KR20190091818A - 순환신경회로망을 이용한 레이더 신호 처리 장치 및 방법 - Google Patents

순환신경회로망을 이용한 레이더 신호 처리 장치 및 방법 Download PDF

Info

Publication number
KR20190091818A
KR20190091818A KR1020180010858A KR20180010858A KR20190091818A KR 20190091818 A KR20190091818 A KR 20190091818A KR 1020180010858 A KR1020180010858 A KR 1020180010858A KR 20180010858 A KR20180010858 A KR 20180010858A KR 20190091818 A KR20190091818 A KR 20190091818A
Authority
KR
South Korea
Prior art keywords
distance
index
radar signal
target
signal processing
Prior art date
Application number
KR1020180010858A
Other languages
English (en)
Other versions
KR102074373B1 (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 KR1020180010858A priority Critical patent/KR102074373B1/ko
Publication of KR20190091818A publication Critical patent/KR20190091818A/ko
Application granted granted Critical
Publication of KR102074373B1 publication Critical patent/KR102074373B1/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
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • 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
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • G01S7/356—Receivers involving particularities of FFT processing
    • G01S2007/356—

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

디지털 변환된 FMCW 레이더 신호를 변조 주기 단위로 푸리에 변환한 1차원 데이터를 RNN(Recurrent Neural Network) 에 입력하여 각 거리 인덱스별 타겟 존재 확률을 구하고 이를 통해 거리 인덱스들, 즉 비트 주파수들이 선택된다. RNN 크기를 줄이기 위해, 윈도윙(windowing)이 적용될 수 있다.
추가적으로, 타겟이 존재하는 것으로 선택된 비트 주파수들을 복수의 변조 주기에 걸쳐 축적하여 푸리에 변환하여 속도 인덱스별 계수값이 산출될 수 있다. 이로부터 타겟의 속도가 산출될 수 있다.

Description

순환신경회로망을 이용한 레이더 신호 처리 장치 및 방법{Method and Apparatus for Radar Signal Processing Using Recurrent Neural Network}
레이더에서 수신한 신호를 처리하는 기술이 개시된다.
예를 들어 미국 공개특허공보 US2015/0226848A1에 개시된 것과 같은 주파수 변조 연속파 (Frequency Modulated Continuous Wave: FMCW) 레이더의 신호처리 기술이 알려져 있다. 타겟에서 반사되고 수신 안테나를 통해 수신한 반사파는 디지털 변환되고 PRI(pulse repetition interval) 단위로 FFT(Fast Fourier Transform) 변환되어 거리 인덱스(range index) 별 계수값인 거리 데이터가 계산된다. N개 PRI 동안의 FFT 변환된 데이터가 메모리에 저장된다. 이후에 저장된 데이터에 대해 거리 인덱스별로 두번째 FFT 변환을 수행하여 속도 인덱스별 계수값들이 계산되고 메모리에 저장된다. 메모리에 저장된 거리-속도 인덱스별 계수값들 중 타겟일 가능성이 높은 계수값들이 CFAR(Constant False Alarm Rate) 검파를 통해 선택된다. 이후에 선택된 타겟들의 속도와 거리가 출력될 수 있다.
여기서 CFAR 검파는 잡음과 클러터(clutter)가 존재하는 환경에서 가변적인 검출 임계값을 적용하여 오경보율을 일정하게 유지하면서 잡음과 클러터를 제거하고, 의미 있는 비트 주파수를 선택한다. 검출 임계값의 선택 방식에 따라 CA-CFAR(Cell-Averaging CFAR), OS0-CFAR(Order Statistics-CFAR) 등이 알려져 있다. 검출 임계값에 따라 탐지실패나 과탐지 문제가 발생한다. 그러나 다양한 환경 조건에 따라 검출 임계값을 적절히 설정하는 것은 아직도 어려운 문제이다.
제안된 발명은 레이더 신호에서 타겟들을 검출하는 신뢰성을 높이는 것을 목적으로 한다. 나아가 레이더 신호 처리 알고리즘을 간단하게 하는 것을 추가적인 목적으로 한다.
일 양상에 따르면, 디지털 변환된 FMCW 레이더 신호를 변조 주기 단위로 푸리에 변환한 1차원 데이터를 RNN(Recurrent Neural Network) 에 입력하여 각 거리 인덱스별 타겟 존재 확률을 구하고 이를 통해 거리 인덱스들, 즉 비트 주파수들이 선택된다. RNN 크기를 줄이기 위해, 윈도윙(windowing)이 적용될 수 있다.
추가적인 양상에 따르면, 타겟이 존재하는 것으로 선택된 비트 주파수들을 복수의 변조 주기에 걸쳐 축적하여 푸리에 변환하여 속도 인덱스별 계수값을 산출할 수 있다. 이로부터 타겟의 속도가 산출될 수 있다.
제안된 발명에 따라, FMCW 레이더 신호 처리에 있어서 탐지 실패나 과탐지의 문제가 효율적으로 회피되는 것을 시뮬레이션을 통해 확인할 수 있었다. 또한 기존에 비해 회로적으로 더 복잡하지 않고 또 계산량을 줄일 수 있는 방법을 제시하였다.
도 1은 일 실시예에 따른 레이더 신호 처리 방법의 구성을 도시한 흐름도이다.
도 2는 또다른 실시예에 따른 레이더 신호 처리 방법의 구성을 도시한 흐름도이다.
도 3은 또다른 실시예에 따른 레이더 신호 처리 방법의 구성을 도시한 흐름도이다.
도 4는 또다른 실시예에 따른 레이더 신호 처리 방법의 구성을 도시한 흐름도이다.
도 5는 일 실시예에 따른 레이더 신호 처리 장치의 구성을 도시한 블록도이다.
도 6은 또다른 실시예에 따른 레이더 신호 처리 장치의 구성을 도시한 블록도이다.
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 일 실시예에 따른 레이더 신호 처리 방법의 구성을 도시한 흐름도이다. 안테나에서 수신된 레이더 신호는 증폭, 주파수 합성 및 필터링되고 디지털로 샘플링되어 제안된 발명에 따른 FMCW 디지털 레이더 신호로 공급된다. 도시된 바와 같이, FMCW 디지털 레이더 신호는 첩(Chirp)이라고 하는 변조 주기(PRI: Pulse Repetition Interval) 단위로 푸리에 변환되어, 거리 인덱스(range index)별 계수값인 거리데이터가 생성된다(단계 S110). 첩(Chirp)이라고 하는 변조주기를 PRI라고 하고 샘플링 주파수를 fs라고 하면 변조 주기 당 샘플 개수는 PRI×fs 이다. PRI×fs 개의 입력을 가진 M-포인트 FFT를 통해 M개의 계수값들이 생성된다. 푸리에 변환된 계수값들은 거리 정보를 포함하고 있다는 의미에서 본 명세서에서 '거리 데이터'로 지칭된다.
이후에 거리 데이터는 RNN(Recurrent Neural Network) 신경망 회로에 입력되며, 관심 거리 인덱스의 타겟 존재 확률이 구해진다(단계 S150). 순환신경망회로는 이전의 시퀀스의 히든 노드가 방향을 가진 엣지로 연결되어 순환 구조를 가지며, 지금 들어온 입력 데이터와 과거에 입력 받았던 데이터가 함께 고려된다.
순환신경회로망은 내부에 정보가 지속되는 것을 돕는 순환 구조를 가진 네트워크이며, 과거의 데이터가 미래에 영향을 주는 구조를 가지고 있다. 순환신경회로망은 흔히 자연어처리에 성공적으로 적용된다. 현재의 단지 1개의 변조 주기의 푸리에 변환된 계수값이 제공되지만, 순환신경회로망은 내부에서 과거의 푸리에 변환된 계수값들의 영향을 고려하여 타겟의 존재 확률을 계산해낼 수 있다. 이로 인해, 메모리를 절약할 수 있고 간단한 계산 구조를 적용할 수 있다.
도시된 실시예에서 순환신경회로망은 지도 학습(supervised learning) 타입으로 구성된다. N개의 변조 주기의 푸리에 변환된 계수값들과 각각의 거리 인덱스의 타겟 존재 여부에 대한 정보가 각각의 히든 레이어(hidden layer)의 상태(state) 변수들에 제공되어 지도 학습이 이루어진다. 이때 최종 출력은 K개의 PRI 주기 후에 생성하는 것으로 학습한다. 즉, K개의 PRI 주기 후에 타겟의 존재 여부를 확정한다.
이후에, 각 거리 인덱스의 타겟 존재 확률들로부터 타겟이 존재하는 거리 인덱스가 선정된다(단계 S190). 일 실시예에서, 타겟의 존재 확률이 80% 이상인 거리 인덱스가 타겟이 존재하는 거리 인덱스로 선정된다.
도 2는 또다른 실시예에 따른 레이더 신호 처리 방법의 구성을 도시한 흐름도이다. 도 1의 실시예와 동일한 도면부호로 참조되는 유사한 구성에 대해서는 설명을 생략한다. 추가적인 양상에 따라, 도시된 실시예에 따른 레이더 신호 처리 방법에 따르면, 타겟이 선정된 이후에, 타겟이 존재하는 것으로 선정된 거리 인덱스의 거리 데이터를 복수의 변조 주기에 걸쳐 저장한다(단계 S200). 이후에 저장된 복수의 변조 주기에 걸친 거리 데이터를 푸리에 변환하여 속도 인덱스별 계수값을 산출한다(단계 S210). 타겟이 존재하는 것으로 선정된 거리 인덱스가 복수개인 경우, 즉 타겟이 복수개인 경우에는 각각의 거리 데이터에 대해 푸리에 변환이 실행된다. 이후에 선정된 타겟들의 거리 및 속도를 산출하여 출력한다(단계 S230).
1st FFT의 출력 계수값들을 PRI 인덱스, 즉 시간축 방향으로 2nd FFT를 통해 변환된 푸리에 계수값들은 속도 정보를 포함하고 있다는 의미에서 '속도 인덱스'별 계수값으로 지칭된다. FMCW 레이더에서 비트 주파수로부터 거리 및 속도를 구하는 계산은 잘 알려져 있으므로 이의 설명은 생략한다.
도 3은 또다른 실시예에 따른 레이더 신호 처리 방법의 구성을 도시한 흐름도이다. 도 1의 실시예에서와 유사하게, FMCW 디지털 레이더 신호는 변조 주기 PRI 단위로 푸리에 변환되어, 거리 인덱스(range index)별 계수값인 거리 데이터가 생성된다(단계 S110). 도시된 실시예에서, PRI×fs 개의 입력을 가진 M-포인트 FFT를 통해 M개의 계수값들이 생성된다.
이후에, M개의 거리 데이터 중 각각이 복수의 연속된 거리 인덱스를 가진 데이터를 포함하되, 상호간에 일부가 겹치도록 복수의 윈도우가 설정된다(단계 S130). 이 윈도우는 연속된 P개의 FFT 계수값으로 구성되는 1차원 윈도우이다. E개의 관심 거리 인덱스와 그 주변 좌우에 각각 B 개의 거리 인덱스, 즉 P(=2B+E < M)개의 거리 인덱스를 포함하도록 윈도우를 설정하면, 각 윈도우에서 겹치는 부분인 2B개의 거리 인덱스를 제외한 관심 거리 인덱스는 전체 거리 인덱스를 커버하도록 설정된다. 즉, 윈도우의 개수를 Q개라고 하면, M=Q×E 가 성립한다.
이후에, 각각의 윈도우에 속한 데이터를 각각이 동일한 단위 순환신경회로망으로 처리하여 각 거리 인덱스별 타겟 존재 확률을 구한다(단계 S150). 도시된 실시예에서 Q개의 단위 순환신경회로망은 P개의 FFT 계수값을 입력으로 하며, 그 P개의 거리 인덱스들 가운데 E개의 관심 거리 인덱스에 대해 타겟의 존재 여부 및 존재 확률을 출력한다. 단위 순환신경회로망들이 각각 다른 윈도우를 처리하므로, E개의 관심 인덱스들에 대한 존재 확률들이 다중으로 출력된다.
도시된 실시예에서 단위 순환신경회로망들은 모두 동일하게 학습된 동일한 순환신경회로망이다. 이 단위 순환신경회로망은 지도 학습(supervised learning) 타입으로 구성된다. N개의 변조 주기의 푸리에 변환된 계수값들 P개와 각각의 거리 인덱스의 타겟 존재 여부에 대한 정보가 각각의 히든 레이어(hidden layer)의 상태(state) 변수들에 제공되어 지도 학습이 이루어진다.
이후에, 모든 단위 순환신경회로망들의 출력으로부터 각 거리 인덱스의 타겟 존재 확률들을 고려하여 타겟이 존재하는 거리 인덱스가 선정된다(단계 S190). 일 실시예에서, 타겟의 존재 확률이 80% 이상인 거리 인덱스가 타겟이 존재하는 거리 인덱스로 선정된다.
도 4는 또다른 실시예에 따른 레이더 신호 처리 방법의 구성을 도시한 흐름도이다. 도 3의 실시예와 동일한 도면부호로 참조되는 유사한 구성에 대해서는 설명을 생략한다. 추가적인 양상에 따라, 도시된 실시예에 따른 레이더 신호 처리 방법에 따르면, 타겟이 선정된 이후에, 타겟이 존재하는 것으로 선정된 거리 인덱스의 거리 데이터를 복수의 변조 주기에 걸쳐 저장한다(단계 S200). 이후에 저장된 복수의 변조 주기에 걸친 거리 데이터를 푸리에 변환하여 속도 인덱스별 계수값을 산출한다(단계 S210). 타겟이 존재하는 것으로 선정된 거리 인덱스가 복수개인 경우, 즉 타겟이 복수개인 경우에는 각각의 거리 데이터에 대해 푸리에 변환이 실행된다. 이후에 선정된 타겟들의 거리 및 속도를 산출하여 출력한다(단계 S230).
도 5는 일 실시예에 따른 레이더 신호 처리 장치의 구성을 도시한 블록도이다. 도시된 바와 같이, 일 실시예에 따른 레이더 신호 처리 장치는 제1 푸리에 변환부(120)와, 회귀신경회로망(140)과, 제1 메모리 제어기(130), 그리고 타겟 선정부(150)를 포함한다. 안테나에서 수신된 레이더 신호는 증폭, 주파수 합성 및 필터링되고 디지털로 샘플링되어 제안된 발명에 따른 레이더 신호 처리 장치에 공급된다. 본 명세서에서는 이 신호를 FMCW 디지털 레이더 신호라 한다.
제1 푸리에 변환부(120)는 FMCW 디지털 레이더 신호를 변조 주기(PRI : Pulse Repetition Interval) 단위로 푸리에 변환하여 거리 인덱스(range index)별 계수값인 거리 데이터를 생성한다. 도시된 실시예에서, 푸리에 변환은 고속 푸리에 변환(FFT : Fast Fourier Transform)을 이용한다. 첩(Chirp)이라고도 하는 변조주기를 PRI라고 하고 샘플링 주파수를 fs라고 하면 변조 주기 당 샘플 개수는 PRI×fs 이다. 따라서 버퍼 메모리(111)는 PRI×fs의 크기를 가진다. M-포인트 푸리에 변환을 통해 M개의 주파수 성분의 계수값을 구할 경우 도 5에서 거리 인덱스(range index)는 1∼M의 값을 가진다. 제1 푸리에 변환부(120)에서 푸리에 변환된 계수값들은 거리 정보를 포함하고 있다는 의미에서 본 명세서에서 '거리 데이터'로 지칭된다.
순환신경회로망(140)은 변조주기 단위로 출력되는 거리 데이터로부터 각 거리 인덱스별 타겟 존재 확률을 구한다. 순환신경회로망(140)은 M개의 푸리에 변환 계수 중 P개를 입력으로 하며, 각각의 E개의 인접한 거리 인덱스들에 대해 매 K개의 PRI 주기마다 타겟의 존재 여부 및 존재 확률값을 계산하여 출력한다. 타겟 선정부(150)는 순환신경회로망(140)에서 산출된 각 거리 인덱스의 타겟 존재확률들로부터 타겟이 존재하는 거리 인덱스를 선정한다. 일 실시예에서, 타겟 선정부(150)는 타겟의 존재 확률이 80% 이상인 거리 인덱스를 선정하여 출력한다. 실험 결과 순환신경회로망(140)은 다른 거리에 있는 복수의 타겟을 검출할 수 있음이 확인되었다.
또다른 양상에 따르면, 레이더 신호 처리 장치는 타겟이 존재하는 것으로 판정된 거리 데이터를 푸리에 변환하여 속도 정보를 제공할 수 있다. 타겟이 존재하는 것으로 판정된 거리 데이터에 대해서만 푸리에 변환이 수행되므로, 푸리에 변환 횟수를 줄일 수 있고 계산량을 줄일 수 있다.
이러한 양상에 따라, 일 실시예에 따른 레이더 신호 처리 장치는 시간축 메모리(117)와, 제2 푸리에 변환부(160)와, 출력부(170)를 더 포함할 수 있다. 시간축 메모리(117)는 타겟 선정부(150)에서 타겟이 존재하는 것으로 선정된 거리 인덱스의 거리 데이터를 복수의 변조 주기 N에 걸쳐 저장한다. 제2 푸리에 변환부(160)는 동일한 거리 인덱스를 가지며 타겟이 존재하는 것으로 선정된 거리 데이터를 푸리에 변환하여 속도 인덱스별 계수값을 산출한다. 도시된 바와 같이, 제2 푸리에 변환부(160)는 시간축 메모리(117)를 시간축 방향으로 액세스하여 N개의 데이터를 입력으로 한다. 도시된 실시예에서 제2 푸리에 변환부(160)는 고속 푸리에 변환기(FFT)이다. 제1 푸리에 변환부(120)에서 변환된 푸리에 계수들을 PRI 인덱스, 즉 시간축 방향으로 다시 푸리에 변환한 계수값들은 속도 정보를 포함하고 있다는 의미에서 '속도 인덱스'별 계수값으로 지칭된다.
출력부(170)는 제2 푸리에 변환부의 출력들로부터 선정된 타겟들의 거리 및 속도 정보를 산출하여 출력한다. FMCW 레이더에서 비트 주파수로부터 거리 및 속도를 구하는 계산은 잘 알려져 있으므로 설명은 생략한다.
도 6은 또다른 실시예에 따른 레이더 신호 처리 장치의 구성을 도시한 블록도이다. 도시된 바와 같이, 일 실시예에 따른 레이더 신호 처리 장치는 제1 푸리에 변환부(120)와, 복수의 단위 회귀신경회로망(140-1, … 140-Q)과, 제1 액세스 제어기(130), 그리고 타겟 선정부(150)를 포함한다. 제1 푸리에 변환부(120)는 FMCW 디지털 레이더 신호를 변조 주기(PRI : Pulse Repetition Interval) 단위로 푸리에 변환하여 거리 인덱스(range index)별 계수값인 거리 데이터를 생성한다. 도시된 실시예에서, 푸리에 변환은 고속 푸리에 변환(FFT : Fast Fourier Transform)을 이용한다. 첩(Chirp)이라고도 하는 변조주기를 PRI라고 하고 샘플링 주파수를 fs라고 하면 변조 주기 당 샘플 개수는 PRI×fs 이다. 따라서 버퍼 메모리(111)는 PRI×fs의 크기를 가진다. M-포인트 푸리에 변환을 통해 M개의 주파수 성분의 계수값을 구할 경우 도 6에서 거리 인덱스(range index)는 1∼M의 값을 가진다.
복수의 순환신경회로망(140-1, … 140-Q)은 변조주기 단위로 출력되는 거리 데이터로부터 각 거리 인덱스별 타겟 존재 확률을 구한다. 제1 액세스 제어기(130)는 거리 데이터를 복수의 단위 신경회로망(140-1, … 140-Q)에 윈도우 단위로 공급한다. 윈도우들은 각각이 복수의 연속된 거리 인덱스를 가진 데이터를 포함하면서 상호간에 일부가 겹치도록 설정된다. 즉, M개의 거리 데이터 중 하나의 단위 순환신경회로망이 처리하는 거리 데이터의 개수를 P개라고 하면, 윈도우들은 각각이 복수의 연속된 거리 인덱스를 가진 데이터를 포함하되, 상호간에 일부가 겹치도록 설정된다. 이 윈도우들은 연속된 P개의 FFT 계수값으로 구성되는 1차원 윈도우이다. E개의 관심 거리 인덱스와 그 주변 좌우에 각각 B 개의 거리 인덱스가 겹치도록, 즉 P(=2B+E < M)개의 거리 인덱스를 포함하도록 윈도우를 설정하면, 각 윈도우에서 겹치는 부분 2B를 제외한 관심 거리 인덱스는 전체 거리 인덱스를 커버하도록 설정된다. 즉, 윈도우의 개수를 Q개라고 하면, M=Q×E 가 성립한다. 제1 액세스 제어기(130)는 Q개의 단위 순환신경회로망(140-1, …, 140-Q)에 대응하는 윈도우의 데이터를 입력하도록 제어한다. 윈도우들이 겹치도록 설정되기 때문에 하나의 셀의 계수값들이 복수의 단위 순환신경회로망에 공급될 수 있도록 경로(path)가 마련된다. 도시된 실시예에서 Q개의 단위 순환신경회로망은 P개의 FFT 계수값을 입력으로 하며, 그 P개의 거리 인덱스들에 대해 타겟의 존재 여부 및 존재 확률을 매 K개의 PRI 주기마다 출력한다.
도시된 실시예에서 단위 순환신경회로망들(140-1, …, 140-Q)은 모두 동일하게 학습된 동일한 순환신경회로망이다. 일 실시예에서, 이 단위 순환신경회로망(140-1, …, 140-Q)은 지도 학습(supervised learning) 타입으로 구성된다. N개의 변조 주기의 푸리에 변환된 계수값들 P개와 각각의 거리 인덱스의 타겟 존재 여부에 대한 정보가 각각의 히든 레이어(hidden layer)의 상태(state) 변수들에 제공되어 지도 학습이 이루어진다.
타겟 선정부(150)는 순환신경회로망(140)에서 산출된 각 거리 인덱스의 타겟 존재확률들로부터 타겟이 존재하는 거리 인덱스를 선정한다. 일 실시예에서, 타겟 선정부(150)는 타겟의 존재 확률이 80% 이상인 거리 인덱스를 선정하여 출력한다. 실험 결과 단위 순환신경회로망들 각각은 다른 거리에 있는 복수의 타겟을 검출할 수 있음이 확인되었다.
또다른 양상에 따르면, 레이더 신호 처리 장치는 타겟이 존재하는 것으로 판정된 거리 데이터를 푸리에 변환하여 속도 정보를 제공할 수 있다. 타겟이 존재하는 것으로 판정된 거리 데이터에 대해서만 푸리에 변환이 수행되므로, 푸리에 변환 횟수를 줄일 수 있고 계산량을 줄일 수 있다.
이러한 양상에 따라, 일 실시예에 따른 레이더 신호 처리 장치는 시간축 메모리(117)와, 제2 푸리에 변환부(160)와, 출력부(170)를 더 포함할 수 있다. 시간축 메모리(117)는 타겟 선정부(150)에서 타겟이 존재하는 것으로 선정된 거리 인덱스의 거리 데이터를 복수의 변조 주기 N에 걸쳐 저장한다. 제2 푸리에 변환부(160)는 동일한 거리 인덱스를 가지며 타겟이 존재하는 것으로 선정된 거리 데이터를 푸리에 변환하여 속도 인덱스별 계수값을 산출한다. 도시된 바와 같이, 제2 푸리에 변환부(160)는 시간축 메모리(117)를 시간축 방향으로 액세스하여 N개의 데이터를 입력으로 한다. 도시된 실시예에서 제2 푸리에 변환부(160)는 고속 푸리에 변환기(FFT)이다. 제1 푸리에 변환부(120)에서 변환된 푸리에 계수들을 PRI 인덱스, 즉 시간축 방향으로 다시 푸리에 변환한 계수값들은 속도 정보를 포함하고 있다는 의미에서 '속도 인덱스'별 계수값으로 지칭된다.
출력부(170)는 제2 푸리에 변환부의 출력들로부터 선정된 타겟들의 거리 및 속도 정보를 산출하여 출력한다. FMCW 레이더에서 비트 주파수로부터 거리 및 속도를 구하는 계산은 잘 알려져 있으므로 설명은 생략한다.
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.
111 : 버퍼 메모리 115-1∼115-Q : 2차원 윈도우
117 : 시간축 메모리 120 : 제1 푸리에 변환부
130 : 제 1 액세스 제어기 140 : 순환신경회로망
150 : 타겟 선정부 160 : 제2 푸리에 변환부
170 : 출력부 180 : 제2 액세스 제어기

Claims (8)

  1. FMCW 디지털 레이더 신호를 변조 주기 단위로 푸리에 변환하여 거리 인덱스(range index)별 계수값인 거리데이터를 생성하는 제1 푸리에 변환 단계;
    변조주기 단위로 출력되는 거리 데이터로부터 각 거리 인덱스별 타겟 존재 확률을 구하는 순환신경회로망 처리단계와;
    각 거리 인덱스의 타겟 존재 확률들로부터 타겟이 존재하는 거리 인덱스를 선정하는 타겟 선정 단계;
    를 포함하는 레이더 신호 처리 방법.
  2. 제 1 항에 있어서, 레이더 신호 처리 방법이 :
    타겟이 존재하는 것으로 선정된 거리 인덱스의 거리 데이터를 복수의 변조 주기에 걸쳐 저장하는 단계;
    저장된 복수의 변조 주기에 걸친 거리 데이터를 푸리에 변환하여 속도 인덱스별 계수값을 산출하는 제2 푸리에 변환 단계;
    선정된 타겟들의 거리 및 속도를 산출하여 출력하는 출력 단계;
    를 더 포함하는 레이더 신호 처리 방법.
  3. 제 1 항에 있어서, 순환신경회로망 처리단계는 :
    각각이 복수의 연속된 거리 인덱스를 가진 데이터를 포함하되, 상호간에 일부가 겹치도록 복수의 윈도우를 설정하는 단계와;
    각각의 윈도우에 속한 데이터를 각각이 동일한 단위 순환신경회로망으로 처리하여 각 거리 인덱스별 타겟 존재 확률을 구하는 단위 신경회로망 처리 단계;
    를 포함하는 레이더 신호 처리 방법.
  4. 제 3 항에 있어서, 레이더 신호 처리 방법이 :
    타겟이 존재하는 거리 인덱스의 거리 데이터를 복수의 변조 주기에 걸쳐 저장하는 단계;
    저장된 거리 데이터를 푸리에 변환하여 속도 인덱스별 계수값을 산출하는 제2 푸리에 변환 단계;
    선정된 타겟들의 거리 및 속도를 산출하여 출력하는 출력 단계;
    를 더 포함하는 레이더 신호 처리 방법.
  5. FMCW 디지털 레이더 신호를 변조 주기(PRI : Pulse Repetition Interval) 단위로 푸리에 변환하여 거리 인덱스(range index)별 계수값인 거리데이터를 생성하는 제1 푸리에 변환부;
    변조주기 단위로 출력되는 거리 데이터로부터 각 거리 인덱스별 타겟 존재 확률을 구하는 순환신경회로망과;
    순환신경회로망에서 산출된 각 거리 인덱스의 타겟 존재확률들로부터 타겟이 존재하는 거리 인덱스를 선정하는 타겟 선정부;
    를 포함하는 레이더 신호 처리 장치.
  6. 제 5 항에 있어서, 상기 장치가 :
    타겟이 존재하는 거리 인덱스의 거리 데이터를 복수의 변조 주기에 걸쳐 저장하는 시간축 메모리와;
    저장된 거리 데이터를 푸리에 변환하여 속도 인덱스별 계수값을 산출하는 제2 푸리에 변환부와;
    선정된 타겟들의 거리 및 속도를 산출하여 출력하는 출력부;
    를 더 포함하는 레이더 신호 처리 장치.
  7. 제 5 항에 있어서, 상기 순환신경회로망이 :
    복수의 단위 신경회로망과;
    거리 데이터를 상기 복수의 단위 신경회로망에 윈도우 단위로 공급하되, 윈도우들은 각각이 복수의 연속된 거리 인덱스를 가진 데이터를 포함하면서 상호간에 일부가 겹치도록 설정하는 제1 액세스 제어기;
    를 포함하는 레이더 신호 처리 장치.
  8. 제 7 항에 있어서, 상기 장치가 :
    타겟이 존재하는 거리 인덱스의 거리 데이터를 복수의 변조 주기에 걸쳐 저장하는 시간축 메모리와;
    저장된 거리 데이터를 푸리에 변환하여 속도 인덱스별 계수값을 산출하는 제2 푸리에 변환부와;
    선정된 타겟들의 거리 및 속도를 산출하여 출력하는 출력부;
    를 더 포함하는 레이더 신호 처리 장치.
KR1020180010858A 2018-01-29 2018-01-29 순환신경망회로를 이용한 레이더 신호 처리 장치 및 방법 KR102074373B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180010858A KR102074373B1 (ko) 2018-01-29 2018-01-29 순환신경망회로를 이용한 레이더 신호 처리 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180010858A KR102074373B1 (ko) 2018-01-29 2018-01-29 순환신경망회로를 이용한 레이더 신호 처리 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190091818A true KR20190091818A (ko) 2019-08-07
KR102074373B1 KR102074373B1 (ko) 2020-02-06

Family

ID=67621626

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180010858A KR102074373B1 (ko) 2018-01-29 2018-01-29 순환신경망회로를 이용한 레이더 신호 처리 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102074373B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110764065A (zh) * 2019-10-16 2020-02-07 清华大学 基于时序重构的雷达故障诊断方法
WO2021211560A1 (en) * 2020-04-14 2021-10-21 Micron Technology, Inc. Self interference noise cancellation to support multiple frequency bands with neural networks or recurrent neural networks
US11206050B2 (en) 2018-02-06 2021-12-21 Micron Technology, Inc. Self interference noise cancellation to support multiple frequency bands
US11387976B2 (en) 2017-09-11 2022-07-12 Micron Technology, Inc. Full duplex device-to-device cooperative communication
US11575548B2 (en) 2017-03-02 2023-02-07 Micron Technology, Inc. Wireless devices and systems including examples of full duplex transmission
US11838046B2 (en) 2019-09-05 2023-12-05 Micron Technology, Inc. Wireless devices and systems including examples of full duplex transmission using neural networks or recurrent neural networks
US11941516B2 (en) 2017-08-31 2024-03-26 Micron Technology, Inc. Cooperative learning neural networks and systems

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003507716A (ja) * 1999-08-12 2003-02-25 オートモーティブ システムズ ラボラトリー インコーポレーテッド ニューラルネットワークレーダプロセッサ
KR20140071828A (ko) * 2012-12-04 2014-06-12 현대모비스 주식회사 레이더 신호의 표적 탐지 확률 증대 방법
KR20140120593A (ko) * 2013-04-03 2014-10-14 주식회사화신 레이더를 이용한 타겟의 거리 속도 검출장치 및 그 방법
KR20160054349A (ko) * 2014-11-06 2016-05-16 재단법인대구경북과학기술원 클러터를 제거하기 위한 레이더 신호 처리 장치 및 방법
KR20160055590A (ko) * 2014-11-10 2016-05-18 한국전자통신연구원 레이더 신호 처리를 위한 빔 형성 장치 및 그 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003507716A (ja) * 1999-08-12 2003-02-25 オートモーティブ システムズ ラボラトリー インコーポレーテッド ニューラルネットワークレーダプロセッサ
KR20140071828A (ko) * 2012-12-04 2014-06-12 현대모비스 주식회사 레이더 신호의 표적 탐지 확률 증대 방법
KR20140120593A (ko) * 2013-04-03 2014-10-14 주식회사화신 레이더를 이용한 타겟의 거리 속도 검출장치 및 그 방법
KR20160054349A (ko) * 2014-11-06 2016-05-16 재단법인대구경북과학기술원 클러터를 제거하기 위한 레이더 신호 처리 장치 및 방법
KR20160055590A (ko) * 2014-11-10 2016-05-18 한국전자통신연구원 레이더 신호 처리를 위한 빔 형성 장치 및 그 방법

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11894957B2 (en) 2017-03-02 2024-02-06 Lodestar Licensing Group Llc Self-interference noise cancelation for full-duplex MIMO communications
US11575548B2 (en) 2017-03-02 2023-02-07 Micron Technology, Inc. Wireless devices and systems including examples of full duplex transmission
US11941518B2 (en) 2017-08-31 2024-03-26 Micron Technology, Inc. Cooperative learning neural networks and systems
US11941516B2 (en) 2017-08-31 2024-03-26 Micron Technology, Inc. Cooperative learning neural networks and systems
US11387976B2 (en) 2017-09-11 2022-07-12 Micron Technology, Inc. Full duplex device-to-device cooperative communication
US11552658B2 (en) 2018-02-06 2023-01-10 Micron Technology, Inc. Self interference noise cancellation to support multiple frequency bands
US11206050B2 (en) 2018-02-06 2021-12-21 Micron Technology, Inc. Self interference noise cancellation to support multiple frequency bands
US11973525B2 (en) 2018-02-06 2024-04-30 Micron Technology, Inc. Self interference noise cancellation to support multiple frequency bands
US11838046B2 (en) 2019-09-05 2023-12-05 Micron Technology, Inc. Wireless devices and systems including examples of full duplex transmission using neural networks or recurrent neural networks
CN110764065A (zh) * 2019-10-16 2020-02-07 清华大学 基于时序重构的雷达故障诊断方法
CN110764065B (zh) * 2019-10-16 2021-10-08 清华大学 基于时序重构的雷达故障诊断方法
US11569851B2 (en) 2020-04-14 2023-01-31 Micron Technology, Inc. Self interference noise cancellation to support multiple frequency bands with neural networks or recurrent neural networks
US11258473B2 (en) 2020-04-14 2022-02-22 Micron Technology, Inc. Self interference noise cancellation to support multiple frequency bands with neural networks or recurrent neural networks
WO2021211560A1 (en) * 2020-04-14 2021-10-21 Micron Technology, Inc. Self interference noise cancellation to support multiple frequency bands with neural networks or recurrent neural networks

Also Published As

Publication number Publication date
KR102074373B1 (ko) 2020-02-06

Similar Documents

Publication Publication Date Title
KR102074373B1 (ko) 순환신경망회로를 이용한 레이더 신호 처리 장치 및 방법
KR102074372B1 (ko) 길쌈 신경회로망을 이용한 레이더 신호 처리 장치 및 방법
JP5072694B2 (ja) 目標検出装置
JP6384018B2 (ja) 車載用レーダ装置
KR20200002392A (ko) 딥러닝 기반 레이더 간섭 제거 장치
JP2014002085A (ja) 信号処理装置、レーダ装置、信号処理方法、およびプログラム
EP3417311B1 (en) A method for motion classification using a pulsed radar system
CN110907929A (zh) 一种基于双门限检测的车载雷达目标检测方法及装置
KR20200071289A (ko) Fmcw 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법
CN113376601A (zh) 基于clean算法的捷变频雷达旁瓣抑制方法
US11852750B2 (en) Method and apparatus for radar signal processing using recurrent neural network
CN113885002B (zh) 基于尺度变换的外辐射源雷达捷变频信号相参积累方法
JP6861906B2 (ja) レーダ装置及び信号処理方法
JP2010127771A (ja) 合成開口ソーナー、合成開口ソーナーの位相誤差補正方法及びプログラム
WO2022060650A1 (en) Doppler processing in frequency-modulated continuous wave radar systems
CN116299299B (zh) 速度解模糊方法、装置、雷达设备及存储介质
KR20200004583A (ko) 오브젝트 검출 방법 및 장치
KR20070016394A (ko) 표적 추적에서의 탐지 영역 데이터를 이용한 기만 재밍탐지 방법
US11835649B2 (en) Method and apparatus for radar signal processing using convolutional neural network
Blakely et al. Ambiguity in range–Doppler determination using waveforms of a solvable chaotic oscillator
Willetts et al. Optimal time-frequency distribution selection for LPI radar pulse classification
JP2007047112A (ja) レーダ装置
Nugraha et al. Integrated target detection hardware unit for automotive radar applications
KR20200033571A (ko) Sml 비용함수 및 가설검증을 고려한 신호개수 추정 방법 및 장치
CN113030886B (zh) 一种高速目标距离徙动校正方法

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