의 추적 버퍼를 가지도록 학습된다. 추가적인 양상에 따르면, 순환 신경망 회로를 직렬로 연결하여 추적의 정확도를 높일 수 있다. 추가적인 양상에 따르면, 순환 신경망 회로를 병렬로 연결하여 다중 타겟을 추적할 수 있다.

Description

인공 지능을 이용하여 레이더 신호로부터 타겟을 추적하는 방법 및 그 장치{Method and Apparatus for tracking target from radar signal using Artificial Intelligence}
레이더에서 수신한 신호를 처리하는 기술, 특히 검출된 타겟 후보 신호들로부터 타겟을 추적하는 기술이 개시된다.
레이더 기술에서 타겟 추적 기술은 CFAR(Constant false alarm rate)과 같은 알고리즘을 사용하여 타겟 후보들이 검출되면, 이 검출된 타겟 후보 신호들의 타임 시퀀스로부터 타겟을 결정하여 그 타겟을 시간 축 상에서 추적하는 기술이다. 종래 레이더 타겟 추적 기술에는 칼만 필터나 확장 칼만 필터(Extended Kalman Filter), PDAF(probabilistic data-association filter ), JPDAF(joint probabilistic data-association filter) 와 같은 알고리즘이 사용되어 왔다. 이들은 추적 대상물의 현재 및 과거 경로를 사용하여 미래의 경로를 추정한다. 추정된 경로와, 실제 측정 데이터의 확률 분포를 사용하여 측정값을 보정함으로써 현재 값을 추정한다. 그러나 노이즈들은 정확한 측정을 어렵게 한다. 또 추적 대상물의 운동성(dynamics), 속도, 가속도 등이 변화하는 경우에 계산이 복잡해지고 실패 확률이 높아진다.
제안된 발명은 레이더 타겟 추적에 있어서 노이즈가 섞여 있는 타겟 후보들로부터 타겟 추적의 성공률을 높이는 것을 목적으로 한다.
나아가 제안된 발명은 레이더 타겟 추적에 있어서 추적 대상물의 운동성(dynamics), 속도 및 가속도가 변화하는 경우에도 타겟 추적의 성공률을 높이는 것을 또 다른 목적으로 한다.
일 양상에 따르면, 제안된 발명은 허신호와 노이즈가 섞여 있는 신호에서 타겟 신호를 찾기 위해 메모리 기능을 가지는 순환 신경망 회로(Recurrent Neural Network)를 도입한다. 이 순환 신경망 회로는 최대 Q개의 추적 버퍼를 가지도록 학습된다.
추가적인 양상에 따르면, 추적의 정확도를 높이기 위해 이 순환 신경망 회로의 학습 데이터에 매개 변수를 활용한다.
추가적인 양상에 따르면, 순환 신경망 회로를 직렬로 사용하여, 앞단의 순환 신경망 회로의 출력을 다시 처리할 수 있다.
추가적인 양상에 따르면, 추적 대상 공간에서 처리 윈도우를 설정하여 순환 신경망 회로가 적용된다. 이 처리 윈도우는 추적된 타겟을 따라 이동하도록 설정할 수 있다.
추가적인 양상에 따르면, 기존의 고전적인 추적 알고리즘을 함께 사용하여 추적의 정확도를 높일 수 있다. 이 경우 고전적 추적 알고리즘에서 필수적인 복수의 타겟으로 부터 실타겟을 추출하기 위한 복잡한 계산 과정들은 생략할 수 있다.
추가적인 양상에 따르면, 타겟 추적에 실패한 경우, 병렬로 실행되는 고전적인 알고리즘에서 산출된 타겟 추정 정보를 이용하여 처리 윈도우를 설정할 수 있다. 또다른 양상에 따르면, 타겟 추적에 실패한 경우 처리 윈도우의 크기를 확대하여 추적을 재시도할 수 있다.
추가적인 양상에 따르면, 다중 목표물을 추적하기 위해 순환 신경망 회로를 가진 추적 회로를 병렬로 배열할 수 있다.
제안된 발명에 따라 허신호 및 노이즈가 섞여 있는 레이더 신호로부터 타겟을 추적함에 있어서 성공 확률을 높일 수 있다.
또한 순환 신경망 회로의 입력 벡터를 적절히 선택하여, 순환 신경망 회로의 학습의 효율을 높일 수 있다.
또한 동일하게 학습된 순환 신경망 회로를 병렬로 사용함으로써, 다중 타겟의 추적이 가능하다.
또한 타겟 추적의 초기에 순환 신경망 회로가 안정되기 전에 고전적인 알고리즘을 사용함으로써 타겟 추적 성능을 빨리 안정시킬 수 있다.
도 1은 제안된 발명에 따른 레이더 타겟 추적 장치가 적용될 수 있는 레이더 장치의 구성의 일 실시예를 도시한 블록도이다.
도 2는 일 실시예에 따른 레이더 타겟 추적 장치의 구성을 도시한 블록도이다.
도 3은 또다른 실시예에 따른 레이더 타겟 추적 장치의 구성을 도시한 블록도이다.
도 4는 또다른 실시예에 따른 레이더 타겟 추적 장치의 구성을 도시한 블록도이다.
도 5는 또다른 실시예에 따른 레이더 타겟 추적 장치의 구성을 도시한 블록도이다.
도 6은 또다른 실시예에 따른 레이더 타겟 추적 장치의 구성을 도시한 블록도이다.
도 7은 또다른 실시예에 따른 레이더 타겟 추적 장치의 구성을 도시한 블록도이다.
도 8은 일 실시예에 따른 레이더 타겟 추적 방법의 구성을 도시한 흐름도이다.
도 9는 또다른 실시예에 따른 레이더 타겟 추적 방법의 구성을 도시한 흐름도이다.
전술한, 그리고 추가적인 양상들은 첨부된 도면을 참조하여 설명하는 실시예들을 통해 구체화된다. 각 실시예들의 구성 요소들은 다른 언급이나 상호간에 모순이 없는 한 실시예 내에서 다양한 조합이 가능한 것으로 이해된다.
도 1은 제안된 발명에 따른 타겟 추적 장치(150)가 적용될 수 있는 레이더 장치의 구성의 일 실시예를 도시한 블록도이다. 도시된 실시예는 주파수 변조 연속파 레이더(FMCW : Frequency-Modulated Continuous Wave Radar)를 예시적으로 도시하였으나, 제안된 발명은 다른 종류의 레이더에도 적용할 수 있다. 도시된 바와 같이 일 실시예에 따른 FMCW 레이더 장치는 알에프 (RF : Radio Frequency) 회로부(10-1,…,10-N)와, 변복조 제어부(20)와, 타겟 검출부(target detection unit)(30)와 그리고 타겟 추적부(50)를 포함한다. 변복조 제어부(20)는 FMCW 레이더 파형 신호를 생성하기 위한 변조 및 복조 제어 신호를 출력한다. 알에프 회로부(10-1,…,10-N)는 안테나를 통해 FMCW 레이더 파형 신호(FMCW Radar Waveform Signal)을 송출하고 수신 안테나를 통해 수신된 레이더 파형 신호를 복조하여 기저대역 신호(Baseband signal)를 출력한다. 일 실시예에 있어서, 가변 주파수 발진기(13)는 변복조 제어부(20)의 제어 신호에 따라 FMCW 레이더 파형 송출 신호를 생성한다. 일 예로, 변복조 제어부(20)는 가변 주파수 발진기(13)가 첩(Chirp)이라고 불리는 주기 동안 주파수가 선형적으로 상승하였다가 하강하는 FMCW 레이더 파형 신호를 생성하여 출력하도록 제어 신호를 출력한다. 가변 주파수 발진부(13)에서 발진된 주파수 변조 신호는 전력 증폭기(14)를 통해 송신 안테나(17)로 송출된다. 송신 안테나(17)를 통해 송출된 FMCW 레이더 파형 신호는 타겟에서 반사되어 수신 안테나(15)로 수신된다.
일 실시예에서 송신 안테나(17) 및 수신 안테나(15)는 마이크로 패치 안테나로 구현된다. 도시된 실시예는 알에프 회로부마다 한 개의 송신 안테나 및 수신 안테나를 도시하고 있어 송신 안테나 및 수신 안테나의 개수가 동일한 경우를 예시하고 있으나 이는 예시적인 것일 뿐 일반적으로 송신 안테나와 수신 안테나의 개수는 상이하다. 한 개의 송신 안테나에서 송신된 FMCW 레이더 파형 신호와 한 개의 수신 안테나를 통해 수신된 FMCW 레이더 파형 신호를 비교하여 지연값과 도플러 천이(Doppler Shift) 를 측정함으로써, 타겟까지의 거리와 시선 속도(radial velocity)를 측정할 수 있다. 하나의 송신 안테나와 하나의 수신 안테나 쌍으로 구성되는 채널별로 타겟까지의 거리와 시선 속도를 산출할 수 있다. 또 다수의 송신 안테나와 다수의 수신 안테나들을 통해 각변위(angular displacement)를 측정할 수 있다. 알려진 바와 같이 다중 상태 스캔 운용(Multi-state scan operation)을 통해 각위치 해상도를 높일 수 있다.
타겟 검출부(30)는 알에프 회로부들(10-1,…,10-N)을 통해 수신된 레이더 파형 신호들로부터 비트 주파수들을 구하고, 이들을 2차례 푸리에 변환하여 각 채널에서 타겟 후보까지의 거리와 시선 속도를 산출하고, 예를 들면 CFAR(Constant False Alarm Rate) 알고리즘을 통해 잡음 및 허상을 제거하여 타겟 후보들을 검출한다. 그러나 CFAR 알고리즘을 통해서 검출된 타겟 후보들은 여전히 상당한 수의 허상이나 잡음을 포함하고 있으므로 타겟 추적부(50)는 타겟 검출부(30)에서 검출된 타겟 후보들의 분포나 움직임의 히스토리를 분석하여 허상을 제거하고 타겟 후보들 중 실제 타겟을 결정한다. 다수의 채널 별로 검출된 타겟 후보 신호들로부터 각변위, 즉 위치 데이터를 구할 수 있다. 제안된 발명은 이러한 타겟 추적부(50)에 관련된다.
도 2는 일 실시예에 따른 타겟 추적 장치의 구성을 도시한 블록도이다. 도시된 실시예에서 각각의 블록들은 컴퓨팅 요소들에 의해 실행되는 프로그램으로 구현될 수 있다. 컴퓨팅 요소들은 전형적으로는 하나 혹은 복수의 프로세서와 이 프로세서들이 실행하는 프로그램이나 데이터를 저장하는 메모리를 포함하여 구성된다. 일 예로, 메모리는 불휘발성 메모리와 휘발성 메모리로 구성될 수 있다. 프로세서들은 전형적으로 각각의 타스크에 적합하도록 구성(configuration)을 변경할 수 있는 재구성 가능한 구조(reconfigurable architecture)를 가질 수 있다. 소프트웨어로 구현될 경우 하나 혹은 복수의 동시에 실행되는 타스크(task)들이 타스크간 인터페이스를 통해 데이터를 주고 받으며 실행되도록 구현될 수 있다. 타스크 중 속도가 요구되는 것들을 중심으로 그 전부 혹은 일부가 하드웨어로 구현될 수도 있다. 제안된 발명은 현대의 이러한 구현 기술을 포괄하도록 해석된다. 각각의 블록들은 비록 설명의 한계상 흐름도나 블럭도로 표현되었지만 반드시 순차적으로 실행되어야 하는 것이 아니라는 점이 논리적인 이해에 개방되어야 한다. 후술하는 바와 같이 이들 중 동시(concurrent)에 실행되는 것이 유리한 경우도 있고, 순차적으로 실행되는 것이 유리한 경우도 있다.
