KR20200002392A

KR20200002392A - 딥러닝 기반 레이더 간섭 제거 장치

Info

Publication number: KR20200002392A
Application number: KR1020180075846A
Authority: KR
Inventors: 이정우; 문지우
Original assignee: 서울대학교산학협력단
Priority date: 2018-06-29
Filing date: 2018-06-29
Publication date: 2020-01-08
Also published as: KR102137825B1

Abstract

본 발명은 딥러닝 기반 레이더 간섭 제거 장치로, 딥러닝 기반으로 학습되어 레이더의 송수신 신호의 차인 비트 신호가 입력됨에 따라, 비트 신호에서 간섭을 제거하여 출력하는 간섭 제거 모델과, 간섭 제거 모델에 의해 출력된 간섭 제거 신호와 라벨링된 간섭 제거 신호 간의 손실값(Loss)을 계산하고, 손실값을 이용하여 역전파(Back Propagation) 알고리즘을 이용하여 간섭 모델의 학습 파라미터를 조정하는 조정부를 포함한다.

Description

딥러닝 기반 레이더 간섭 제거 장치{Apparatus for Radar Interference Cancellation Based on Deep Learning}

본 발명은 레이더를 이용한 타겟 감지 기술에 관한 것으로, 특히 타겟 감지 기능을 향상시키기 위해 레이더 신호의 간섭을 제거하는 기술에 관한 것이다.

자동차 시스템에서 레이더는 자율 주행의 핵심 구성 요소로, 다중 타겟(multi-target) 탐지 및 장거리 감지(long-range sensing)를 포함하는 다양한 기능들을 수행한다. 이러한 기능들은 사용자 안전을 보증하고, 차량들 간의 충돌 문제를 해결할 수 있도록 정확하게 수행되어야 한다.

한편, 최근 선호되는 레이더 기술로 주파수 변조 연속파(Frequency Modulated Continuous Wave : FMCW) 또는 첩 시퀀스(Chirp Sequence : CS) 레이더가 있다.

여기서, FMCW 신호는 시간에 따라 주파수가 일정하게 변하는 특성을 가지는데, 레이더가 송신한 FMCW 신호가 지면 또는 다른 차량과 같은 주변 물체로부터 반사된 수신 신호를 디첩(dechirp)하여 산출된 비트 신호로 주변의 물체의 거리(range)와 속도(velocity)를 포착해낸다.

그러나, 차량용 FMCW 레이더를 사용하는 상황에서는 다른 차량이 송신하는 레이더 신호 때문에 간섭을 발생된다. 즉, 인접한 다른 차량이 송신한 다른 파형의 신호는 원래 송신한 신호의 반사파와 간섭을 일으켜서 타겟 객체(target object)의 탐지 가능성에 심각한 영향을 미친다.

따라서, 이러한 차량용 레이더의 간섭 제거는 중요한 문제로, 간섭 제거를 위한 다양한 기법들이 소개되었는데, 주로 간섭된 비트 신호(beat signal)의 특징을 파악하여 전통적인 신호 처리를 통해 간섭을 제거하였다.

우선, 논문 1(Y. Watanabe and K. Natsume, "Interference determination method and fmcw radar using the same", Mar. 6 2007, uS Patent 7,187,321.)은 시간 영역(time domain)에서 간섭 영역의 특성을 사용하여 간섭을 제거한다.

논문 2(J. Bechter and C. Waldschmidt, "Automotive radar interference mitigation by reconstruction and cancellation of interference component", in Microwaves for Intelligent Mobility (ICMIM), 2015 IEEE MTT-S International Conference on. IEEE, 2015, pp. 14.)는 높은 계산 복잡성을 가지는 간섭 제거 뿐만 아니라 원래의 신호를 복구하기 위해 진폭 및 간섭 신호의 주파수를 계산하는 방법을 제안한다.

논문 3(M. Wagner, F. Sulejmani, A. Melzer, P. Meissner, and M. Huemer, "Threshold-free interference cancellation method for automotive fmcw radar systems", in Circuits and Systems (ISCAS), 2018 IEEE International Symposium on. IEEE, 2018, pp. 14.)에서 개시된 알고리즘은 적은 계산 복잡성을 요구하며, 적응 임계 값을 정의함이 없이, 작은 거리 내에서 표적을 발견함을 보여준다.

그러나, 간섭 신호원이 타겟보다 레이더에 근접되어 있을 경우 타겟이 잘 검출되지 않으므로, 간섭의 영향은 여전히 존재한다.

본 발명은 다양한 간섭 신호원이 존재하는 상황에서 딥러닝을 통하여 레이더 간섭을 제거하는 딥러닝 기반 레이더 간섭 제거 장치를 제공한다.

본 발명은 재귀적(Recurrent)으로 학습하는 학습 알고리즘을 사용하여 연속적인 시간 샘플들 신호로부터 간섭을 제거할 수 있는 딥러닝 기반 레이더 간섭 제거 장치를 제공한다.

본 발명은 최근 여러 분야에 많이 사용하는 딥러닝을 통하여 간섭을 제거할 수 있는 새로운 방법을 제안한다.

본 발명은 딥러닝 기반으로 간섭을 완화하는 접근법을 제안하는데, 다양한 간섭 조건에서 고성능을 제공할 뿐만 아니라, 처리 시간이 단축된다는 이점이 있다.

본 발명에서와 같이 딥러닝 방법을 이용하면 데이터가 충분하다면 간섭 차량의 수, 타겟의 수, FMCW의 스윕 시간, 스윕 주파수폭 등등이 변하는 여러 상황에서도 일정한 성능을 보여줄뿐만 아니라 노이즈 대비 피크의 SNR 개선도 이룰 수 있다.

또한, 본 발명에서는 시간에 따라 변하는 신호의 특징을 파악하기 위해 딥러닝의 모델 중 하나인 RNN(Recurrent Neural Network)를 사용하며 딥러닝을 이용하면 기존의 신호처리를 통해 간섭을 제거하는 방법보다 성능 개선 뿐만 아니라 다양한 상황에서도 대응이 가능하다.

도 1은 본 발명의 일 실시 예에 따른 딥러닝 기반 레이더 간섭 제거 장치가 적용되는 레이더 블록 구성도의 일 예이다.
도 2는 레이더 송/수신 파형의 일 예를 도시한 도면이다.
도 3은 비트 주파수 신호의 일 예를 도시한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 딥러닝 기반 레이더 간섭 제거 장치의 블록 구성도이다.
도 5a 및 도 5b는 훈련 데이터로 사용되는 비트 신호의 일 예를 도시한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 간섭 제거 모델의 일 예를 도시한 도면이다.
도 7은 본 발명의 다른 실시 예에 따른 양방향 구조를 가지는 재귀적 신경망 유닛의 블록 구성도이다.
도 8은 본 발명에 따른 딥러닝 기반 레이더 간섭 제거 장치가 적용된 신호의 일 예를 도시한다.

이하 첨부된 도면을 참조하여, 바람직한 실시 예에 따른 안면 특화 초 고화질 심층 신경망 학습 장치에 대해 상세히 설명하면 다음과 같다. 여기서, 동일한 구성에 대해서는 동일부호를 사용하며, 반복되는 설명, 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략한다. 발명의 실시형태는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.

첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램인스트럭션들(실행 엔진)에 의해 수행될 수도 있으며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다.

이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.

그리고 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명되는 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 블록 또는 각 단계는 특정된 논리적 기능들을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있으며, 몇 가지 대체 실시 예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하며, 또한 그 블록들 또는 단계들이 필요에 따라 해당하는 기능의 역순으로 수행되는 것도 가능하다.

이하, 첨부 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다. 그러나 다음에 예시하는 본 발명의 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시 예에 한정되는 것은 아니다. 본 발명의 실시 예는 당업계에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공된다.

본 발명은 딥러닝 기반으로 신호에서 간섭을 제거하는 장치에 관한 것으로, 특히 레이더 간섭을 제거하는 데 사용될 수 있다. 그러나, 본 발명은 레이더 뿐만 아니라 다른 신호로부터 간섭을 제거하는데 적용될 수도 있다.

도 1은 본 발명의 일 실시 예에 따른 딥러닝 기반 레이더 간섭 제거 장치가 적용되는 레이더 블록 구성도의 일 예이고, 도 2는 레이더 송/수신 파형의 일 예를 도시한 도면이고, 도 3은 비트 주파수 신호의 일 예를 도시한 도면이다.

도 1을 참조하면, 레이더는 송신부(10), 수신부(20), 비트 신호 추출부(30), 고속 푸리에 변환부(Fast Fourier Transform: FFT)(40) 및 타겟 정보 추정부(50)를 포함한다.

송신부(10)는 레이더 신호를 타겟에 송신하고, 수신부(20)는 타겟으로 반사된 신호를 수신한다.

도 2를 참조하면, 송신 신호가 시간-주파수 도메인에서 k선형 주파수 첩(linear frequency chirps)으로 구성되면,

는 중심 주파수이고,

스윕 대역폭(sweep bandwidth)이며,

은 첩 구간을 나타낸다.

송신 신호의 주파수(frequency)

및 위상(phase)

는 각각 다음의 <수학식 1> 및 <수학식 2>와 같이 정의될 수 있다.

<수학식 1>에서,

는 CS 파형의 기울기로

로 정의된다.

그리고, 도 2에서 송출된 송신 신호가 타겟에 의해 반사된 파의 지연 시간인

후에 수신되는 수신 신호가 도시되어 있다.

비트 신호 추출부(30)는 송신부(10)가 출력한 신호의 송신 주파수와 수신부(20)가 수신한 신호의 수신 주파수 차이인 비트 주파수(beat frequency)

를 추출한다.

도 3을 참조하면, 도 2에 도시된 송신 주파수와 수신 주파수의 차이값인 비트 주파수

가 도시되어 있다.

일 실시 예에 따라, 비트 신호 추출부(30)는 저역 필터(Low Pass Filter: LPF)(31)를 더 포함하여, 비트 주파수의 절대값이 높은 신호를 제거할 수 있다.

비트 신호 추출부(30)에 의해 추출된 비트 신호

의 위상

은 다음의 <수학식 3>과 같이 표현될 수 있다.

FFT(40)는 추출된 비트 신호를 시간 t에 대해 FFT(Fast Fourier Transform)하여 송신 신호에 대한 수신 신호의 지연 시간

를 구할 수 있다.

본 발명에서,

은 타겟 범위(range)이고,

는 타겟 속력(velocity),

는 빛의 속도로 각각 정의될 수 있다. 전파 지연은

로 표시될 수 있다.

및

를 <수학식 3>에 대입하면, <수학식 4>와 같이 근사될 수 있다.

<수학식 4>에서

로 샘플링하면, 비트 신호

는 다음의 <수학식 5>와 같이 정의될 수 있다.

2차원 FFT를 사용하여,

및

로 정의되는 값을 획득할 수 있다.

타겟 범위(

) 및 타겟 속력(

)는

및

에 의해 획득될 수 있다.

그런데, 전술한 바와 같이 수신부(20)에 의해 타겟으로부터 반사된 신호에는 다른 차량이 송신한 레이더 신호를 포함하는 간섭 신호가 포함되어 있다. 즉, 일반적인 주행 상황에서, 송신된 신호와 다른 기울기를 갖는 CS 파형 신호를 직면하게 되고, 이는 타겟의 거리 및 속도 추정에 큰 오차 발생을 야기한다.

최근에는 심층 학습이 두드러지게 발전했으며, 특히 이미지 및 언어 처리에 있어서 탁월한 발전을 이루어냈다. 게다가, 이러한 딥 러닝 기술은 신호 분야에 있어서 괄목할 만한 결과를 보여준다.

따라서, 본 발명의 일 실시 예에 따라, 딥 러닝(Deep Learning)을 기반으로 시간 영역(time domain)에서 레이더 신호의 간섭을 완화시키는 딥러닝 기반 레이더 간섭 제거 장치(100)를 제공한다.

즉, 레이더의 비트 신호 추출부(30)와 FFT(40) 사이에서 딥러닝 기반 레이더 간섭 제거 장치(100)가 구비되어, 비트 신호로부터 간섭 신호를 제거하여 FFT(40)에 입력시킨다.

또한, 본 발명의 일 실시 예에 따라, 간섭 제거 모델 생성에 사용되는 학습 알고리즘은 시퀀스 데이터 처리에 적합한 GRU(Gated Recurrent Unit)를 사용한 재귀적 신경망(Recurrent Neural Network : RNN) 모델 또는 LSTM(Long-Short Term Memory)을 사용하여 훈련될 수 있다.

RNN(Recurrent Neural Network) 또는 LSTM(Long-Short Term Memory)은 시간의 흐름에 따라 변하는 시계열 데이터를 학습하고 인공지능을 예측하는 학습 알고리즘이다. RNN은 매순간의 데이터를 인공신경망 구조에 쌓아올린 것으로 딥 러닝 중 가장 깊은 네트워크 구조이다. 시계열 데이터의 예로는 본 발명에서와 같은 송수신 신호를 포함하여 주가, 사람의 움직임, 기후, 인터넷 접속자수, 검색어 등을 생각해 볼 수 있다. LSTM은 Long-Short term Memory란 게이트 유닛을 노드마다 배치하여 인공신경망이 너무 깊어서 오랜 시간 전의 데이터들을 까먹는 현상(vanishing gradient problem)을 해결한 알고리즘이다.

본 발명은 딥러닝 기반 레이더 간섭 제거 장치(100)를 사용하여 다양한 간섭 신호가 존재하는 경우에도, 송신 신호를 재구성할 수 있고, 재구성된 신호는 FFT(40)를 통해 물체를 검출하는데 사용될 수 있다. 특히, 학습된 네트워크를 통해, 신호 처리는 어떤 반복 구조가 아니라 행렬(Matrix) 계산으로 이루어질 수 있다. 또한, 본 발명에서는 어떠한 적응 임계값도 요구하지 않으므로, 잡음과 간섭이 공존하는 상황에서 기존 알고리즘보다 성능이 향상된다.

도 4는 본 발명의 일 실시 예에 따른 딥러닝 기반 레이더 간섭 제거 장치의 블록 구성도이고, 도 5는 훈련 데이터로 사용되는 비트 신호의 일 예를 도시한 도면이다.

도 4를 참조하면, 딥러닝 기반 레이더 간섭 제거 장치(100)는 입력 처리부(110), 간섭 제거 모델(120), 출력 처리부(130) 및 조정부(140)를 포함할 수 있다. 부가적으로, 훈련 데이터 저장부(150)를 더 포함할 수 있다.

신호 입력부(110)는 비트 신호 추출부(20)로부터 추출된 전처리 이전의 원 데이터(Raw Data)인 연속적인 시간 샘플들(time samples)을 간섭 제거 학습 모델(120)에 순차적으로 입력시킨다.

간섭 제거 모델(120)는 신호 입력부(110)에 의해 간섭이 포함되어 있는 비트 신호인 연속적인 시간 샘플들(time samples)이 훈련 데이터로 입력됨에 따라, 라벨링(labelling)된 간섭 제거 신호와 가까운 간섭이 제거된 출력 데이터를 생성하도록 훈련되어 생성된 딥러닝 기반 인공 지능 학습 모델이다. 따라서, 간섭 제거 모델(120)은 도 5a에 도시된 간섭이 포함된 비트 신호로부터 도 5b에 도시된 바와 같이 간섭이 제거된 비트 신호를 출력할 수 있다.

본 발명의 일 실시 예에 따라, 이러한 간섭 제거 모델(120)는 다중 계층 신경망(Multi-Layer Neural Network)(160) 및 평균 풀링부(Average Pooling)(170)를 포함할 수 있다.

다중 계층 신경망(160)은 적어도 둘 이상의 재귀적 신경망 유닛들(161, 162, ..., 16m)이 직렬 연결되어 멀티 계층을 형성한다. 여기서, 재귀적 신경망 유닛들(161, 162, ..., 16m)은 RNN, LSTM, GRU 등 다양한 형태의 재귀적 신경망이 이용될 수 있다. 평균 풀링부(170)는 다중 계층 신경망(160)으로부터 출력된 값을 평균하여 출력한다. 간섭 제거 모델(120)에 대한 상세한 설명은 도 6을 참조하여 후술하기로 한다.

다른 실시 예에 따라, 이러한 재귀적 신경망 유닛들(161, 162, ..., 16m) 각각은 양방향(bidirection) 구조를 갖는데, 이에 대해서는 도 7을 참조하여 후술하기로 한다.

출력 처리부(130)는 간섭 제거 모델(120)에 의해 출력된 출력값을 레이더의 FFT(40)로 출력하거나, 학습 프로세스일 경우에는 조정부(140)에 출력한다.

조정부(140)는 출력 처리부(130)로부터 출력된 비트 신호와 라벨링된 간섭 제거 신호 간의 손실(Loss)을 산출하고, 산출된 손실(Loss)이 최소화되도록 다중 계층 신경망을 역전파시켜, 간섭 제거 모델(120)을 최적화시킨다. 이때, 손실(Loss)로는 L2 loss가 사용될 수 있고, gradient optimizer로는 Adam optimizer가 사용될 수 있으나, 본 발명은 이에 한정되지 않는다.

훈련 데이터 저장부(150)는 간섭 제거 모델(120)을 학습시키기 위한 훈련 데이터를 저장하는 것으로, 예컨대, 도 5a에 도시된 바와 같은 간섭 제거 모델(120)에 입력 데이터로 사용되는 간섭이 포함된 비트 신호와 도 5b에 도시된 바와 같은 라벨링 데이터로 사용되는 간섭이 제거된 비트 신호의 쌍을 저장한다. 이러한 훈련 데이터는 MATLAB을 통한 레이더 시뮬레이터를 통해 수집될 수 있다.

이때, 간섭 제거 모델(120)에 사용되는 입력 데이터와 라벨링 데이터의 길이는 일정해야 한다. 그런데, 훈련 데이터는 송신 신호의 하나의 첩(chirp)에 상응하는 비트 신호들일 수 있고, 하나의 첩(chirp)의 샘플들의 수는 신호의 샘플링 기간(period)에 의존하여 변한다. 따라서, 입력 데이터의 길이가 소정 길이보다 길 경우에는 잔여 부분을 자르거나, 소정 길이보다 짧을 경우 제로 패딩(zero-padding)될 수 있다.

도 6은 본 발명의 일 실시 예에 따른 간섭 제거 모델의 일 예를 도시한 도면이다. 후술될 간섭 제거 모델에 대한 수학식을 포함하는 설명들은 본 발명의 이해를 돕기 위한 것으로, 본 발명은 이에 한정되지 않는다.

도 6을 참조하면, 레이더에서 전처리 이전의 원 데이터(Raw Data)는 연속적인 시간 샘플들(time samples)이므로, 입력 시퀀스는 수백개의 시간 샘플들로 구성될 수 있다.

입력은 시간 샘플링된 간섭 비트 신호로

로 표현될 수 있다. 여기서,

는 비트 신호(

)의 진폭이고, 각각의 입력

는 다음의 <수학식 6>에 의해 정규화될 수 있다.

간섭 제거 모델(120)은 시퀀스 데이터 처리에 적합한 재귀적 신경망(Recurrent Neural Network : RNN)을 사용한다. RNN을 사용함으로써, 학습 모델은 시간적인 샘플들의 연관성을 학습하게 된다. 그런데, RNN에서 장기 의존성 문제(long-term dependency problem)를 야기한다. 따라서, 본 발명에서는 RNN의 변형된 모델인 GRU(Gated Recurrent Unit)가 사용될 수 있다. GRU는 RNN과 같은 동일한 시계열(time series) 구조이지만, 셀의 콘텐츠들은 상이하다.

도 6을 참조하면, 다중 계층 신경망(160)에는 다양한 간섭 케이스들을 학습하기 위해 GRU(161, 162, ..., 16m)들이 적층된다. 그런데, GRU(161, 162, ..., 16m)들 각각이 연속적인 시간 샘플들이 입력됨에 따른 처리 과정의 이해를 돕기 위해, GRU(161, 162, ..., 16m)들 각각이 시간 샘플링된 입력값들을 입력받는 형태로 펼쳐져 도시되어 있음을 유의하여야 한다. 즉, GRU(161)은 각각

을 입력받는 GRU(161-1), GRU(161-2), GRU(161-3),...GRU(161-N)이 별도로 도시되어 있으나, 이는 하나의 GRU(161)가 시간 샘플들의 순차적인 입력에 따른 순차적인 처리 과정의 이해를 돕기 위한 것이다.

그리고, 일 실시 예에 따라, 각 GRU(161, 162, ..., 16m)들 각각에는 딥러닝 기법 중 하나인 잔여 연결(residual connection)이 적용된다. 이러한 잔여 연결(residual connection)은 경사 흐름(gradient flow)의 향상된 전파(propagation)을 위해 GRU(161, 162, ..., 16m)들 각각의 입출력 노드들 간에 부가되는 것으로, GRU/LSTM를 적층시키면 역전파(Back propagation)시 발생되는 문제를 해소하기 위해 사용된다.

잔여 연결(residual connection)에 따라, GRU(161, 162, ..., 16m)들 각각의 출력은 다음의 <수학식 7>과 같이 정의될 수 있다.

<수학식 7>에서

은 GRU 셀들의 l번째 입력 벡터이고,

는 GRU(161, 162, ..., 16m)들 중 l번째 GRU의 출력 벡터이다.

그런데, 다른 실시 예에 따라, GRU(161, 162, ..., 16m)들 각각은 한 방향이 아닌 양방향(bidirectional) 구조를 가질 수 있다.

도 7은 본 발명의 다른 실시 예에 따른 양방향 구조를 가지는 재귀적 신경망 유닛의 블록 구성도이다.

도 7을 참조하면, GRU(161, 162, ..., 16m)들 각각은 제1 유닛(210), 제2 유닛(220) 및 합산부(230)을 포함할 수 있다.

제1 유닛(210)은 시간축을 기준으로 순방향으로 입력되는 시간 샘플링 데이터들을 학습하고, 제2 유닛(220)은 시간축을 기준으로 역방향으로 입력되는 시간 샘플링 데이터들을 처리하여 출력한다.

그러면, 합산부(230)는 제1 유닛(210) 및 제2 유닛(220)에 의해 출력된 출력값들을 합산한 후, 평균값을 산출하여 출력하게 된다.

그리고, 이러한 양방향 구조를 가지는 재귀적 신경망 유닛 또한 잔여 연결(residual connection)이 수행된다.

한편, 총 입력 시간 샘플들의 갯수가

이고, GRU 레이어의 은닉 길이(hidden length)가

라면, 다중 계층 신경망(160)의 최종 출력값은

의 2차원 행렬(Matrix)로 정의될 수 있다. 즉,

의 i번째 열 벡터(column vector)를

로 정의하면,

은

로 표현될 수 있다.

그런데, 라벨링되는 훈련 데이터는 1차원(dimension) 벡터로, 간섭 제거 모델(120)에서 출력되는 출력값이 라벨링되는 데이터와 동일한 차원을 가지도록 하기 위해서는, 평균 풀링부(170)는

에 포함되는 열벡터들 각각의 엘리먼트(element)들의 평균값을 산출하는 평균 풀링(average pooling)을 수행하여 차원을 줄일 수 있다.

따라서, 평균 풀링의 출력

는 다음의 <수학식 9>와 같이 표현될 수 있다.

즉, 간섭 제거 모델(120)의 출력은

로 표현되고, 입력

와 동일한 길이를 갖는다.

한편,

는 입력

와 동일한 타겟 조건을 갖는 비트 시그널이나, 간섭이 없는 신호이다. 즉,

는 라벨링되는 신호를 의미한다. 따라서, 도 4에 도시된 조정부(140)는 두 벡터들

및

간의 차이를 최소화하기 위해, 다음의 <수학식 10>과 같이 정의되는 손실(Loss)

을 산출한다.

손실(Loss)

은 경사 하강(gradient descent)에 의해 최소화된다. 일 실시 예에 따라, 경사 하강 알고리즘으로 Adam이 사용될 수 있다. 학습이 진행됨에 따라, 간섭 제거 모델(120)의 출력

는 라벨

와 유사하게 된다.

따라서, 다시 도 1을 참조하면, 레이더의 FFT(40) 및 타겟 정보 추정부(50)는 딥러닝 기반 레이더 간섭 제거 장치(100)의 출력값

를 타겟의 범위 및 속력을 검출하는데 사용할 수 있다.

도 8은 본 발명에 따른 딥러닝 기반 레이더 간섭 제거 장치가 적용된 신호의 일 예를 도시한다.

도 8의 (a), (b), (c)는 비트 신호이고 (d), (e), (f)는 (a), (b), (c) 각각을 Fast Fourier Transform(FFT)한 신호를 도시한다.

도 8의 (c)에 도시된 출력 비트 신호를 보면, (b)에 도시된 입력 비트 신호로부터 간섭 위치를 제대로 찾아내어 간섭을 완화시킨걸 확인할 수 있다.

도 8의 (f)에 도시된 출력 FFT 신호를 보면, (e)에 도시된 입력 FFT 신호에 비해 피크가 제대로 보여짐을 알 수 있다.

Claims

딥러닝 기반으로 학습되어 레이더의 송수신 신호의 차인 비트 신호가 입력됨에 따라, 비트 신호에서 간섭을 제거하여 출력하는 간섭 제거 모델과,
간섭 제거 모델에 의해 출력된 간섭 제거 신호와 라벨링된 간섭 제거 신호 간의 손실값(Loss)을 계산하고, 손실값을 이용하여 역전파(Back Propagation) 알고리즘을 이용하여 간섭 모델의 학습 파라미터를 조정하는 조정부를 포함함을 특징으로 하는 딥러닝 기반 레이더 간섭 제거 장치.
제1 항에 있어서, 간섭 제거 모델은
연속적인 시간 샘플들(time samples)을 입력받아 순차적으로 학습하는 RNN(Recurrent Neural Network : RNN), LSTM(Long-Short Term Memory) 및 GRU(Gated Recurrent Unit)를 포함하는 재귀적(Recurrent)으로 학습하는 학습 알고리즘을 사용하는 딥러닝 기반 레이더 간섭 제거 장치.
제1 항에 있어서, 간섭 제거 모델은
적어도 둘 이상의 재귀적 신경망 유닛들이 직렬 연결되는 다중 계층 신경망과,
다중 계층 신경망으로부터 출력되는 행렬 형태의 출력값에서 열 벡터들 각각에 대한 구성 요소(element)들을 평균하여 출력하는 평균 풀링부를 포함하는 딥러닝 기반 레이더 간섭 제거 장치.
제3 항에 있어서, 재귀적 신경망 유닛은
시간축을 기준으로 순방향의 연속적인 시간 샘플들(time samples)을 입력받아 학습하는 제1 유닛과,
시간축을 기준으로 역방향의 연속적인 시간 샘플들(time samples)을 입력받아 학습하는 제2 유닛과,
제1 유닛 및 제2 유닛의 출력값들을 합산한 후, 평균을 산출하여 출력하는 합산부를 포함하는 딥러닝 기반 레이더 간섭 제거 장치.
제3 항 및 제 4항 중 한 항에 있어서, 재귀적 신경망 유닛들 각각은
입출력 노드 사이에 잔여 연결(residual connection)되는 딥러닝 기반 레이더 간섭 제거 장치.
제1 항에 있어서,
간섭 제거 모델을 학습시키기 위한 훈련 데이터인 비트 신호 및 라벨링된 간섭 제거 신호는 그 길이가 소정 길이 이상인지의 여부에 따라, 선택적으로 잔여 부분이 제거 처리되거나, 제로 패딩(zero-padding) 처리된 데이터인 딥러닝 기반 레이더 간섭 제거 장치.