KR102369967B1

KR102369967B1 - 학습 데이터 생성 방법, 학습 방법 및 표적 탐지 장치

Info

Publication number: KR102369967B1
Application number: KR1020210103212A
Authority: KR
Inventors: 권지훈; 이승의
Original assignee: 한화시스템 주식회사
Priority date: 2021-08-05
Filing date: 2021-08-05
Publication date: 2022-03-04

Abstract

본 발명은 학습 데이터 생성 방법, 학습 방법 및 표적 탐지 장치에 관한 것으로서, 인공 지능을 이용하여 표적을 탐지하기 위한 학습 데이터 생성 방법, 학습 방법 및 표적 탐지 장치에 관한 것이다.
본 발명의 실시 예에 따른 학습 데이터 생성 방법은, 레이다 신호를 수신하는 과정; 상기 레이다 신호에 대한 거리-속도 맵을 생성하는 과정; 상기 거리-속도 맵에서 표적이 존재할 가능성이 있는 예상 위치를 선택하는 과정; 및 상기 거리-속도 맵에서 상기 예상 위치를 포함하는 소정 영역의 맵 데이터를 표적을 탐지하기 위한 인공 신경망의 학습 데이터로 생성하는 과정;을 포함한다.

Description

학습 데이터 생성 방법, 학습 방법 및 표적 탐지 장치{LEARNING DATA GENERATION METHOD, LEARNING METHOD AND TARGET DETECTION APPARATUS USING THE SAME}

본 발명은 학습 데이터 생성 방법, 학습 방법 및 표적 탐지 장치에 관한 것으로서, 인공 지능을 이용하여 표적을 탐지하기 위한 학습 데이터 생성 방법, 학습 방법 및 표적 탐지 장치에 관한 것이다.

레이더 시스템은 표적(target)을 탐지하기 위해 신호를 송신하고, 표적으로부터 반사된 신호를 수신하여 수신 신호를 처리함으로써 표적을 탐지하는 시스템이다. 이때, 수신 신호에는 표적에 대한 신호뿐만 아니라 다양한 지형 지물에 의한 클러터(clutter) 신호가 포함된다. 이러한 클러터 신호로 인하여 어느 정도의 신호 세기에 대해 표적으로 인식해야 하는지가 레이더 탐지율의 관건이 된다.

일반적으로, 레이더 시스템은 주변 환경에 따라 임계치(threshold)를 설정하여 운용하는 일정 오경보율(CFAR: Constant False Alarm Rate) 알고리즘을 이용하여 표적을 탐지한다. 이때, 표적 탐지를 위해 임계치(threshold)를 높이면 클러터 신호를 표적으로 오인할 확률이 줄어들어 탐지 정확도가 높아지지만, 탐지하지 못하고 놓치는 표적이 생길 수 있다. 반대로, 임계치를 낮추면 표적을 탐지할 확률이 증가하여 많은 표적을 탐지해 낼 수는 있지만, 클러터 신호로 인해 오탐지율이 높아지는 현상이 발생한다.

표적으로부터 반사되는 신호의 품질이 매우 좋은 경우, 표적 신호의 출력 값이 상대적으로 높기 때문에 높은 임계치를 설정하여도 표적을 쉽게 탐지할 수 있다. 그러나, 표적 신호의 출력 값이 상대적으로 낮은 경우, 예를 들어 저속으로 비행하는 소형 표적의 경우에는, 레이다 반사 면적(RCS; Radar Cross Section)이 작아 낮은 신호대 잡음비(SNR; signal-to-noise ratio)를 가지기 때문에, 표적 신호의 출력 값이 임계치보다 낮은 값을 가지게 되어 이를 탐지하기가 매우 어려운 문제점이 있었다.

KR

10-2015-0131779

A

본 발명은 표적 신호의 출력 값이 낮은 경우에도 표적 탐지 성능을 향상시킬 수 있는 학습 데이터 생성 방법, 학습 방법 및 표적 탐지 장치를 제공한다.

본 발명의 실시 예에 따른 학습 데이터 생성 방법은, 레이다 신호를 수신하는 과정; 상기 레이다 신호에 대한 거리-속도 맵을 생성하는 과정; 상기 거리-속도 맵에서 표적이 존재할 가능성이 있는 예상 위치를 선택하는 과정; 및 상기 거리-속도 맵에서 상기 예상 위치를 포함하는 소정 영역의 맵 데이터를 표적을 탐지하기 위한 인공 신경망의 학습 데이터로 생성하는 과정;을 포함한다.

상기 예상 위치를 선택하는 과정은, 상기 거리-속도 맵에서 일정 오경보율 알고리즘에 의하여 설정된 임계치보다 높은 출력 값을 가지는 히트 셀을 검출하는 과정; 및 상기 히트 셀의 위치를 표적이 존재할 가능성이 있는 예상 위치로 선택하는 과정;을 포함할 수 있다.

상기 거리-속도 맵을 생성하는 과정은, 상기 레이다 신호에 대한 복수의 거리-속도 맵을 생성할 수 있다.

상기 거리-속도 맵을 생성하는 과정은, 상기 레이다 신호가 수신되는 펄스 반복 주기 간격으로 복수의 거리-속도 맵을 생성할 수 있다.

상기 예상 위치를 선택하는 과정은, 상기 복수의 거리-속도 맵에서 일정 오경보율 알고리즘에 의하여 설정된 임계치보다 높은 출력 값을 가지는 히트 셀을 각각 검출하는 과정; 상기 복수의 거리-속도 맵에서 각각 검출된 히트 셀을 클러스터링하는 과정; 상기 클러스터링된 히트 셀의 중심 위치를 산출하는 과정; 및 상기 중심 위치를 표적이 존재할 가능성이 있는 예상 위치로 선택하는 과정;을 포함할 수 있다.

상기 히트 셀을 각각 검출하는 과정은, 상기 복수의 거리-속도 맵으로부터 각각 산출된 복수의 거리-속도 인덱스 맵에서 히트 셀을 각각 검출하고, 상기 히트 셀을 클러스터링하는 과정은, 검출된 히트 셀을 상기 복수의 거리-속도 인덱스 맵 중 어느 하나의 거리-속도 인덱스 맵에 배열하여 클러스터링할 수 있다.

상기 히트 셀을 클러스터링하는 과정은, 배열된 히트 셀 중 임의의 히트 셀을 제1 기준 히트 셀로 설정하는 과정; 상기 제1 기준 히트 셀을 포함하는 제1 클러스터를 형성하는 과정; 상기 제1 기준 히트 셀과 인접한 셀에 히트 셀이 존재하는지 검사하는 과정; 및 상기 제1 기준 히트 셀과 인접한 셀에 히트 셀이 존재하는 경우, 발견된 히트 셀을 제1 클러스터에 포함시키는 과정;을 포함할 수 있다.

상기 히트 셀이 존재하는지 검사하는 과정은, 상기 제1 기준 히트 셀과 소정 간격 이내에 위치하는 셀에 히트 셀이 존재하는지 검사할 수 있다.

상기 히트 셀을 클러스터링하는 과정은, 상기 제1 기준 히트 셀과 인접한 셀에 히트 셀이 존재하지 않는 경우, 제1 클러스터에 포함되지 않는 히트 셀을 제2 기준 히트 셀로 설정하는 과정; 및 상기 제2 기준 히트 셀을 포함하는 제2 클러스터를 형성하는 과정;을 더 포함할 수 있다.

상기 제2 클러스터를 형성하는 과정은, 상기 제1 클러스터에 포함되지 않은 히트 셀로 제2 클러스터를 형성할 수 있다.

상기 클러스터링된 히트 셀의 중심 위치를 산출하는 과정은, 상기 히트 셀을 클러스터링하는 과정에서 형성된 복수의 클러스터 중 일부의 클러스터에 대하여만 중심 위치를 산출할 수 있다.

상기 클러스터링된 히트 셀의 중심 위치를 산출하는 과정은, 상기 히트 셀을 클러스터링하는 과정에서 형성된 각 클러스터에 포함된 히트 셀의 거리 값 및 속도 값을 평균하여 중심 위치를 산출할 수 있다.

상기 학습 데이터로 생성하는 과정은, 상기 복수의 거리-속도 맵 중 적어도 일부를 합성한 거리-속도 맵에서 상기 예상 위치를 포함하는 소정 영역의 맵 데이터를 표적을 탐지하기 위한 인공 신경망의 학습 데이터로 생성할 수 있다.

또한, 본 발명의 실시 예에 따른 학습 방법은 전술한 어느 하나의 학습 데이터 생성 방법을 사용하여 학습 데이터를 생성하는 과정; 및 생성된 학습 데이터로 표적을 탐지하기 위한 인공 신경망을 학습시키는 과정;을 포함한다.

생성된 학습 데이터를 참 또는 거짓으로 라벨링하는 과정;을 더 포함하고, 상기 인공 신경망을 학습시키는 과정은, 참 또는 거짓으로 라벨링된 학습 데이터로 상기 인공 신경망을 지도 학습시킬 수 있다.

한편, 본 발명의 실시 예에 따른 표적 탐지 장치는 전술한 학습 방법으로 미리 학습된 인공 신경망을 이용하여 표적을 탐지할 수 있다.

본 발명의 실시 예에 따르면, 표적 신호의 출력 값이 상대적으로 낮은 경우에도 정확하게 표적을 탐지할 수 있다.

즉, 레이다 신호를 수신하여 생성되는 거리-속도 맵에서 표적이 존재할 가능성이 있는 예상 위치를 포함하는 소정 영역의 맵 데이터를, 인공 신경망을 학습사키기 위한 학습 데이터로 생성하고, 학습된 인공 신경망을 이용하여 표적을 탐지함으로써 표적 신호의 출력 값이 낮은 경우에도 정확한 탐지가 가능하게 된다.

도 1은 본 발명의 실시 예에 따른 학습 데이터 생성 방법을 나타내는 도면.
도 2는 일정 오경보율 알고리즘을 이용하여 히트 셀을 검출하는 모습을 나타내는 도면.
도 3은 검출된 히트 셀을 클러스터링하는 모습을 나타내는 도면.
도 4는 표적이 존재할 가능성이 있는 예상 위치를 거리-속도 맵에 표시한 도면.
도 5는 인공 신경망의 학습 데이터로 사용되는 맵 데이터를 나타내는 도면.

이하, 첨부된 도면을 참조하여 본 발명의 실시 예들을 상세히 설명하기로 한다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 발명의 실시 예들은 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 발명을 상세하게 설명하기 위해 도면은 과장되어 도시될 수 있으며, 도면상에서 동일 부호는 동일한 요소를 지칭한다.

도 1은 본 발명의 실시 예에 따른 학습 데이터 생성 방법을 나타내는 도면이다. 또한, 도 2는 일정 오경보율 알고리즘을 이용하여 히트 셀을 검출하는 모습을 나타내는 도면이고, 도 3은 검출된 히트 셀을 클러스터링하는 모습을 나타내는 도면이다. 한편, 도 4는 표적이 존재할 가능성이 있는 예상 위치를 거리-속도 맵에 표시한 도면이며, 도 5는 인공 신경망의 학습 데이터로 사용되는 맵 데이터를 나타내는 도면이다.

도 1을 참조하면, 본 발명의 실시 예에 따른 학습 데이터 생성 방법은, 레이다 신호를 수신하는 과정(S100), 상기 레이다 신호에 대한 거리-속도 맵을 생성하는 과정(S200), 상기 거리-속도 맵에서 표적이 존재할 가능성이 있는 예상 위치를 선택하는 과정(S300) 및 상기 거리-속도 맵에서 상기 예상 위치를 포함하는 소정 영역의 맵 데이터를 표적을 탐지하기 위한 인공 신경망의 학습 데이터로 생성하는 과정(S400)을 포함한다.

레이다 신호를 수신하는 과정(S100)은 표적을 탐지하기 위한 탐지 영역 내에서 표적(target) 신호와 클러터(clutter) 신호를 포함하는 레이다 신호를 수신한다. 이때, 클러터(clutter) 신호는 노이즈(noise)로 정의될 수 있다. 여기서, 표적 신호는 송신된 신호가 표적으로부터 반사된 신호를 의미하고, 노이즈는 송신된 신호가 표적이 아닌 다양한 지형 지물로부터 반사된 신호를 의미한다. 레이다 신호는 다중 펄스(pulse) 신호를 포함할 수 있으며, 수신되는 레이다 신호는 다양한 세기(amplitude) 값을 가질 수 있다.

레이다 신호를 수신하는 과정(S100)은 탐지 영역 내에 모의 표적을 제공하고, 모의 표적 신호와 노이즈를 포함하는 레이다 신호를 수신할 수 있다. 이와 같이, 탐지 영역 내에 모의 표적을 제공한 후 레이다 신호를 수신하는 경우, 후술하는 과정에 의하여 생성된 학습 데이터가 표적 신호를 포함하는 학습 데이터인지, 표적 신호가 존재하지 않고 노이즈만을 포함하는 학습 데이터인지 구분할 수 있게 된다. 생성된 학습 데이터가 표적 신호를 포함하는 학습 데이터인 경우, 생성된 학습 데이터는 참(true)인 것으로 라벨링(labeling)될 수 있고, 생성된 학습 데이터가 노이즈만을 포함하는 학습 데이터인 경우, 생성된 학습 데이터는 거짓(false)인 것으로 라벨링될 수 있다.

거리-속도 맵을 생성하는 과정(S200)은 수신된 레이다 신호에 대한 거리-속도 맵을 생성한다. 여기서, 거리-속도 맵은 수신된 레이다 신호를 도플러 필터 처리한 2차원(2D) 영상을 포함할 수 있으며, 도플러 필터 처리는 고속 푸리에 변환(FFT; Fast Fourier Transform)을 적용하여 구현 가능하다. 예를 들어, 거리-속도 맵은 거리(range)와 도플러 주파수(doppler frequency)를 X축과 Y축으로 하는 2차원 영상일 수 있으며, 거리 및 도플러 주파수에 따른 신호 세기가 다양한 색상으로 구분되어 표시될 수 있다. 거리-속도 맵을 생성하는 과정(S200)은 표적 탐지 장치, 즉 레이다 장치에서 표적을 탐지하기 위해 사용되는 일반적인 내용이 그대로 적용될 수 있으므로 이에 대한 상세한 설명은 생략하기로 한다.

예상 위치를 선택하는 과정(S300)은 상기와 같이 생성된 거리-속도 맵에서 표적이 존재할 가능성이 있는 예상 위치를 선택한다. 여기서, 표적이 존재할 가능성이 있는 위치는 거리-속도 맵에서 일정 오경보율(CFAR: Constant False Alarm Rate) 알고리즘에 의하여 설정된 임계치(threshold)보다 높은 신호 세기 값을 나타내는 위치일 수 있으며, 이를 위하여 예상 위치를 선택하는 과정(S300)은 거리-속도 맵에서 일정 오경보율 알고리즘에 의하여 설정된 임계치보다 높은 출력 값을 가지는 히트 셀을 검출하는 과정 및 상기 히트 셀의 위치를 표적이 존재할 가능성이 있는 예상 위치로 선택하는 과정을 포함할 수 있다.

히트 셀(hit cell)을 검출하는 과정은 거리-속도 맵에서 일정 오경보율 알고리즘에 의하여 설정된 임계치보다 높은 출력 값을 가지는 히트 셀을 검출한다. 여기서, 히트 셀을 검출하는 과정은, 도 2에 도시된 바와 같이 거리-속도 맵으로부터 산출된 거리-속도 인덱스 맵에서 히트 셀을 검출할 수 있다. 거리-속도 인덱스 맵은 거리에 따라 부여되는 인덱스, 즉 거리 인덱스(range index)를 X축으로 하고, 도플러 주파수에 따라 부여되는 인덱스, 즉 도플러 인덱스(doppler index)를 Y축으로 하는 2차원 영상일 수 있다. 거리-속도 맵으로부터 산출된 거리-속도 인덱스 맵에서 일정 오경보율 알고리즘에 의하여 설정된 임계치보다 높은 출력 값을 가지는 히트 셀을 검출하는 내용은 일정 오경보율 알고리즘과 관련한 다양한 내용이 그대로 적용될 수 있으므로 이에 대한 상세한 설명은 생략하기로 한다.

이와 같은 과정에 의하여 히트 셀이 검출되면, 검출된 히트 셀의 위치를 표적이 존재할 가능성이 있는 예상 위치로 선택할 수 있다. 뿐만 아니라, 본 발명의 실시 예는 레이다 신호에 대하여 복수의 거리-속도 맵을 생성하는 경우에도 적용될 수 있으며, 이 경우 노이즈의 영향을 최소화하여 보다 신뢰성 있는 학습 데이터를 생성할 수 있다.

이를 위하여, 전술한 레이다 신호에 대한 거리-속도 맵을 생성하는 과정(S200)은 레이다 신호에 대한 복수의 거리-속도 맵을 생성할 수 있다. 이때, 생성된 복수의 거리-속도 맵은 레이다 신호가 수신되는 펄스 반복 주기(PRI; Pulse Repetition Interval) 간격으로 복수의 거리-속도 맵을 생성할 수 있다.

이때, 예상 위치를 선택하는 과정(S300)은 복수의 거리-속도 맵에서 일정 오경보율 알고리즘에 의하여 설정된 임계치보다 높은 출력 값을 가지는 히트 셀을 각각 검출하는 과정, 상기 복수의 거리-속도 맵에서 각각 검출된 히트 셀을 클러스터링하는 과정, 상기 클러스터링된 히트 셀의 중심 위치를 산출하는 과정 및 상기 중심 위치를 표적이 존재할 가능성이 있는 예상 위치로 선택하는 과정을 포함할 수 있다.

히트 셀을 각각 검출하는 과정은 복수의 거리-속도 맵에서 일정 오경보율 알고리즘에 의하여 설정된 임계치보다 높은 출력 값을 가지는 히트 셀을 각각 검출한다. 즉, 히트 셀을 각각 검출하는 과정은 생성되는 복수의 거리-속도 맵으로부터 각각 거리-속도 인덱스 맵을 산출하고, 산출된 각각의 거리-속도 인덱스 맵에서 일정 오경보율 알고리즘에 의하여 설정된 임계치보다 높은 출력 값을 가지는 히트 셀을 검출한다. 검출된 히트 셀들은 각각의 거리-속도 인덱스 맵에 제공될 수 있으나, 히트 셀들을 클러스터링하기 위하여 본 발명의 실시 예에서는 검출된 히트 셀을 복수의 거리-속도 인덱스 맵 중 어느 하나의 거리-속도 인덱스 맵에 배열되도록 할 수 있다.

히트 셀을 클러스터링하는 과정은, 복수의 거리-속도 맵에서 각각 검출되어 어느 하나의 거리-속도 인덱스 맵에 배열된 히트 셀들을 군집화, 즉 클러스터링(clustering)한다. 히트 셀을 클러스터링하는 과정에서는 히트 셀들이 배열된 거리-속도 인덱스 맵에서 히트 셀의 밀집도가 높은 영역을 찾을 수 있다.

이때, 히트 셀을 클러스터링하는 과정은 배열된 히트 셀 중 임의의 히트 셀을 제1 기준 히트 셀로 설정하는 과정, 상기 제1 기준 히트 셀을 포함하는 제1 클러스터를 형성하는 과정, 상기 제1 기준 히트 셀과 인접한 셀에 히트 셀이 존재하는지 검사하는 과정 및 상기 제1 기준 히트 셀과 인접한 셀에 히트 셀이 존재하는 경우, 발견된 히트 셀을 제1 클러스터에 포함시키는 과정을 포함할 수 있다. 여기서, 히트 셀이 존재하는지 검사하는 과정은 제1 기준 히트 셀과 소정 간격 이내에 위치하는 셀에 히트 셀이 존재하는지 검사할 수 있다.

즉, 히트 셀을 클러스터링하는 과정은 임의의 히트 셀을 제1 기준 히트 셀로 설정하고, 설정된 제1 기준 히트 셀을 포함하는 제1 클러스터(cluster #1)을 형성한다. 이후, 설정된 제1 기준 히트 셀과 인접한 셀, 즉 거리-속도 인덱스 맵 상에서 제1 기준 히트 셀과 소정 간격 이내에 위치하는 셀이 존재하는지 검사하고, 제1 기준 히트 셀과 인접한 셀에 히트 셀이 존재하는 경우, 발견된 히트 셀을 제1 클러스터에 포함시킨다. 이와 같이 인접한 히트 셀을 제1 클러스터에 계속적으로 포함시키다가 제1 기준 히트 셀과 인접한 셀에 히트 셀이 존재하지 않는 경우, 제1 클러스터(cluster #1)의 형성이 완료된다.

제1 클러스터(cluster #1)의 형성이 완료되면, 제1 클러스터에 포함되지 않은 히트 셀을 제2 기준 히트 셀로 설정하고, 제2 기준 히트 셀을 포함하는 제2 클러스터를 형성한다. 제2 클러스터를 형성하는 과정은 전술한 제1 클러스터를 형성하는 과정과 유사하나, 제2 클러스터를 형성하는 과정은 제1 클러스터에 포함되지 않은 히트 셀을 대상으로 수행된다. 즉, 제2 클러스터를 형성하는 과정은 제1 클러스터에 포함되지 않은 히트 셀로 제2 클러스터를 형성한다.

위와 같은 과정을 계속적으로 수행하여 히트 셀들의 클러스터링이 완료되면 클러스터링 결과에 대해 가중치 및 필터링을 적용하여 중요도가 높은 클러스터를 선택한다. 즉, 후술할 히트 셀의 중심 위치를 산출하는 과정은 히트 셀을 클러스터링하는 과정에서 형성된 복수의 클러스터 중 일부의 클러스터에 대하여만 중심 위치를 산출할 수 있다. 가중치 및 필터링은 탐지 환경에 따라 다양한 조건으로 적용될 수 있으며, 도 3은 13개의 중요도가 높은 클러스터(cluster #1 ~ cluster #13)를 선택한 일 예를 도시한다.

중심 위치를 산출하는 과정은 클러스터링된 히트 셀의 중심 위치를 산출한다. 즉, 히트 셀을 클러스터링하는 과정에서 형성된 복수의 클러스터 중 일부의 클러스터에 대하여 해당 클러스터의 중심에 위치하는 히트 셀에 대하여, 거리-속도 맵 상의 히트 셀의 위치를 산출한다. 여기서, 중심 위치는 클러스터에 포함되는 히트 셀의 최소 거리 인덱스와 최대 거리 인덱스의 중간 값과 최소 도플러 인덱스와 최대 도플러 인덱스의 중간 값으로 산출될 수도 있으나, 밀집도를 반영하기 위하여 해당 클러스터에 포함된 히트 셀의 거리 값 및 속도 값을 평균하여 중심 위치를 산출할 수 있다. 산출된 중심 위치는 거리-속도 맵에서 표적이 존재할 가능성이 있는 예상 위치로 선택되게 된다.

상기의 과정에 의하여 거리-속도 맵에서 표적이 존재할 가능성이 있는 예상 위치를 선택하게 되면, 해당 예상 위치를 포함하는 소정 영역의 맵 데이터를 표적을 탐지하기 위한 인공 신경망의 학습 데이터로 생성하는 과정(S400)이 수행된다. 여기서, 맵 데이터는 거리-속도 맵을 소정 영역으로 분할한 데이터를 의미하며, 분할된 거리-속도 맵이 제공하는 거리, 도플러 속도 및 신호 세기에 관한 정보를 포함할 수 있다.

학습 데이터로 생성하는 과정(S400)은 거리-속도 맵에서 표적이 존재할 가능성이 있는 예상 위치를 선택하고, M×N(여기서, M, N은 자연수) 크기의 맵 데이터를 표적을 탐지하기 위한 인공 신경망의 학습 데이터로 생성한다. 이때, 학습 데이터로 생성하는 과정(S400)은 하나의 거리-속도 맵을 이용하여 표적이 존재할 가능성이 있는 예상 위치를 산출하는 경우, 해당 거리-속도 맵의 맵 데이터를 학습 데이터로 생성할 수 있으며, 복수의 거리-속도 맵을 이용하여 표적이 존재할 가능성이 있는 예상 위치를 산출하는 경우, 복수의 거리-속도 맵 중 적어도 일부의 거리-속도 맵을 합성한 거리-속도 맵의 맵 데이터를 학습 데이터로 생성할 수도 있다.

한편, 전술한 바와 같이, 레이다 신호를 수신하는 과정(S100)은 탐지 영역 내에 모의 표적을 제공하고, 모의 표적 신호와 노이즈를 포함하는 레이다 신호를 수신할 수 있다. 따라서, 거리-속도 맵에서 표적 신호는 이미 알려져 있기 때문에 생성된 학습 데이터는 참 또는 거짓으로 라벨링될 수 있다. 도 4에서는 제1 클러스터(cluster #1) 내지 제5 클러스터(cluster #1)와 제11 클러스터(cluster #1) 내지 제13 클러스터(cluster #1)가 노이즈만을 포함하고, 제6 클러스터(cluster #1) 내지 제10 클러스터(cluster #1)가 표적 신호를 포함하는 일 예를 도시하였다.

이하에서는, 본 발명의 실시 예에 따른 학습 방법에 대하여 설명한다. 본 발명의 실시 예에 따른 학습 방법은 전술한 학습 데이터 생성 방법에 의하여 생성된 학습 데이터로 인공 신경망을 학습시키는 방법일 수 있으며, 이에 학습 데이터 생성 방법과 관련하여 전술한 내용과 중복되는 설명은 생략하기로 한다.

본 발명의 실시 예에 따른 학습 방법은 학습 데이터를 생성하는 과정 및 생성된 학습 데이터로 표적을 탐지하기 위한 인공 신경망을 학습시키는 과정을 포함한다. 여기서, 학습 데이터를 생성하는 과정은 전술한 본 발명의 실시 예에 따른 학습 데이터 생성 방법이 그대로 적용될 수 있다.

학습 데이터가 생성되면, 생성된 학습 데이터를 참 또는 거짓으로 라벨링하는 과정이 수행될 수 있다. 즉, 생성된 학습 데이터가 표적 신호를 포함하는 학습 데이터인 경우, 생성된 학습 데이터는 참(true)인 것으로 라벨링(labeling)될 수 있고, 생성된 학습 데이터가 노이즈만을 포함하는 학습 데이터인 경우, 생성된 학습 데이터는 거짓(false)인 것으로 라벨링될 수 있다.

인공 신경망을 학습시키는 과정은 생성된 학습 데이터를 딥 러닝(deep learning)하여 인공 신경망을 학습시킬 수 있으며, 학습 데이터는 참 또는 거짓으로 라벨링되어 있기 때문에 지도 학습(supervised learning)에 의하여 인경 신경망을 학습시킬 수 있다. 참 또는 거짓으로 라벨링된 학습 데이터를 이용하여 인공 신경망을 지도 학습하는 내용은 이미 알려진 다양한 내용이 적용될 수 있는 바 이에 대한 상세한 설명은 생략하기로 한다.

이와 같은 과정에 의하여 표적을 탐지하기 위한 인공 신경망이 학습되면, 인공 신경망을 이용하여 레이다 반사 면적(RCS; Radar Cross Section)이 작아 낮은 신호대 잡음비(SNR; signal-to-noise ratio)를 가지는 표적을 탐지할 수 있다. 즉, 본 발명의 실시 예에 따른 표적 탐지 장치는, 전술한 본 발명의 실시 예에 따른 학습 방법으로 미리 학습된 인공 신경망을 이용하여 표적을 탐지하며, 이 경우 인공 신경망은 맵 데이터를 학습 데이터로 사용하여 미리 학습된 바, 탐지 영역으로부터 수신된 레이다 신호에 대한 거리-속도 맵이 생성되면, 표적과 노이즈를 구분할 수 있게 된다. 따라서, 본 발명은 표적 신호의 출력 값이 낮은 경우에도 표적 탐지 성능을 향상시킬 수 있게 된다.

이와 같이, 본 발명의 실시 예에 따르면, 표적 신호의 출력 값이 상대적으로 낮은 경우에도 정확하게 표적을 탐지할 수 있다.

상기에서, 본 발명의 바람직한 실시 예가 특정 용어들을 사용하여 설명 및 도시되었지만 그러한 용어는 오로지 본 발명을 명확하게 설명하기 위한 것일 뿐이며, 본 발명의 실시 예 및 기술된 용어는 다음의 청구범위의 기술적 사상 및 범위로부터 이탈되지 않고서 여러 가지 변경 및 변화가 가해질 수 있는 것은 자명한 일이다. 이와 같이 변형된 실시 예들은 본 발명의 사상 및 범위로부터 개별적으로 이해되어져서는 안 되며, 본 발명의 청구범위 안에 속한다고 해야 할 것이다.

Claims

인공 신경망을 이용하여 표적을 탐지하는 표적 탐지 장치가 상기 인공 신경망을 학습시키기 위한 학습 데이터를 생성하는 학습 데이터 생성 방법으로서,
레이다 신호를 수신하는 과정;
상기 레이다 신호에 대한 거리-속도 맵을 생성하는 과정;
상기 거리-속도 맵에서 표적이 존재할 가능성이 있는 예상 위치를 선택하는 과정; 및
상기 거리-속도 맵에서 상기 예상 위치를 포함하는 소정 영역의 맵 데이터를 표적을 탐지하기 위한 인공 신경망의 학습 데이터로 생성하는 과정;을 포함하고,
상기 거리-속도 맵을 생성하는 과정은,
상기 레이다 신호가 수신되는 펄스 반복 주기 간격으로 복수의 거리-속도 맵을 생성하고,
상기 예상 위치를 선택하는 과정은,
상기 복수의 거리-속도 맵에서 일정 오경보율 알고리즘에 의하여 설정된 임계치보다 높은 출력 값을 가지는 히트 셀을 각각 검출하는 과정;
상기 복수의 거리-속도 맵에서 각각 검출된 히트 셀을 클러스터링하는 과정;
상기 클러스터링된 히트 셀의 중심 위치를 산출하는 과정; 및
상기 중심 위치를 표적이 존재할 가능성이 있는 예상 위치로 선택하는 과정;을 포함하며,
상기 히트 셀을 각각 검출하는 과정은,
상기 복수의 거리-속도 맵으로부터 각각 산출된 복수의 거리-속도 인덱스 맵에서 히트 셀을 각각 검출하고,
상기 히트 셀을 클러스터링하는 과정은,
검출된 히트 셀을 상기 복수의 거리-속도 인덱스 맵 중 어느 하나의 거리-속도 인덱스 맵에 배열하여 클러스터링하는 학습 데이터 생성 방법.
삭제
삭제
삭제
삭제
삭제
청구항 1에 있어서,
상기 히트 셀을 클러스터링하는 과정은,
배열된 히트 셀 중 임의의 히트 셀을 제1 기준 히트 셀로 설정하는 과정;
상기 제1 기준 히트 셀을 포함하는 제1 클러스터를 형성하는 과정;
상기 제1 기준 히트 셀과 인접한 셀에 히트 셀이 존재하는지 검사하는 과정; 및
상기 제1 기준 히트 셀과 인접한 셀에 히트 셀이 존재하는 경우, 발견된 히트 셀을 제1 클러스터에 포함시키는 과정;을 포함하는 학습 데이터 생성 방법.
청구항 7에 있어서,
상기 히트 셀이 존재하는지 검사하는 과정은,
상기 제1 기준 히트 셀과 소정 간격 이내에 위치하는 셀에 히트 셀이 존재하는지 검사하는 학습 데이터 생성 방법.
청구항 7에 있어서,
상기 히트 셀을 클러스터링하는 과정은,
상기 제1 기준 히트 셀과 인접한 셀에 히트 셀이 존재하지 않는 경우, 제1 클러스터에 포함되지 않는 히트 셀을 제2 기준 히트 셀로 설정하는 과정; 및
상기 제2 기준 히트 셀을 포함하는 제2 클러스터를 형성하는 과정;을 더 포함하는 학습 데이터 생성 방법.
청구항 9에 있어서,
상기 제2 클러스터를 형성하는 과정은,
상기 제1 클러스터에 포함되지 않은 히트 셀로 제2 클러스터를 형성하는 학습 데이터 생성 방법.
청구항 1에 있어서,
상기 클러스터링된 히트 셀의 중심 위치를 산출하는 과정은,
상기 히트 셀을 클러스터링하는 과정에서 형성된 복수의 클러스터 중 일부의 클러스터에 대하여만 중심 위치를 산출하는 학습 데이터 생성 방법.
청구항 1에 있어서,
상기 클러스터링된 히트 셀의 중심 위치를 산출하는 과정은,
상기 히트 셀을 클러스터링하는 과정에서 형성된 각 클러스터에 포함된 히트 셀의 거리 값 및 속도 값을 평균하여 중심 위치를 산출하는 학습 데이터 생성 방법.
청구항 1에 있어서,
상기 학습 데이터로 생성하는 과정은,
상기 복수의 거리-속도 맵 중 적어도 일부를 합성한 거리-속도 맵에서 상기 예상 위치를 포함하는 소정 영역의 맵 데이터를 표적을 탐지하기 위한 인공 신경망의 학습 데이터로 생성하는 과정;을 포함하는 학습 데이터 생성 방법.
인공 신경망을 이용하여 표적을 탐지하는 표적 탐지 장치가 상기 인공 신경망을 학습시키기는 학습 방법으로서,
청구항 1, 7 내지 13 중 어느 한 청구항에 기재된 학습 데이터 생성 방법을 사용하여 학습 데이터를 생성하는 과정; 및
생성된 학습 데이터로 표적을 탐지하기 위한 인공 신경망을 학습시키는 과정;을 포함하는 학습 방법.
청구항 14에 있어서,
생성된 학습 데이터를 참 또는 거짓으로 라벨링하는 과정;을 더 포함하고,
상기 인공 신경망을 학습시키는 과정은,
참 또는 거짓으로 라벨링된 학습 데이터로 상기 인공 신경망을 지도 학습시키는 학습 방법.
청구항 14에 기재된 학습 방법으로 미리 학습된 인공 신경망을 이용하여 표적을 탐지하는 표적 탐지 장치.