도시된 바와 같이, 일 실시예에 따른 타겟 추적 장치는 순환 신경망 처리부(110)와 타겟 출력부(130)를 포함한다. 순환 신경망 처리부(110)는 처리 윈도우 내에 존재하는 최대 N개의 타겟 후보(target candidate)의 위치 정보 및 속도 정보를 포함하는 포인터(pointer)들을 입력 받아 M(<N)개의 선별된 타겟 후보와 그 타겟 확률들을 출력한다. 타겟 확률은 해당 타겟 후보가 타겟일 확률이다. 여기서 입력 벡터들은 위치 정보를 포함한다는 의미에서 포인터(pointer)로 표현되었다. 입력 선택부(120)는 처리 윈도우 내에 존재하는 검출된 타겟 후보들 중 타겟일 확률이 높은 N개의 타겟을 선택한다. 처리 윈도우 내에 타겟 후보의 개수가 N개 보다 적은 경우에는 나머지 입력은 0 으로 채운다. 처리 윈도우는 이전 단계인 타겟 검출부 등에서 출력된 타겟 후보의 수가 적은 경우에는 전체 타겟 후보를 포함하도록 선택될 수 있다. 노이즈 타겟 신호는 간헐적으로 나타나는 경우가 많으며, 입력 선택부(120)는 간헐 빈도를 감안하여 이들을 배제할 수 있다. 공간적으로 N개 보다 많은 개수의 타겟 후보가 분포된 경우 입력 선택부(120)는 다음 윈도우 위치를 기반으로 하여 N개의 후보를 선정한다. 이 경우 윈도우 중심 위치를 기준으로 거리가 가까운 순서로 정하거나, 신호의 크기가 주어지는 경우에는 그 크기 순으로 정하거나, 또는 동특성(dynamic characteristics), 즉 각 타겟 후보에 대해 추정된 이동궤적을 고려하여 선택할 수 있다.
순환 신경망 회로는 현재 입력과 과거의 상태를 동일한 파라메터로 처리하여 다음 상태와 출력을 산출한다. 순환 신경망 회로는 과거의 누적된 상태를 출력에 반영하므로 필기체 인식이나 자연어 처리에 좋은 성능을 보여준다. 제안된 발명은 레이더 신호의 타겟 추적이 움직임의 히스토리에 크게 의존하는 특성을 반영하여 메모리 기능을 가지는 순환 신경망 회로를 적용하였고 좋은 결과를 달성하였다. 특징적으로, 순환 신경망 회로의 입력은 공간적인 범위의 윈도우 내에 분포된 타겟 후보 중 일정한 개수로 선택된다. 이 순환 신경망 회로는 내부적으로 최대 Q개의 추적 버퍼를 가지도록 학습된다. 제안된 발명에서 순환 신경망 회로 중 순환 루프에서 선택적 제거가 가능한 게이티드 순환 신경망 유닛(Gated Recurrent Unit)을 적용할 경우 더 양호한 성능을 보여 주었다.
일 실시예에 있어서, 순환 신경망 회로의 입력은 2차원 좌표와 시선 속도이다. 추가적인 양상에 따라, 순환 신경망 회로의 입력은 매개변수를 더 포함할 수 있다. 예를 들어 매개변수는 타겟 후보의 2차원 좌표를 (x,y)라 할 때 (x2+y2)일 수 있다. 매개변수를 입력으로 사용함으로써 순환 신경망 회로의 추적 속도를 높일 수 있다. 또다른 예에 있어서, 순환 신경망 회로의 입력 중 하나로 매개 변수 대신 레이더 파형 신호의 진폭(amplitude)값이 채택될 수 있다.
선택적인 양상에 따라, 순환 신경망 회로의 입력은 최종 타겟과 입력 타겟 후보의 2차원 좌표의 차분값일 수 있다. 이때 순환 신경망 회로는 학습시에는 강화 학습을 적용하여 최종 타겟과 타겟 후보의 2차원 좌표의 차분값으로 학습시키나, 실제 동작시에는 이전에 결정된 타겟과 현재 타겟 후보의 2차원 좌표의 차분값을 입력으로 한다. 이 경우에도 차분값에 대한 매개변수가 입력 중 하나로 추가될 수 있다. 예를 들어 매개변수는 차분 좌표값을 (Δx, Δy)라 할 때 (Δx2 + Δy2)이 될 수 있다.
타겟 출력부(130)는 M개의 선별된 타겟 후보들을 입력 받아 그 타겟 확률들을 고려하여 최종 타겟을 결정하여 출력한다. 예를 들어 타겟 출력부(130)는 가장 타겟일 확률이 높은 1개의 타겟 후보를 선별하여 출력할 수 있다.
추가적인 양상에 따르면, 타겟 출력부(130)는 타겟 선별부(131)와 타겟 결정부(133)를 포함할 수 있다. 일 실시예에 있어서, 타겟 선별부(131)는 M개의 선별된 타겟 후보들을 입력 받아 그 타겟 확률들을 고려하여 K(<M)개의 재선별된 타겟 후보를 출력한다. 예를 들어 타겟 선별부(131)는 M개의 선별된 타겟 후보들 중 타겟 확률이 높은 K(<M)개의 재선별된 타겟 후보를 출력할 수 있다. 이 실시예에서, 타겟 결정부(133)는 K개의 재선별된 타겟 후보들로부터 하나의 최종 타겟을 결정하여 출력한다. 일 예로, 타겟 결정부(133)는 K개의 재선별된 타겟 후보들 중 가장 타겟일 확률이 높은 타겟 후보를 최종적인 타겟으로 결정한다.
추가적인 양상에 따르면, 레이더 타겟 추적 장치는 처리 윈도우 결정부(150)를 더 포함할 수 있다. 처리 윈도우 결정부(150)는 타겟 결정부(133)에서 결정된 최종 타겟을 고려하여 다음 처리 윈도우의 위치를 결정한다. 공간적으로 많은 개수의 타겟 후보가 분포된 경우 처리 윈도우는 공간적으로 분포된 타겟 후보들 중 일정한 영역으로 선택될 수 있다. 처리 윈도우가 선택됨에 따라 그 윈도우 내의 타겟 후보들의 개수가 달라질 수 있다. 일 실시예에 있어서, 전체 타겟 후보들의 분포에서 현재 타겟으로 결정된 위치가 다음 처리 윈도우의 중심이 되도록 다음 처리 윈도우의 위치가 결정된다.
추가적인 양상에 따르면, 레이더 타겟 추적 장치는 추적 평가부(160)를 더 포함할 수 있다. 일 양상에 따르면, 추적 평가부(160)는 타겟 추적의 성공 여부를 판단한다. 일 실시예에 있어서, 추적 평가부(160)는 타겟 출력부(130)에서 결정되어온 최종 타겟들의 시간축 상에서의 시퀀스의 동특성(dynamics)을 분석하여 현재 추적의 성공 여부를 평가할 수 있다. 즉, 물리적으로 존재하는 타겟은 갑작스런 위치 이동이 불가능하므로 타겟의 이동 궤적은 물리 법칙에 부합하는 동특성을 보여야 한다. 따라서 일정 시간 동안 결정된 최종 타겟들의 시퀀스를 통해 다음 최종 타겟의 위치를 대략적으로 예측할 수 있다. 예를 들면 직전 12개 최종 타겟의 위치 좌표와 시선 속도값으로부터 현재 최종 타겟의 위치 좌표와 시선 속도값을 예측할 수 있다. 현재 시점에서 결정된 최종 타겟이 예측된 타겟의 위치에서 크게 벗어난다면 최종 타겟의 결정이 실패한 것으로 판단할 수 있다.
추가적인 양상에 따르면, 레이더 타겟 추적 장치는 처리 윈도우 크기 결정부(151)를 더 포함할 수 있다. 일 실시예에서, 레이더 타겟 추적 장치는 타겟의 추적이 성공적이라고 평가한 경우 처리 윈도우의 크기를 기본 크기로 유지한다. 타겟의 추적이 실패하였다고 평가한 경우 처리 윈도우의 크기를 기본 크기보다 확대한다. 처리 윈도우의 크기를 확대함으로써, 타겟 후보들을 보다 넓은 범위에서 포괄하게 되고, 다시 성공적인 타겟 추적으로 되돌아올 확률이 높아진다. 예를 들어 확대된 처리 윈도우는 기본 처리 윈도우에 비해 가로, 세로가 각각 1.5배 길어지고 그에 따라 기본 크기 면적의 2.25배의 면적을 가질 수 있다. 도시된 실시예에 있어서, 처리 윈도우의 크기가 넓어지는 경우에 입력 선택부(120)는 그 넓어진 처리 윈도우에 포함된 타겟 후보 신호들 중 타겟일 확률이 높은 N개를 순환 신경망 처리부(110)의 입력으로 선택하게 된다.
도시된 실시예에서, 타겟 결정부(133)에서 타겟이 결정되면 처리 윈도우 위치 결정부(153)는 그 결정된 타겟의 위치에 기초하여 새로운 처리 윈도우의 중심 위치를 결정한다. 그와 함께 추적 평가부(160)는 타겟 결정부(133)에서 결정된 타겟의 동특성으로부터 타겟 추적의 성공 여부를 평가하고, 그 평가 결과에 따라 처리 윈도우의 크기를 결정한다.
도 3은 또다른 실시예에 따른 타겟 추적 장치의 구성을 도시한 블록도이다. 도2의 실시예와 유사한 구성요소는 동일한 도면부호로 참조된다. 도 2에 도시된 실시예에서는 타겟 출력부(130)가 최종적인 타겟을 결정하여 출력하는 반면, 도 3에 도시된 실시예에서는 추적 평가부(160')가 최종적인 타겟을 결정하여 출력한다. 일 양상에 따라, 도시된 실시예에서, 추적 평가부(160')는 타겟 출력부(130)에서 최종적으로 결정된 최종 타겟들의 시간축 상에서의 변화, 즉 동특성을 분석하여, 현재 결정된 최종 타겟의 추적의 성공 여부를 결정할 수 있다. 예를 들어 타겟 결정부(133)가 타겟 선별부(131)의 출력들 중 가장 타겟 확률이 높은 것을 선택하는 경우 타겟 확률이 그 보다 낮은 타겟 후보가 실제로는 더 적합한 타겟일 수 있다. 추가적인 양상에 따르면, 추적 평가부(160')는 이러한 평가 결과를 반영하여 타겟 결정부(133)가 결정한 최종 타겟을 취소하고, 타겟 선별부(131)에서 1차적으로 선별된 K개의 타겟 후보들 중 동특성에 부합하는 다른 타겟 후보를 최종 타겟으로 결정하여 최종적인 타겟으로 출력할 수 있다. 추적 평가부(160')에서 타겟이 결정되면 처리 윈도우 위치 결정부(153)는 그 결정된 타겟의 위치에 기초하여 새로운 처리 윈도우의 중심 위치를 결정한다. 그와 함께 추적 평가부(160')는 결정된 타겟들의 시퀀스로부터 동특성을 분석하여 타겟 추적의 성공 여부를 평가하고, 그 평가 결과값에 따라 처리 윈도우의 크기를 결정한다. 예를 들어 평가 결과값은 타겟 추적이 성공일 확률일 수 있고, 처리 윈도우의 크기는 최대 크기와 최소 크기 사이에서 이 확률을 반영하여 결정될 수 있다.
도 4는 또다른 실시예에 따른 레이더 타겟 추적 장치의 구성을 도시한 블록도이다. 도시된 바와 같이, 도 4에 도시된 실시예는 도 3에 도시된 실시예와 비교하여 규칙기반 추적부(170)의 구성을 더 포함하고 있다. 도3의 실시예와 유사한 구성요소는 동일한 도면부호로 참조된다. 규칙기반 추적부(170)는 추적 평가부(160)에서 타겟 추적에 실패한 것으로 판단한 경우 규칙기반(Rule-based) 알고리즘에 기반하여 타겟을 검출하여 이를 변경된 타겟으로 처리 윈도우 결정부(150)로 출력한다. 예를 들어 규칙 기반 추적부(170)는 확장 칼만 필터(Extended Kalman Filter)를 사용한다. 도시된 실시예에 있어서, 규칙기반 추적부(170)는 순환신경망 처리부(110)에서 선택된 M개의 타겟 후보와 이전 단계에서의 최종 추정된 타겟 출력들의 시퀀스를 기반으로 확장 칼만 필터 알고리즘을 계산하여 추적중인 타겟의 가능한 다음 위치의 범위를 추정하고 그에 따라 M개의 타겟 후보 중 하나를 최종 타겟으로 결정한다. 추적 평가부(160)에서 타겟 선별부(130)가 타겟 추적에 실패한 것으로 판단하면, 처리 윈도우 결정부(150)는 타겟 선별부(130)의 출력 대신, 규칙 기반 추적부(170)의 출력으로부터 다음 처리 윈도우를 결정한다.
도 5는 또다른 실시예에 따른 레이더 타겟 추적 장치의 구성을 도시한 블록도이다. 도시된 바와 같이, 도 5에 도시된 실시예는 도 2에 도시된 실시예와 비교하여 초기 타겟 추적부(190)의 구성을 더 포함하고 있다. 도2의 실시예와 유사한 구성요소는 동일한 도면부호로 참조된다. 일 양상에 따르면, 초기 타겟 추적부(190)는 순환 신경망 처리부(110)가 충분히 안정되기 이전의 입력 샘플값의 시퀀스에 대해 안정 속도가 빠른 다른 알고리즘을 사용하여 타겟을 추적한다. 예를 들어 초기 타겟 추적부(190)는 순환 신경망 처리부(110)의 히든 레이어의 개수만큼의 입력값 시퀀스에 대해 동작할 수 있다. 또다른 예로, 초기 타겟 추적부(190)는 순환 신경망 처리부(110)의 히든 레이어의 개수보다 적은 수 만큼의 입력값 시퀀스에 대해 동작할 수 있다. 일 양상에 따르면, 초기 타겟 추적부(190)는 규칙기반(Rule-based) 알고리즘에 기반하여 타겟을 결정할 수 있다. 도시된 실시예에 있어서, 초기 타겟 추적부(190)는 확장 칼만 필터(Extended Kalman Filter)로 구현되나, 제안된 양상은 이에 한정되지 않는다.
도시된 실시예에서 타겟 결정부(133)가 초기 소정의 입력 샘플 기간 동안은 초기 타겟 추적부(190)가 출력한 최종 타겟을 출력하고, 그 이후에는 자신이 타겟 선별부(131)의 출력으로부터 결정한 최종 타겟을 출력하는 것으로 도시되었다. 그러나 제안된 발명은 이에 한정되지 않는다. 예를 들어 도 3에 도시된 실시예에 적용될 경우 이러한 선택적 출력은 추적 평가부(160')가 담당할 수 있다. 도 2 내지 도 4를 통해 선택적인 것으로 기재된 양상들은 동일하게 도 6의 실시예에 있어서 선택적으로 적용될 수 있다.
도 6은 또다른 실시예에 따른 레이더 타겟 추적 장치의 구성을 도시한 블록도이다. 도시된 바와 같이, 도시된 실시예에 있어서, 타겟 결정부(133)는 순환 신경망 회로로 구현된다. 이 실시예에 있어서, 순환 신경망 회로는 K개의 재선별된 타겟 후보들의 2차원 좌표 및 속도 정보를 포함하는 포인터들을 처리하여 하나의 최종 타겟을 결정하여 출력한다. 이 순환 신경망 회로는 내부적으로 순환 신경망 처리부(110)와 동일하게 Q개의 추적 버퍼를 가지도록 학습될 수 있다. 또다른 예로, 순환 신경망 처리부(110)의 추적 버퍼보다 더 적은 수를 가지도록 학습될 수도 있다. 또다른 양상에 따라, 타겟 결정부(133)는 순환 신경망 회로부(135)와, 출력선택부(136)를 포함할 수 있다. 순환 신경망 회로부(135)는 K개의 타겟 후보들로부터 L개의 타겟 후보와 그 타겟 확률들을 출력한다. 출력선택부(136)는 소프트맥스(Softmax) 함수를 포함하여 타겟 후보들 중 타겟 확률이 가장 높은 타겟 후보를 최종 타겟으로 출력한다. 소프트맥스 함수는 확률을 정규화하여 확률이 가장 높은 타겟을 출력하는 당해 분야에서 알려진 출력 함수 중 하나이다. 도 2 내지 도 5를 통해 선택적인 것으로 기재된 양상들은 동일하게 도 6의 실시예에 있어서 선택적으로 적용될 수 있다.
도 7은 또다른 실시예에 따른 레이더 타겟 추적 장치의 구성을 도시한 블록도이다. 도시된 바와 같이, 도 7에 도시된 실시예는 도 3에 도시된 실시예에 따른 레이더 타겟 추적 장치를 병렬로 P개 포함하고 있다. 그러나 제안된 발명은 이에 한정되지 않으며, 도 2, 도4 내지 도6에 도시된 실시예에 따른 타겟 추적 장치를 병렬로 P개 포함하는 구성은 물론, 명세서에 언급된 선택적인 양상이나 자명한 선택적인 양상들이 조합된 다양한 실시예에 적용될 수 있다. 이러한 구조를 통해 하나의 입력 타겟 후보들로부터 최대 P개의 타겟을 동시에 추적할 수 있다. 이러한 추가적인 양상에 따르면, 레이더 타겟 추적 장치는 순환 신경망 처리부(110-1,…,110-P) 및 대응하는 타겟 출력부(130-1,…,130-P)를 복수개 구비하되, 각각의 순환 신경망 처리부 및 대응하는 타겟 출력부 쌍은 상이한 타겟을 추적하도록 제어된다. 타겟들의 동선에 따라, 처리 윈도우들은 추적 중에 일부가 겹치도록 설정될 수 있다.
도 8은 일 실시예에 따른 레이더 타겟 추적 방법의 구성을 도시한 흐름도이다. 일 양상에 따르면, 레이더 타겟 추적 방법은 순환 신경망 처리 단계(S190)와 타겟 출력 단계(S210)를 포함한다. 먼저, 순환 신경망 처리 단계(S190)에서는 처리 윈도우 내에 존재하는 최대 N개의 타겟 후보(target candidate)의 위치 정보 및 속도 정보를 포함하는 포인터들을 순환 신경망 회로로 처리하여 M(<N)개의 선별된 타겟 후보와 그 각각의 타겟 확률들을 출력한다. 이후에 타겟 출력 단계(S210)에서 선별된 M개의 타겟 후보들을 입력 받아 그 타겟 확률들을 고려하여 최종 타겟을 결정하여 출력한다. 이들의 동작에 대해서는 도 2를 참조하여 전술한 바와 유사하다.
추가적인 양상에 따라, 입력 벡터를 구성하는 포인터의 위치 정보는 각 포인터의 2차원 좌표와 타겟의 2차원 좌표의 차분값일 수 있다. 추가적인 양상에 따라, 포인터는 2차원 좌표값으로부터 구해지는 매개변수를 더 포함할 수 있다. 전술한 바와 같이, 이 매개 변수는 2차원 좌표값 또는 그 차분 값 벡터의 크기일 수 있다. 이러한 양상도 도 2를 참조하여 전술한 바와 유사하다.
추가적인 양상에 따라, 타겟 출력 단계(210)는 타겟 선별 단계(S211)와 타겟 결정 단계(S213)를 포함할 수 있다. 타겟 선별 단계(S211)는 M개의 선별된 타겟 후보들을 입력 받아 그 타겟 확률들을 고려하여 K개의 재선별된 타겟 후보를 출력한다. 타겟 결정 단계(S213)는 K개의 재선별된 타겟 후보들로부터 하나의 최종 타겟을 결정한다. 추가적인 양상에 따라, 타겟 결정 단계(S213)는 K개의 재선별된 타겟 후보들의 위치 정보 및 속도 정보를 포함하는 포인터들을 순환 신경망 회로로 처리하여 하나의 최종 타겟을 결정할 수 있다. 이러한 타겟 출력 단계(S210)의 구체적인 동작에 대해서는 도 2, 도 3, 도 5, 혹은 도 6을 참조하여 설명한 바와 유사하다.
추가적인 양상에 따르면, 레이더 타겟 추적 방법은 처리 윈도우 결정 단계(S130)를 더 포함할 수 있다. 처리 윈도우 결정 단계(S130)에서는 타겟 출력 단계(S210)에서 결정된 최종 타겟을 고려하여 다음 처리 윈도우를 결정한다. 일 양상에 따르면, 처리 윈도우 결정 단계(S130)는 타겟 출력 단계(S210)에서 결정된 최종 타겟을 고려하여 다음 처리 윈도우를 결정하는 처리 윈도우 위치 결정 단계(S131)를 포함할 수 있다. 일 실시예에서 처리 윈도우의 위치는 결정된 최종 타겟이 윈도우의 중심이 되도록 결정된다. 또다른 예로, 처리 윈도우는 최종 타겟의 동특성을 반영하여 추정된 장래 이동 방향으로 치우치도록 위치를 결정할 수도 있다.
추가적인 양상에 따르면, 레이더 타겟 추적 방법은 추적 평가 단계(S230)를 더 포함할 수 있다. 추적 평가 단계(S230)에서는 타겟 추적의 성공 여부를 판단한다. 추가적인 양상에 따르면, 레이더 타겟 추적 방법은 추적 평가 단계에서 타겟 추적에 실패한 것으로 판단된 경우 다음 처리 윈도우의 크기를 확대하여 적용하고, 타겟 추적에 성공한 것으로 판단된 경우 다음 처리 윈도우의 크기를 정상적인 크기로 적용하는 처리 윈도우 크기 결정 단계(S133)를 더 포함할 수 있다. 처리 윈도우를 확대한 이후, 다시 추적에 성공하게 되면 처리 윈도우의 크기는 다시 정상 크기로 회복된다. 이러한 추적 평가 단계(S230) 및 처리 윈도우 크기 결정 단계(S133)의 구체적인 동작은 도 2 내지 도 5를 참조하여 설명한 바와 유사하다.
추가적인 양상에 따르면, 추적 평가 단계(S230)는 현재 결정된 최종 타겟이 추적에 실패한 것으로 판단된 경우 타겟 출력부(S210)가 결정한 최종 타겟을 버리고 기존에 결정되어온 최종 타겟들의 동특성에 부합하는 새로운 타겟을 타겟 후보들 중에서 선택하여 새로운 최종 타겟으로 출력할 수도 있다. 이때 처리 윈도우의 위치는 새롭게 결정된 최종 타겟에 따라 결정될 수 있다.
추가적인 양상에 따르면, 레이더 타겟 추적 방법은 초기 추적 단계(S110)를 더 포함할 수 있다. 도 5를 참조하여 전술한 바와 같이 초기 추적 단계(S110)는 순환 신경망 처리단계(S190)의 내부 히든 레이어(hidden layer)의 깊이를 참조하여 결정되는 샘플 시퀀스들만큼 반복될 수 있으며, 확장 칼만 필터를 사용하여 처리할 수 있다. 초기의 이 기간 동안 처리 윈도우의 위치는 이러한 초기 추적 단계(S110)의 결과로부터 결정될 수 있다.
도 9는 또다른 실시예에 따른 레이더 타겟 추적 방법의 구성을 도시한 흐름도이다. 도시된 실시예에 있어서, 규칙 기반 추적 단계(S160)가 부가되었다. 추가적인 양상에 따라, 규칙 기반 추적 단계(S160)는 추적 평가 단계(S230)에서 타겟 추적에 실패한 것으로 판단한 경우 규칙기반(Rule-based) 알고리즘에 기반하여 검출된 타겟을 중심으로 다음 처리 윈도우의 위치를 결정한다. 처리 윈도우 위치 결정 단계(S130)는 추적 평가 단계(S230)에서 추적이 성공한 것으로 판단된 경우에는 타겟 출력 단계(S210)에서 결정된 타겟의 위치로부터, 실패한 것으로 판단된 경우에는 규칙 기반 추적 단계(S160)에서 결정된 타겟의 위치로부터 처리 윈도우의 위치를 결정한다. 예를 들어 처리 윈도우는 결정된 타겟이 처리 윈도우의 중앙에 위치하도록 결정될 수 있다.
정리하면, 도시된 실시예에서 추적 평가 단계(S230)에서 타겟 출력 단계(S210)에서 결정된 타겟에 대해 추적이 성공적인 것으로 판단한 경우에, 처리 윈도우 위치 결정 단계(S131)는 타겟 출력 단계(S210)에서 결정된 타겟의 위치로부터 처리 윈도우의 위치를 결정하고, 처리 윈도우 크기 결정 단계(S133)는 정상적인 크기의 처리 윈도우를 선택한다. 또 추적 평가 단계(S230)에서 타겟 출력 단계(S210)에서 결정된 타겟에 대해 추적이 실패한 것으로 판단한 경우에, 타겟 출력 단계(S210)에서 결정된 타겟 대신에 규칙 기반 추적 단계(S160)에서 산출된 타겟이 최종적인 타겟으로 선택된다. 규칙 기반 추적 루틴은 순환 신경망 처리 단계(S190), 타겟 출력 단계(S210)와 병렬적으로 계속 실행되고 있으며, 단지 추적 평가 단계(S230)의 평가 결과에 따라 최종 타겟이 두 루틴의 출력 중 하나로 선택된다. 이 경우 처리 윈도우 위치 결정 단계(S131)는 규칙 기반 추적 단계(S160)에서 산출된 타겟의 위치로부터 처리 윈도우의 위치를 결정하고, 처리 윈도우 크기 결정 단계(S133)는 정상보다 확대된 크기의 처리 윈도우를 선택한다. 이러한 규칙 기반 추적 단계(S160)의 구체적인 동작은 도 4를 참조하여 전술한 동작과 유사하다.
추가적인 양상에 따르면, 제안된 발명에 따른 레이더 타겟 추적 방법을 병렬로 복수 개 실행할 수 있다. 병렬로 실행되는 각각의 레이더 타겟 추적 방법은 각각 상이한 타겟을 추적하게 된다. 초기에 실 타겟일 확률이 높은 타겟 후보들이 복수 개 선택되고, 각각의 선택된 복수의 타겟들에 대해 각각 제안된 발명에 따른 타겟 추적 방법에 따른 타스크(task)들이 실행된다.
이상에서 본 발명을 첨부된 도면을 참조하는 실시예들을 통해 설명하였지만 이에 한정되는 것은 아니며, 이들로부터 당업자라면 자명하게 도출할 수 있는 다양한 변형예들을 포괄하도록 해석되어야 한다. 특허청구범위는 이러한 변형예들을 포괄하도록 의도되었다.
10 : 알에프 회로부 11 : 변조부
13 : 가변 발진부 12 : 저잡음 증폭기
14 : 전력 증폭기 15 : 수신 안테나
17 : 송신 안테나 20 : 변복조 제어부
30 : 타겟 검출부 50 : 타겟 추적부
110 : 순환 신경망 처리부 120 : 입력 선택부
130 : 타겟 출력부 131 : 타겟 선별부
133 : 타겟 결정부 135 : 순환 신경망 회로부
150 : 처리 윈도우 결정부
151 : 처리 윈도우 크기 결정부 153 : 처리 윈도우 위치 결정부
160 : 추적 평가부 170 : 규칙 기반 추적부
190 : 초기 타겟 추적부

Claims (20)

  1. 안테나를 통해 수신한 레이더 파형 신호를 2차례 푸리에 변환하여 산출한 타겟 후보들의 위치 및 속도 정보로부터 타겟을 결정하는 타겟 추적 방법에 있어서,
    처리 윈도우 내에 존재하는 최대 N개의 타겟 후보(target candidate)의 위치 정보 및 속도 정보를 포함하는 포인터들을 순환 신경망 회로로 처리하여 M(<N)개의 선별된 타겟 후보와 그 타겟 확률들을 출력하는 순환 신경망 처리 단계와;
    M개의 선별된 타겟 후보들을 입력받아 그 타겟 확률들을 고려하여 최종 타겟을 결정하여 출력하는 타겟 출력 단계;
    타겟 출력 단계에서 결정된 최종 타겟을 따라 이동하도록 다음 처리 윈도우를 결정하는 처리 윈도우 결정 단계;
    를 포함하는 레이더 타겟 추적 방법.
  2. 청구항 1에 있어서, 포인터의 위치 정보는 각 포인터의 2차원 좌표와 타겟의 2차원 좌표의 차분값인 레이더 타겟 추적 방법.
  3. 청구항 1에 있어서, 포인터는 2차원 좌표값으로부터 구해지는 매개변수를 더 포함하는 레이더 타겟 추적 방법.
  4. 청구항 1에 있어서, 상기 레이더 타겟 출력 단계는 :
    M개의 선별된 타겟 후보들을 입력 받아 그 타겟 확률들을 고려하여 K(<M)개의 재선별된 타겟 후보를 출력하는 타겟 선별 단계와;
    K개의 재선별된 타겟 후보들로부터 하나의 최종 타겟을 결정하는 타겟 결정 단계;
    를 포함하는 레이더 타겟 추적 방법.
  5. 청구항 4에 있어서, 타겟 결정 단계는
    K개의 재선별된 타겟 후보들의 위치 정보 및 속도 정보를 포함하는 포인터들을 순환 신경망 회로로 처리하여 하나의 최종 타겟을 결정하는 레이더 타겟 추적 방법.
  6. 삭제
  7. 청구항 1에 있어서, 상기 방법이 :
    타겟 추적의 성공 여부를 판단하는 추적 평가 단계;
    를 더 포함하는 레이더 타겟 추적 방법.
  8. 청구항 7에 있어서, 상기 방법이 :
    추적 평가 단계에서 타겟 추적에 실패한 것으로 판단된 경우 다음 처리 윈도우의 크기를 확대하는 처리 윈도우 확대 단계;를 더 포함하는 레이더 타겟 추적 방법.
  9. 청구항 7에 있어서, 상기 방법이 :
    추적 평가 단계에서 타겟 추적에 실패한 것으로 판단한 경우 규칙기반(Rule-based) 알고리즘에 기반하여 검출된 타겟을 중심으로 다음 처리 윈도우의 위치를 결정하는 규칙 기반 추적 단계를 더 포함하는 레이더 타겟 추적 방법.
  10. 청구항 1에 있어서, 상기 방법이 :
    초기의 포인터들의 입력에 대해 규칙기반(Rule-based) 알고리즘에 기반하여 타겟을 결정하는 초기 추적 단계;
    결정된 타겟을 중심으로 초기의 처리 윈도우의 위치를 결정하는 초기 처리 윈도우 결정 단계;
    를 더 포함하는 레이더 타겟 추적 방법.
  11. 청구항 1에 있어서, 상기 방법이
    다른 처리 윈도우 내에 존재하는 최대 N개의 타겟 후보(target candidate)의 위치 정보 및 속도 정보를 포함하는 포인터들을 또다른 순환 신경망 회로로 처리하여 M(<N)개의 선별된 타겟 후보와 그 타겟 확률들을 출력하는 제2 순환 신경망 처리 단계와;
    M개의 선별된 타겟 후보들을 입력받아 그 타겟 확률들을 고려하여 K개의 선별된 타겟 후보를 출력하는 제2 타겟 선별 단계;
    를 더 포함하는 레이더 타겟 추적 방법.
  12. 안테나를 통해 수신한 레이더 파형 신호를 2차례 푸리에 변환하여 산출한 타겟 후보들의 위치 및 속도 정보로부터 타겟을 결정하는 레이더 타겟 추적 장치에 있어서,
    처리 윈도우 내에 존재하는 최대 N개의 타겟 후보(target candidate)의 위치 정보 및 속도 정보를 포함하는 포인터들을 입력 받아 M(<N)개의 선별된 타겟 후보와 그 타겟 확률들을 출력하는 순환 신경망 처리부와;
    M개의 선별된 타겟 후보들을 입력 받아 그 타겟 확률들을 고려하여 최종 타겟을 결정하여 출력하는 타겟 출력부;
    타겟 출력부에서 결정된 최종 타겟을 따라 이동하도록 다음 처리 윈도우를 결정하는 처리 윈도우 결정부;
    를 포함하는 레이더 타겟 추적 장치.
  13. 청구항 12에 있어서, 상기 타겟 출력부는 :
    M개의 선별된 타겟 후보들을 입력 받아 그 타겟 확률들을 고려하여 K(<M)개의 재선별된 타겟 후보를 출력하는 타겟 선별부와;
    K개의 재선별된 타겟 후보들로부터 하나의 최종 타겟을 결정하는 타겟 결정부;
    를 포함하는 레이더 타겟 추적 장치.
  14. 청구항 13에 있어서, 타겟 결정부는 :
    K개의 재선별된 타겟 후보들의 2차원 좌표 및 속도 정보를 포함하는 포인터들을 처리하여 하나의 최종 타겟을 결정하여 출력하는 순환 신경망 회로를 포함하는 레이더 타겟 추적 장치.
  15. 삭제
  16. 청구항 12에 있어서, 상기 장치가 :
    타겟 출력부의 타겟 추적의 성공 여부를 평가하는 추적 평가부;
    를 더 포함하는 레이더 타겟 추적 장치.
  17. 청구항 16에 있어서, 상기 장치가 :
    추적 평가부로부터 타겟 추적의 성공 여부의 평가 결과에 따라 다음 처리 윈도우의 윈도우 크기를 결정하는 처리 윈도우 크기 결정부;
    를 더 포함하는 레이더 타겟 추적 장치.
  18. 청구항 12에 있어서, 상기 장치가 :
    규칙기반(Rule-based) 알고리즘에 기반하여 타겟을 검출하여 타겟 결정부로 출력하는 규칙기반 처리 추적부와;
    타겟 결정부에서 결정되어온 타겟 시퀀스의 동특성으로부터 현재 타겟 출력부에서 결정한 최종 타겟의 추적의 성공 여부를 평가하여 출력하고, 실패로 판단된 경우 규칙 기반 처리 추적부의 출력을 최종 타겟으로 출력하는 추적 평가부;
    를 더 포함하는 레이더 타겟 추적 장치.
  19. 청구항 12에 있어서, 상기 장치가 :
    초기의 입력 샘플값들에 대해 규칙기반(Rule-based) 알고리즘에 기반하여 타겟을 결정하여 출력하는 초기 타겟 추적부;
    를 더 포함하는 레이더 타겟 추적 장치.
  20. 청구항 12에 있어서, 상기 장치가 :
    상기 순환 신경망 처리부 및 대응하는 타겟 선별부를 복수개 구비하되, 각각의 순환 신경망 처리부 및 대응하는 타겟 선별부 쌍은 상이한 타겟을 추적하는 레이더 타겟 추적 장치.

KR1020180095289A 2018-08-16 2018-08-16 인공 지능을 이용하여 레이더 신호로부터 타겟을 추적하는 방법 및 그 장치 KR102175239B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180095289A KR102175239B1 (ko) 2018-08-16 2018-08-16 인공 지능을 이용하여 레이더 신호로부터 타겟을 추적하는 방법 및 그 장치
US16/457,898 US11486966B2 (en) 2018-08-16 2019-06-28 Method and apparatus for tracking target from radar signal using artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180095289A KR102175239B1 (ko) 2018-08-16 2018-08-16 인공 지능을 이용하여 레이더 신호로부터 타겟을 추적하는 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20200020057A KR20200020057A (ko) 2020-02-26
KR102175239B1 true KR102175239B1 (ko) 2020-11-06

Family

ID=69523114

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180095289A KR102175239B1 (ko) 2018-08-16 2018-08-16 인공 지능을 이용하여 레이더 신호로부터 타겟을 추적하는 방법 및 그 장치

Country Status (2)

Country Link
US (1) US11486966B2 (ko)
KR (1) KR102175239B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11852750B2 (en) * 2019-06-28 2023-12-26 Smart Radar System, Inc. Method and apparatus for radar signal processing using recurrent neural network
EP3806065A1 (en) 2019-10-11 2021-04-14 Aptiv Technologies Limited Method and system for determining an attribute of an object at a pre-determined time point
EP3872710A1 (en) 2020-02-27 2021-09-01 Aptiv Technologies Limited Method and system for determining information on an expected trajectory of an object
EP3943969A1 (en) * 2020-07-24 2022-01-26 Aptiv Technologies Limited Methods and systems for predicting a trajectory of an object

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100426928B1 (ko) * 1995-06-20 2004-07-23 이턴 보라드 테크놀로지스, 엘.엘.씨. 표적예측및충돌경보시스템
JP2017151706A (ja) * 2016-02-24 2017-08-31 沖電気工業株式会社 検出領域変更装置、検出領域変更方法およびプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5634423B2 (ja) * 2012-03-02 2014-12-03 株式会社東芝 目標追跡装置、目標追跡プログラム、目標追跡システム、及び目標追跡方法
US9299010B2 (en) * 2014-06-03 2016-03-29 Raytheon Company Data fusion analysis for maritime automatic target recognition
JP6239150B2 (ja) * 2014-12-15 2017-11-29 三菱電機株式会社 レーダ装置
US20180129934A1 (en) * 2016-11-07 2018-05-10 Qualcomm Incorporated Enhanced siamese trackers
US11093819B1 (en) * 2016-12-16 2021-08-17 Waymo Llc Classifying objects using recurrent neural network and classifier neural network subsystems
KR101913648B1 (ko) * 2017-01-23 2018-10-31 광주과학기술원 다중 객체 추적 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100426928B1 (ko) * 1995-06-20 2004-07-23 이턴 보라드 테크놀로지스, 엘.엘.씨. 표적예측및충돌경보시스템
JP2017151706A (ja) * 2016-02-24 2017-08-31 沖電気工業株式会社 検出領域変更装置、検出領域変更方法およびプログラム

Also Published As

Publication number Publication date
KR20200020057A (ko) 2020-02-26
US20200057141A1 (en) 2020-02-20
US11486966B2 (en) 2022-11-01

Similar Documents

Publication Publication Date Title
KR102175239B1 (ko) 인공 지능을 이용하여 레이더 신호로부터 타겟을 추적하는 방법 및 그 장치
JP6239664B2 (ja) 周辺環境推定装置及び周辺環境推定方法
CN103827690B (zh) 雷达装置
US7626535B2 (en) Track quality based multi-target tracker
EP2581758B1 (en) Methods for resolving radar ambiguities using multiple hypothesis tracking
US20070253625A1 (en) Method for building robust algorithms that classify objects using high-resolution radar signals
JP2017156219A (ja) 追尾装置、追尾方法およびプログラム
CN114415112B (zh) 多星多辐射源数据动态关联方法、装置及电子设备
EP3742189A1 (en) System and method for detecting pulses using fused threshold/ phase modulation detection
CN112912759A (zh) 物体跟踪装置
JP2010286404A (ja) 移動目標検出装置
US5471433A (en) System and method for rapidly tracking highly dynamic vehicles
JP4166651B2 (ja) 目標追尾装置
CN117434507A (zh) 使用可解释人工智能对机器学习算法的训练
Kim et al. Deep-learning based multi-object detection and tracking using range-angle map in automotive radar systems
JP2013002841A (ja) 目標追尾装置
KR20210054769A (ko) 레이더 신호 처리 장치 및 레이더 신호 처리 방법
Baek et al. Grid-based target estimation scheme for passive coherent location system
Zheng et al. Improved NN-JPDAF for joint multiple target tracking and feature extraction
CN113514823B (zh) 一种基于伪谱的多模型机动目标检测前跟踪方法
US20230040007A1 (en) Scene-Adaptive Radar
KR102029399B1 (ko) 대상체에 대한 반사 신호를 처리하는 정보 처리 장치 및 방법.
JP6570800B2 (ja) 目標追尾装置
JPH11190772A (ja) 追尾レーダ装置
이규정 Exploiting Velocity Information to Alleviate Association Uncertainty in Radar Dim Target Tracking

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant