KR20200071289A - Fmcw 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법 - Google Patents

Fmcw 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법 Download PDF

Info

Publication number
KR20200071289A
KR20200071289A KR1020180158850A KR20180158850A KR20200071289A KR 20200071289 A KR20200071289 A KR 20200071289A KR 1020180158850 A KR1020180158850 A KR 1020180158850A KR 20180158850 A KR20180158850 A KR 20180158850A KR 20200071289 A KR20200071289 A KR 20200071289A
Authority
KR
South Korea
Prior art keywords
target
feature point
deriving
data
shape
Prior art date
Application number
KR1020180158850A
Other languages
English (en)
Other versions
KR102262197B1 (ko
Inventor
김의정
박혜정
Original Assignee
주식회사 한화
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 주식회사 한화 filed Critical 주식회사 한화
Priority to KR1020180158850A priority Critical patent/KR102262197B1/ko
Publication of KR20200071289A publication Critical patent/KR20200071289A/ko
Application granted granted Critical
Publication of KR102262197B1 publication Critical patent/KR102262197B1/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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/28—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring contours or curvatures
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
    • G01S13/536—Discriminating between fixed and moving objects or between objects moving at different speeds using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves
    • G01S2007/356—

Landscapes

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

Abstract

본 발명은 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법에 관한 것으로, 적어도 어느 하나의 송신 안테나를 통해 송신 레이다 신호가 표적에 의해 반사된 수신 레이다 신호를 적어도 어느 하나의 수신 안테나를 통해 수신하여 아날로그 디지털 변환을 수행하여 ADC 데이터를 생성하는 ADC 데이터 생성부, 생성된 ADC 데이터에 대하여 고속푸리에변환을 수행하여 FFT 데이터를 생성하는 FFT 데이터 생성부, 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 표적 정보 도출부 및 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 표적 특징 추출부를 포함한다.

Description

FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법{APPARATUS AND METHOD FOR ESTIMATING THE SHAPE OF A TARGET USING FMCW RADAR SIGNALS}
본 발명은 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법에 관한 FMCW 레이다의 ADC 데이터 및 FFT 데이터를 이용하여 도출된 표적의 특징점과 추출된 특성 영역을 다차원 테이블 및 인덱스에 매칭시켜 표적의 형상을 추정하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법에 관한 것이다.
일반적으로, 레이다 장치는 전자파를 송신하여 그 반사파를 수신함으로써 수신신호의 주파수 성분으로부터 표적의 거리, 속도, 방위각 등의 파라미터를 검출하여 표적을 탐지하는 장치로서, 선박, 자동차, 비행기, 운항, 관제, 충돌 방지 등의 다양한 분야에서 사용되고 있다.
이와 같은 레이다 장치에는 여러 가지 종류가 있으며, 전파 형태에 따라 크게 펄스 레이다와 연속파 레이다로 나뉜다.
이 중에서, 연속파 레이다의 일종인 FMCW(frequency modulation continuous wave) 레이다는 펄스폭이 좁고 고출력 파형을 송수신하는 펄스 레이다 방식에 비해 다양한 장점을 가지고 있다.
이러한 FMCW 레이다를 사용하여 표적을 추적하는 경우에는 주로 칼만(Kalman) 필터를 사용하여 왔다. 칼만 필터는 잡음에 의한 오류 경보가 존재하는 위치 정보를 이용하여 실제 물체의 위치를 추적하는 역할을 수행한다.
즉, 이러한 레이다 장치는 다른 감지 센서와 비교하여 표적의 거리, 속도, 각도를 정확하게 측정할 수 있지만 표적의 형상에 대해서는 식별할 수 없다는 단점이 있다.
이와 관련하여, 한국공개특허 제2018-0095320호는 "가중치 적용 칼만 필터를 이용한 레이더 신호 처리 장치 및 그를 이용한 표적 검출 시스템"에 관하여 개시하고 있다.
본 발명은 상기와 같은 문제점을 해결하기 위해 발명된 것으로서, FFT 데이터에 대하여 동일한 레인지 인덱스에 해당하는 빈(Bin)의 인덱스를 추출하기 위하여 일정 오경보율(CFAR:Constant False Alarm Rate) 탐지를 수행하고, 수행 결과를 토대로 표적의 존재 유무, 표적의 거리, 속도, 각도에 대한 표적의 인덱스(i,j,k) 정보를 포함하는 표적 정보를 획득하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법을 제공하는데 그 목적이 있다.
또한, 본 발명은 표적의 각도 축 k번째 ADC 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법을 제공하는데 그 목적이 있다.
또한, 본 발명은 표적의 각도 축 k번째 ADC 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법을 제공하는데 그 목적이 있다.
또한, 본 발명은 표적의 각도 축 k번째 FFT 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법을 제공하는데 그 목적이 있다.
또한, 본 발명은 도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시켜 표적의 형상을 추정하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법을 제공하는데 그 목적이 있다.
상기의 목적을 달성하기 위한 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치는 적어도 어느 하나의 송신 안테나를 통해 송신 레이다 신호가 표적에 의해 반사된 수신 레이다 신호를 적어도 어느 하나의 수신 안테나를 통해 수신하여 아날로그 디지털 변환(ADC:Analog Digital Converter)을 수행하여 ADC 데이터를 생성하는 ADC 데이터 생성부; 생성된 ADC 데이터에 대하여 고속푸리에변환(FFT; Fast Fourier Transform)을 수행하여 FFT 데이터를 생성하는 FFT 데이터 생성부; 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 표적 정보 도출부; 및 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 표적 특징 추출부;를 포함한다.
또한, A DC 데이터 및 FFT 데이터는 거리(range), 속도(velocity) 및 각도(angle))에 대하여 3차원 큐브상의 데이터로 생성되는 것을 특징으로 한다.
또한, 상기 표적 정보 도출부는, 생성된 FFT 데이터에 대하여 동일한 레인지 인덱스에 해당하는 빈(Bin)의 인덱스를 추출하기 위하여 일정 오경보율(CFAR:Constant False Alarm Rate) 탐지를 수행하는 CFAR 탐지 수행부; 및 수행 결과를 토대로 표적의 존재 유무, 표적의 거리, 속도, 각도에 대한 표적의 인덱스(i,j,k) 정보를 포함하는 표적 정보를 획득하는 표적 정보 획득부;를 포함하는 것을 특징으로 한다.
또한, 상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점, 표적의 속도 특징점 및 표적의 노이즈 특징점 중 적어도 어느 하나를 포함하는 표적의 특징점을 도출하는 것을 특징으로 한다.
또한, 상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출하는 거리 특징점 도출부를 포함하며, 상기 거리 특징점 도출부는, 표적의 각도 축 k번째 ADC 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출하는 거리 특징점 추출 수행부; 및 도출된 표적의 거리 특징점에 대하여 다중커널러닝을 수행하여 특성 C-D 평면의 특정 영역에 분포시키는 거리 영역 분포부;를 포함하는 것을 특징으로 한다.
또한, 상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출하는 속도 특징점 도출부를 포함하며, 상기 속도 특징점 도출부는, 표적의 각도 축 k번째 ADC 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출하는 속도 특징점 추출 수행부; 및 도출된 표적의 속도 특징점에 대하여 다중커널러닝을 수행하여 특성 A-B 평면의 특정 영역에 분포시키는 속도 영역 분포부;를 포함하는 것을 특징으로 한다.
또한, 상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출하는 노이즈 특징점 도출부를 포함하며, 상기 노이즈 특징점 도출부는, 표적의 각도 축 k번째 FFT 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출하는 노이즈 특징점 추출 수행부; 및 도출된 노이즈 특징점에 대하여 다중커널러닝을 수행하여 특성 E-F 평면의 특정 영역에 분포시키는 노이즈 영역 분포부;를 포함하는 것을 특징으로 한다.
그리고 표적의 적어도 어느 하나 이상의 각도 축에 대하여 도출된 표적의 특징점과 추출된 특성 영역을 누적하여 다차원 테이블 및 인덱스를 구성하는 테이블 및 인덱스 구성부를 더 포함하는 것을 특징으로 한다.
또한, 도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시키는 테이블 및 인덱스 매칭부를 포함하는 것을 특징으로 한다.
또한, 매칭 결과를 토대로 표적의 형상을 추정하는 표적 형상 추정 부를 포함하는 것을 특징으로 한다.
상기의 목적을 달성하기 위한 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법은 DC 데이터 생성부에 의해, 적어도 어느 하나의 송신 안테나를 통해 송신 레이다 신호가 표적에 의해 반사된 수신 레이다 신호를 적어도 어느 하나의 수신 안테나를 통해 수신하여 아날로그 디지털 변환(ADC:Analog Digital Converter)을 수행하여 ADC 데이터를 생성하는 단계: FFT 데이터 생성부에 의해, 생성된 ADC 데이터에 대하여 고속푸리에변환(FFT; Fast Fourier Transform)을 수행하여 FFT 데이터를 생성하는 단계; 표적 정보 도출부에 의해, 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 단계; 및 표적 특징 추출부에 의해, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 단계;를 포함한다.
또한, 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 단계는, 생성된 FFT 데이터에 대하여 동일한 레인지 인덱스에 해당하는 빈(Bin)의 인덱스를 추출하기 위하여 일정 오경보율(CFAR:Constant False Alarm Rate) 탐지를 수행하는 단계; 및 수행 결과를 토대로 표적의 존재 유무, 표적의 거리, 속도, 각도에 대한 표적의 인덱스(i,j,k) 정보를 포함하는 표적 정보를 획득하는 단계;를 포함하는 것을 특징으로 한다.
또한, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계는, 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출하는 단계를 포함하며, 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출하는 단계는, 표적의 각도 축 k번째 ADC 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출하는 단계; 및 도출된 표적의 거리 특징점에 대하여 다중커널러닝을 수행하여 특성 C-D 평면의 특정 영역에 분포시키는 단계;를 포함하는 것을 특징으로 한다.
또한, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 단계는, 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출하는 단계를 포함하며, 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출하는 단계는, 표적의 각도 축 k번째 ADC 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출하는 단계; 및 도출된 표적의 속도 특징점에 대하여 다중커널러닝을 수행하여 특성 A-B 평면의 특정 영역에 분포시키는 단계;를 포함하는 것을 특징으로 한다.
또한, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계는, 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출하는 단계를 포함하며, 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출하는 단계는, 표적의 각도 축 k번째 FFT 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출하는 단계; 및 도출된 노이즈 특징점에 대하여 다중커널러닝을 수행하여 특성 E-F 평면의 특정 영역에 분포시키는 단계;를 포함하는 것을 특징으로 한다.
또한, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계 이후에, 도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시키는 단계; 및 매칭 결과를 토대로 표적의 형상을 추정하는 단계;를 포함하는 것을 특징으로 한다.
상기의 목적을 달성하기 위한 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법은 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 거리 특징점, 속도 특징점 및 노이즈 특징점을 도출하고, 도출된 표적의 거리 특징점, 속도 특징점 및 노이즈 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하고, 도출된 표적의 거리 특징점, 속도 특징점 및 노이즈 특징점과 추출된 각각의 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시킴으로써, 표적의 형상을 추정할 수 있고, 데이터베이스화된 다차원 테이블 및 인덱스를 토대로 표적의 형상을 더욱 정확하게 식별할 수 있는 효과가 있다.
도 1은 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치의 구성을 설명하기 위한 도면이다.
도 2는 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치에서 생성되는 ADC 데이터 및 FFT 데이터의 형태를 설명하기 위한 도면이다.
도 3은 본 발명에 따른 표적 형상 추정부에서 표적의 형상을 추정하는 예시를 설명하기 위한 도면이다.
도 4는 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치에서 채용되는 표적 정보 도출부의 세부 구성을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치에서 채용되는 표적 특징 추출부의 세부 구성을 설명하기 위한 도면이다.
도 6은 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법의 순서를 설명하기 위한 순서도이다.
도 7은 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법에서 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 과정을 설명하기 위한 순서도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다." 또는 "가지다." 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 이하, 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치의 구성을 설명하기 위한 도면이고, 도 2는 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치에서 생성되는 ADC 데이터 및 FFT 데이터의 형태를 설명하기 위한 도면이고, 도 3은 본 발명에 따른 표적 형상 추정부에서 표적의 형상을 추정하는 예시를 설명하기 위한 도면이다.
도 1을 참조하여 설명하면, 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치(100)는 크게 ADC 데이터 생성부(110), FFT 데이터 생성부(120), 표적 정보 도출부(130), 표적 특징 추출부(140), 테이블 및 인덱스 구성부(150), 테이블 및 인덱스 매칭부(160) 및 표적 형상 추정부(170)를 포함한다.
ADC 데이터 생성부(110)는 적어도 어느 하나의 송신 안테나를 통해 송신 레이다 신호가 표적에 의해 반사된 수신 레이다 신호를 적어도 어느 하나의 수신 안테나를 통해 수신하여 아날로그 디지털 변환(ADC:Analog Digital Converter)을 수행하여 ADC 데이터를 생성한다.
FFT 데이터 생성부(120)는 생성된 ADC 데이터에 대하여 고속푸리에변환(FFT; Fast Fourier Transform)을 수행하여 FFT 데이터를 생성한다.
여기서, ADC 데이터 및 FFT 데이터는 거리(range), 속도(velocity) 및 각도(angle))에 대하여 도 2에 도시된 바와 같이, 3차원 큐브상의 데이터로 생성된다.
표적 정보 도출부(130)는 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출한다. 여기서 표적의 인덱스 정보는 표적의 거리, 속도, 각도에 대한 정보이다. 이에 대해서는 이후 설명되는 도 4에서 자세하게 설명하기로 한다.
표적 특징 추출부(140)는 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출한다. 이를 통해, 표적 특징 추출부(140)는 각도별 표적의 특징점을 추출할 수 있게 된다.
이를 위해, 표적 특징 추출부(140)는 거리 특징점 추출부(141), 속도 특징점 추출부(144) 및 노이즈 특징점 추출부(147)를 포함한다.
거리 특징점 추출부(141)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출한다.
속도 특징점 추출부(144)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출한다.
노이즈 특징점 추출부(147)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출한다.
상기와 같은 거리 특징점 추출부(141), 속도 특징점 추출부(144) 및 노이즈 특징점 추출부(147)의 세부 구성을 이후 설명되는 도 5에서 자세하게 설명하기로 한다.
테이블 및 인덱스 구성부(150)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 도출된 표적의 특징점과 추출된 특성 영역을 반복적으로 누적하여 다차원 테이블 및 인덱스를 구성한다.
즉, 테이블 및 인덱스 구성부(150)는 예를 들어, 표적의 각도 축 k번째 그리고 표적의 각도 축 m번째에 대하여 각각 도출된 표적의 특징점과 추출된 특성 영역을 누적하여 다차원 테이블 및 인덱스를 구성할 수 있다.
테이블 및 인덱스 매칭부(160)는 도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시킨다.
즉, 테이블 및 인덱스 매칭부(160)는 도출된 표적의 특징점과 추출된 특성 영역이 어떤 테이블값과 최대값을 매칭되는지 확인하여 인덱스를 도출한다.
표적 형상 추정부(170)는 매칭 결과 즉, 도출된 인덱스를 통해 표적의 형상을 추정한다.
보다 자세하게, 표적 형상 추정부(170)는 어떤 임의 형상을 갖는 표적의 특징점을 추출하면 특징점 영역에서 어떤 위치에 분포를 갖게 되며, 도 3과 같은 원리로 다중커널러닝을 통해 형상이 다른 물체마다 분포 영역이 구분될 수 있으며 어떤 영역에 위치하는지 매핑을 통해 물체의 형상을 추정할 수 있게 되는 것이다.
도 4는 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치에서 채용되는 표적 정보 도출부의 세부 구성을 설명하기 위한 도면이다.
도 4를 참조하여 설명하면, 본 발명에 따른 표적 정보 도출부(130)는 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출한다.
이를 위해, 표적 정보 도출부(130)는 CFAR 탐지 수행부(131) 및 표적 정보 획득부(132)를 포함한다.
CFAR 탐지 수행부(131)는 생성된 FFT 데이터에 대하여 동일한 레인지 인덱스에 해당하는 빈(Bin)의 인덱스를 추출하기 위하여 일정 오경보율(CFAR:Constant False Alarm Rate) 탐지를 수행한다.
표적 정보 획득부(132)는 수행 결과를 토대로 표적의 존재 유무, 표적의 거리, 속도, 각도에 대한 표적의 인덱스(i,j,k) 정보를 포함하는 표적 정보를 획득한다. 여기서, 표적의 인덱스는 앞서 설명한 3차원 큐브상의 빈(Bin)의 위치를 나타낸다.
도 5는 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치에서 채용되는 표적 특징 추출부의 세부 구성을 설명하기 위한 도면이다.
도 5를 참조하여 설명하면, 본 발명에 따른 표적 특징 추출부(140)는 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출한다.
이를 위해, 표적 특징 추출부(140)는 거리 특징점 추출부(141), 속도 특징점 추출부(144) 및 노이즈 특징점 추출부(147)를 포함한다.
거리 특징점 추출부(141)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출한다.
이에, 거리 특징점 추출부(141)는 거리 특징점 추출 수행부(142), 및 거리 영역 분포부(143)를 포함한다.
거리 특징점 추출 수행부(142)는 표적의 각도 축 k번째 ADC 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출한다.
거리 영역 분포부(143)는 도출된 표적의 거리 특징점에 대하여 다중커널러닝을 수행하여 앞서 설명한 도 2에 도시된 바와 같이 특성 C-D 평면의 특정 영역에 분포시킨다.
속도 특징점 추출부(144)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출한다.
이에, 속도 특징점 추출부(144)는 속도 특징점 추출 수행부(145) 및 속도 영역 분포부(146)를 포함한다.
속도 특징점 추출 수행부(145)는 표적의 각도 축 k번째 ADC 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출한다.
속도 영역 분포부(146)는 도출된 표적의 속도 특징점에 대하여 다중커널러닝을 수행하여 앞서 설명한 도 2에 도시된 바와 같이 특성 A-B 평면의 특정 영역에 분포시킨다.
노이즈 특징점 추출부(147)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출한다.
이에, 노이즈 특징점 추출부(147)는 노이즈 특징점 추출 수행부(148) 및 노이즈 영역 분포부(149)를 포함한다.
노이즈 특징점 추출 수행부(148)는 표적의 각도 축 k번째 FFT 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출한다.
노이즈 영역 분포부(149)는 도출된 노이즈 특징점에 대하여 다중커널러닝을 수행하여 앞서 설명한 도 2에 도시된 바와 같이 특성 E-F 평면의 특정 영역에 분포시킨다.
즉, 노이즈 특징점 추출부(147)는 앞서 설명한 도 2에서 ADC 데이터인 아날로그 관점에서 보면 표적의 위치(ith,jth)번째 bin을 중심으로 i번째 좌우 a만큼, j번째 위아래 b만큼의 bin 데이터를 가져와서 특징점 도출과 특정 영역 분포를 수행하면 표적 주변의 노이즈 분포를 알 수 있다.
도 6은 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법의 순서를 설명하기 위한 순서도이다.
도 6을 참조하여 설명하면, 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법은 앞서 설명한 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치(100)를 이용하는 것으로, 이하 중복되는 설명은 생략하기로 한다.
먼저, 적어도 어느 하나의 송신 안테나를 통해 송신 레이다 신호가 표적에 의해 반사된 수신 레이다 신호를 적어도 어느 하나의 수신 안테나를 통해 수신하여 아날로그 디지털 변환(ADC:Analog Digital Converter)을 수행하여 ADC 데이터를 생성한다(S100).
다음, 생성된 ADC 데이터에 대하여 고속푸리에변환(FFT; Fast Fourier Transform)을 수행하여 FFT 데이터를 생성한다(S110).
다음, 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출한다(S120).
다음, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출한다(S130).
S130 단계는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점, 표적의 속도 특징점 및 노이즈 특징점을 도출한다.
다음, 표적의 적어도 어느 하나 이상의 각도 축에 대하여 도출된 표적의 특징점과 추출된 특성 영역을 누적하여 다차원 테이블 및 인덱스를 구성한다(S140).
S140 단계는 표적의 각도 축 k번째 그리고 표적의 각도 축 m번째에 대하여 각각 도출된 표적의 특징점과 추출된 특성 영역을 누적하여 차원 테이블 및 인덱스를 구성할 수 있다.
다음, 도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시킨다(S150).
S150 단계는 도출된 표적의 특징점과 추출된 특성 영역이 어떤 테이블값과 최대값을 매칭되는지 확인하여 인덱스를 도출한다.
다음, 매칭 결과를 토대로 표적의 형상을 추정한다(S160).
도 7은 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법에서 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 과정을 설명하기 위한 순서도이다.
도 7을 참조하여 설명하면, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 과정은 먼저 표적의 각도 축 k번째 ADC 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출한다(S200).
다음, 도출된 표적의 거리 특징점에 대하여 다중커널러닝을 수행하여 특성 C-D 평면의 특정 영역에 분포시킨다(S210).
다음, 표적의 각도 축 k번째 ADC 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출한다(S220).
다음, 도출된 표적의 속도 특징점에 대하여 다중커널러닝을 수행하여 특성 A-B 평면의 특정 영역에 분포시킨다(S230).
다음, 표적의 각도 축 k번째 FFT 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출한다(S240).
다음, 도출된 노이즈 특징점에 대하여 다중커널러닝을 수행하여 특성 E-F 평면의 특정 영역에 분포시킨다(S250).
이상 본 명세서에서 설명한 기능적 동작과 본 주제에 관한 실시형태들은 본 명세서에서 개시한 구조들 및 그들의 구조적인 등가물을 포함하여 디지털 전자 회로나 컴퓨터 소프트웨어, 펌웨어 또는 하드웨어에서 혹은 이들 중 하나 이상이 조합에서 구현 가능하다.
본 명세서에서 기술하는 주제의 실시형태는 하나 이상이 컴퓨터 프로그램 제품, 다시 말해 정보 처리 장치에 의한 실행을 위하여 혹은 그 동작을 운용하기 위하여 유형의 프로그램 매체상에 인코딩되는 컴퓨터 프로그램 명령에 관한 하나 이상이 모듈로서 구현될 수 있다. 유형의 프로그램 매체는 전파형 신호이거나 컴퓨터로 판독 가능한 매체일 수 있다. 전파형 신호는 컴퓨터에 의한 실행을 위하여 적절한 수신기 장치로 전송하기 위한 정보를 인코딩하기 위하여 생성되는 예컨대 기계가 생성한 전기적, 광학적 혹은 전자기 신호와 같은 인공적으로 생성된 신호이다. 컴퓨터로 판독 가능한 매체는 기계로 판독 가능한 저장장치, 기계로 판독 가능한 저장 기판, 메모리 장치, 기계로 판독 가능한 전파형 신호에 영향을 미치는 물질의 조합 혹은 이들 중 하나 이상이 조합일 수 있다.
컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 어플리케이션, 스크립트 혹은 코드로도 알려져 있음)은 컴파일되거나 해석된 언어나 선험적 혹은 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 혹은 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다.
컴퓨터 프로그램은 파일 장치의 파일에 반드시 대응하는 것은 아니다. 프로그램은 요청된 프로그램에 제공되는 단일 파일 내에, 혹은 다중의 상호 작용하는 파일(예컨대, 하나 이상이 모듈, 하위 프로그램 혹은 코드의 일부를 저장하는 파일) 내에, 혹은 다른 프로그램이나 정보를 보유하는 파일의 일부(예컨대, 마크업 언어 문서 내에 저장되는 하나 이상이 스크립트) 내에 저장될 수 있다.
컴퓨터 프로그램은 하나의 사이트에 위치하거나 복수의 사이트에 걸쳐서 분산되어 통신 네트워크에 의해 상호 접속된 다중 컴퓨터나 하나의 컴퓨터상에서 실행되도록 전개될 수 있다.
부가적으로, 본 특허문헌에서 기술하는 논리 흐름과 구조적인 블록도는 개시된 구조적인 수단의 지원을 받는 대응하는 기능과 단계의 지원을 받는 대응하는 행위 및/또는 특정한 방법을 기술하는 것으로, 대응하는 소프트웨어 구조와 알고리즘과 그 등가물을 구축하는 데에도 사용 가능하다.
본 명세서에서 기술하는 프로세스와 논리 흐름은 입력 정보 상에서 동작하고 출력을 생성함으로써 기능을 수행하기 위하여 하나 이상이 컴퓨터 프로그램을 실행하는 하나 이상이 프로그래머블 프로세서에 의하여 수행 가능하다.
컴퓨터 프로그램의 실행에 적합한 프로세서는, 예컨대 범용 및 특수 목적의 마이크로프로세서 양자 및 어떤 종류의 디지털 컴퓨터의 어떠한 하나 이상이 프로세서라도 포함한다. 일반적으로, 프로세서는 읽기 전용 메모리나 랜덤 액세스 메모리 혹은 양자로부터 명령어와 정보를 수신할 것이다.
컴퓨터의 핵심적인 요소는 명령어와 정보를 저장하기 위한 하나 이상이 메모리 장치 및 명령을 수행하기 위한 프로세서이다. 또한, 컴퓨터는 일반적으로 예컨대 자기, 자기광학 디스크나 광학 디스크와 같은 정보를 저장하기 위한 하나 이상이 대량 저장 장치로부터 정보를 수신하거나 그것으로 정보를 전송하거나 혹은 그러한 동작 둘 다를 수행하기 위하여 동작가능 하도록 결합되거나 이를 포함할 것이다. 그러나, 컴퓨터는 그러한 장치를 가질 필요가 없다.
본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 당업자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 아니다.
따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 요컨대 본 발명이 의도하는 효과를 달성하기 위해 도면에 도시된 모든 기능 블록을 별도로 포함하거나 도면에 도시된 모든 순서를 도시된 순서 그대로 따라야만 하는 것은 아니며, 그렇지 않더라도 얼마든지 청구항에 기재된 본 발명의 기술적 범위에 속할 수 있음에 주의한다.
100 : FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치
110 : ADC 데이터 생성부
120 : FFT 데이터 생성부
130 : 표적 정보 도출부
140 : 표적 특징 추출부
150 : 테이블 및 인덱스 구성부
160 : 테이블 및 인덱스 매칭부
170 : 표적 형상 추정부

Claims (16)

  1. 적어도 어느 하나의 송신 안테나를 통해 송신 레이다 신호가 표적에 의해 반사된 수신 레이다 신호를 적어도 어느 하나의 수신 안테나를 통해 수신하여 아날로그 디지털 변환(ADC:Analog Digital Converter)을 수행하여 ADC 데이터를 생성하는 ADC 데이터 생성부;
    생성된 ADC 데이터에 대하여 고속푸리에변환(FFT; Fast Fourier Transform)을 수행하여 FFT 데이터를 생성하는 FFT 데이터 생성부;
    생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 표적 정보 도출부; 및
    표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 표적 특징 추출부;
    를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.
  2. 제1항에 있어서,
    ADC 데이터 및 FFT 데이터는 거리(range), 속도(velocity) 및 각도(angle))에 대하여 3차원 큐브상의 데이터로 생성되는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.
  3. 제1항에 있어서,
    상기 표적 정보 도출부는,
    생성된 FFT 데이터에 대하여 동일한 레인지 인덱스에 해당하는 빈(Bin)의 인덱스를 추출하기 위하여 일정 오경보율(CFAR:Constant False Alarm Rate) 탐지를 수행하는 CFAR 탐지 수행부; 및
    수행 결과를 토대로 표적의 존재 유무, 표적의 거리, 속도, 각도에 대한 표적의 인덱스(i,j,k) 정보를 포함하는 표적 정보를 획득하는 표적 정보 획득부;
    를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.
  4. 제1항에 있어서,
    상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점, 표적의 속도 특징점 및 표적의 노이즈 특징점 중 적어도 어느 하나를 포함하는 표적의 특징점을 도출하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.
  5. 제1항에 있어서,
    상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출하는 거리 특징점 도출부를 포함하며,
    상기 거리 특징점 도출부는,
    표적의 각도 축 k번째 ADC 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출하는 거리 특징점 추출 수행부; 및
    도출된 표적의 거리 특징점에 대하여 다중커널러닝을 수행하여 특성 C-D 평면의 특정 영역에 분포시키는 거리 영역 분포부;
    를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.
  6. 제1항에 있어서,
    상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출하는 속도 특징점 도출부를 포함하며,
    상기 속도 특징점 도출부는,
    표적의 각도 축 k번째 ADC 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출하는 속도 특징점 추출 수행부; 및
    도출된 표적의 속도 특징점에 대하여 다중커널러닝을 수행하여 특성 A-B 평면의 특정 영역에 분포시키는 속도 영역 분포부;
    를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.
  7. 제1항에 있어서,
    상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출하는 노이즈 특징점 도출부를 포함하며,
    상기 노이즈 특징점 도출부는,
    표적의 각도 축 k번째 FFT 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출하는 노이즈 특징점 추출 수행부; 및
    도출된 노이즈 특징점에 대하여 다중커널러닝을 수행하여 특성 E-F 평면의 특정 영역에 분포시키는 노이즈 영역 분포부;
    를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.
  8. 제1항에 있어서,
    표적의 적어도 어느 하나 이상의 각도 축에 대하여 도출된 표적의 특징점과 추출된 특성 영역을 누적하여 다차원 테이블 및 인덱스를 구성하는 테이블 및 인덱스 구성부를 더 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.
  9. 제1항에 있어서,
    도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시키는 테이블 및 인덱스 매칭부를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.
  10. 제9항에 있어서,
    매칭 결과를 토대로 표적의 형상을 추정하는 표적 형상 추정부를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.
  11. ADC 데이터 생성부에 의해, 적어도 어느 하나의 송신 안테나를 통해 송신 레이다 신호가 표적에 의해 반사된 수신 레이다 신호를 적어도 어느 하나의 수신 안테나를 통해 수신하여 아날로그 디지털 변환(ADC:Analog Digital Converter)을 수행하여 ADC 데이터를 생성하는 단계:
    FFT 데이터 생성부에 의해, 생성된 ADC 데이터에 대하여 고속푸리에변환(FFT; Fast Fourier Transform)을 수행하여 FFT 데이터를 생성하는 단계;
    표적 정보 도출부에 의해, 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 단계; 및
    표적 특징 추출부에 의해, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 단계;
    를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법.
  12. 제11항에 있어서,
    생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 단계는,
    생성된 FFT 데이터에 대하여 동일한 레인지 인덱스에 해당하는 빈(Bin)의 인덱스를 추출하기 위하여 일정 오경보율(CFAR:Constant False Alarm Rate) 탐지를 수행하는 단계; 및
    수행 결과를 토대로 표적의 존재 유무, 표적의 거리, 속도, 각도에 대한 표적의 인덱스(i,j,k) 정보를 포함하는 표적 정보를 획득하는 단계;
    를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법.
  13. 제11항에 있어서,
    표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계는,
    표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출하는 단계를 포함하며,
    표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출하는 단계는,
    표적의 각도 축 k번째 ADC 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출하는 단계; 및
    도출된 표적의 거리 특징점에 대하여 다중커널러닝을 수행하여 특성 C-D 평면의 특정 영역에 분포시키는 단계;
    를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법.
  14. 제11항에 있어서,
    표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계는,
    표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출하는 단계를 포함하며,
    표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출하는 단계는,
    표적의 각도 축 k번째 ADC 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출하는 단계; 및
    도출된 표적의 속도 특징점에 대하여 다중커널러닝을 수행하여 특성 A-B 평면의 특정 영역에 분포시키는 단계;
    를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법.
  15. 제11항에 있어서,
    표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계는,
    표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출하는 단계를 포함하며,
    표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출하는 단계는,
    표적의 각도 축 k번째 FFT 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출하는 단계; 및
    도출된 노이즈 특징점에 대하여 다중커널러닝을 수행하여 특성 E-F 평면의 특정 영역에 분포시키는 단계;
    를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법.
  16. 제11항에 있어서,
    표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계 이후에,
    도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시키는 단계; 및
    매칭 결과를 토대로 표적의 형상을 추정하는 단계;
    를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법.




KR1020180158850A 2018-12-11 2018-12-11 Fmcw 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법 KR102262197B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180158850A KR102262197B1 (ko) 2018-12-11 2018-12-11 Fmcw 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180158850A KR102262197B1 (ko) 2018-12-11 2018-12-11 Fmcw 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20200071289A true KR20200071289A (ko) 2020-06-19
KR102262197B1 KR102262197B1 (ko) 2021-06-07

Family

ID=71137197

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180158850A KR102262197B1 (ko) 2018-12-11 2018-12-11 Fmcw 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102262197B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113009439A (zh) * 2021-01-29 2021-06-22 江苏集萃移动通信技术研究所有限公司 一种基于调频连续波毫米波雷达的多目标探测方法
KR20220121005A (ko) * 2021-02-24 2022-08-31 국방과학연구소 표적을 검출하는 장치 및 그 방법
KR20220164974A (ko) * 2021-06-07 2022-12-14 엘아이지넥스원 주식회사 도플러 신호 처리 시스템 및 도플러 신호 처리 방법
KR20230027709A (ko) * 2021-08-20 2023-02-28 포항공과대학교 산학협력단 Fmcw 레이다를 이용한 차량 길이 추정 장치 및 그 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102651165B1 (ko) * 2021-10-20 2024-03-26 엘아이지넥스원 주식회사 표적 정보 추출 알고리즘 테스트 시스템 및 표적 정보 추출 알고리즘 테스트 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130040642A (ko) * 2011-10-14 2013-04-24 삼성테크윈 주식회사 레이다 센서 및 이를 이용한 물체 검출 방법
WO2015088664A1 (en) * 2013-12-13 2015-06-18 Utc Fire & Security Americas Corporation, Inc. Selective intrusion detection systems
KR20160081507A (ko) * 2014-12-31 2016-07-08 현대모비스 주식회사 차량용 레이더 시스템
WO2016138238A1 (en) * 2015-02-27 2016-09-01 Texas Instruments Incorporated Gesture recognition using frequency modulated continuous wave radar
KR20180042052A (ko) * 2016-10-17 2018-04-25 한국전자통신연구원 Fmcw 레이더를 이용한 타겟 탐지 장치 및 방법
KR20190023824A (ko) * 2017-08-30 2019-03-08 주식회사 한화 감시 정찰용 표적 탐지 및 형상 식별 장치와 그 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130040642A (ko) * 2011-10-14 2013-04-24 삼성테크윈 주식회사 레이다 센서 및 이를 이용한 물체 검출 방법
WO2015088664A1 (en) * 2013-12-13 2015-06-18 Utc Fire & Security Americas Corporation, Inc. Selective intrusion detection systems
KR20160081507A (ko) * 2014-12-31 2016-07-08 현대모비스 주식회사 차량용 레이더 시스템
WO2016138238A1 (en) * 2015-02-27 2016-09-01 Texas Instruments Incorporated Gesture recognition using frequency modulated continuous wave radar
KR20180042052A (ko) * 2016-10-17 2018-04-25 한국전자통신연구원 Fmcw 레이더를 이용한 타겟 탐지 장치 및 방법
KR20190023824A (ko) * 2017-08-30 2019-03-08 주식회사 한화 감시 정찰용 표적 탐지 및 형상 식별 장치와 그 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Pavlo Molchanov. Radar target classification by micro-Doppler contributions. Ph.D thesis. Tampere University of Technology. 2014.10.* *
SANOAL Machado 외 1명. Automotive FMCW radar development and verification methods. Master’s thesis. University of Gothenburg. 2018.07.* *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113009439A (zh) * 2021-01-29 2021-06-22 江苏集萃移动通信技术研究所有限公司 一种基于调频连续波毫米波雷达的多目标探测方法
KR20220121005A (ko) * 2021-02-24 2022-08-31 국방과학연구소 표적을 검출하는 장치 및 그 방법
KR20220164974A (ko) * 2021-06-07 2022-12-14 엘아이지넥스원 주식회사 도플러 신호 처리 시스템 및 도플러 신호 처리 방법
KR20230027709A (ko) * 2021-08-20 2023-02-28 포항공과대학교 산학협력단 Fmcw 레이다를 이용한 차량 길이 추정 장치 및 그 방법

Also Published As

Publication number Publication date
KR102262197B1 (ko) 2021-06-07

Similar Documents

Publication Publication Date Title
KR20200071289A (ko) Fmcw 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법
US11988736B2 (en) Systems and methods for virtual aperture radar tracking
US10222463B2 (en) Systems and methods for 4-dimensional radar tracking
CN111521989B (zh) 用于雷达系统中的超分辨率的深度学习
CN107683422B (zh) 车辆雷达系统
US4992797A (en) Method of detection and identification of one or more remote objects
CN103176178B (zh) 雷达动目标Radon-分数阶傅里叶变换长时间相参积累检测方法
JP2021505892A (ja) Ｆｍｃｗレーダーシステムのためのレーダー処理チェーン
CN106405511A (zh) 用于自动车辆的雷达信号处理
US20180143297A1 (en) Decentralised radar system
CN111521998B (zh) 用于去混叠和配置雷达系统的深度学习
JP2015514971A (ja) 物標検出の方法
CN104614723A (zh) 利用可变波形判别虚假目标的车辆用雷达及其判别方法
CN113504522B (zh) 一种基于发射天线随机切换的时空解耦与超分辨测角方法
CN113009441B (zh) 一种雷达运动反射面多径目标的识别方法及装置
EP4160254A1 (en) Determining reliability of a direction of arrival (doa) of a signal received by a radar system from a source and apparatus for determining reliability
Olbrich et al. New pre-estimation algorithm for FMCW radar systems using the matrix pencil method
KR20140088683A (ko) 차량용 레이더를 이용한 물체 감지 장치, 방법 및 컴퓨터 판독 가능한 기록 매체
KR101052050B1 (ko) 다수의 레이더를 가간섭적으로 결합하여 이동 표적의 감지율을 향상시키는 방법 및 그 방법이 적용된 레이더 시스템
Zeng et al. Physics-based modelling method for automotive radar with frequency shift keying and linear frequency modulation
KR102713255B1 (ko) Fmcw 레이더를 활용한 딥러닝 기반의 실내 거리 추정 장치 및 방법
CN111033297A (zh) 用于运行车辆的雷达系统的方法
KR20200033571A (ko) Sml 비용함수 및 가설검증을 고려한 신호개수 추정 방법 및 장치
RU2824755C1 (ru) Способ обработки сигналов в системе радиоприёмников
KR102610631B1 (ko) Dnn을 이용한 fmcw 레이더의 해상도 향상 장치 및 방법

Legal Events

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