KR20220157705A - Fmcw 레이더를 활용한 딥러닝 기반의 실내 거리 추정 장치 및 방법 - Google Patents

Fmcw 레이더를 활용한 딥러닝 기반의 실내 거리 추정 장치 및 방법 Download PDF

Info

Publication number
KR20220157705A
KR20220157705A KR1020210065566A KR20210065566A KR20220157705A KR 20220157705 A KR20220157705 A KR 20220157705A KR 1020210065566 A KR1020210065566 A KR 1020210065566A KR 20210065566 A KR20210065566 A KR 20210065566A KR 20220157705 A KR20220157705 A KR 20220157705A
Authority
KR
South Korea
Prior art keywords
distance
data
model
indoor
radar
Prior art date
Application number
KR1020210065566A
Other languages
English (en)
Inventor
김영억
박경은
Original Assignee
광운대학교 산학협력단
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 광운대학교 산학협력단 filed Critical 광운대학교 산학협력단
Priority to KR1020210065566A priority Critical patent/KR20220157705A/ko
Publication of KR20220157705A publication Critical patent/KR20220157705A/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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/08—Systems for measuring distance only
    • G01S13/32—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated
    • G01S13/34—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated using transmission of continuous, frequency-modulated waves while heterodyning the received signal, or a signal derived therefrom, with a locally-generated signal related to the contemporaneously transmitted signal
    • 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
    • G01S7/40—Means for monitoring or calibrating
    • G01S7/4052—Means for monitoring or calibrating by simulation of echoes
    • G01S7/4056—Means for monitoring or calibrating by simulation of echoes specially adapted to FMCW
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Abstract

본 실시예들은 인공 신경망 기반의 딥러닝 기술을 적용하여 FMCW 레이더를 활용한 거리 추정의 정확도를 향상시킬 수 있는 실내 거리 추정 방법 및 장치를 제공한다.

Description

FMCW 레이더를 활용한 딥러닝 기반의 실내 거리 추정 장치 및 방법 {METHOD AND APPARATUS FOR ESTIMATING INDOOR DISTANCE BASED ON DEEP LEARNING USING FMCW RADAR}
본 발명이 속하는 기술 분야는 FMCW 레이더를 활용한 딥러닝 기반의 실내 거리 추정 장치 및 방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
FMCW 레이더를 활용한 거리 추정 방식에서는 거리를 추정하고자 하는 대상물에 의해 반사되어 수신된 데이터들을 분류하기 위해서 사용자에 의해 사전에 수신 데이터의 특징을 분석하고, 실제 거리 추정 시에 그에 따른 분류 기준을 알고리즘에 미리 적용하는 방식이 있다. 이 때 적용되는 분류 기준은 사용자의 경험이나 수학적으로 도출된 공식 등으로 대부분 고정적인 임계치 또는 일부 가변적인 임계치가 적용되지만 수신 데이터에 따른 지속적인 학습이 이루어지지 않는 한계가 있다.
한국등록특허공보 제10-2219087호 (2021.02.23)
본 발명의 실시예들은 인공 신경망 기반의 딥러닝 기술을 적용한 실내 거리 추정 방법으로 FMCW 레이더를 활용한 거리 추정의 정확도를 향상시키는 데 주된 목적이 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
본 실시예의 일 측면에 의하면, FMCW 레이더를 활용한 딥러닝 기반의 실내 거리 추정 방법에 있어서, 주파수 신호를 송신하고 반사된 주파수 신호를 수신하는 단계; 상기 수신한 주파수 신호를 거리 데이터로 변환하는 단계; 및 상기 거리 데이터를 기반으로 학습 모델을 통해 거리를 추정하는 단계를 포함하는 실내 거리 추정 방법을 제공한다.
상기 실내 거리 추정 방법은 상기 학습 모델 중에서 하나 이상의 모델을 선택하여 적용하는 단계를 포함할 수 있다.
상기 학습 모델은 거리 추정 모델, 구조 보정 모델, 온도 보정 모델, 습도 보정 모델을 포함할 수 있다.
상기 거리 추정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 상기 거리 데이터를 입력받아 상기 거리 데이터의 특징을 추출하고 상기 특징을 학습하여 추정한 거리를 출력할 수 있다.
상기 구조 보정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 상기 레이더에 장착된 복수의 안테나가 설치된 위치 데이터를 입력받아 상기 거리 추정 모델과 함께 학습하여 추정한 거리를 보정할 수 있다.
상기 온도 보정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 상기 레이더에 장착된 온도계를 통해 획득한 실내 온도 데이터를 입력받아 상기 거리 추정 모델과 함께 학습하여 추정한 거리를 보정할 수 있다.
상기 습도 보정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 상기 레이더에 장착된 습도계를 통해 획득한 실내 습도 데이터를 입력받아 상기 거리 추정 모델과 함께 학습하여 추정한 거리를 보정할 수 있다.
상기 거리 데이터로 변환하는 단계는, 상기 거리를 추적하여 상기 거리가 기준 범위를 벗어나면 상기 실내 거리 추정 장치의 진행 방향을 기준으로 탐색 윈도우를 일정 범위로 이동시키며 이동된 탐색 윈도우를 적용하고, 상기 이동된 탐색 윈도우 내에 위치하는 지점과 이동전 탐색 윈도우 내에 위치하는 지점을 통계적으로 처리하여 거리 데이터를 증가시키고, 증가된 거리 데이터를 그루핑하고, 상기 그루핑된 거리 데이터를 그룹별로 선별하여 거리 데이터를 조합할 수 있다.
본 실시예의 다른 측면에 의하면, FMCW 레이더를 활용한 딥러닝 기반의 실내 거리 추정 장치에 있어서, 주파수 신호를 송신하고 반사된 주파수 신호를 수신하는 레이더; 상기 수신한 주파수 신호를 거리 데이터로 변환하는 데이터 처리부; 및 상기 거리 데이터를 기반으로 학습 모델을 통해 거리를 추정하는 거리 추정부를 포함하는 실내 거리 추정 장치를 제공할 수 있다.
이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 인공 신경망 기반의 딥러닝 기술을 적용한 실내 거리 추정 방법으로 FMCW 레이더를 활용한 거리 추정의 정확도를 향상시킬 수 있는 효과가 있다.
여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.
도 1 및 도 2는 본 발명의 일 실시예에 따른 실내 거리 추정 장치를 예시한 블록도이다.
도 3은 본 발명의 다른 실시예에 따른 실내 거리 추정 방법을 예시한 흐름도이다.
도 4는 FMCW 레이더의 신호 패턴을 예시한 도면이다.
도 5는 FFT 최대 인덱스를 적용한 거리 추정 방식을 예시한 도면이다.
도 6은 FFT 최대 인덱스를 적용한 거리 추정 방식의 오차를 예시한 도면이다.
도 7은 역탄젠트를 적용한 거리 추정 방식의 오차를 예시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 실내 거리 추정 장치의 학습 모델을 예시한 도면이다.
도 9 내지 도 11은 본 발명의 일 실시예에 따른 실내 거리 추정 장치의 학습 모델을 시뮬레이션한 결과를 예시한 도면이다.
이하, 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하고, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다.
본 실시예에 따른 실내 거리 추정 장치는 FMCW(Frequency Modulated Continuous Wave) 레이더를 통해 수신된 데이터에 딥러닝 기법을 적용하여 거리마다의 특징을 스스로 찾아내어 대상물과의 거리 추정 성능을 향상시킨다. 2차원 위치 정보, 3차원 위치 정보는 스마트 팩토리, 보안, 자율주행, 실내 위치 네비게이션 등에서 중요하게 인식되고 있는 실정이다. 2차원 및 3차원 위치 정보는 모두 정확한 거리 정보에 기반하고 있어 정확한 거리 추정이 요구된다.
도 1 및 도 2는 본 발명의 일 실시예에 따른 실내 거리 추정 장치를 예시한 블록도이다.
실내 거리 추정 장치(100)는 학습 모델(10)에 연결되며, 레이더(110), 데이터 처리부(120), 거리 추정부(130), 모델 선택부(140)를 포함한다. 실내 거리 추정 장치(10)는 도 1에서 예시적으로 도시한 다양한 구성요소들 중에서 일부 구성요소를 생략하거나 다른 구성요소를 추가로 포함할 수 있다.
레이더(110)는 주파수 신호를 송신하고 반사된 주파수 신호를 수신한다. 레이더(110)는 FMCW(Frequency Modulated Continuous Wave) 방식을 적용할 수 있으며, FMCW 방식은 주파수 변조된 신호를 연속적으로 발사하는 방식이다.
데이터 처리부(120)는 수신한 주파수 신호를 거리 데이터로 변환한다. 데이터 처리부(120)는 거리를 추적하여 거리가 기준 범위를 벗어나면 실내 거리 추정 장치의 진행 방향을 기준으로 탐색 윈도우를 일정 범위로 이동시키며 이동된 탐색 윈도우를 적용할 수 있다. 데이터 처리부(120)는 이동된 탐색 윈도우 내에 위치하는 지점과 이동전 탐색 윈도우 내에 위치하는 지점을 통계적으로 처리하여 거리 데이터를 증가시킬 수 있다. 데이터 처리부(120)는 증가된 거리 데이터를 그루핑하고, 그루핑된 거리 데이터를 그룹별로 선별하여 거리 데이터를 조합할 수 있다. 이를 통해 학습에 필요한 데이터를 확보할 수 있다.
거리 추정부(130)는 거리 데이터를 기반으로 학습 모델을 통해 거리를 추정한다.
모델 선택부(140)는 학습 모델 중에서 하나 이상의 모델을 선택하여 적용한다.
학습 모델(10)은 거리 추정 모델(11), 구조 보정 모델(12), 온도 보정 모델(13), 습도 보정 모델(14)을 포함할 수 있다.
거리 추정 모델(11)은 복수의 레이어를 포함하는 네트워크를 갖고, 거리 데이터를 입력받아 거리 데이터의 특징을 추출하고 특징을 학습하여 추정한 거리를 출력할 수 있다.
구조 보정 모델(12)은 복수의 레이어를 포함하는 네트워크를 갖고, 레이더에 장착된 복수의 안테나가 설치된 위치 데이터를 입력받아 거리 추정 모델과 함께 학습하여 추정한 거리를 보정할 수 있다.
온도 보정 모델(13)은 복수의 레이어를 포함하는 네트워크를 갖고, 레이더에 장착된 온도계를 통해 획득한 실내 온도 데이터를 입력받아 거리 추정 모델과 함께 학습하여 추정한 거리를 보정할 수 있다.
습도 보정 모델(14)은 복수의 레이어를 포함하는 네트워크를 갖고, 레이더에 장착된 습도계를 통해 획득한 실내 습도 데이터를 입력받아 거리 추정 모델과 함께 학습하여 추정한 거리를 보정할 수 있다.
실내 거리 추정 장치(100)의 데이터 처리부(120), 거리 추정부(130), 모델 선택부(140)는 프로세서 등으로 구현될 수 있다.
실내 거리 추정 장치(210)는 적어도 하나의 프로세서(220), 컴퓨터 판독 가능한 저장매체(230) 및 통신 버스(270)를 포함한다.
프로세서(220)는 실내 거리 추정 장치(210)로 동작하도록 제어할 수 있다. 예컨대, 프로세서(220)는 컴퓨터 판독 가능한 저장 매체(230)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 컴퓨터 실행 가능 명령어는 프로세서(220)에 의해 실행되는 경우 실내 거리 추정 장치(210)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능한 저장 매체(230)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능한 저장 매체(230)에 저장된 프로그램(240)은 프로세서(220)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독한 가능 저장 매체(230)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 실내 거리 추정 장치(210)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(270)는 프로세서(220), 컴퓨터 판독 가능한 저장 매체(240)를 포함하여 실내 거리 추정 장치(210)의 다른 다양한 컴포넌트들을 상호 연결한다.
실내 거리 추정 장치(210)는 또한 하나 이상의 입출력 장치를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(250) 및 하나 이상의 통신 인터페이스(260)를 포함할 수 있다. 입출력 인터페이스(250) 및 통신 인터페이스(260)는 통신 버스(270)에 연결된다. 입출력 장치는 입출력 인터페이스(250)를 통해 실내 거리 추정 장치(210)의 다른 컴포넌트들에 연결될 수 있다.
도 3은 본 발명의 다른 실시예에 따른 실내 거리 추정 방법을 예시한 흐름도이다. 실내 거리 추정 방법은 실내 거리 추정 장치 등에 의해 동작을 수행할 수 있다.
FMCW 레이더를 활용한 딥러닝 기반의 실내 거리 추정 방법은 주파수 신호를 송신하고 반사된 주파수 신호를 수신하는 단계(S310), 수신한 주파수 신호를 거리 데이터로 변환하는 단계(S320), 학습 모델 중에서 하나 이상의 모델을 선택하여 적용하는 단계(S340), 및 거리 데이터를 기반으로 학습 모델을 통해 거리를 추정하는 단계(S340)를 포함할 수 있다.
거리 데이터로 변환하는 단계(S320)는, 거리를 추적하여 거리가 기준 범위를 벗어나면 실내 거리 추정 장치의 진행 방향을 기준으로 탐색 윈도우를 일정 범위로 이동시키며 이동된 탐색 윈도우를 적용하고, 상기 이동된 탐색 윈도우 내에 위치하는 지점과 이동전 탐색 윈도우 내에 위치하는 지점을 통계적으로 처리하여 거리 데이터를 증가시키고, 증가된 거리 데이터를 그루핑하고, 그루핑된 거리 데이터를 그룹별로 선별하여 거리 데이터를 조합할 수 있다.
거리 데이터는 거리 데이터에 안테나가 설치된 위치 데이터, 실내 온도 데이터, 실내 습도 데이터를 포함할 수 있다.
하나 이상의 모델을 선택하여 적용하는 단계(S330)는 거리 추정 모델, 구조 보정 모델, 온도 보정 모델, 습도 보정 모델을 복수개 조합하여 선택할 수 있다.
거리 추정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 거리 데이터를 입력받아 거리 데이터의 특징을 추출하고 상기 특징을 학습하여 추정한 거리를 출력할 수 있다.
구조 보정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 레이더에 장착된 복수의 안테나가 설치된 위치 데이터를 입력받아 거리 추정 모델과 함께 학습하여 추정한 거리를 보정할 수 있다. 거리 데이터와 설치 위치 데이터가 매칭된 데이터가 입력될 수 있다.
온도 보정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 레이더에 장착된 온도계를 통해 획득한 실내 온도 데이터를 입력받아 거리 추정 모델과 함께 학습하여 추정한 거리를 보정할 수 있다. 거리 데이터와 실내 온도 데이터가 매칭된 데이터가 입력될 수 있다.
습도 보정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 레이더에 장착된 습도계를 통해 획득한 실내 습도 데이터를 입력받아 거리 추정 모델과 함께 학습하여 추정한 거리를 보정할 수 있다. 거리 데이터와 실내 습도 데이터가 매칭된 데이터가 입력될 수 있다.
도 4는 FMCW 레이더의 신호 패턴을 예시한 도면이다.
도 4에서 실선은 레이더의 송신 신호이고, 점선은 송신 신호가 대상체에 반사되어 돌아온 수신 신호이다. 대상체의 거리와 대상체의 속도 측정은 지연시간과 수신 주파수 편이를 이용하여 산출할 수 있다.
대상체의 거리는 지연시간과 전파속도의 관계식을 적용하여 산출할 수 있다. 대상체의 속도는 두 개의 수신 주파수 편이와 도플러 주파수 편이 사이의 관계를 이용하여 산출할 수 있다. 도플러 주파수 편이는 대상체의 상대적인 속도를 산출하는데 이용된다. 레이더가 이용할 최대 주파수 편이와 주파수 간격을 용도에 따라 다양한 값으로 정하여 사용할 수 있다.
도 5는 FFT 최대 인덱스를 적용한 거리 추정 방식을 예시한 도면이고, 도 6은 FFT 최대 인덱스를 적용한 거리 추정 방식의 오차를 예시한 도면이다.
기존의 FFT 최대 인덱스를 적용한 거리 추정 방식은 수신 신호에서 FFT(Fast Fourier Transform)를 통해 획득한 비트 스펙트럼(Beat spectrum)에서 최대값을 찾고, 최대값이 검출된 위치의 인덱스를 따라 거리를 추정하는 방식이다.
기존의 FFT 최대 인덱스를 적용한 거리 추정 방식은 거리가 멀어질수록 오차가 증가하는 것을 확인할 수 있다.
도 7은 역탄젠트를 적용한 거리 추정 방식의 오차를 예시한 도면이다.
기존의 역탄젠트를 적용한 거리 추정 방식은 레이더의 I/Q 신호에 역탄젠트를 적용하여 위상차를 획득하고 위상차를 주파수 도메인으로 변환하고, 변환한 주파수와 도플러 주파수를 이용하여 비트 주파수를 획득하고 비트 주파수를 관계식을 통해 대체하여 거리를 획득하는 방식이다.
기존의 역탄젠트를 적용한 거리 추정 방식은 거리가 멀어질수록 오차가 증가하는 것을 확인할 수 있다.
도 8은 본 발명의 일 실시예에 따른 실내 거리 추정 장치의 학습 모델을 예시한 도면이다.
실내 거리 추정 장치의 학습 모델은 FMCW 레이더를 통해 수신된 데이터들에 딥러닝 기법을 적용하여 거리마다의 특징을 스스로 찾아내어 대상물과의 거리를 추정한다.
예컨대 모델은 1개의 입력 레이더, N개의 히든 레이어와 1개의 출력 레이더를 포함할 수 있다. 이하 내용은 하나의 실시예로서 1개의 입력 레이어, 3개의 히든 레이어와 1개의 출력 레이어로 가정하여 설계하였다. FMCW 레이어로부터 수집한 FFT 데이터가 1*64의 배열로 수집되기 때문에 입력으로 64개를 입력하게 되어 레이어 1의 유닛은 64개이다. 레이어 2와 레이어 3의 유닛은 각각 32개, 레이어 4의 유닛을 16개 그리고 레이어 5의 유닛은 10개로 설정하였다. 마지막 레이어 5는 거리를 1~10(m)으로 추정하기 때문에 출력이 10개의 유닛으로 설정되어 있으나 추정 거리 종류의 수에 따라 레이어 개수 및 네트워크 구조, 유닛의 개수는 변경될 수 있다. 활성화 함수는 신경망의 출력을 결정하는 식으로 레이어 1 내지 레이어 4의 활성화 함수는 ReLU(Rectified Linear Unit)이며 이는 사용하기 간단하고 보다 빠른 연산속도를 통해 효율적인 결과를 내게 된다. 레이어 5의 활성화 함수는 10개의 출력 값을 얻기 위해 입력 값에 특정 상수를 곱한 값을 출력하여 다중 출력이 가능한 선형(linear) 함수를 사용하였다. 그리고 모델의 하이퍼 파라미터는 학습률(learning rate)이 0.001이고 훈련 횟수(training epochs)가 100 그리고 배치 사이즈(batch size)는 500으로 하였으나 하이퍼 파라미터 값은 변경이 가능하다.
도 9 내지 도 11은 본 발명의 일 실시예에 따른 실내 거리 추정 장치의 학습 모델을 시뮬레이션한 결과를 예시한 도면이다.
실험을 통해 딥러닝 기반 거리 추정 기법에서는 수신 데이터를 딥러닝 기반 거리 추정 기법 모델에 적용하여 데이터를 학습시킨 후 테스트를 하였고, 학습된 모델이 예측 데이터를 보고 거리를 추정하도록 진행하였다.
학습된 모델이 예측 데이터를 보고 거리를 추정한 결과, 실제로 대상물이 위치한 거리에 대해서 모델이 예측한 거리의 분포를 predict로 표시하였고, 각 거리의 거리 추정 평균 값을 mean으로 표시하였다. 각 거리의 예측 분포 평균을 보면 대상물이 실제로 위치한 거리와 매우 유사하게 예측했음을 알 수 있다. 1~10m까지의 거리 추정 평균 오차는 약 0.069m로 우수한 거리 추정 정확도를 확인하였다. 기존의 거리 추정 기법과 딥러닝 기반 거리 추정 기법의 평균 오차를 비교해보면, 기존의 기법은 약 1.1m이고, 딥러닝 기반 기법은 약 0.069m이다. 즉, 딥러닝 기반 거리 추정 기법이 기존의 기법보다 거리 추정 평균 오차가 약 1.031m 정도 감소한 것을 확인할 수 있다.
실내 거리 추정 장치는 하드웨어, 펌웨어, 소프트웨어 또는 이들의 조합에 의해 로직회로 내에서 구현될 수 있고, 범용 또는 특정 목적 컴퓨터를 이용하여 구현될 수도 있다. 장치는 고정배선형(Hardwired) 기기, 필드 프로그램 가능한 게이트 어레이(Field Programmable Gate Array, FPGA), 주문형 반도체(Application Specific Integrated Circuit, ASIC) 등을 이용하여 구현될 수 있다. 또한, 장치는 하나 이상의 프로세서 및 컨트롤러를 포함한 시스템온칩(System on Chip, SoC)으로 구현될 수 있다.
실내 거리 추정 장치는 하드웨어적 요소가 마련된 컴퓨팅 디바이스 또는 서버에 소프트웨어, 하드웨어, 또는 이들의 조합하는 형태로 탑재될 수 있다. 컴퓨팅 디바이스 또는 서버는 각종 기기 또는 유무선 통신망과 통신을 수행하기 위한 통신 모뎀 등의 통신장치, 프로그램을 실행하기 위한 데이터를 저장하는 메모리, 프로그램을 실행하여 연산 및 명령하기 위한 마이크로프로세서 등을 전부 또는 일부 포함한 다양한 장치를 의미할 수 있다.
도 3에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 3에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.
본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있다. 컴퓨터 판독 가능한 매체는 실행을 위해 프로세서에 명령어를 제공하는 데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예를 들면, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.
본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (14)

  1. FMCW 레이더를 활용한 딥러닝 기반의 실내 거리 추정 방법에 있어서,
    주파수 신호를 송신하고 반사된 주파수 신호를 수신하는 단계;
    상기 수신한 주파수 신호를 거리 데이터로 변환하는 단계; 및
    상기 거리 데이터를 기반으로 학습 모델을 통해 거리를 추정하는 단계를 를 포함하는 실내 거리 추정 방법.
  2. 제1항에 있어서,
    상기 학습 모델 중에서 하나 이상의 모델을 선택하여 적용하는 단계를 포함하며,
    상기 학습 모델은 거리 추정 모델, 구조 보정 모델, 온도 보정 모델, 습도 보정 모델을 포함하는 것을 특징으로 하는 실내 거리 추정 방법.
  3. 제2항에 있어서,
    상기 거리 추정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 상기 거리 데이터를 입력받아 상기 거리 데이터의 특징을 추출하고 상기 특징을 학습하여 추정한 거리를 출력하는 것을 특징으로 하는 실내 거리 추정 방법.
  4. 제2항에 있어서,
    상기 구조 보정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 상기 레이더에 장착된 복수의 안테나가 설치된 위치 데이터를 입력받아 상기 거리 추정 모델과 함께 학습하여 추정한 거리를 보정하는 것을 특징으로 하는 실내 거리 추정 방법.
  5. 제2항에 있어서,
    상기 온도 보정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 상기 레이더에 장착된 온도계를 통해 획득한 실내 온도 데이터를 입력받아 상기 거리 추정 모델과 함께 학습하여 추정한 거리를 보정하는 것을 특징으로 하는 실내 거리 추정 방법.
  6. 제2항에 있어서,
    상기 습도 보정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 상기 레이더에 장착된 습도계를 통해 획득한 실내 습도 데이터를 입력받아 상기 거리 추정 모델과 함께 학습하여 추정한 거리를 보정하는 것을 특징으로 하는 실내 거리 추정 방법.
  7. 제1항에 있어서,
    상기 거리 데이터로 변환하는 단계는,
    상기 거리를 추적하여 상기 거리가 기준 범위를 벗어나면 상기 실내 거리 추정 장치의 진행 방향을 기준으로 탐색 윈도우를 일정 범위로 이동시키며 이동된 탐색 윈도우를 적용하고,
    상기 이동된 탐색 윈도우 내에 위치하는 지점과 이동전 탐색 윈도우 내에 위치하는 지점을 통계적으로 처리하여 거리 데이터를 증가시키고,
    증가된 거리 데이터를 그루핑하고, 상기 그루핑된 거리 데이터를 그룹별로 선별하여 거리 데이터를 조합하는 것을 특징으로 하는 실내 거리 추정 방법.
  8. FMCW 레이더를 활용한 딥러닝 기반의 실내 거리 추정 장치에 있어서,
    주파수 신호를 송신하고 반사된 주파수 신호를 수신하는 레이더;
    상기 수신한 주파수 신호를 거리 데이터로 변환하는 데이터 처리부; 및
    상기 거리 데이터를 기반으로 학습 모델을 통해 거리를 추정하는 거리 추정부를 포함하는 실내 거리 추정 장치.
  9. 제8항에 있어서,
    상기 학습 모델 중에서 하나 이상의 모델을 선택하여 적용하는 모델 선택부를 포함하며,
    상기 학습 모델은 거리 추정 모델, 구조 보정 모델, 온도 보정 모델, 습도 보정 모델을 포함하는 것을 특징으로 하는 실내 거리 추정 장치.
  10. 제9항에 있어서,
    상기 거리 추정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 상기 거리 데이터를 입력받아 상기 거리 데이터의 특징을 추출하고 상기 특징을 학습하여 추정한 거리를 출력하는 것을 특징으로 하는 실내 거리 추정 장치.
  11. 제9항에 있어서,
    상기 구조 보정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 상기 레이더에 장착된 복수의 안테나가 설치된 위치 데이터를 입력받아 상기 거리 추정 모델과 함께 학습하여 추정한 거리를 보정하는 것을 특징으로 하는 실내 거리 추정 장치.
  12. 제9항에 있어서,
    상기 온도 보정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 상기 레이더에 장착된 온도계를 통해 획득한 실내 온도 데이터를 입력받아 상기 거리 추정 모델과 함께 학습하여 추정한 거리를 보정하는 것을 특징으로 하는 실내 거리 추정 장치.
  13. 제9항에 있어서,
    상기 습도 보정 모델은 복수의 레이어를 포함하는 네트워크를 갖고, 상기 레이더에 장착된 습도계를 통해 획득한 실내 습도 데이터를 입력받아 상기 거리 추정 모델과 함께 학습하여 추정한 거리를 보정하는 것을 특징으로 하는 실내 거리 추정 장치.
  14. 제8항에 있어서,
    상기 데이터 처리부는,
    상기 거리를 추적하여 상기 거리가 기준 범위를 벗어나면 상기 실내 거리 추정 장치의 진행 방향을 기준으로 탐색 윈도우를 일정 범위로 이동시키며 이동된 탐색 윈도우를 적용하고,
    상기 이동된 탐색 윈도우 내에 위치하는 지점과 이동전 탐색 윈도우 내에 위치하는 지점을 통계적으로 처리하여 거리 데이터를 증가시키고,
    증가된 거리 데이터를 그루핑하고, 상기 그루핑된 거리 데이터를 그룹별로 선별하여 거리 데이터를 조합하는 것을 특징으로 하는 실내 거리 추정 장치.
KR1020210065566A 2021-05-21 2021-05-21 Fmcw 레이더를 활용한 딥러닝 기반의 실내 거리 추정 장치 및 방법 KR20220157705A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210065566A KR20220157705A (ko) 2021-05-21 2021-05-21 Fmcw 레이더를 활용한 딥러닝 기반의 실내 거리 추정 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210065566A KR20220157705A (ko) 2021-05-21 2021-05-21 Fmcw 레이더를 활용한 딥러닝 기반의 실내 거리 추정 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20220157705A true KR20220157705A (ko) 2022-11-29

Family

ID=84234919

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210065566A KR20220157705A (ko) 2021-05-21 2021-05-21 Fmcw 레이더를 활용한 딥러닝 기반의 실내 거리 추정 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20220157705A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102219087B1 (ko) 2020-09-02 2021-02-23 세종대학교산학협력단 Fmcw 레이더를 이용한 실내 상황 인식 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102219087B1 (ko) 2020-09-02 2021-02-23 세종대학교산학협력단 Fmcw 레이더를 이용한 실내 상황 인식 시스템 및 방법

Similar Documents

Publication Publication Date Title
Ma et al. Fusion of RSS and phase shift using the Kalman filter for RFID tracking
KR101628154B1 (ko) 수신 신호 세기를 이용한 다중 표적 추적 방법
Habtemariam et al. Multiple detection probabilistic data association filter for multistatic target tracking
KR102262197B1 (ko) Fmcw 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법
KR101745995B1 (ko) 고주파 레이더를 이용한 이동 물체 검출 장치 및 방법
US11711669B2 (en) Neural network localization system and method
Ben Kilani et al. Cognitive waveform and receiver selection mechanism for multistatic radar
CN114531729A (zh) 基于信道状态信息的定位方法、系统、存储介质及设备
Nkabiti et al. Application of solely self-attention mechanism in CSI-fingerprinting-based indoor localization
CN112241003A (zh) 用于对象检测的方法和系统
CN110221264A (zh) 基于周期Keystone变换的多普勒模糊目标相参检测方法及装置
Vikranth et al. Nonlinear tracking of target submarine using extended kalman filter (ekf)
KR20220157705A (ko) Fmcw 레이더를 활용한 딥러닝 기반의 실내 거리 추정 장치 및 방법
CN109239704A (zh) 一种基于序贯滤波交互式多模型的自适应采样方法
Nguyen et al. Adaptive waveform and Cartesian estimate selection for multistatic target tracking
CN111366900B (zh) 基于残差统计的跟踪雷达航迹质量评估方法、系统及介质
KR102046061B1 (ko) 레이더를 이용한 타겟 탐지 장치 및 방법
CN112567834B (zh) 用于检测信号传播类型的方法和装置
Li et al. An indoor hybrid localization approach based on signal propagation model and fingerprinting
Khan et al. A fixed lag smoothing IPDA tracking in clutter
CN106371082B (zh) 线性速度拖引干扰识别方法
Wong et al. Square root Gaussian mixture PHD filter for multi-target bearings only tracking
Choi et al. The PMHT for Passive Radar in a DAB/DVB Network.
Kirmaz et al. Time of arrival error estimation for positioning using convolutional neural networks
Zhou et al. 4D radar simulator for human activity recognition

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal