KR20230001842A - 학습 방법, 학습 장치 및 표적 탐지 기기 - Google Patents

Abstract

본 발명은 표적을 탐지하기 위한 딥러닝 모델의 학습 방법으로서, 학습 표적으로부터 반사되는 레이다 신호를 수신하여, 상기 학습 표적에 대한 예측 위치데이터를 생성하는 과정; 상기 학습 표적으로부터 위치 신호를 수신하여, 상기 학습 표적에 대한 실제 위치데이터를 생성하는 과정; 및 상기 예측 위치데이터와 상기 실제 위치데이터를 비교하여, 상기 딥러닝 모델을 학습시키는 과정;을 포함하는 학습 방법 및 학습 장치에 관한 것이다.

Description

학습 방법, 학습 장치 및 표적 탐지 기기{Method for learning device, apparatus for learning device and apparatus for target detcting device}

본 발명은 학습 방법, 학습 장치 및 표적 탐지 기기에 관한 것으로, 더욱 상세하게는 표적에 대한 위치 신호를 이용하여 표적의 위치 정보에 관해 학습할 수 있는 학습 방법, 학습 장치 및 표적 탐지 기기에 관한 것이다.

일반적으로, 레이다는 탐색, 일반 추적, 정밀 추적 등의 여러 기능들을 수행할 수 있다. 특히, 레이다는 매우 짧은 시간 안에 전자적으로 빔을 조향할 수 있기 때문에, 신속하게 빔의 방향을 조절하면서 여러 임무들을 순차적으로 수행할 수 있다. 이에, 레이다는 민간 분야, 산업 분야 및 군사 분야 등 다양한 분야에서 요구되고 있다.

한편, 레이다로 표적을 탐지함에 있어서, 인공지능을 통해 표적을 확인하고 표적의 위치를 판단할 수 있다. 종래에는, 표적으로부터 레이다 신호를 수신하고, 수신한 레이다 신호를 인공지능으로 분석하여 표적의 위치를 예측하였다. 이와 동시에 수신한 레이다 신호를 CFAR(Constant false alarm ratio) 알고리즘으로 분석하여 표적의 실제 위치를 연산하고, 예측된 위치와 연산된 위치를 비교하여 레이다의 인공지능을 학습하였다. 하지만, 레이다의 인공지능을 학습시킴에 있어서, 레이다 신호의 강도가 약하거나 레이다 신호의 품질이 좋지 않은 경우, 레이다 신호를 CFAR 알고리즘으로 분석할 때 잘못된 표적의 위치정보가 연산되는 문제가 발생하였다. 상기의 경우, 표적의 위치를 라벨링하기 어려운 문제가 있다. 따라서, 레이다 신호의 품질이 좋지 않은 경우에도, 잘못된 표적의 위치정보가 연산되지 않는 방법 및 장치가 필요한 실정이다.

KR 10-2018-0070130 A

본 발명은 표적에 관한 위치 신호를 이용하여 표적의 위치에 관해 학습할 수 있는 학습 방법, 학습 장치 및 표적 탐지 기기를 제공한다.

본 발명은 표적의 예측 위치데이터와 표적의 실제 위치데이터를 매칭시켜 표적에 관한 학습데이터를 생성할 수 있는 학습 방법, 학습 장치 및 표적 탐지 기기를 제공한다.

본 발명은 표적을 탐지하기 위한 딥러닝 모델의 학습 방법으로서, 학습 표적으로부터 반사되는 레이다 신호를 수신하고, 상기 딥러닝 모델을 이용하여 상기 학습 표적에 대한 예측 위치데이터를 생성하는 과정; 상기 학습 표적으로부터 위치 신호를 수신하여, 상기 학습 표적에 대한 실제 위치데이터를 생성하는 과정; 및 상기 예측 위치데이터와 상기 실제 위치데이터를 비교하여, 상기 딥러닝 모델을 학습시키는 과정;을 포함한다.

상기 딥러닝 모델을 학습시키는 과정은, 상기 예측 위치데이터와 상기 실제 위치데이터 사이의 오차를 최소화하도록 상기 딥러닝 모델을 학습시킨다.

상기 예측 위치데이터를 생성하는 과정 및 상기 실제 위치데이터를 생성하는 과정은, 상기 레이다 신호 및 상기 위치 신호를 기준위치에서 각각 수신하여 이루어진다.

상기 실제 위치데이터를 생성하는 과정은, 상기 위치 신호를 이용하여 상기 학습 표적의 좌표를 생성하는 과정; 및 상기 학습 표적의 좌표를 상기 위치데이터와 비교 가능한 데이터 형태로 변환하는 과정;을 포함한다.

상기 예측 위치데이터는, 거리에 관한 정보 및 상대적인 속도에 관한 정보를 포함한다.

상기 비교 가능한 데이터 형태로 변환하는 과정은, 상기 기준위치로부터 상기 학습 표적까지의 거리를 연산하는 과정; 및 상기 기준위치에 대한 상기 학습 표적의 상대적인 속도를 연산하는 과정;을 포함한다.

상기 예측 위치데이터와 상기 실제 위치데이터가 매칭되는 비율을 판단하는 과정; 및 판단된 비율이 기 설정된 비율을 초과할 경우, 상기 딥러닝 모델의 학습을 중지시키는 과정;을 더 포함한다.

상기 위치 신호는, GPS(Global positioning system) 신호 및 IMU(Inertial measurement unit) 신호를 포함한다.

본 발명은 표적을 탐지하기 위한 딥러닝 모델의 학습 장치로서, 학습 표적에서 레이다 신호를 수신하고, 상기 딥러닝 모델을 기반으로 상기 레이다 신호를 통해 상기 학습 표적의 예측 위치데이터를 생성하기 위한 예측부; 상기 학습 표적의 위치 신호를 송신하기 위해, 상기 학습 표적에 설치되는 송신부; 상기 위치 신호를 수신하고, 상기 위치 신호를 이용하여 상기 학습 표적에 관한 실제 위치데이터를 생성하기 위한 측정부; 및 상기 예측 위치데이터 및 상기 실제 위치데이터를 비교하여, 상기 딥러닝 모델을 학습시키기 위한 학습부;를 포함한다.

상기 학습부는, 상기 예측 위치데이터와 상기 실제 위치데이터를 비교하여 두 위치데이터 사이의 오차를 최소화하도록 학습한다.

상기 측정부는, 상기 레이다 신호 및 상기 위치 신호를 수신하는 기준위치로부터 상기 학습 표적까지의 거리를 연산하기 위한 거리 연산부; 상기 기준위치에 대한 상기 학습 표적의 상대적인 속도를 연산하기 위한 속도 연산부; 및 연산된 거리 및 연산된 속도에 관한 정보를 포함하는 상기 실제 위치데이터를 생성하기 위한 데이터 생성부;를 포함한다.

상기 학습부는, 상기 실제 위치데이터와 상기 예측 위치데이터를 매칭시키기 위한 매칭부; 상기 매칭부에서 매칭된 비율을 판단하기 위한 판단부; 및 상기 매칭된 위치 정보를 상기 딥러닝 모델에 저장하기 위한 정보 저장부;를 포함한다.

상기 학습부는, 상기 판단부에서 판단된 비율을 기 설정된 값과 비교하여, 상기 학습부의 반복 학습을 제어하기 위한 제어부;를 더 포함한다.

상기 송신부는, GPS 센서 및 IMU 센서를 포함한다.

본 발명은 레이다 신호를 송수신하기 위한 안테나; 학습 표적으로부터 송신된 위치 신호를 이용하여 실제 위치데이터를 생성하고, 상기 실제 위치데이터를 상기 학습 표적에서 반사된 레이다 신호를 통해 생성된 예측 위치데이터와 비교하여 상기 학습 표적의 위치에 관해 학습하기 위한 청구항 9 내지 청구항 14 중 어느 한 항의 학습 장치; 및 상기 학습 장치를 통해 학습한 정보를 전송하기 위한 통신 장치;를 포함한다.

본 발명의 실시 형태에 따르면, 표적의 실제 위치에 관한 정보를 포함한 위치 신호를 이용하여 표적에 관한 명확한 위치를 확인할 수 있다. 이에, 표적의 위치에 관해 레이블하는 라벨링을 효과적으로 진행할 수 있다.

또한, 표적으로부터 반사된 레이다 신호를 이용하여 인공지능을 기반으로 표적에 관한 예측 위치데이터를 생성하고, 위치 신호를 이용하여 표적에 관한 실제 위치데이터를 생성하여 서로 비교할 수 있다. 이에, 레이다 신호의 신호 강도 및 레이다 신호의 품질이 좋지 않은 경우에도 인공지능이 예측한 표적이 위치가 명확한지 정확하게 확인할 수 있다.

또한, 표적에 관한 명확한 위치를 판단하여 인공지능으로 예측한 위치가 정확한지 판단하고, 판단한 정보를 인공지능에 학습시킬 수 있다. 이에, 인공지능이 표적의 위치를 더 명확하게 판단할 수 있도록, 인공지능이 업데이트될 수 있다.

도 1은 본 발명의 실시 예에 따른 표적 탐지 기기 및 학습 장치의 개략도.
도 2는 본 발명의 실시 예에 따른 학습 장치를 도시한 도면.
도 3은 본 발명의 실시 예에 따른 학습 표적을 학습하는 것을 도시한 도면.
도 4는 본 발명의 실시 예에 따른 학습 방법을 나타내는 플로우차트.

이하, 첨부된 도면을 참조하여, 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 이하에서 개시되는 실시 예에 한정되는 것이 아니고, 서로 다른 다양한 형태로 구현될 것이다. 단지 본 발명의 실시 예는 본 발명의 개시가 완전하도록 하고, 해당 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명의 실시 예를 설명하기 위하여 도면은 과장될 수 있고, 도면상의 동일한 부호는 동일한 요소를 지칭한다.

본 발명의 실시 형태에 따른 학습 장치는 레이다에 적용되는 장치일 수 있다. 보다 구체적으로, 학습 장치는 학습 표적의 위치를 감지하고 감지된 학습 표적의 위치를 판단할 수 있도록, 학습 표적의 위치 정보에 관해 학습하는 장치일 수 있다. 즉, 학습 표적의 정보를 통해 탐지능을 학습하여 표적을 탐지하기 위한 학습 장치일 수 있다. 여기서, 표적 탐지 기기는 다중 타겟(multi-target) 탐지 및 장거리 감지(long-range sensing)를 포함하는 다양한 기능들을 수행하는 레이다를 포함할 수 있다.

도 1은 본 발명의 실시 예에 따른 표적 탐지 기기 및 학습 장치의 개략도이다.

하기에서는, 학습 장치를 설명하기에 앞서 학습 장치가 적용되는 표적 탐지 기기에 관하여 먼저 설명한다.

도 1을 참조하면, 표적 탐지 기기(10)는 안테나(11), 통신 장치(미도시) 및 학습 장치(100)를 포함할 수 있다.

안테나(11)는 레이다 신호를 송신 및 수신할 수 있다. 여기서, 레이다 신호는 다중 펄스(pulse) 신호를 포함할 수 있으며, 수신된 레이다 신호는 표적 탐지 기기(10)가 탐지하는 영역까지의 거리 및 레이다 신호가 수신되는 시간에 따라 변화하는 세기(amplitude) 값을 포함할 수 있다. 안테나(11)는 송신기(미도시) 및 수신기(미도시)를 포함할 수 있다.

송신기는 표적 탐지 기기(10)가 탐지하고자 하는 위치, 즉 표적이 위치할 것이라고 예상되는 위치에 레이다 신호를 송신할 수 있다.

수신기는 학습 표적(P)으로부터 반사된 레이다 신호를 수신할 수 있다. 이에, 수신기로 학습 표적(P)에서 반사된 신호가 수신되고, 수신된 신호를 후술하는 학습 장치(100)를 이용하여 학습 표적(P)에 관한 예측 위치데이터를 생성할 수 있다.

한편, 안테나(11)는 표적 탐지 기기(10)를 기준으로 경사지게 배치될 수 있도록, 표적 탐지 기기(10)에 회전 가능하게 결합될 수 있다. 이를 위해, 안테나(11)는 복수의 연결링크(미도시)를 구비할 수 있다. 복수의 연결링크는 안테나(11)와 표적 탐지 기기(10)를 연결시킬 수 있다. 복수의 연결링크는 일단이 안테나(11)의 외주면에 결합되고, 타단이 표적 탐지 기기(10) 상부에 결합될 수 있다.

여기서, 연결링크는 두개의 플레이트가 서로 회전 가능하게 결합된 형태일 수 있다. 즉, 연결링크의 두개의 플레이트가 서로 상대 회전 가능하게 결합될 수 있다. 두개의 플레이트가 상대 회전하며 서로 중첩되거나 혹은 서로 수평이 되도록 펴질 수 있다. 이에, 연결링크가 중첩되거나 혹은 펴지면서 안테나(11)를 레이다에서 경사지게 배치시킬 수 있다.

보다 구체적으로, 복수의 연결링크가 접힐 경우, 표적 탐지 기기(10)에서 안테나(11) 상하방향에 대하여 수평하게 배치될 수 있다. 반면, 복수의 연결링크가 펴질 경우, 표적 탐지 기기(10)에서 안테나(11)가 상향 경사지게 배치될 수 있다. 이에, 안테나(11)의 배치가 변경됨에 따라, 안테나(11)가 다른 주파수 영역을 감지할 수 있다. 따라서, 표적 탐지 기기(10)의 안테나(11)가 다양할 영역의 주파수 대역을 감지할 수 있다. 예를 들어, 복수의 연결링크는 피벗힌지를 포함할 수 있다. 하지만, 안테나(11) 및 복수의 연결링크의 구조와 형상은 이에 한정되지 않고 다양할 수 있다.

통신 장치는 탐지한 학습 표적(P)의 위치를 사용자에게 전송할 수 있다. 즉, 통신 장치는 표적 탐지 기기(10)가 탐지한 학습 표적(P)의 위치 정보를 통제소로 전송할 수 있다. 이에, 통제소의 사용자가 학습 표적(P)의 위치를 확인할 수 있다.

도 2는 본 발명의 실시 예에 따른 학습 장치를 도시한 도면이다. 하기에서는 도 1 및 도 2를 참조하여, 본 발명의 실시 예에 따른 학습 장치(100)에 관하여 설명한다.

학습 장치(100)는 표적을 탐지하기 위한 딥러닝 모델의 학습 장치일 수 있다. 즉, 학습 장치(100)는 인공지능, 예컨데 딥러닝 모델을 기반으로 학습 표적(P)의 위치에 관해 미리 학습하여, 이후 표적 탐지 기기(10)가 안테나를 통해 전장 환경 환경에서 탐지한 표적의 정확한 위치를 확인할 수 있도록 미리 학습하는 장치일 수 있다.

보다 구체적으로, 학습 장치(100)는 표적을 탐지하기 위한 딥러닝 모델의 학습 장치로서, 학습 표적으로부터 레이다 신호를 수신하고 레이다 신호를 이용하여 학습 표적(P)에 관한 예측 위치데이터를 생성하기 위한 예측부(110), 학습 표적(P)의 위치 신호를 송신하기 위해 학습 표적(P)에 설치되는 송신부(120), 위치 신호를 수신하고, 상기 위치 신호를 이용하여 학습 표적에 관한 실제 위치데이터를 생성하기 위한 측정부(130) 및 예측 위치데이터 및 실제 위치데이터를 비교하여 딥러닝 모델을 업데이트시키기 위한 학습부(140)를 포함할 수 있다.

예측부(110)는 안테나(11)에 연결되며, 안테나(11)로 수신된 레이다 신호를 전송받아 딥러닝 모델을 기반으로 학습 표적(P)에 관한 예측 위치데이터를 생성할 수 있다. 여기서, 딥러닝 모델은 심층 신경망을 이용하여, 학습 표적(P)의 위치 정보를 집합화하고, 집화한 위치 정보를 저장 및 추출하여 학습하는 것일 수 있다.

보다 구체적으로, 딥러닝 모델은 학습 표적(P)의 위치 정보를 군집화하거나 분류하는 심층 신경망을 포함할 수 있다. 여기서, 심층 신경망은 중첩 과정과 통합 과정을 통해 학습 표적(P)의 위치 정보의 특징을 추출하고 특징들의 패턴을 학습하는 콘볼루션 심층 신경망을 포함할 수 있다.

또한, 예측부(110)는 레이다 신호를 분석하여 학습 표적(P)에 관한 예측 위치데이터를 생성할 수 있다. 여기서, 학습 표적(P)에 관한 예측 위치데이터는 레이다 신호를 수신한 표적 탐지 기기(10)를 기준으로 학습 표적(P)까지의 거리 및 학습 표적(P)의 속도를 포함한 정보일 수 있다. 또한, 예측부(110)가 생성하는 예측 위치데이터는 딥러닝 모델을 기반으로 레이다 신호로부터 학습 표적(P)이 위치할 것이라고 예측한 위치데이터일 수 있다. 이에, 예측 위치데이터는 실제 표적의 위치 정보와 상이할 수 있다. 이에, 후술하는 측정부(130)를 통해 생성되는 실제 위치데이터와 비교하여 예측 위치데이터의 정확도를 판단할 수 있다. 여기서, 정확도는 복수회 생성한 예측 위치데이터가 후술하는 측정부(130)에 의해 복수회 생성된 실제 위치데이터와 일치하는 비율일 수 있다. 또한, 정확도는 생성한 예측 위치데이터와 실제 위치데이터의 유사한 정도를 비율로 나타낸 것일 수도 있다.

송신부(120)는 학습 표적(P)에 설치되며, 학습 표적(P)에 대한 위치 신호를 후술하는 측정부(130)로 송신할 수 있다. 즉, 송신부(120)는 학습 표적(P)이 공중을 이동하는 중에 표적 탐지 기기(10)의 수신기 혹은 측정부(130)로 위치 신호를 전송할 수 있다. 여기서, 송신부(120)가 송신하는 위치 신호에는 이동하는 학습 표적(P)의 실시간 위치 정보가 포함되어 있을 수 있다. 보다 구체적으로, 위치 신호는 이동하는 학습 표적(P)의 위도, 경도, 고도에 관한 정보가 주파수 형태로 저장된 신호일 수 있다. 즉, 위치 신호는 레이다 신호와는 다르게 가상의 예측된 위치가 아닌 학습 표적(P)의 정확한 위치 정보가 포함되어 있을 수 있다. 이에, 후술하는 측정부(130)가 위치 신호를 이용하여 학습 표적(P)의 정확한 위치를 확인할 수 있다. 예를 들어, 송신부는 GPS(Global positioning system) 센서(121) 혹은 IMU(Inertial measurement unit) 센서(122)를 포함할 수 있다.

측정부(130)는 위치 신호를 수신할 수 있다. 즉, 측정부(130)는 송신부(120)에서 전송한 위치 신호를 수신할 수 있다. 또한, 측정부(130)는 위치 신호를 이용하여 학습 표적(P)의 실제 위치데이터를 생성할 수 있다. 여기서, 측정부(130)가 생성한 학습 표적(P)의 실제 위치데이터는 학습 표적(P)의 정확한 위치 지점에 관한 정보일 수 있다.

한편, 측정부(130)가 생성한 실제 위치데이터는 예측 위치데이터와 동일한 형태일 수 있다. 예를 들어, 실제 위치데이터가 예측 위치데이터와 동일한 형태일 경우, 측정부(130)가 생성한 실제 위치데이터는 표적 탐지 기기(10)로부터 학습 표적(P)까지의 거리 및 공중에서 학습 표적(P)의 학습 속도를 포함하는 정보, 예컨데 좌표값일 수 있다.

반면, 측정부(130)가 생성한 실제 위치데이터가 예측 위치데이터와 다른 형태일 수도 있다. 이 경우, 측정부(130)가 생성한 실제 위치데이터는 학습 표적(P)의 실제 위치에 관한 정보, 즉 위도, 경도, 고도가 좌표값으로 저장된 형태일 수 있다. 즉, 측정부(130)는 주파수 형태로 저장된 위도, 경도, 고도의 정보를 좌표값 형태로 저장된 위도, 경도, 고도의 정보로 변환하여 생성할 수 있다. 하기에서는, 측정부(130)가 생성한 실제 위치데이터가 예측 위치데이터와 다른 형태인 경우를 나누어 설명한다. 즉, 측정부()는 위치 신호를 이용하여 학습 표적(P)의 좌표값을 생성한 후, 학습 표적()의 좌표를 위치데이터와 비교 가능한 형태로 변환 혹은 재생성할 수 있다. 이를 위해, 측정부(130)는 거리연산부(131), 속도연산부(132) 및 데이터생성부(133)를 포함할 수 있다.

거리연산부(131)는 레이다 신호 및 위치 신호를 수신하는 기준위치로부터 학습 표적(P)까지의 거리를 연산할 수 있다. 여기서, 기준위치는 예컨데, 표적 탐지 기기(10)의 위치와 동일할 수 있다. 예를 들어, 거리연산부(131)는 학습 표적(P)의 위치 신호를 통해 학습 표적(P)의 좌표값을 알 수 있고, 기준위치의 좌표값을 알 수 있다. 이에, 학습 표적(P)의 좌표값, 기준위치의 좌표값 및 GPS의 기준점을 변수로하여 삼각 함수 측량에 의해 학습 표적(P)에서 기준위치까지의 거리를 산출할 수 있다.

속도연산부(132)는 기준위치에 대한 학습 표적(P)의 상대적인 속도를 연산할 수 있다. 속도연산부(132)는 시간별로 수신되는 위치 신호를 통해 단위 시간당 학습 표적(P)의 이동한 좌표값으로 학습 표적(P)의 상대적인 속도를 연산할 수 있다. 즉, 이동하는 학습 표적(P)의 이동전 및 이동후의 좌표값들 및 이동한 시간을 통해 학습 표적(P)의 속도를 판단할 수 있다. 여기서, 학습 표적(P)의 속도는 절대속도이거나 혹은 상대속도일 수 있다. 즉, 학습 표적(P)으로부터 위치 신호를 수신하는 측정부(130)가 정지해 있을 경우, 학습 표적(P)의 속도는 절대속도일 수 있다. 반면, 측정부(130)가 이동할 경우, 학습 표적(P)의 속도는 상대속도일 수 있다.

데이터생성부(133)는 거리연산부(131)로부터 연산된 거리 및 속도연산부(132)로부터 연산된 속도에 관한 정보를 포함하는 형태로 실제 위치데이터를 변환할 수 있다. 즉, 데이터생성부(133)는 위치 신호에 포함된 학습 표적(P)의 좌표값을 통해 연산된 기준위치로부터 학습 표적(P)의 거리에 관한 정보 및 기준위치에 대한 학습 표적(P)의 상대적인 속도를 포함하는 데이터를 생성할 수 있다. 이에, 예측 위치데이터와 동일한 형태로 실제 위치데이터가 생성될 수 있다.

학습부(140)는 예측 위치데이터 및 실제 위치데이터를 비교하여, 딥러닝 모델을 기반으로 표적의 위치에 대해 학습할 수 있다. 보다 구체적으로, 학습부(140)는 레이블이 부여된 실제 위치데이터를 예측 위치데이터에 매칭시키고, 매칭된 학습 표적(P)의 위치 정보의 특징을 추출하고 추출된 특징의 패턴을 딥러닝 모델의 심층 신경망에 저장하여 학습할 수 있다. 즉, 학습부(140)는 예측 위치데이터와 실제 위치데이터를 비교하여 예측 위치데이터가 학습 표적(P)의 위치에 관해 정확하게 판단했는지 판단하고, 판단 과정에서 예측 위치데이터와 실제 위치데이터 사이에 매칭된 학습 표적(P)의 위치 정보를 통해 학습할 수 있다. 이후, 딥러닝 모델에 학습 표적(P)의 위치 정보를 반복 학습시켜 딥러닝 모델이 판단하는 학습 표적(P)의 위치에 관한 정확도를 상승시킬 수 있다. 이를 위해, 학습부(140)는 매칭부(141), 판단부(142) 및 정보저장부(143)를 포함할 수 있다.

매칭부(141)는 실제 위치데이터를 레이블링할 수 있다. 즉, 매칭부(141)는 실제 위치데이터에 해당하는 위치를 분류할 수 있다. 또한, 매칭부(141)는 실제 위치데이터를 예측 위치데이터에 매칭시킬 수 있다. 즉, 매칭부(141)는 실제 위치데이터에 레이블(즉,라벨)을 할당하고, 레이블이 할당된 실제 위치데이터와 예측 위치데이터를 비교할 수 있다. 상술한 바와 같이, 예측 위치데이터는 딥러닝 모델을 통해 학습 표적이 존재할 것이라고 예측되는 위치들의 정보를 포함한 데이터일 수 있다. 이에, 레이블링된 실제 위치데이터를 예측 위치데이터에 매칭시켜 예측 위치데이터 중 학습 표적(P)에 관한 정확한 위치를 추출할 수 있다.

판단부(142)는 실제 위칭데이터와 예측 위치데이터의 매칭된 비율을 판단할 수 있다. 여기서, 판단부(142)가 판단하는 비율은 예측 위치데이터와 실제 위치데이터를 비교하는 과정을 복수회 진행했을 때, 전체 진행 횟수 대비 매칭된 횟수를 나타내는 것일 수 있다. 또한, 판단부(142)가 판단하는 비율은 예측 위치데이터가 실제 위치데이터와 유사한 정도를 나타내는 것일 수 있다.

판단부(142)가 판단된 매칭된 비율은 후술하는 제어부(미도시)가 학습부(140)의 반복 학습을 제어하는 기반이 되는 정보를 제공한다. 즉, 판단부(142)가 제공하는 비율에 따라 후술하는 제어부가 학습부(140)를 반복 학습시킬지 혹은 반복 학습시키지 않을지를 결정할 수 있다.

정보저장부(143)는 예측 위치데이터 중 실제 위치데이터에 매칭된 위치데이터를 저장할 수 있다. 즉, 정보저장부(143)는 매칭된 학습 표적(P)의 위치 정보를 딥러닝 모델의 심층 신경망에 저장할 수 있다. 이에, 딥러닝 모델이 학습 표적의 위치에 관해 학습하고, 학습 표적의 위치를 탐지함에 있어서 탐지 확률을 증가시킬 수 있다.

한편, 학습부(140)는 제어부를 더 포함할 수 있다. 제어부는 판단부(142)에서 판단된 비율을 기 설정된 값(즉, 기 설정된 비율)과 비교하여 학습부(140)의 반복 학습을 제어할 수 있다. 즉, 제어부는 지도학습을 기반으로 하여, 예측 위치데이터의 위치 판단 오차가 점진적으로 최소화되도록 학습부(140)를 학습시킬 수 있다. 여기서, 기 설정된 값은 예컨데, 95% 내지 99% 일 수 있다. 이에, 판단부(142)를 통해 매칭된 비율이 95% 미만이라고 판단될 경우, 제어부는 학습부(140)의 학습 표적(P)에 관한 학습을 반복시킬 수 있다. 이에, 학습부(140)가 정해진 매칭 비율까지 반복적으로 학습하며 학습 표적(P)의 탐지율을 향상시킬 수 있다.

상기에서 설명한 학습 장치(100)의 구성 요소들의 구조와 형상은 이에 한정되지 않고 다양할 수 있다.

한편, 본 발명의 실시 예에 따른 학습 장치(100)가 학습 표적에 관하여 학습하는 과정은 본 발명의 실시 예에 따른 학습 방법을 설명하면서 그 과정을 함께 설명한다.

하기에서는 본 발명의 실시 예에 따른 학습 방법을 설명한다.

도 3은 본 발명의 실시 예에 따른 학습 표적을 학습하는 것을 도시한 도면이고, 도 4는 본 발명의 실시 예에 따른 학습 방법을 나타내는 플로우차트이다.

도 3 내지 도 4를 참조하면, 본 발명의 실시 예에 따른 학습 방법은 표적을 탐지하기 위한 딥러닝 모델의 학습 방법으로서, 학습 표적(P)으로부터 반사되는 레이다 신호를 수신하여 학습 표적(P)에 대한 예측 위치데이터를 생성하는 과정(S110), 학습 표적(P)으로부터 위치 신호를 수신하여 학습 표적(P)에 대한 실제 위치데이터를 생성하는 과정(S120) 및 예측 위치데이터와 실제 위치데이터를 비교하여 딥러닝 모델을 업데이트시키는 과정(S130)을 포함할 수 있다. 즉, 학습 방법은 인공지능, 예컨데 딥러닝 모델을 기반으로 학습 표적(P)의 위치에 관해 미리 학습하여, 이후 표적 탐지 기기(10)가 안테나를 통해 전장 환경 환경에서 탐지한 표적의 정확한 위치를 확인할 수 있도록 미리 학습하는 방법일 수 있다.

우선, 학습 방법은 학습 표적(P)으로부터 반사되는 레이다 신호를 수신하여, 학습 표적(P)에 대한 예측 위치데이터를 생성할 수 있다(S110). 즉, 예측부(110)에서 레이다 신호를 분석하고 학습 표적(P)에 관한 예측 위치데이터를 생성할 수 있다. 여기서, 학습 표적(P)에 관한 예측 위치데이터는 레이다 신호를 수신한 표적 탐지 기기(10)를 기준으로 학습 표적(P)까지의 거리 및 학습 표적(P)의 속도를 포함한 정보일 수 있다. 또한, 예측 위치데이터는 딥러닝 모델을 기반으로 레이다 신호로부터 학습 표적(P)이 위치할 것이라고 예측한 위치데이터일 수 있다.

한편, 학습 표적(P)에 대한 예측 위치데이터를 생성하는 과정은, 기준위치에서 레이다 신호를 수신하여 이루어질 수 있다. 여기서, 기준위치는 예컨데, 표적 탐지 기기(10)의 위치와 동일한 위치일 수 있다.

이후, 학습 표적(P)으로부터 위치 신호를 수신하여 학습 표적(P)에 대한 실제 위치데이터를 생성할 수 있다(S120). 여기서, 실제 위치데이터를 생성하는 과정은 예컨데, 기준위치에서 상기 위치 신호를 수신할 수 있다. 측정부(130)에서 학습 표적(P)의 송신부(120)에서 전송한 위치 신호를 수신할 수 있다. 또한, 측정부(130)는 위치 신호를 이용하여 학습 표적(P)의 실제 위치데이터를 생성할 수 있다. 여기서, 측정부(130)가 생성한 실제 위치데이터는 예측 위치데이터와 동일한 형태일 수 있다. 예를 들어, 실제 위치데이터가 예측 위치데이터와 동일한 형태일 경우, 측정부(130)가 생성한 실제 위치데이터는 표적 탐지 기기(10)로부터 학습 표적(P)까지의 거리 및 공중에서 학습 표적(P)의 학습 속도를 포함하는 정보, 예컨데 좌표값일 수 있다.

보다 구체적으로, 거리연산부(131)를 이용하여 레이다 신호 및 위치 신호를 수신하는 기준위치로부터 학습 표적(P)까지의 거리를 연산할 수 있다. 예를 들어, 거리연산부(131)를 통해 학습 표적(P)의 위치 신호를 통해 학습 표적(P)의 좌표값을 알 수 있고, 기준위치의 좌표값을 알 수 있다. 이에, 학습 표적(P)의 좌표값, 기준위치의 좌표값 및 GPS의 기준점을 변수로하여 삼각 함수 측량에 의해 학습 표적(P)에서 기준위치까지의 거리를 산출할 수 있다.

이후, 속도연산부(132)를 이용하여 기준위치에 대한 학습 표적(P)의 상대적인 속도를 연산할 수 있다. 즉, 속도연산부(132)는 시간별로 수신되는 위치 신호를 통해 단위 시간당 학습 표적(P)의 이동한 좌표값으로 학습 표적(P)의 상대적인 속도를 연산할 수 있다.

이후, 데이터생성부(133)를 통해 거리연산부(131)로부터 연산된 거리 및 속도연산부(132)로부터 연산된 속도에 관한 정보를 포함하는 형태로 실제 위치데이터를 생성할 수 있다. 이에, 예측 위치데이터와 동일한 형태로 실제 위치데이터가 생성될 수 있다.

이후, 예측 위치데이터와 실제 위치데이터를 비교하여, 딥러닝 모델을 업데이트시킬 수 있다(S130). 즉, 학습부(140)를 이용하여 예측 위치데이터 및 실제 위치데이터를 비교하여, 딥러닝 모델을 기반으로 표적의 위치에 대해 학습할 수 있다. 따라서, 학습부(140)에서 지도학습을 기반으로 하여, 예측 위치데이터의 위치 판단 오차가 점진적으로 최소화되도록 학습할 수 있다. 또한, 학습부(140)는 레이블이 부여된 실제 위치데이터를 예측 위치데이터에 매칭시키고, 매칭된 학습 표적(P)의 위치 정보의 특징을 추출하고 추출된 특징의 패턴을 딥러닝 모델의 심층 신경망에 저장하여 학습할 수 있다.

먼저, 매칭부(141)를 통해 실제 위치데이터를 레이블링할 수 있다. 즉, 매칭부(141)는 실제 위치데이터에 해당하는 위치를 분류할 수 있다. 또한, 매칭부(141)는 실제 위치데이터를 예측 위치데이터에 매칭시킬 수 있다.

이후, 판단부(142)를 통해, 실제 위칭데이터와 예측 위치데이터의 매칭된 비율을 판단할 수 있다.

이후, 정보저장부(143)를 통해 예측 위치데이터 중 실제 위치데이터에 매칭된 위치데이터를 저장할 수 있다. 즉, 정보저장부(143)는 매칭된 학습 표적(P)의 위치 정보를 딥러닝 모델의 심층 신경망에 저장할 수 있다. 이에, 딥러닝 모델이 학습 표적의 위치에 관해 학습하고, 학습 표적의 위치를 탐지함에 있어서 탐지 확률을 증가시킬 수 있다.

한편, 제어부를 통해 판단부(142)에서 판단된 비율을 기 설정된 값(즉, 기 설정된 비율)과 비교하여 학습부(140)의 반복 학습을 제어할 수 있다. 이에, 판단부(142)를 통해 매칭된 비율이 95% 미만이라고 판단될 경우, 제어부가 학습부(140)의 학습 표적(P)에 관한 학습을 반복시킬 수 있다. 이에, 정해진 매칭 비율까지 반복적으로 학습하며 학습 표적(P)의 탐지율을 향상시킬 수 있다.

이처럼, 표적의 실제 위치에 관한 정보를 포함한 위치 신호를 이용하여 표적에 관한 명확한 위치를 확인할 수 있다. 이에, 표적의 위치에 관해 레이블하는 라벨링을 효과적으로 진행할 수 있다. 또한, 표적으로부터 반사된 레이다 신호를 이용하여 인공지능을 기반으로 표적에 관한 예측 위치데이터를 생성하고, 위치 신호를 이용하여 표적에 관한 실제 위치데이터를 생성하여 서로 비교할 수 있다. 이에, 레이다 신호의 신호 강도 및 레이다 신호의 품질이 좋지 않은 경우에도 인공지능이 예측한 표적이 위치가 명확한지 정확하게 확인할 수 있다. 또한, 표적에 관한 명확한 위치를 판단하여 인공지능으로 예측한 위치가 정확한지 판단하고, 판단한 정보를 인공지능에 학습시킬 수 있다. 이에, 인공지능이 표적의 위치를 더 명확하게 판단할 수 있도록, 인공지능이 업데이트될 수 있다.

이와 같이, 본 발명의 상세한 설명에서는 구체적인 실시 예에 관해 설명하였으나, 본 발명의 범주에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능하다. 그러므로, 본 발명의 범위는 설명된 실시 예에 국한되어 정해져서는 안 되며, 아래에 기재될 특허청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.

10: 레이다 100: 학습 장치
110: 예측부 120: 송신부
130: 측정부 140: 학습부
P: 학습 표적

Claims (15)

1. 표적을 탐지하기 위한 딥러닝 모델의 학습 방법으로서,
   학습 표적으로부터 반사되는 레이다 신호를 수신하고, 상기 딥러닝 모델을 이용하여 상기 학습 표적에 대한 예측 위치데이터를 생성하는 과정;
   상기 학습 표적으로부터 위치 신호를 수신하여, 상기 학습 표적에 대한 실제 위치데이터를 생성하는 과정; 및
   상기 예측 위치데이터와 상기 실제 위치데이터를 비교하여, 상기 딥러닝 모델을 학습시키는 과정;을 포함하는 학습 방법.
2. 청구항 1에 있어서,
   상기 딥러닝 모델을 학습시키는 과정은,
   상기 예측 위치데이터와 상기 실제 위치데이터 사이의 오차를 최소화하도록 상기 딥러닝 모델을 학습시키는 학습 방법.
3. 청구항 1에 있어서,
   상기 예측 위치데이터를 생성하는 과정 및 상기 실제 위치데이터를 생성하는 과정은,
   상기 레이다 신호 및 상기 위치 신호를 기준위치에서 각각 수신하여 이루어지는 학습 방법.
4. 청구항 1에 있어서,
   상기 실제 위치데이터를 생성하는 과정은,
   상기 위치 신호를 이용하여 상기 학습 표적의 좌표를 생성하는 과정; 및
   상기 학습 표적의 좌표를 상기 위치데이터와 비교 가능한 데이터 형태로 변환하는 과정;을 포함하는 학습 방법.
5. 청구항 3에 있어서,
   상기 예측 위치데이터는, 상기 기준위치와 상기 학습 표적 사이의 거리에 관한 정보 및 상기 기준위치에 대한 상기 학습 표적의 상대적인 속도에 관한 정보를 포함하는 학습 방법.
6. 청구항 4에 있어서,
   상기 비교 가능한 데이터 형태로 변환하는 과정은,
   상기 기준위치로부터 상기 학습 표적까지의 거리를 연산하는 과정; 및
   상기 기준위치에 대한 상기 학습 표적의 상대적인 속도를 연산하는 과정;을 포함하는 학습 방법.
7. 청구항 1에 있어서,
   상기 예측 위치데이터와 상기 실제 위치데이터가 매칭되는 비율을 판단하는 과정; 및
   판단된 비율이 기 설정된 비율을 초과할 경우, 상기 딥러닝 모델의 학습을 중지시키는 과정;을 더 포함하는 학습 방법.
8. 청구항 1에 있어서,
   상기 위치 신호는, GPS(Global positioning system) 신호 및 IMU(Inertial measurement unit) 신호를 포함하는 학습 방법.
9. 표적을 탐지하기 위한 딥러닝 모델의 학습 장치로서,
   학습 표적에서 레이다 신호를 수신하고, 상기 딥러닝 모델을 기반으로 상기 레이다 신호를 통해 상기 학습 표적의 예측 위치데이터를 생성하기 위한 예측부;
   상기 학습 표적의 위치 신호를 송신하기 위해, 상기 학습 표적에 설치되는 송신부;
   상기 위치 신호를 수신하고, 상기 위치 신호를 이용하여 상기 학습 표적에 관한 실제 위치데이터를 생성하기 위한 측정부; 및
   상기 예측 위치데이터 및 상기 실제 위치데이터를 비교하여, 상기 딥러닝 모델을 학습시키기 위한 학습부;를 포함하는 학습 장치.
10. 청구항 9에 있어서,
    상기 학습부는, 상기 예측 위치데이터와 상기 실제 위치데이터를 비교하여 두 위치데이터 사이의 오차를 최소화하도록 학습하기 위한 학습 장치.
11. 청구항 9에 있어서,
    상기 측정부는,
    상기 레이다 신호 및 상기 위치 신호를 수신하는 기준위치로부터 상기 학습 표적까지의 거리를 연산하기 위한 거리 연산부;
    상기 기준위치에 대한 상기 학습 표적의 상대적인 속도를 연산하기 위한 속도 연산부; 및
    연산된 거리 및 연산된 속도에 관한 정보를 포함하는 상기 실제 위치데이터를 생성하기 위한 데이터 생성부;를 포함하는 학습 장치.
12. 청구항 11에 있어서,
    상기 학습부는,
    상기 실제 위치데이터와 상기 예측 위치데이터를 매칭시키기 위한 매칭부;
    상기 매칭부에서 매칭된 비율을 판단하기 위한 판단부; 및
    상기 매칭된 위치 정보를 상기 딥러닝 모델에 저장하기 위한 정보 저장부;를 포함하는 학습 장치.
13. 청구항 12에 있어서,
    상기 학습부는,
    상기 판단부에서 판단된 비율을 기 설정된 값과 비교하여, 상기 학습부의 반복 학습을 제어하기 위한 제어부;를 더 포함하는 학습 장치.
14. 청구항 9에 있어서,
    상기 송신부는, GPS 센서 및 IMU 센서를 포함하는 학습 장치.
15. 레이다 신호를 송수신하기 위한 안테나;
    학습 표적으로부터 송신된 위치 신호를 이용하여 실제 위치데이터를 생성하고, 상기 실제 위치데이터를 상기 학습 표적에서 반사된 레이다 신호를 통해 생성된 예측 위치데이터와 비교하여 상기 학습 표적의 위치에 관해 학습하기 위한 청구항 9 내지 청구항 14 중 어느 한 항의 학습 장치; 및
    상기 학습 장치를 통해 학습한 정보를 전송하기 위한 통신 장치;를 포함하는 표적 탐지 기기.
    
    

Images