KR20210114199A - 딥러닝 기반 레이다 목표물 식별 방법 및 장치 - Google Patents

딥러닝 기반 레이다 목표물 식별 방법 및 장치 Download PDF

Info

Publication number
KR20210114199A
KR20210114199A KR1020200029584A KR20200029584A KR20210114199A KR 20210114199 A KR20210114199 A KR 20210114199A KR 1020200029584 A KR1020200029584 A KR 1020200029584A KR 20200029584 A KR20200029584 A KR 20200029584A KR 20210114199 A KR20210114199 A KR 20210114199A
Authority
KR
South Korea
Prior art keywords
target
range doppler
received signal
signal power
map
Prior art date
Application number
KR1020200029584A
Other languages
English (en)
Inventor
유성진
정병장
김봉수
김형주
변우진
황성현
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020200029584A priority Critical patent/KR20210114199A/ko
Publication of KR20210114199A publication Critical patent/KR20210114199A/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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

딥러닝 기반 레이다 목표물 식별 방법 및 장치가 개시된다. 일 실시예에 따른 목표물 식별 방법은, 송신한 하나 이상의 첩(chirp) 신호가 목표물에 반사되어 수신되는 하나 이상의 수신 신호를 처리하는 단계와, 처리된 신호를 이용하여 상기 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지 및 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록 중에서 적어도 하나를 생성하는 단계와, 상기 적어도 하나를 이용하여 상기 목표물을 식별하는 단계를 포함한다.

Description

딥러닝 기반 레이다 목표물 식별 방법 및 장치{METHOD AND APPARATUS FOR RADAR TARGET IDENTIFICATION BASED ON DEEP LEARNING}
아래 실시예들은 딥러닝 기반 레이다 목표물 식별 방법 및 장치에 관한 것이다.
과거 레이다(radar)는 주로 군사용 목적으로 많이 사용되었다. 레이다는 멀리 있는 비행체를 탐지하고 비행체의 종류를 식별하는 것이 주요 기능이다. 펄스 방식의 레이다는 먼 거리에서도 비행체를 탐지하기 위하여 주로 사용된다.
레이다는 비행체를 식별하기 위하여 사전에 비행체의 모양을 이용하여 전파 반사 특성을 시뮬레이션 할 수 있다. 또한, 레이다는 비행체를 레이다로 측정한 정보를 바탕으로 비행체별로 레이다 특성 정보를 데이터베이스에 저장한다. 레이다는 측정된 비행체의 레이다 신호와 데이터베이스에 있는 정보를 비교하여 비행체의 종류를 식별한다.
근래에는 레이다를 민수용으로 이용하기 위한 연구가 많이 진행되고 있으며, 특히 자동차용 레이다가 관심을 받고 있다. 자동차용 레이다는 비교적 거리가 가까운 물체를 탐지해야 하기 때문에 펄스 레이다 보다는 FMCW(Frequency Modulated Continuous Wave) 레이다 방식이 더 적절한 것으로 평가받고 있다.
레이다 신호는 과거에는 주로 비행체의 모양 정보를 기반으로 식별하였지만, 근래에는 딥러닝을 비롯한 머신러닝 기술의 발달로 물체 식별에 다양한 정보를 이용할 수 있게 되었으며, 정확도도 과거에 비하여 의미있게 향상되었다.
실시예들은 첩 신호를 이용하여 생성한 수신 신호 전력 이미지 및 레인지 도플러 블록에 기초하여 딥러닝 기법을 통해 목표물을 효과적으로 식별할 수 있는 기술을 제공할 수 있다.
일 실시예에 따른 목표물 식별 방법은, 송신한 하나 이상의 첩(chirp) 신호가 목표물에 반사되어 수신되는 하나 이상의 수신 신호를 처리하는 단계와, 처리된 신호를 이용하여 상기 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지 및 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록 중에서 적어도 하나를 생성하는 단계와, 상기 적어도 하나를 이용하여 상기 목표물을 식별하는 단계를 포함한다.
상기 수신 신호 전력 이미지는, 상기 목표물의 위치에서 첩 수로 정의되는 각 첩 윈도우에 해당하는 신호 세기 정보가 픽셀 값으로 반영될 수 있다.
상기 방법은, 상기 처리된 신호로부터 신호 세기 정보를 추출하여 상기 목표물의 위치를 결정하는 단계를 더 포함할 수 있다.
상기 레인지 도플러 블록은, 각 프레임마다 생성되는 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지를 크롭(crop)한 크롭 이미지들의 집합일 수 있다.
상기 적어도 하나를 생성하는 단계는, 상기 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지를 생성하는 단계, 또는 상기 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록을 생성하는 단계 중에서 적어도 하나를 포함할 수 있다.
상기 수신 신호 전력 이미지를 생성하는 단계는, 상기 처리된 신호로부터 생성되는 상기 레인지 도플러 맵 또는 상기 처리된 신호로부터 생성되는 수신 신호 전력 정보 중에서 어느 하나를 이용하여 상기 수신 신호 전력 이미지를 생성하는 단계를 포함할 수 있다.
상기 어느 하나를 이용하여 상기 수신 신호 전력 이미지를 생성하는 단계는, 상기 레인지 도플러 맵에서 상기 목표물이 적어도 둘 이상이고 동일한 위치에 존재하는 때 상기 레인지 도플러 맵을 이용하여 상기 수신 신호 전력 이미지를 생성하는 단계와, 상기 레인지 도플러 맵에서 상기 목표물이 적어도 둘 이상이고 동일한 위치에 존재하지 않는 때 상기 수신 신호 전력 정보를 이용하여 상기 수신 신호 전력 이미지를 생성하는 단계를 포함할 수 있다.
상기 식별하는 단계는, 상기 수신 신호 전력 이미지로부터 제1 특징 맵을 추출하는 단계와, 상기 레인지 도플러 블록으로부터 제2 특징 맵을 추출하는 단계중에서 적어도 하나를 포함할 수 있다.
상기 식별하는 단계는, 상기 제1 특징 맵 및 상기 제2 특징 맵 중에서 적어도 하나를 이용하여 상기 목표물을 식별하는 단계를 더 포함할 수 있다.
일 실시예에 따른 목표물 식별 장치는, 송신한 하나 이상의 첩(chirp) 신호가 목표물에 반사되어 수신되는 하나 이상의 수신 안테나와, 상기 하나 이상의 수신 신호를 처리하고, 처리된 신호를 이용하여 상기 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지 및 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록 중에서 적어도 하나를 생성하고, 상기 적어도 하나를 이용하여 상기 목표물을 식별하는 신호 처리 프로세서를 포함한다.
상기 수신 신호 전력 이미지는, 상기 목표물의 위치에서 첩 수로 정의되는 각 첩 윈도우에 해당하는 신호 세기 정보가 픽셀 값으로 반영될 수 있다.
상기 신호 처리 프로세서는, 상기 처리된 신호로부터 신호 세기 정보를 추출하여 상기 목표물의 위치를 결정할 수 있다.
상기 레인지 도플러 블록은, 각 프레임마다 생성되는 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지를 크롭한 크롭 이미지들의 집합일 수 있다.
상기 신호 처리 프로세서는, 상기 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지를 생성하거나, 상기 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록 중에서 적어도 하나를 생성할 수 있다.
상기 신호 처리 프로세서는, 상기 처리된 신호로부터 생성되는 상기 레인지 도플러 맵 또는 상기 처리된 신호로부터 생성되는 수신 신호 전력 정보 중에서 어느 하나를 이용하여 상기 수신 신호 전력 이미지를 생성할 수 있다.
상기 신호 처리 프로세서는, 상기 레인지 도플러 맵에서 상기 목표물이 적어도 둘 이상이고 동일한 위치에 존재하는 때 상기 레인지 도플러 맵을 이용하여 상기 수신 신호 전력 이미지를 생성하고, 상기 레인지 도플러 맵에서 상기 목표물이 적어도 둘 이상이고 동일한 위치에 존재하지 않는 때 상기 수신 신호 전력 정보를 이용하여 상기 수신 신호 전력 이미지를 생성할 수 있다.
상기 신호 처리 프로세서는, 상기 수신 신호 전력 이미지로부터 제1 특징 맵을 추출하고, 상기 레인지 도플러 블록으로부터 제2 특징 맵을 추출할 수 있다.
상기 신호 처리 프로세서는, 상기 제1 특징 맵 및 상기 제2 특징 맵 중에서 적어도 하나를 이용하여 상기 목표물을 식별할 수 있다.
다른 실시예에 따른 목표물 식별 방법은, 송신한 하나 이상의 첩(chirp) 신호가 목표물에 반사되어 수신되는 하나 이상의 수신 신호를 처리하는 단계와, 처리된 신호를 이용하여 상기 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지 및 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록을 생성하는 단계와, 상기 수신 신호 전력 이미지로부터 제1 특징 맵을 추출하는 단계와, 상기 레인지 도플러 블록으로부터 제2 특징 맵을 추출하는 단계와, 상기 제1 특징 맵 및 상기 제2 특징 맵에 기초하여 상기 목표물을 식별하는 단계를 포함한다.
다른 실시예에 따른 목표물 식별 장치는, 송신한 하나 이상의 첩(chirp) 신호가 목표물에 반사되어 수신되는 하나 이상의 수신 신호를 수신하는 하나 이상의 수신 안테나와, 상기 하나 이상의 수신 신호를 처리하고, 처리된 신호를 이용하여 상기 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지 및 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록을 생성하고, 상기 수신 신호 전력 이미지로부터 제1 특징 맵을 추출하고, 상기 레인지 도플러 블록으로부터 제2 특징 맵을 추출하고, 상기 제1 특징 맵 및 상기 제2 특징 맵에 기초하여 상기 목표물을 식별하는 신호 처리 프로세서를 포함한다.
도 1은 일 실시예에 따른 목표물 식별 장치를 나타낸 도면이다.
도 2는 프레임 단위로 수신되는 FMCW 신호의 일 예를 나타낸 도면이다.
도 3은 도 1에 도시된 신호 처리 프로세서를 개략적으로 나타낸 도면이다.
도 4는 목표물 식별 장치가 수신 신호 전력 이미지를 생성하는 동작을 설명하기 위한 도면이다.
도 5 내지 도 10은 목표물 식별 장치의 수신 신호 전력 이미지 생성 동작의 일 예를 설명하기 위한 도면이다.
도 11 내지 도 17은 목표물 식별 장치의 수신 신호 전력 이미지 생성 동작의 다른 예를 설명하기 위한 도면이다.
도 18 및 도 19는 목표물 식별 장치가 레인지 도플러 블록을 생성하는 동작을 설명하기 위한 도면이다.
도 20 및 도 21은 도 3에 도시된 딥 러닝 모델 기반 목표물 식별 모듈의 동작을 설명하기 위한 도면이다.
도 22는 딥 러닝 모델 기반 목표물 식별 모듈의 2D CNN 블록 학습의 일 예를 나타낸 도면이다.
도 23은 딥 러닝 모델 기반 목표물 식별 모듈의 3D CNN 블록 학습의 일 예를 나타낸 도면이다.
도 24 내지 도 26은 딥 러닝 모델 기반 목표물 식별 모듈이 2D CNN 및 RNN 모델을 이용하여 학습하는 동작을 설명하기 위한 도면이다.
도 27은 목표물 식별 장치가 레이다 종류 및 방식에 따라 한 프레임에 얻을 수 있는 수신 신호 전력 정보의 값을 실험한 결과를 나타낸 도면이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.
제1 또는 제2 등의 용어가 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해서 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 실시예의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 목표물 식별 장치를 나타낸 도면이고, 도 2는 프레임 단위로 수신되는 FMCW 신호의 일 예를 나타낸 도면이다.
목표물 식별 장치(100)는 하나 이상의 송신 안테나(110), 레이다 신호 생성기(120), 하나 이상의 수신 안테나(130), 하나 이상의 ADC(Analog to Digital Converter; 140), 레이다 신호 교정기(radar signal calibrator; 150), 및 신호 처리 프로세서(160)를 포함할 수 있다.
목표물 식별 장치(100)는 레이다(radar)에서 측정된 신호의 종류를 분류하기 위하여, 수신 신호 전력 정보 분포의 시간 변화와 레인지 도플러 맵(Range Doppler Map) 정보를 입력으로 하는 CNN(Convolutional Neural Network) 및 RNN(Recursive Neural Network)을 기반으로 목표물을 식별할 수 있다.
도 2를 참조하면, 예를 들어, 목표물 식별 장치(100)는 FMCW(Frequency Modulated Continuous Wave) 신호를 송신할 수 있다. 목표물 식별 장치(100)는 첩(chirp) 신호를 연속적으로 송신할 수 있다. 목표물 식별 장치(100)는 FMCW 신호를 수신할 수 있다. 목표물 식별 장치(100)는 FMCW 뿐 아니라 FDM 등과 같은 다른 방식으로도 신호를 송수신할 수 있다.
목표물 식별 장치(100)는 송신한 첩 신호가 목표물로부터 반산된 첩(chirp) 신호를 연속적으로 수신할 수 있다. 목표물 식별 장치(100)는 첩(chirp) 신호를 프레임(Frame) 단위로 수신할 수 있다. 프레임은 목표물 식별 장치(100)가 한 목표물의 속도를 얻기 위해 필요한 복수의 첩 신호들의 단위일 수 있다.
목표물 식별 장치(100)는 목표물에 반사되어 들어오는 첩 신호를 처리하여 목표물의 위치나 속도를 추정할 수 있다. 목표물 식별 장치(100)는 목표물의 거리를 하나의 첩 신호 만으로도 추정할 수 있지만, 목표물의 속도는 복수의 첩 신호들을 이용하여 추정할 수 있다. 예를 들어, 목표물 식별 장치(100)는 각 프레임에서 한 목표물의 속도 정보를 추출할 수 있다.
하나 이상의 송신 안테나(110)는 레이다 신호 생성기(120)로부터 생성된 첩 신호를 송신할 수 있다.
레이다 신호 생성기(120)는 목표물로 송신하기 위한 신호를 생성할 수 있다. 예를 들어, 레이다 신호 생성기(120)는 FMCW, PMCW 및/또는 OFDM 방식으로 신호를 생성할 수 있다. 레이다 신호 생성기(120)는 첩 신호를 생성할 수 있다. 레이다 신호 생성기(120)는 첩 신호를 하나 이상의 송신 안테나(110)를 통해 송신하며, 첩 신호를 하나 이상의 ADC(140)로도 출력할 수 있다.
하나 이상의 수신 안테나(130)는 목표물에 반사되어 수신되는 하나 이상의 수신 신호를 수신할 수 있다.
하나 이상의 ADC(140)는 하나 이상의 수신 안테나(130)로부터 수신되는 하나 이상의 수신 신호 및 첩 신호를 디지털 신호로 변환할 수 있다. 하나 이상의 ADC(140)는 변환된 디지털 신호를 레이다 신호 교정기(150)로 출력할 수 있다.
레이다 신호 교정기(150)는 변환된 디지털 신호의 지연 시간 및 크기 오차를 보정(calibration) 처리할 수 있다. 레이다 신호 교정기(150)는 처리된 신호를 신호 처리 프로세서(160)로 출력할 수 있다.
신호 처리 프로세서(160)는 처리된 신호를 이용하여 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지 및 레인지 도플러 맵 상에서 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록 중에서 적어도 하나를 생성할 수 있다. 예를 들어, 수신 신호 전력 이미지는 목표물의 위치에서 첩 수로 정의되는 각 첩 윈도우에 해당하는 신호 세기 정보가 픽셀 값으로 반영된 이미지일 수 있다. 레인지 도플러 블록은 각 프레임마다 생성되는 레인지 도플러 맵 상에서 목표물의 위치에 해당하는 이미지를 크롭(crop)한 크롭 이미지들의 집합일 수 있다.
신호 처리 프로세서(160)는 처리된 신호로부터 신호 세기 정보를 추출하여 목표물의 위치를 결정할 수 있다.
신호 처리 프로세서(160)는 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지를 생성할 수 있다. 신호 처리 프로세서(160)는 처리된 신호로부터 생성되는 레인지 도플러 맵 또는 처리된 신호로부터 생성되는 수신 신호 전력 정보 중에서 어느 하나를 이용하여 수신 신호 전력 이미지를 생성할 수 있다.
신호 처리 프로세서(160)는 레인지 도플러 맵에서 목표물이 적어도 둘 이상이고 동일한 위치에 존재하는 때 레인지 도플러 맵을 이용하여 수신 신호 전력 이미지를 생성할 수 있다. 신호 처리 프로세서(160)는 레인지 도플러 맵에서 목표물이 적어도 둘 이상이고 동일한 위치에 존재하지 않는 때 수신 신호 전력 정보를 이용하여 수신 신호 전력 이미지를 생성할 수 있다.
신호 처리 프로세서(160)는 레인지 도플러 맵 상에서 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록을 생성할 수 있다.
신호 처리 프로세서(160)는 수신 신호 전력 이미지 및 레인지 도플러 블록 중에서 적어도 하나를 이용하여 목표물을 식별할 수 있다. 예를 들어, 신호 처리 프로세서(160)는 수신 신호 전력 이미지로부터 제1 특징 맵을 추출할 수 있다. 신호 처리 프로세서(160)는 레인지 도플러 블록으로부터 제2 특징 맵을 추출할 수 있다. 신호 처리 프로세서(160)는 제1 특징 맵 및 제2 특징 맵 중에서 적어도 하나를 이용하여 목표물을 식별할 수 있다. 신호 처리 프로세서(160)는 목표물에 대한 식별 결과를 전송할 수 있다.
도 3은 도 1에 도시된 신호 처리 프로세서를 개략적으로 나타낸 도면이다.
신호 처리 프로세서(160)는 수신 신호 전력 이미지 생성기(161), 레인지 도플러 블록 생성기(163), 딥 러닝 모델 기반 목표물 식별기(165), 및 통신 인터페이스(165)를 포함할 수 있다.
수신 신호 전력 이미지 생성기(161)은 레이다 신호 교정기(150)로부터 처리된 신호를 수신할 수 있다. 수신 신호 전력 이미지 생성기(161)은 처리된 신호를 이용하여 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지를 생성할 수 있다. 수신 신호 전력 이미지 생성기(161)은 수신 신호 전력 이미지를 딥 러닝 모델 기반 목표물 식별기(165)로 출력할 수 있다.
레인지 도플러 블록 생성기(163)은 레이다 신호 교정기(150)로부터 처리된 신호를 수신할 수 있다. 레인지 도플러 블록 생성기(163)은 처리된 신호를 이용하여 레인지 도플러 맵 상에서 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록을 생성할 수 있다. 예를 들어, 레인지 도플러 블록은 3D 레인지 도플러 블록일 수 있다. 레인지 도플러 블록 생성기(163)은 레인지 도플러 블록을 딥 러닝 모델 기반 목표물 식별기(165)로 출력할 수 있다.
딥 러닝 모델 기반 목표물 식별기(165)은 수신 신호 전력 이미지 및 레인지 도플러 블록 중에서 적어도 하나를 이용하여 목표물을 식별할 수 있다. 딥 러닝 모델 기반 목표물 식별기(165)은 목표물에 대한 식별 결과를 통신 인터페이스(165)로 출력할 수 있다.
통신 인터페이스(165)는 목표물에 대한 식별 결과를 전송할 수 있다. 통신 인터페이스(165)는 목표물에 대한 식별 결과를 사용자 또는 차량(vehicle)으로 출력할 수 있다.
도 4는 목표물 식별 장치가 수신 신호 전력 이미지를 생성하는 동작을 설명하기 위한 도면이다.
목표물 식별 장치(100)는 첩 신호를 수신할 수 있다(410).
목표물 식별 장치(100)는 첩 신호를 처리하여 레인지 도플러 맵을 생성할 수 있다(420). 예를 들어, 목표물 식별 장치(100)는 FFT(Fast Fourier Transform), MUSIC(MUltiple SIgnal Classification) 등의 방법으로 레인지 도플러 맵을 생성할 수 있다.
목표물 식별 장치(100)는 레인지 도플러 맵을 이용하여 목표물의 위치를 결정할 수 있다(430).
목표물 식별 장치(100)는 목표물의 위치에 적어도 둘 이상의 목표물이 존재하는지 여부를 판단할 수 있다(440).
목표물 식별 장치(100)는 같은 위치에 적어도 둘 이상의 목표물이 존재하는지 여부를 판단할 수 있다(450).
목표물 식별 장치(100)는 목표물이 적어도 둘 이상이고 동일한 위치에 존재하지 않는 경우 수신 신호 마다 추출된 수신 신호 전력 정보를 이용하여 수신 신호 전력 이미지를 생성할 수 있다(460).
목표물 식별 장치(100)는 목표물이 적어도 둘 이상이고 동일한 위치에 존재하는 때 레인지 도플러 맵을 이용하여 수신 신호 전력 이미지를 생성할 수 있다(470).
도 5 내지 도 10은 목표물 식별 장치의 수신 신호 전력 이미지 생성 동작의 일 예를 설명하기 위한 도면이다.
목표물 식별 장치(100)는 첩 신호를 수신할 수 있다(510).
목표물 식별 장치(100)는 첩 신호를 처리할 수 있다(520).
목표물 식별 장치(100)는 처리된 첩 신호에서 신호 세기 정보를 추출할 수 있다(530).
도 6을 참조하면, 목표물 식별 장치(100)는 신호 세기 정보를 통해 목표물의 위치를 결정할 수 있다. 예를 들어, 목표물 식별 장치(100)는 복수의 목표물들의 위치를 결정할 수 있다. 목표물 식별 장치(100)는 목표물의 위치를 결정할 때 CFAR(Constant False Alarm Rate) 알고리즘을 이용할 수 있다. 목표물 식별 장치(100)는 목표물의 위치 별로 거리 윈도우(610)를 결정할 수 있다(540).
목표물 식별 장치(100)는 거리 윈도우(610) 내부의 값들 중에서 어느 하나인 제1 대표 값을 생성할 수 있다(550). 목표물 식별 장치(100)는 단계 510 내지 단계 550의 동작을 A번 반복할 수 있다.
도 7을 참조하면, 목표물 식별 장치(100)는 제1 대표값을 A개의 첩 신호 동안 A번 반복하여 도 7과 같은 제1 그래프를 생성할 수 있다. 목표물 식별 장치(100)는 제1 그래프에서 첩 윈도우(710)를 결정할 수 있다(560).
목표물 식별 장치(100)는 첩 윈도우(710) 내부의 값들 중에서 어느 하나인 제2 대표값을 생성할 수 있다(570). 도 8을 참조하면, 목표물 식별 장치(100)는 제2 대표값을 이용하여 도 8과 같은 제2 그래프를 생성할 수 있다.
도 9를 참조하면, 목표물 식별 장치(100)는 복수의 첩 신호들을 통해 생성한 복수의 제2 대표값들을 이용하여 도 9와 같은 1차원 이미지(910)를 생성할 수 있다(580). 즉, 목표물 식별 장치(100)는 복수의 제2 대표값들 각각을 픽셀 값으로 하는 1차원 이미지(910)를 생성할 수 있다. 목표물 식별 장치(100)는 1차원 이미지(910)를 생성할 때마다 목표물이 위치를 변경할 수 있으므로, 지속적으로 측정 위치 변화를 추적(tracking)할 수 있다.
도 10을 참조하면, 목표물 식별 장치(100)는 1차원 이미지(910)를 누적하여 도 10과 같은 수신 신호 전력 이미지를 생성할 수 있다(590). 목표물 식별 장치(100)는 단계 510 내지 단계 580의 동작을 B번 반복하여 1차원 이미지(910)를 생성하고, 이를 누적하여 수신 신호 전력 이미지를 생성할 수 있다.
목표물 식별 장치(100)는 도 5 내지 도 10을 통해 설명한 수신 신호 전력 이미지 생성 동작을 통해 빠른 시간에 목표물을 식별할 수 있다.
도 11 내지 도 17은 목표물 식별 장치의 수신 신호 전력 이미지 생성 동작의 다른 예를 설명하기 위한 도면이다.
목표물 식별 장치(100)는 첩 신호를 수신할 수 있다(1110).
도 13을 참조하면, 목표물 식별 장치(100)는 첩 신호를 처리하여 레인지 도플러 맵을 생성할 수 있다(1120).
목표물 식별 장치(100)는 레인지 도플러 맵에서 목표물의 위치를 결정할 수 있다(1130). 예를 들어, 목표물 식별 장치(100)는 복수의 목표물들의 위치를 결정할 수 있다. 목표물 식별 장치(100)는 같은 거리에 두 개 이상의 목표물이 있을 때는 식별이 어려울 수 있기 때문에, 목표물의 위치를 특정할 때 같이 레인지 도플러 맵에서 위치를 결정할 수 있다.
목표물 식별 장치(100)는 목표물의 위치 별로 목표물 윈도우(1310)를 결정할 수 있다 (1140).
목표물 식별 장치(100)는 목표물 윈도우(1310) 내부의 값들 중에서 어느 하나인 제3 대표 값을 생성할 수 있다(1150). 목표물 식별 장치(100)는 단계 1110 내지 단계 1150의 동작을 A번 반복할 수 있다.
도 14를 참조하면, 목표물 식별 장치(100)는 제3 대표값을 A개의 첩 신호 동안 A번 반복하여 도 14와 같은 제3 그래프를 생성할 수 있다. 목표물 식별 장치(100)는 제3 그래프에서 첩 윈도우(1410)를 결정할 수 있다(1160).
목표물 식별 장치(100)는 첩 윈도우(1410) 안의 값에 대한 제4 대표값을 생성할 수 있다(1170). 도 15를 참조하면, 목표물 식별 장치(100)는 제4 대표값을 이용하여 도 15와 같은 제4 그래프를 생성할 수 있다.
도 16을 참조하면, 목표물 식별 장치(100)는 제4 대표값을 이용하여 도 16과 같은 1차원 이미지(1610)를 생성할 수 있다(1180).
도 17을 참조하면, 목표물 식별 장치(100)는 1차원 이미지(1610)를 누적하여 도 17과 같은 수신 신호 전력 이미지를 생성할 수 있다(1190). 즉, 목표물 식별 장치(100)는 단계 1110 내지 단계 1180의 동작을 B번 반복하여 수신 신호 전력 이미지를 생성할 수 있다.
도 12를 참조하면, 목표물 식별 장치(100)는 도 14 내지 도 15의 과정인 단계 1160 내지 단계 1170를 생략하고 제3 대표 값을 이용하여 1차원 이미지(1610)를 생성할 수 있다(1185). 즉, 목표물 식별 장치(100)는 레인지 도플러 맵을 이용할 경우에는 하나의 1차원 이미지(1610)를 생성하기 위해서 복수의 첩 신호들이 이용되기 때문에 단계 1160 내지 단계 1170를 생략할 수 있다.
목표물 식별 장치(100)는 도 11 내지 도 17을 통해 설명한 수신 신호 전력 이미지 생성 동작을 통해 같은 거리에 두 개 이상의 목표물이 있을 때 목표물을 효과적으로 식별할 수 있다.
도 18 및 도 19는 목표물 식별 장치가 레인지 도플러 블록을 생성하는 동작을 설명하기 위한 도면이다.
목표물 식별 장치(100)는 첩 신호의 프레임 별로 레인지 도플러 맵(1810)을 생성할 수 있다(1910).
목표물 식별 장치(100)는 레인지 도플러 맵(1810) 상에서 크롭(1811) 위치를 선택할 수 있다(1915).
목표물 식별 장치(100)는 생성하고자 하는 레인지 도플러 블록(1850)에 이용할 크롭 크기 및 프레임 수를 결정할 수 있다(1920). 목표물 식별 장치(100)는 목표물의 위치 변화를 추적하면서 각 목표물 별로 크롭한 크롭 이미지(1830)를 생성할 수 있다(1925 내지 1995).
목표물 식별 장치(100)는 목표물 별로 크롭 이미지(1830)들의 집합인 레인지 도플러 블록(1850)을 생성할 수 있다.
도 20 및 도 21은 도 3에 도시된 딥 러닝 모델 기반 목표물 식별 모듈의 동작을 설명하기 위한 도면이다.
딥 러닝 모델 기반 목표물 식별기(165)은 수신 신호 전력 이미지(2010) 및 레인지 도플러 블록(2050) 중에서 적어도 하나를 이용하여 목표물을 식별할 수 있다.
딥 러닝 모델 기반 목표물 식별기(165)은 수신 신호 전력 이미지(2010)를 2D CNN만을 이용하여 실험 손실(Test Loss)가 적거나 정확도가 높은 모델을 찾은 후 웨이트(Weight)를 저장하고 있다가 2D-Convolution & Pooling 블록에 해당하는 부분에 활용하여 제1 특징 맵을 추출할 수 있다.
딥 러닝 모델 기반 목표물 식별기(165)은 레인지 도플러 블록(2050)을 3D CNN만을 이용한 학습 결과 중 실험 손실(Test Loss)가 적거나 정확도가 높은 모델을 찾은 후 웨이트(Weight)를 저장하고 있다가 3D-Convolution & Pooling 블록에 해당하는 부분에 그대로 활용하여 제2 특징 맵을 추출할 수 있다.
따라서, 도 20의 모델에서 2D-Convolution & Pooling 블록과, 3D-convolution & Pooling 블록의 웨이트(weight)는 학습하지 않고 고정된 값을 사용하며 Fully Connected Network의 웨이트(weight)만을 학습을 수행할 수 있다. 딥 러닝 모델 기반 목표물 식별기(165)은 최적의 성능을 나타내는 웨이트를 사용하여 물체를 식별할 수 있다. 예를 들어, 2D-Convolution & Pooling 블록과 3D-convolution & Pooling 블록은 성능을 높이기 위하여 Drop Out이나 Batch Normalization을 포함할 수 있다. 도 20에서 Concatenation은 두 모델을 기반으로 한 특성 정보를 이어 붙이는 것을 의미할 수 있다. 도 21은 딥 러닝 모델 기반 목표물 식별기(165)의 상술한 동작에 대한 순서도이다.
도 22는 딥 러닝 모델 기반 목표물 식별 모듈의 2D CNN 블록 학습의 일 예를 나타낸 도면이고, 도 23은 딥 러닝 모델 기반 목표물 식별 모듈의 3D CNN 블록 학습의 일 예를 나타낸 도면이다.
딥 러닝 모델 기반 목표물 식별기(165)은 도 22와 같이 2D-CNN(Convolutional Neural Network) 구조를 이용하여 학습을 수행한 후 가장 성능이 좋을 때, Fully Connected Network에 해당하는 웨이트(Weight)를 제외한 나머지 웨이트(Weight)를 저장하고 있다가 도 20의 모델에 활용할 수 있다. 딥 러닝 모델 기반 목표물 식별기(165)은 여기서 성능을 높이기 위하여 Drop Out이나 Batch Normalization을 포함할 수 있다. 딥 러닝 모델 기반 목표물 식별기(165)은 도 20의 모델을 활용하지 않고 목표물 식별 구조를 단순하게 하기 위해서 도 22에 도시된 모델 만으로도 목표물을 식별할 수 있다.
딥 러닝 모델 기반 목표물 식별기(165)은 도 23과 같이 3D-CNN(Convolutional Neural Network) 구조를 이용하여 학습을 수행한 후 가장 성능이 좋을 때, Fully Connected Network에 해당하는 웨이트(Weight)를 제외한 나머지 웨이트(Weight)를 저장하고 있다가 도 20의 모델에 활용할 수 있다. 딥 러닝 모델 기반 목표물 식별기(165)은 성능을 높이기 위하여 Drop Out이나 Batch Normalization을 포함할 수 있다. 딥 러닝 모델 기반 목표물 식별기(165)은 도 20의 모델을 활용하지 않고 물체 식별 구조를 단순하게 하기 위해서 도 23에 도시된 모델 만으로도 목표물을 식별할 수 있다.
도 24 내지 도 26은 딥 러닝 모델 기반 목표물 식별 모듈이 2D CNN 및 RNN 모델을 이용하여 학습하는 동작을 설명하기 위한 도면이다.
딥 러닝 모델 기반 목표물 식별기(165)은 도 24의 순서도와 같이 도 21에서의 3D CNN 블록 학습 대신에 2D CNN + RNN 모델을 이용하여 학습할 수 있다.
딥 러닝 모델 기반 목표물 식별기(165)은 도 25와 같은 2D CNN+RNN 모델로 구현될 수 있다. 여기서 RNN은 LSTM 구조를 이용하여 구현될 수 있다.
도 26은 딥 러닝 모델 기반 목표물 식별기(165)이 레인지 도플러 블록(2050)을 이용하여 물체 식별을 할 때 2D CNN+RNN 구조를 이용하여 특정 정보를 추출하는 것을 특성으로 하는 레이다 목표물 식별 네트워크 구조의 일 예를 나타낸다.
도 21 및 도 24에서 살펴본 바와 같이, 딥 러닝 모델 기반 목표물 식별기(165)은 전체 네트워크의 특정 웨이트(Weight)를 고정하지 않고, 딥러닝 네트워크의 모든 값을 학습하여 목표물을 식별할 수 있다.
도 27은 목표물 식별 장치가 레이다 종류 및 방식에 따라 한 프레임에 얻을 수 있는 수신 신호 전력 정보의 값을 실험한 결과를 나타낸 도면이다.
목표물 식별 장치(100)는 MIMO 레이다를 이용하면 방위각(Azimuth) 정보가 다를 경우에는 두 물체의 거리가 같더라도 Range-Azimuth Map상에서 두 목표물을 분리하여 수신 신호 정보를 추출할 수 있다. 목표물 식별 장치(100)는 MIMO 레이다를 이용하면 같은 거리에 물체가 있더라도 빠른 시간에 물체 식별이 가능할 수 있다. 목표물 식별 장치(100)는 두 물체의 방위각(Azimuth)이 다르면 하나의 첩마다 수신 신호 전력 정보를 수집할 수 있고, 여기에 각 Virtual Array 별로 하나의 수신 신호 전력 정보 값을 얻을 수 있다.
목표물 식별 장치(100)는 한 프레임에서 얻을 수 있는 수신 신호 전력 정보값이 클수록 빠른 시간에 물체를 식별할 수 있다. 여기서 C는 한 프레임을 구성하는 첩 신호의 수를 의미하며 V는 MIMO 레이다의 Virtual Array 수를 나타낸다.
도 27을 통해 목표물 식별 장치(100)는 MIMO 레이다에서 Range만 이용하여 목표물을 정할 때 가장 빠른 속도로 물체 종류의 추정이 가능하며, 반대로 SISO 레이다를 이용하여 Range-Doppler Map을 이용하여 목표물을 정하면 물체 종류 추정에 가장 많은 시간이 필요하다는 것을 알 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (20)

  1. 송신한 하나 이상의 첩(chirp) 신호가 목표물에 반사되어 수신되는 하나 이상의 수신 신호를 처리하는 단계;
    처리된 신호를 이용하여 상기 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지 및 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록 중에서 적어도 하나를 생성하는 단계; 및
    상기 적어도 하나를 이용하여 상기 목표물을 식별하는 단계
    를 포함하는 목표물 식별 방법.
  2. 제1항에 있어서,
    상기 수신 신호 전력 이미지는,
    상기 목표물의 위치에서 첩 수로 정의되는 각 첩 윈도우에 해당하는 신호 세기 정보가 픽셀 값으로 반영된
    목표물 식별 방법.
  3. 제1항에 있어서,
    상기 처리된 신호로부터 신호 세기 정보를 추출하여 상기 목표물의 위치를 결정하는 단계
    를 더 포함하는 목표물 식별 방법.
  4. 제1항에 있어서,
    상기 레인지 도플러 블록은,
    각 프레임마다 생성되는 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지를 크롭(crop)한 크롭 이미지들의 집합인
    목표물 식별 방법.
  5. 제1항에 있어서,
    상기 적어도 하나를 생성하는 단계는,
    상기 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지를 생성하는 단계; 또는
    상기 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록을 생성하는 단계
    중에서 적어도 하나를 포함하는 목표물 식별 방법.
  6. 제5항에 있어서,
    상기 수신 신호 전력 이미지를 생성하는 단계는,
    상기 처리된 신호로부터 생성되는 상기 레인지 도플러 맵 또는 상기 처리된 신호로부터 생성되는 수신 신호 전력 정보 중에서 어느 하나를 이용하여 상기 수신 신호 전력 이미지를 생성하는 단계
    를 포함하는 목표물 식별 방법.
  7. 제6항에 있어서,
    상기 어느 하나를 이용하여 상기 수신 신호 전력 이미지를 생성하는 단계는,
    상기 레인지 도플러 맵에서 상기 목표물이 적어도 둘 이상이고 동일한 위치에 존재하는 때 상기 레인지 도플러 맵을 이용하여 상기 수신 신호 전력 이미지를 생성하는 단계; 및
    상기 레인지 도플러 맵에서 상기 목표물이 적어도 둘 이상이고 동일한 위치에 존재하지 않는 때 상기 수신 신호 전력 정보를 이용하여 상기 수신 신호 전력 이미지를 생성하는 단계
    를 포함하는 목표물 식별 방법.
  8. 제1항에 있어서,
    상기 식별하는 단계는,
    상기 수신 신호 전력 이미지로부터 제1 특징 맵을 추출하는 단계; 및
    상기 레인지 도플러 블록으로부터 제2 특징 맵을 추출하는 단계
    중에서 적어도 하나를 포함하는 목표물 식별 방법.
  9. 제7항에 있어서,
    상기 식별하는 단계는,
    상기 제1 특징 맵 및 상기 제2 특징 맵 중에서 적어도 하나를 이용하여 상기 목표물을 식별하는 단계를 더 포함하는 목표물 식별 방법.
  10. 송신한 하나 이상의 첩(chirp) 신호가 목표물에 반사되어 수신되는 하나 이상의 수신 안테나; 및
    상기 하나 이상의 수신 신호를 처리하고, 처리된 신호를 이용하여 상기 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지 및 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록 중에서 적어도 하나를 생성하고, 상기 적어도 하나를 이용하여 상기 목표물을 식별하는 신호 처리 프로세서
    를 포함하는 목표물 식별 장치.
  11. 제10항에 있어서,
    상기 수신 신호 전력 이미지는,
    상기 목표물의 위치에서 첩 수로 정의되는 각 첩 윈도우에 해당하는 신호 세기 정보가 픽셀 값으로 반영된
    목표물 식별 장치.
  12. 제10항에 있어서,
    상기 신호 처리 프로세서는,
    상기 처리된 신호로부터 신호 세기 정보를 추출하여 상기 목표물의 위치를 결정하는
    목표물 식별 장치.
  13. 제10항에 있어서,
    상기 레인지 도플러 블록은,
    각 프레임마다 생성되는 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지를 크롭한 크롭 이미지들의 집합인
    목표물 식별 장치.
  14. 제10항에 있어서,
    상기 신호 처리 프로세서는,
    상기 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지를 생성하거나,
    상기 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록 중에서 적어도 하나를 생성하는
    목표물 식별 장치.
  15. 제14항에 있어서,
    상기 신호 처리 프로세서는,
    상기 처리된 신호로부터 생성되는 상기 레인지 도플러 맵 또는 상기 처리된 신호로부터 생성되는 수신 신호 전력 정보 중에서 어느 하나를 이용하여 상기 수신 신호 전력 이미지를 생성하는
    목표물 식별 장치.
  16. 제15항에 있어서,
    상기 신호 처리 프로세서는,
    상기 레인지 도플러 맵에서 상기 목표물이 적어도 둘 이상이고 동일한 위치에 존재하는 때 상기 레인지 도플러 맵을 이용하여 상기 수신 신호 전력 이미지를 생성하고,
    상기 레인지 도플러 맵에서 상기 목표물이 적어도 둘 이상이고 동일한 위치에 존재하지 않는 때 상기 수신 신호 전력 정보를 이용하여 상기 수신 신호 전력 이미지를 생성하는
    목표물 식별 장치.
  17. 제10항에 있어서,
    상기 신호 처리 프로세서는,
    상기 수신 신호 전력 이미지로부터 제1 특징 맵을 추출하고,
    상기 레인지 도플러 블록으로부터 제2 특징 맵을 추출하는
    목표물 식별 장치.
  18. 제18항에 있어서,
    상기 신호 처리 프로세서는,
    상기 제1 특징 맵 및 상기 제2 특징 맵 중에서 적어도 하나를 이용하여 상기 목표물을 식별하는
    목표물 식별 장치.
  19. 송신한 하나 이상의 첩(chirp) 신호가 목표물에 반사되어 수신되는 하나 이상의 수신 신호를 처리하는 단계;
    처리된 신호를 이용하여 상기 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지 및 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록을 생성하는 단계;
    상기 수신 신호 전력 이미지로부터 제1 특징 맵을 추출하는 단계;
    상기 레인지 도플러 블록으로부터 제2 특징 맵을 추출하는 단계; 및
    상기 제1 특징 맵 및 상기 제2 특징 맵에 기초하여 상기 목표물을 식별하는 단계
    를 포함하는 목표물 식별 방법.
  20. 송신한 하나 이상의 첩(chirp) 신호가 목표물에 반사되어 수신되는 하나 이상의 수신 신호를 수신하는 하나 이상의 수신 안테나; 및
    상기 하나 이상의 수신 신호를 처리하고, 처리된 신호를 이용하여 상기 목표물의 위치에서 신호 세기 정보가 반영된 수신 신호 전력 이미지 및 레인지 도플러 맵 상에서 상기 목표물의 위치에 해당하는 이미지의 집합인 레인지 도플러 블록을 생성하고, 상기 수신 신호 전력 이미지로부터 제1 특징 맵을 추출하고, 상기 레인지 도플러 블록으로부터 제2 특징 맵을 추출하고, 상기 제1 특징 맵 및 상기 제2 특징 맵에 기초하여 상기 목표물을 식별하는 신호 처리 프로세서
    를 포함하는 목표물 식별 장치.
KR1020200029584A 2020-03-10 2020-03-10 딥러닝 기반 레이다 목표물 식별 방법 및 장치 KR20210114199A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200029584A KR20210114199A (ko) 2020-03-10 2020-03-10 딥러닝 기반 레이다 목표물 식별 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200029584A KR20210114199A (ko) 2020-03-10 2020-03-10 딥러닝 기반 레이다 목표물 식별 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20210114199A true KR20210114199A (ko) 2021-09-23

Family

ID=77926442

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200029584A KR20210114199A (ko) 2020-03-10 2020-03-10 딥러닝 기반 레이다 목표물 식별 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20210114199A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102511101B1 (ko) * 2022-09-13 2023-03-16 국방과학연구소 웨이블릿 분리 성분의 조합에 의한 3차원 텐서 기반의 레이다의 표적 분류 장치, 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102511101B1 (ko) * 2022-09-13 2023-03-16 국방과학연구소 웨이블릿 분리 성분의 조합에 의한 3차원 텐서 기반의 레이다의 표적 분류 장치, 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램

Similar Documents

Publication Publication Date Title
CN111521989B (zh) 用于雷达系统中的超分辨率的深度学习
CN113015922B (zh) 一种检测方法、检测装置以及存储介质
US11255962B2 (en) Automotive testing method, system and computer program product
EP3324205A1 (en) Decentralised radar system
KR101872017B1 (ko) W대역 밀리미터파 탐색기에서 1차원 산란점 추출을 통한 표적 식별 방법 및 기록매체에 저장된 컴퓨터 프로그램
KR101761473B1 (ko) 레이더 신호 처리를 위한 방법, 디바이스 및 시스템
KR102262197B1 (ko) Fmcw 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법
KR101929510B1 (ko) 이중 편파 채널을 이용하는 w대역 밀리미터파 탐색기에서 표적 식별 장치
CN111521998A (zh) 用于去混叠和配置雷达系统的深度学习
CN112240999A (zh) 处理雷达反射的方法和系统
CN112241003A (zh) 用于对象检测的方法和系统
KR101988109B1 (ko) 다중입출력시스템에서 거리 추정값을 이용한 신호원 위치 추정 방법
CN110488277B (zh) 基于外辐射源的分布式主被动雷达联合定位方法
JP6246338B2 (ja) 測角装置及び測角方法
KR20210114199A (ko) 딥러닝 기반 레이다 목표물 식별 방법 및 장치
KR20200112153A (ko) 무인기 탐지를 위한 다중모드 레이더 신호 처리 장치 및 그 방법
Omelchuk et al. Multichannel target speed estimation by a colocated Doppler-pulse MIMO radar
KR102005099B1 (ko) W대역 밀리미터파 공대지레이더에서 단일 채널 신호의 표적 식별률이 반영된 이중편파 채널 신호를 이용하는 표적 식별 장치 및 그 방법
Olbrich et al. New pre-estimation algorithm for FMCW radar systems using the matrix pencil method
KR102371275B1 (ko) 물리 광학 기반 효율적 시영역 신호 생성 알고리즘 및 시나리오 기반 자율 주행 차량 레이더 모의 실험 방법 및 장치
KR20140088683A (ko) 차량용 레이더를 이용한 물체 감지 장치, 방법 및 컴퓨터 판독 가능한 기록 매체
CN112585877B (zh) 一种测速信号的发射方法和接收方法
KR102047979B1 (ko) W대역 밀리미터파 공대지레이더에서 표적의 물리적인 특성이 반영된 이중편파 채널 신호를 이용하는 표적 식별 장치 및 그 방법
CN113406578A (zh) 分布式无人机载雷达目标检测方法、装置及存储介质
KR20150055279A (ko) 방위각 고분해능 신호처리 알고리즘을 이용하는 차량용 레이더 및 그 운영 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal