KR102275960B1

KR102275960B1 - 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법

Info

Publication number: KR102275960B1
Application number: KR1020200162193A
Authority: KR
Inventors: 우제학
Original assignee: (주)플레이오니
Priority date: 2020-11-27
Filing date: 2020-11-27
Publication date: 2021-07-12
Anticipated expiration: 2040-11-27

Abstract

본 발명은 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법에 관한 것으로, 표적을 포함하는 레이다 수신신호 데이터의 변화를 학습한 딥러닝 모델에, 실제 레이다 안테나를 통해 수신되는 레이다 수신신호 데이터를 적용하여, 상기 수신신호 데이터에 포함된 신호의 변화패턴을 인식함으로써, 표적을 정밀하게 탐지할 수 있도록 하는 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법에 관한 것이다.

Description

딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법{SYSTEM AND METHOD FOR SEARCHING RADAR TARGETS BASED ON DEEP LEARNING}

본 발명은 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 표적을 포함하는 레이다 수신신호의 변화 패턴을 학습하여 딥러닝 모델을 생성하고, 상기 생성한 딥러닝 모델에 레이다 안테나를 통해 수신되는 실시간 레이다 수신신호를 입력하여 상기 레이다 수신신호에 포함된 신호의 변화 패턴을 인식함으로써, 기존의 신호처리 방식 대비 표적을 더 정밀하게 탐지할 수 있도록 하는 레이다 표적 탐지 시스템 및 그 방법에 관한 것이다.

최근 산업기술과 신호처리 기술이 비약적으로 발전하면서, 원거리에 존재하는 특정 표적을 탐지할 수 있는 탐색(search) 레이다에 대한 대중의 관심이 증대되고 있다.

레이다(RADAR, Radio Detection And Ranging)는, 전파를 송출하여, 물체에 반사되어 되돌아오는 레이다 수신신호(반사신호)에 의해 표적의 존재, 위치 등을 탐지하기 위한 장치를 의미하는 것으로, 사람이 직접 확인할 수 없는 원거리의 표적을 감지할 수 있기 때문에, 국방, 항공기, 선박, 자동차, 교통이나 보안 등 다양한 분야에서 활용되고 있다.

레이다 수신신호에는, 표적이 아닌 다양한 지형지물이나 물체 등과 같은 클러터(clutter) 혹은 노이즈(noise)에 의한 신호가 포함되므로, 이러한 레이다의 최종 목적은, 클러터나 노이즈에 의해 특정 표적이 없는데도 불구하고 표적으로 탐지되는 오경보 확률을 최소화하여, 그 특정 표적의 탐지 확률을 최대화하는 것이다.

이에 따라 종래의 레이다에는 클러터나 노이즈에 의한 신호를 제거하여 표적을 탐지하기 위한 CFAR(Constant False Alarm Rate) 탐지 방법이 적용되고 있다. 이 CFAR 탐지 방법은 주변 환경(노이즈 혹은 클러터)에 따라 임계값을 가변적으로 조정하는 것으로, 전체 레이다 수신신호에 대해 특정 크기의 윈도우를 이동해 가면서 각 거리별로 각 거리에 따른 특정 테스트 셀(test cell)과 그 주변의 레퍼런스 셀(reference cell)을 분류하고, 상기 레퍼런스 셀의 신호에 대한 평균 등을 상기 임계값으로 설정하여, 상기 임계값을 초과하는 신호의 레벨에 대한 거리에서 표적이 탐지된 것으로 판단하고, 상기 임계값 미만인 신호의 레벨은 표적이 아닌 것으로 판단한다. 즉, 일반적인 CFAR 탐지 방법은, 각 셀별 클러터나 노이즈에 의한 신호의 변화에 대한 통계적 특성에 따라 임계값을 가변적으로 조정하여, 표적, 클러터 또는 노이즈에 의한 신호를 판단하는 것이다.

그러나 종래의 CFAR 탐지 방법은, 주로 간단한 통계적인 특성을 이용하기 때문에 레이다 수신신호에 기본적으로 존재하는 복잡한 특성을 정확하게 반영하는 것에 한계가 있었으며, 단순히 임계값의 초과여부에 따라 표적을 탐지하기 때문에 실제 표적에 의한 신호의 레벨이 상기 임계값 미만인 경우에는, 클러터 또는 노이즈에 의한 신호로 판단할 수 있는 문제점을 내포하고 있다.

한편 최근에는 딥러닝을 포함하는 인공지능 기술이 급격하게 발전하면서, 기존의 데이터에 대한 통계적인 기법을 활용하는 응용분야에 다양하게 적용되고 있고 높은 효용성을 보이고 있다. 특히, 상기 인공지능 기술은 복잡한 패턴을 보이면서 그 상관관계를 설명할 수 없는 대량의 데이터를 이용한 추론 과정에서 그 활용가치가 높은 장점을 갖고 있다.

따라서 본 발명에서는 상기 CFAR 탐지 방법의 문제점을 해결하기 위해 레이다를 이용하여 사전에 수집한 레이다 수신신호 데이터를 각 거리(range)와 방위각(azimuth angle) 그리고 고도각(elevation angle)에 의해 정해지는 특정 영역, 즉 셀(cell)별로 특정 표적 여부를 레이블링하여 학습 데이터를 생성하고, 상기 학습 데이터를 딥러닝을 포함하는 인공지능 학습 방법을 통해 표적 판정 능력을 학습하여 표적 탐지를 위한 딥러닝 모델을 생성하고, 레이다 수신신호의 실시간 데이터를 상기 생성한 딥러닝 모델에 입력함으로써, 클러터나 노이즈에 의한 신호의 변화나 표적에 의한 신호의 변화를 인식하여 상기 표적을 정밀하게 탐지할 수 있도록 하는 시스템 및 방법을 제안하고자 한다.

다음으로 본 발명의 기술분야에 존재하는 선행기술에 대하여 간단하게 설명하고, 이어서 본 발명이 이 선행기술에 비해서 차별적으로 이루고자 하는 기술적 사항에 대해서 기술하고자 한다.

먼저 한국등록특허 제1188301호(2012.09.27.)는 CFAR 처리 속도 개선을 위한 레이다 탐색기 및 그 개선 방법에 관한 것으로, CFAR 처리를 위한 윈도우의 크기 및 쉬프트 간격을 설정하고, 상기 설정한 윈도우를 이용하여 각 윈도우에 대한 레퍼런스 셀의 CFAR 레벨값을 출력하여 합산함으로써, 평균 노이즈를 산출한 후, 상기 산출한 평균 노이즈에 기 설정된 임계치(threshold)를 곱하여 임계치를 변경하고, 상기 변경한 임계치와 상기 CFAR 레벨값을 순차 비교하여 표적을 탐지하는 CFAR 처리 속도 개선을 위한 레이다 탐색기 및 그 개선 방법에 관한 것이다.

즉, 상기 선행기술은, 종래의 CFAR의 처리속도에 대한 문제점을 극복하기 위해 상기 윈도우에 따른 각 셀을 모두 레퍼런스 셀로 정의하여, 상기 각 레퍼런스 셀에 따른 임계치를 변경한 후, 상기 임계치와 상기 각 레퍼런스 셀에 대한 CFAR 레벨값을 비교함으로써 표적을 탐지하는 것이다.

반면에 본 발명은 레이다 수신신호 데이터를 사전에 수집하고, 상기 수집한 레이다 수신신호 데이터를 레이블링하여 학습 데이터를 생성하고, 이 학습 데이터를 이용하여 학습한 딥러닝 모델을 통해서 실제 레이다 수신신호 데이터로부터 표적을 정밀하게 탐지하기 위한 것으로 상기 선행기술은 이러한 본 발명의 기술적 특징을 기재하거나 시사 혹은 아무런 암시도 하고 있는 바가 없다.

또한 한국등록특허 제2062899호(2019.12.30.)는 표적을 탐지하는 방법 및 장치에 관한 것으로, 시간 거리 도메인 상에 표시되는 반사신호를 수신하여 제1 임계값보다 큰 반사신호를 히트(hit) 데이터로 결정하고, 각도 거리 도메인의 일부 영역을 게이트로 설정하여, 게이트의 각도 및 거리의 범위에서만 상기 히트 데이터를 허프 변환한 후, 누적하고, 상기 허프 변환한 히트 데이터의 누적결과와 기 설정된 제2 임계값을 비교하여, 표적을 탐지하는 방법 및 장치에 관한 것이다.

상기 선행기술은 제1 임계값과 제2 임계값을 이용하여 표적을 탐지하는 것이다. 반면에 본 발명은 레이다의 수신신호 데이터에 포함된 표적, 클러터 혹은 노이즈에 의한 신호의 변화 패턴을 딥러닝을 기반으로 인식하여 상기 표적을 정밀하게 인식할 수 있도록 하는 기술적 구성을 제시하고 있다. 따라서 상기 선행기술은 본 발명에서 제시하는 기술적 구성과의 차이점이 명확하다.

즉 선행기술들은, 임계값을 가변하여 표적을 탐지하는 기술적 구성을 제시하고 있을 뿐, 딥러닝을 이용하여 실시간으로 표적을 정확하게 탐지할 수 있는 기술은 전무한 실정이다. 반면에 본 발명은 임계값을 가변하는 것이 아니라, 딥러닝 기술을 기반으로 클러터나 잡음에 의한 신호의 변화, 표적에 의한 신호의 변화 패턴을 학습하여 표적 탐지에 대한 시간의 지연 없이 실시간으로 표적을 정밀하게 인식할 수 있도록 하는 것으로, 상기 각 선행기술들과 본 발명의 구성 사이에는 기술적 차이점이 명백하다.

본 발명은 상기와 같은 문제점을 해결하기 위해 창작된 것으로서, 표적, 클러터 또는 노이즈에 의한 레이다 수신신호 데이터의 변화 패턴을 학습하여 생성한 딥러닝 모델에 실제 레이다 수신신호 데이터를 적용하여, 해당 레이다 수신신호 데이터에 포함된 신호의 변화 패턴을 인식함으로써, 표적을 정밀하게 탐지할 수 있도록 하는 레이다 표적 탐지 시스템 및 그 방법을 제공하는 것을 목적으로 한다.

또한 본 발명은, 상시적으로 발생하는 레이다 수신신호를 샘플링(sampling)하여 생성한 디지털 데이터를 상기 딥러닝 모델을 탑재하고 있는 추론서버에 전달하여, 특정 위치의 표적 존재 여부에 대한 추론(inference) 작업을 수행하고, 그 결과를 이용하여 특정 표적을 탐지하는 시스템 및 그 방법을 제공하는 것을 목적으로 한다.

여기서, 상기 딥러닝 모델은, 레이다 수신신호 데이터를 입력으로 받아서 각 위치별 신호의 크기에 따라 표적 존재 여부, 즉 탐지 여부를 추론하기 위한 표적 탐지 기능, 각 위치별 도플러 주파수의 분포에 따라 이동 표적의 존재 여부를 추론하기 위한 이동 표적 탐지 기능, 그리고 현재 위치 주변의 데이터를 이용하여 그 위치에 제로 도플러 속도를 갖는 표적이 존재하는 지를 추론하기 위한 제로 도플러 표적 탐지 기능을 수행하기 위한 다수의 딥러닝 모델로 구성된다.

또한 본 발명은, 상기 딥러닝 모델이 레이다 수신신호 데이터를 입력으로 받아서 각 위치에 대한 표적 존재 여부를 나타내는 확률을 출력함으로써 특정 표적을 정밀하게 탐지할 수 있도록 하는 시스템 및 그 방법을 제공하는 것을 목적으로 한다.

또한 본 발명은, 표적 탐지 장치로부터 사전에 수집한 레이다 수신신호에 대한 디지털 데이터를 레이블링(labeling)하여 학습 데이터를 생성하고, 학습서버에 구현된 신경망(neural network)을 상기 학습 데이터를 이용하여 학습시켜서 상기 딥러닝 모델을 생성한 후, 상기 딥러닝 모델을 상기 추론서버에 설치해서 상시적으로 발생하는 레이다 수신신호 데이터에 대한 추론 작업을 수행하여, 특정 표적을 탐지하는 시스템 및 그 방법 을 제공하는 것을 목적으로 한다.

본 발명의 일 실시예에 따른 딥러닝 기반의 레이다 표적 탐지 시스템은, 레이다 수신신호를 샘플링하여 표적 탐지를 위한 데이터를 실시간으로 생성하고, 상기 생성한 실시간 데이터를 추론서버에 전달하여 특정 표적을 탐지하는 표적 탐지 장치;를 포함하며, 상기 추론서버는, 상기 실시간 데이터를 추론 목적에 따라 해당하는 딥러닝 모델에 입력하여 특정 표적 확률을 추론하고, 상기 딥러닝 모델은, 사전에 수집된 특정 표적, 클러터 혹은 노이즈에 의한 레이다 수신신호 데이터를 레이블링하여 얻어진 학습 데이터의 변화 특성을 학습서버를 이용하여 학습함으로써 생성되는 것을 특징으로 한다. 여기서 레이다 수신신호는 사전에 설정한 펄스반복주기에 따라 방위각별로 여러 번 연속하여 출력한 레이다 송신신호에 대한 반사 신호이다.

여기서 상기 실시간 데이터는, 상기 레이다 수신신호를 사전에 설정한 주기에 따라 샘플링하여 거리에 따른 복수의 셀(cell)로 구분하고, 상기 레이다 수신신호의 펄스(pulse)별 복소(complex) 데이터를 거리 셀별로 펄스 통합한 1차원 거리 셀 진폭(amplitude)데이터, 상기 1차원 거리 셀 진폭 데이터를 방위각별로 누적하여 생성한 2차원 거리-방위각 셀 진폭 데이터, 또는 이들의 조합 중 적어도 하나 이상을 포함하는 것을 특징으로 한다.

또한 상기 실시간 데이터는, 상기 레이다 수신신호를 사전에 설정한 주기에 따라 샘플링하여 거리에 따른 복수의 셀(cell)로 구분하고, 상기 레이다 수신신호의 상기 펄스(pulse)별 복소(complex) 데이터를 거리 셀별로 누적한 거리-펄스 데이터를 푸리에(Fourier) 변환하여 생성한 2차원 거리-도플러 스펙트럼 진폭 데이터, 또는 상기 2차원 거리-도플러 스펙트럼 진폭 데이터를 방위각에 따라 누적하여 생성한 3차원 거리-방위각-도플러 스펙트럼 진폭 데이터를 포함하는 것을 특징으로 한다.

또한 상기 실시간 데이터는, 상기 레이다 수신신호를 사전에 설정한 주기에 따라 샘플링하여 거리에 따른 복수의 셀(cell)로 구분하고, 2차원 거리-방위각 셀 진폭 데이터를 스캔(scan)에 따라 누적하여 생성한 3차원 스캔-거리-방위각 셀 진폭 데이터, 또는 2차원 거리-방위각 표적도플러속도(또는 표적속도)를 스캔에 따라 누적하여 생성한 3차원 스캔-거리-방위각 셀의 표적속도 데이터를 포함하는 것을 특징으로 한다.

여기서 상기 딥러닝 모델은, 상기 1차원 거리 셀 진폭 데이터를 입력으로 받아서 사전의 학습 내용에 따라 각 거리 셀별로 표적이 존재하는 지의 여부를 나타내는 확률을 추론하는 제1 딥러닝 모델, 상기 2차원 거리-방위각 셀 진폭 데이터를 입력으로 받아서 사전의 학습 내용에 따라 각 거리-방위각 셀별로 표적이 존재하는 지의 여부를 나타내는 확률을 추론하는 제2 딥러닝 모델, 또는 이들의 조합 중 적어도 하나 이상을 포함하고, 사전에 수집한 상기 1차원 거리 셀 진폭 데이터와 상기 2차원 거리-방위각 셀 진폭 데이터의 셀별로 표적이 존재하는 경우에는 1(존재 확률 100%를 의미), 존재하지 않는 경우에는 0(존재 확률 0%를 의미)으로 레이블링한 학습 데이터를 이용하여 상기 학습서버에서 생성되고, 주변 셀들의 1차원 및 2차원 데이터 변화 패턴에 따라 각 셀별로 표적 존재에 대한 확률 추론 능력을 학습하는 것을 특징으로 한다.

또한 상기 딥러닝 모델은, 상기 2차원 거리-도플러 스펙트럼 진폭 데이터를 입력으로 받아서 사전의 학습 내용에 따라 각 거리 셀별로 이동 표적이 존재하는 지의 여부를 나타내는 확률을 추론하는 제3 딥러닝 모델, 상기 3차원 거리-방위각-도플러 스펙트럼 진폭 데이터를 입력으로 받아서 사전의 학습 내용에 따라 각 거리-방위각 셀별로 이동 표적이 존재하는 지의 여부를 나타내는 확률을 추론하는 제4 딥러닝 모델, 또는 이들의 조합 중 적어도 하나 이상을 포함하고, 사전에 수집한 상기 2차원 거리-도플러 스펙트럼 진폭 데이터와 상기 3차원 거리-방위각-도플러 스펙트럼 진폭 데이터의 셀별로 이동 표적이 존재하는 경우에는 1, 존재하지 않는 경우에는 0으로 레이블링한 학습 데이터를 이용하여 상기 학습서버에서 생성되고, 주변 셀들의 2차원 및 3차원 데이터 변화 패턴에 따라 각 셀별로 표적 존재에 대한 확률 추론 능력을 학습하는 것을 특징으로 한다.

또한 상기 딥러닝 모델은, 상기 3차원 스캔-거리-방위각 셀 진폭 데이터를 입력으로 받아서 사전의 학습 내용에 따라 현재 셀에 제로(zero) 도플러 표적이 존재하는 지의 여부를 나타내는 확률을 추론하는 제5 딥러닝 모델, 상기 3차원 스캔-거리-방위각 셀의 표적속도 데이터를 입력으로 받아서 사전의 학습 내용에 따라 현재 셀에 제로 도플러 표적이 존재하는 지의 여부를 나타내는 확률을 추론하는 제6 딥러닝 모델, 또는 이들의 조합 중 적어도 하나 이상을 포함하고, 사전에 수집한 상기 3차원 스캔-거리-방위각 셀 진폭 데이터와 상기 3차원 스캔-거리-방위각 셀의 표적속도 데이터의 중앙 셀에 제로 도플러 표적이 존재하는 경우에는 1, 존재하지 않는 경우에는 0으로 레이블링한 학습 데이터를 이용하여 사익 학습서버에서 생성되고, 주변 셀들의 3차원 데이터 변화 패턴에 따라 현재 셀의 제로 도플러 표적 존재에 대한 확률 추론 능력을 학습하는 것을 특징으로 한다.

또한 상기 딥러닝 모델은, 상기 딥러닝 모델은, 각각의 학습 데이터의 차원수에 따라 결정되는 1차원 CNN(Convolutional Neural Network), 2차원 CNN, 또는 3차원 CNN에 의해 학습서버에서 사전에 학습되고, 상기 학습된 딥러닝 모델은 상기 추론서버에 사전에 탑재되는 것을 특징으로 한다.

아울러 본 발명의 일 실시예에 따른 딥러닝 기반의 레이다 표적 탐지 방법은, 사전에 수집된 특정 표적, 클러터 혹은 노이즈에 의한 레이다 수신신호 데이터를 레이블링하여 얻어진 학습 데이터의 변화 특성을 학습하여 딥러닝 모델을 생성하는 학습 단계; 및 레이다 수신신호를 샘플링하여 표적 탐지를 위한 데이터를 실시간으로 생성하고, 상기 생성한 실시간 데이터를 이용하여 특정 표적을 탐지하는 표적 탐지 단계;를 포함하며, 상기 표적 탐지 단계는, 상기 실시간 데이터를 추론 목적에 따라 해당하는 딥러닝 모델에 입력하여 특정 표적 확률을 추론하는 추론 단계;를 포함하는 것을 특징으로 한다. 여기서 상기 레이다 수신신호는 사전에 설정한 펄스반복주기에 따라 방위각별로 연속하여 출력한 레이다 송신신호에 대한 반사 신호이다.

이상에서와 같이 본 발명의 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법에 따르면, 레이다 수신신호에 대한 데이터를 사전에 수집하여, 그 데이터를 토대로 특정 표적, 클러터나 노이즈에 의한 신호의 변화 패턴을 사전에 학습서버에서 학습하여 생성한 딥러닝 모델을 추론서버에 탑재하고, 실제 레이다 안테나를 통해 수신한 레이다 수신신호에 대한 실시간 데이터를 생성하여, 상기 탑재한 딥러닝 모델에 적용함으로써, 해당 데이터의 관련 셀에서 특정 표적의 존재 유무를 정밀하게 탐지할 수 있는 효과가 있다.

도 1은 종래기술에 따른 레이다 수신신호의 일반적인 처리과정을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법을 설명하기 위한 개념도이다.
도 3은 본 발명의 일 실시예에 따른 레이다가 송신신호(송신펄스)를 송출하고, 수신신호를 셀별로 구분하는 과정을 설명하기 위한 도면이다.
도 4는 2차원 거리-펄스 데이터를 이용하여 딥러닝 모델의 입력으로 사용되는 실시간 데이터를 생성하는 과정과 그 종류를 보여준다.
도 5는 추론서버에 탑재되어 실행되는 딥러닝 모델의 종류와 관련 입력 데이터 및 출력을 보이기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 1차원 거리 셀 진폭 데이터에 대해 표적 여부를 레이블링하여 생성한 학습 데이터를 예시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 2차원 CNN의 구조와 학습과정을 설명하기 위해 나타낸 도면이다.

이하, 첨부한 도면을 참조하여 본 발명의 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법에 대한 바람직한 실시 예를 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다. 또한 본 발명의 실시 예들에 대해서 특정한 구조적 내지 기능적 설명들은 단지 본 발명에 따른 실시 예를 설명하기 위한 목적으로 예시된 것으로, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는 것이 바람직하다.

도 1은 종래기술에 따른 레이다 수신신호의 일반적인 처리과정을 나타내는 도면이다.

도 1에 도시한 바와 같이, 종래기술에 따른 레이다에서, 레이다 수신신호를 처리하여 표적을 탐지하는 과정은, 안테나를 통해 송출한 레이다 송신신호(송신 펄스)에 대해 표적이나 클러터에서 반사된 레이다 수신신호를 안테나를 통해 수신기에서 수신하여, ADC(Analog Digital Converter), 펄스 압축, 클러터 필터, 도플러 처리를 포함하는 신호 처리과정을 통해 처리하고, 이 신호 처리를 수행한 레이다 수신신호 데이터를 이용하여, 특정 표적을 탐지하고 추적한다.

여기서, 상기 ADC는 레이다 수신신호를 샘플링하여, 이 수신신호의 진폭과 위상정보를 동위상(I, In-phase)과 직교위상(Q, Quadrature)으로 구성된 복소(complex) 신호 값으로 변환하여 출력하며, 상기 펄스 압축은, 상기 ADC의 출력인 복소 신호를 정합필터에 통과시켜, 레이다 수신신호가 펄스별로 압축된 I/Q 값으로 구성되는 거리별 펄스 데이터를 생성한다.

또한 상기 클러터 필터는, MTI(Moving Target Indicator) 필터를 이용하여, 각 거리별로 제로 도플러 영역을 필터링하여 클러터 성분을 제거하며, 상기 도플러 처리는 상기 거리별 펄스 I/Q 데이터에 대해 DFT(Discrete Fourier Transform)를 수행하여 거리-도플러 데이터를 생성하고, 이동 표적의 도플러 주파수 신호의 SNR(Signal to Noise Ratio)을 개선함으로써, 이동 표적에 대한 도플러 속도 검출을 용이하게 한다.

또한 상기 종래기술에 따른 레이다는, CFAR 방식을 이용하여, 신호 처리과정을 수행한 레이다 수신신호에 포함된 잔여 클러터나 노이즈 영향의 통계적인 분포에 대한 거리 셀, 거리-방위각 셀에 대한 임계값을 가변적으로 조정하여, 해당 셀에서의 표적에 대한 존재 여부를 판단함으로써, 그 셀에 표적이 존재하는 것을 탐지하게 된다.

그러나 종래기술에 따른 레이다에서 표적을 탐지하기 위해 이용하는 CFAR 방식만으로는, 상술한 바와 같이 클러터나 잡음의 간섭 신호 영향을 완전히 제거하는 것이 통계 특성상 어려움이 있다. 따라서 본 발명은, 사전에 수집된 레이다 수신신호 데이터의 각 셀별로 레이블링한 학습 데이터에 대해 신경망 기반으로 학습하여 딥러닝 모델을 생성하고, 그 딥러닝 모델을 이용하여 실제 수신한 레이다 수신신호에 포함된 신호의 변화 패턴을 실시간으로 인식함으로써, 레이다 표적을 정밀하게 탐지할 수 있도록 지원하는 것을 그 목적으로 한다. 이하에서는 각 도면을 참조하여, 본 발명의 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법을 상세히 설명하도록 한다.

도 2는 본 발명의 일 실시예에 따른 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법을 설명하기 위한 개념도이며, 여기서 레이다 표적 탐지 장치(100)(이하 표적 탐지 장치라 칭함)는, 레이다 송신신호(송신 펄스)를 사전에 설정한 펄스반복주기(PRI, Pulse Repetition Interval)에 따라 방위각별로 여러 번 연속적으로 송출하고, 특정 물체에 반사되어 수신되는 레이다 수신신호를 수신하는 안테나(11)와 함께 특정 표적을 탐지하기 위한 레이다(10)를 구성한다.

이 레이다(10)는, 사용용도에 따라 자동차, 비행기, 선박 등과 같은 이동수단이나 산, 건물 등과 같이 특정 위치에 고정적으로 설치될 수 있으며, 상기 안테나(11)는, 반사형(반구 형태), 평면형 등 다양한 형태로 구성될 수 있다. 한편, 레이다 수신신호에는, 특정 표적에 의한 신호뿐만 아니라, 표적이 아닌 클러터나 노이즈에 의한 신호도 포함되게 된다.

또한 상기 표적 탐지 장치(100)는 레이다 수신신호를 신호 처리하여, 1차원 거리 셀 진폭 데이터, 2차원 거리-방위각 셀 진폭 데이터, 3차원 스캔-거리-방위각 셀 진폭 데이터, 2차원 거리-도플러 스펙트럼 진폭 데이터, 3차원 거리-방위각-도플러 스펙트럼 진폭 데이터, 그리고 3차원 스캔-거리-방위각 셀의 표적속도 데이터를 포함하는 디지털 데이터를 실시간으로 생성하고, 그 데이터를 추론서버(300)로 전달하여 각 셀에 대한 특정 표적의 존재 확률을 추론하고, 그 결과를 종합하여 각 셀별로 특정 표적을 정밀하게 탐지한다.

또한, 상기 추론서버(300)는, 표적 탐지 장치(100)로부터 수신된 실시간 데이터의 종류에 따라, 해당되는 딥러닝 모델을 결정하고,(도 5 참조) 그 해당 딥러닝 모델에 이 데이터를 입력으로 제공한다. 딥러닝 모델은 입력 데이터에 대해 미리 학습된 내용에 기반하여 추론을 수행하고 결과를 생성한다. 이 추론 결과는 각 셀별로 특정 표적의 존재 확률을 나타낸다.

또한 상기 추론서버(300)에 탑재되어 실행되는 딥러닝 모델은 별도의 과정을 통해 학습서버(200)를 이용하여 학습되는데, 이 학습 과정에 사용되는 학습 데이터는 상기 표적 탐지 장치(100)에 의해 생성되는 실시간 데이터를 일정 기간 동안 다량으로 축적해서 사전에 수집한 원시 데이터를 학습 목적에 따라 레이블링함으로써 생성된다. 상기 실시간 데이터의 종류에 따라 각각의 딥러닝 모델은 다른 신경망 구조를 가지며, 최종적으로 완성된 딥러닝 모델은 별도의 설치 과정을 거쳐 추론서버(300)에 탑재되어 구동된다.

상기 신경망은 CNN(Convolution Neural Network)이나 RNN(Recursive Neural Network) 등과 같은 학습 네트워크 구조를 이용하여 구성되며, 이 학습 네트워크의 구조는 도 7을 참조하여 상세히 설명하도록 한다.

한편, 도 2에 대한 상기 설명은, 표적 탐지 장치(100)에서 수신한 레이다 수신신호를 토대로 실시간 데이터를 생성하여 추론서버(300)로 전달하고, 딥러닝 모델을 학습서버(200)로부터 제공받아 탑재한 상기 추론서버(300)에서 특정 표적을 탐지하여, 그 결과를 상기 표적 탐지 장치(100)로 제공하는 것을 기본 구조로 하고 있지만, 표적 탐지 장치(100)가 딥러닝 모델을 실행하기 위한 GPU(Graphics Processing Unit)나 NPU(Neural Processing Unit)를 내장하고 있는 경우에는 추론서버 기능을 직접 수행하는 구조 또한 가능하다. 또한 학습서버(200)와 추론서버(300)도 학습 과정과 추론 과정을 개념상 나눠서 설명하기 위하여 특별히 분리하여 표시하였으나, 실제 실시 과정에는 단일 하드웨어를 사용하여 구성하는 것이 가능하다.

도 3은 본 발명의 일 실시예에 따른 레이다가 송신신호(송신 펄스)를 송출하고, 수신신호를 셀별로 구분하는 과정을 설명하기 위한 도면이다. 이 도면에 도시한 바와 같이, 일반적인 펄스 도플러 레이다는 아주 작은 폭의 펄스를 펄스반복주기에 따라 연속적으로 송출하고, 표적이나 클러터에 맞고 반사되는 수신신호는 송신펄스 폭보다 조금 작은 주기로 샘플링되며, 이 각각의 샘플이 하나의 셀에 대한 디지털 신호 값이 된다. 도면을 보면 특정 방위각 방향에 대해 하나의 펄스에 의해 M개의 셀 데이터가 생성되는 것을 알 수 있으며, 그 방위각에 대해 이러한 펄스가 N개 생성되며, 이 N개의 펄스에 의해 생성된 M개의 셀 데이터를 모두 모으면, 복소 데이터를 그 값으로 갖는 2차원 거리-펄스 데이터가 생성된다. 이 2차원 데이터에서 각 셀별로 존재하는 1차원 복소 데이터는 기본적으로 그 셀에 해당하는 영역(해당 거리와 방위각)에 존재하는 표적의 도플러 주파수 특성을 포함하게 된다. 이 도플러 주파수는 그 영역에 존재하는 표적이 이동 중일 때 안테나에서 표적을 바라보는 시선 방향으로 존재하는 속도 성분에 의하여 발생된다.

도 4는 상기 2차원 거리-펄스 데이터를 이용하여 딥러닝 모델의 입력으로 사용되는 실시간 데이터를 생성하는 과정과 그 종류를 보여준다. 우선 거리-펄스 데이터를 이용하여 펄스별 복소 데이터를 거리 셀별로 펄스 통합한 1차원 거리 셀 진폭 데이터(D110)가 생성되고, 이 데이터를 방위각별로 누적하여 2차원 거리-방위각 셀 진폭 데이터(D120)가 생성되며, 또 이 2차원 거리-방위각 셀 진폭 데이터를 레이다 안테나의 전체 일회 탐색을 의미하는 스캔에 따라 누적하여 3차원 스캔-거리-방위각 셀 진폭 데이터(D130)가 생성된다. 또한 상기 거리-펄스 데이터를 DFT하여 2차원 거리-도플러 스펙트럼 진폭 데이터(D140)가 생성되고, 이 2차원 데이터를 방위각에 따라 누적하여 3차원 거리-방위각-도플러 스펙트럼 진폭 데이터(D150)가 생성된다. 그리고 상기 2차원 거리-도플러 스펙트럼 진폭 데이터(D140)에서 구한 1차원 거리 셀 표적 도플러속도(또는 속도)를 방위각과 스캔에 따라 누적하여 생성한 3차원 스캔-거리-방위각 셀의 표적속도 데이터(D160)가 생성된다.

도 5는 추론서버(300)에 탑재되어 실행되는 딥러닝 모델의 종류와 관련 입력 데이터 및 출력을 보이기 위한 도면이다. 여기서 제1 딥러닝 모델은 1차원 거리 셀 진폭 데이터(D110)를 입력으로 받아서 각 거리 셀별로 표적이 존재하는 지의 여부를 나타내는 확률을 추론한다. 이 딥러닝 모델은 학습 데이터를 이용하여 학습서버(200)에서 신경망을 학습시킴으로써 생성된다. 이 학습 데이터는 상기 1차원 거리 셀 진폭 데이터(D110)를 사전에 수집하여 원시 데이터를 구성하고, 이 원시 데이터의 각 셀별로 실제 표적이 존재하면 1로 레이블링하고, 존재하지 않으면 0으로 레이블링하는 방식으로 생성된다. 그림 6은 이 방식을 예시한 도면이다. 실제 레이블링되는 대상은 디지털 데이터이나, 신호의 변화 패턴을 보이기 위하여 샘플링 이전의 아날로그 신호 패턴을 같이 도시하였다. 이 도면에서 보이는 바와 같이 두 번째로 높은 값을 갖는 셀일지라도 표적이 아니면 0으로 레이블링이 되고, 딥러닝 모델은 이러한 패턴을 학습하게 된다. 1로 레이블링하는 것의 의미는 그 셀의 표적 여부 확률이 1이라는 것을 나타내는 것으로, 이 레이블링 값들을 결과값으로 학습하는 딥러닝 모델은 추론 결과 값으로 각 셀의 표적 여부 확률을 출력하게 된다.

다시 도 5를 이용하여 설명하자면, 제2 딥러닝 모델은 2차원 거리-방위각 셀 진폭 데이터(D120)를 입력으로 받아서 각 거리-방위각 셀별로 표적이 존재하는 지의 여부를 나타내는 확률을 추론한다. 이 딥러닝 모델을 학습시키기 위한 학습 데이터의 레이블링은 상기 제1 딥러닝 모델과 그 차원 수만 다를 뿐, 동일한 방식으로 이루어진다. 다만, 학습의 대상이 되는 신호의 변화 패턴이 1차원이 아니라 2차원이 되므로 제2 딥러닝 모델의 추론 능력은 제1 딥러닝 모델 대비 더 높아질 수 있다.

또한 도 5의 제3 딥러닝 모델은 2차원 거리-도플러 스펙트럼 진폭 데이터(D140)를 입력으로 받아서 각 거리 셀별로 이동 표적이 존재하는 지의 여부를 나타내는 확률을 추론하고, 제4 딥러닝 모델은 3차원 거리-방위각-도플러 스펙트럼 진폭 데이터(D150)를 입력으로 받아서 각 거리-방위각 셀별로 이동 표적이 존재하는 지의 여부를 나타내는 확률을 추론한다. 이 딥러닝 모델들을 학습시키기 위한 학습 데이터의 레이블링은, 사전에 수집한 상기 2차원 거리-도플러 스펙트럼 진폭 데이터(D140)와 상기 3차원 거리-방위각-도플러 스펙트럼 진폭 데이터(D150)의 셀별로 이동 표적이 존재하는 경우에는 1, 존재하지 않는 경우에는 0으로 레이블링함으로써 이루어진다. 이론상으로 단일 셀에 대한 1차원 도플러 스펙트럼 진폭 데이터에 대해 추론하는 딥러닝 모델도 가능하나, 2차원이나 3차원이 더 많은 변화 특성을 볼 수 있기 때문에 더 좋은 탐지 성능을 보일 것이다.

또한 도 5의 제5 딥러닝 모델은 3차원 스캔-거리-방위각 셀 진폭 데이터(D130)를 입력으로 받아서, 현재 중앙 위치의 관심 셀에 제로(zero) 도플러 표적이 존재하는 지의 여부를 나타내는 확률을 추론하고, 제6 딥러닝 모델은 3차원 스캔-거리-방위각 셀의 표적속도 데이터(D160)를 입력으로 받아서, 현재 중앙 위치의 관심 셀에 제로 도플러 표적이 존재하는 지의 여부를 나타내는 확률을 추론한다. 이 딥러닝 모델들을 학습시키기 위한 학습 데이터의 레이블링은, 사전에 수집한 상기 3차원 스캔-거리-방위각 셀 진폭 데이터(D130)와 상기 3차원 스캔-거리-방위각 셀의 표적속도 데이터(D160)의 중앙 셀에 제로 도플러 표적이 존재하는 경우에는 1, 존재하지 않는 경우에는 0으로 레이블링함으로써 이루어진다.

학습 데이터를 구성하기 위한 모든 레이블링 작업은, 완벽한 지도 학습(supervised learning)을 구현하기 위하여 관리자(또는 레이다 전문가)에 의해 모든 데이터에 대해 수동으로 수행되는 것이 바람직 하지만, 점진적으로 레이블링된 데이터를 늘려 나가는 식의 학습 방식인 자가-지도 학습(self-supervised learning), 일부 데이터만 레이블링하는 준-지도 학습(semi-supervised learning), 정밀하지 않은 레이블링을 허용하는 약한 지도 학습(weakly supervised learning) 방식 등을 도입하여 그 레이블링 작업을 최대한 자동화하는 것 또한 가능하다.

도 7은 본 발명의 일 실시예에 따라 2차원 학습 데이터를 대상으로 학습되고, 2차원 데이터를 입력으로 받는 딥러닝 모델을 구성하기 위한 2차원 CNN (Convolutional Neural Network)의 구조를 설명하기 위한 도면이다. 여기서 2차원 CNN의 구조는, 2차원 데이터를 입력받는 입력 레이어, 특정 크기의 커널(kernel)을 이용하여 상기 2차원 데이터 전체를 스캐닝하면서 일정 부분을 연속적으로 컨볼루션(convolution)하는 컨볼루션 레이어, 이 컨볼루션한 2차원 결과 데이터를 최대값이나 평균값으로 풀링하여 서브샘플링(subsampling)을 수행하는 풀링 레이어(pooling layer) 및 완전연결 레이어(fully connected layer)를 포함하여 구성된다.

상기 컨볼루션 레이어는, 특정 가중치를 가지는 커널을 미리 설정한 스트라이드(커널의 이동단위)에 따라 이동해 가면서 2차원 데이터의 일정 부분과 커널의 가중치를 컨볼루션하여, 이 2차원 데이터의 각 부분에 대한 특징 맵(feature map)이 생성되도록 한다.

다음으로 풀링 레이어는 맥스 풀링(max pooling) 또는 평균값 풀링(average pooling)방법을 통해 컨볼루션된 2차원 결과 데이터를 스트라이드의 크기에 따라 풀링함으로써, 데이터 크기를 줄이는 역할을 한다.

또한 CNN은 컨볼루션과 풀링 과정을 반복적으로 수행하여, 2차원 입력 데이터에 대한 다양한 특징들을 추출하고, 반복 과정을 통해 더 추상화된 특징들이 추출되도록 한다. 일반적으로 CNN의 상위 레이어에 존재하는 완전연결 레이어는 이전 신경망의 출력을 이용하여 특정 결과를 얻기 위한 추론 작업을 진행한다. 추론해야 할 결과 값의 개수나 형태에 따라 최종 출력 레이어의 구성이 결정되고, 그 결과 값에 대한 해석이 정해진다.

본 발명의 딥러닝 모델들은, 입력 데이터의 차원에 따라 그 데이터의 x축 (1차원) 방향으로만 커널을 이동하여 컨볼루션을 수행하는 1차원 CNN, 커널을 x축 및 y축 (2차원) 방향으로 이동하여 컨볼루션을 수행하는 2차원 CNN 또는 입력 데이터가 3차원으로 구성된 경우에는 커널을 x축, y 및 z축 (3차원) 방향으로 이동하여 컨볼루션을 수행하는 3차원 CNN으로 결정된다. 이때, 각 차원의 CNN에 따라 입력데이터, 커널의 구성, 커널의 이동방향, 컨볼루션한 결과 모두의 차원이 바뀜은 자명한 것이다.

또한 본 발명의 딥러닝 모델을 구성하기 위한 신경망으로 CNN을 사용하는 것이 충분하지만, 데이터의 변화 패턴을 학습하기 위해 일반적으로 사용되는 RNN(Recurrent Neural Network)을 사용하는 것도 가능하다. RNN은 시간에 따라 변하는 데이터 특성을 학습하기 위해 많이 사용되나, 공간 상의 변화 특성을 학습하기 위해서도 충분히 사용 가능하다. LSTM(Long Short Term Memory)이나 GRU(Gated Recurrent Unit) 등과 같은 개선된 RNN 구조 또한 동일한 용도로 사용될 수 있다.

이상에서 설명한 바와 같이, 본 발명은 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법에 관한 것으로, 사전에 레이다 수신신호를 수집하여 생성한 학습 데이터를 신경망을 포함하는 인공지능 알고리즘을 통해 학습하여 딥러닝 모델을 생성하고, 레이다 안테나를 통해 전파를 송출하여 반사되어 수신되는 레이다 수신신호에 대한 실시간 데이터를 상기 생성한 딥러닝 모델에 입력하여 추론함으로써, 특정 표적을 정밀하게 실시간으로 탐지할 수 있는 효과를 갖는다.

또한, 본 발명의 실시예를 단일 평면 탐색 레이다를 위주로 설명하였으나, 하나의 레이다 스캔을 각 고도각(elevation angle)에 따른 스캔으로 해석한다면, 특별한 변형 없이 3차원 공간 탐색 레이다에 적용하는 것이 가능하다.

또한, 본 발명의 실시예를 회전하는 안테나 위주로 설명하였으나 하나의 레이다 스캔을 전체 영역을 한번 스캐닝 하는 것으로 해석한다면, 특별한 변형 없이 평판 형태의 안테나를 갖는 위상 레이다에 적용하는 것이 가능하다.

상기에서는 본 발명에 따른 바람직한 실시예를 위주로 상술하였으나, 본 발명의 기술적 사상은 이에 한정되는 것은 아니며 본 발명의 각 구성요소는 동일한 목적 및 효과의 달성을 위하여 본 발명의 기술적 범위 내에서 변경 또는 수정될 수 있을 것이다.

또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.

100: 표적 탐지 장치
200: 학습서버 300: 추론서버

Claims

펄스 레이다 수신신호를 샘플링하여 표적 탐지를 위한 펄스 레이다 수신신호 데이터를 실시간으로 생성하고, 상기 실시간으로 생성한 실시간 데이터를 추론서버에 전달하여 특정 표적을 탐지하는 표적 탐지 장치;를 포함하며,
상기 추론서버는, 상기 실시간 데이터를 추론 목적에 따라 해당하는 딥러닝 모델에 입력하여 특정 표적 확률을 추론하고,
상기 딥러닝 모델은, 사전에 수집된 특정 표적, 클러터 혹은 노이즈에 의한 상기 펄스 레이다 수신신호 데이터를 거리(range), 방위각(azimuth angle), 고도각(elevation angle) 또는 이들의 조합에 의해 정해지는 특정 영역인 셀(cell)별로 특정 표적 여부를 레이블링하여 얻어진 학습 데이터의 변화 특성을 학습서버를 이용하여 학습함으로써 생성되며,
상기 실시간 데이터는, 상기 펄스 레이다 수신신호를 사전에 설정한 주기에 따라 샘플링하여 각 거리(range), 방위각(azimuth angle) 또는 고도각(elevation angle) 중 적어도 하나에 따른 복수의 셀(cell)로 구분하여, 적어도 하나 이상의 일회 탐색을 포함하도록 생성되는 것을 특징으로 하는 딥러닝 기반의 레이다 표적 탐지 시스템.
청구항 1에 있어서,
상기 실시간 데이터는,
상기 펄스 레이다 수신신호의 펄스(pulse)별 복소(complex) 데이터를 거리 셀별로 펄스 통합한 1차원 거리 셀 진폭(amplitude)데이터, 상기 1차원 거리 셀 진폭 데이터를 방위각별로 누적하여 생성한 2차원 거리-방위각 셀 진폭 데이터, 또는 이들의 조합 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 딥러닝 기반의 레이다 표적 탐지 시스템.
청구항 1에 있어서,
상기 실시간 데이터는,
상기 펄스 레이다 수신신호의 펄스(pulse)별 복소(complex) 데이터를 거리 셀별로 누적한 거리-펄스 데이터를 푸리에(Fourier) 변환하여 생성한 2차원 거리-도플러 스펙트럼 진폭 데이터, 또는 상기 2차원 거리-도플러 스펙트럼 진폭 데이터를 방위각에 따라 누적하여 생성한 3차원 거리-방위각-도플러 스펙트럼 진폭 데이터를 포함하는 것을 특징으로 하는 딥러닝 기반의 레이다 표적 탐지 시스템.
청구항 1에 있어서,
상기 실시간 데이터는,
상기 펄스 레이다 수신신호의 2차원 거리-방위각 셀 진폭 데이터를 상기 일회 탐색에 따라 누적하여 생성한 3차원 스캔-거리-방위각 셀 진폭 데이터, 또는 2차원 거리-방위각 표적도플러속도(또는 표적속도)를 상기 일회 탐색에 따라 누적하여 생성한 3차원 스캔-거리-방위각 셀의 표적속도 데이터를 포함하는 것을 특징으로 하는 딥러닝 기반의 레이다 표적 탐지 시스템.
청구항 2에 있어서,
상기 딥러닝 모델은,
상기 1차원 거리 셀 진폭 데이터를 입력으로 받아서 사전의 학습 내용에 따라 각 거리 셀별로 표적이 존재하는 지의 여부를 나타내는 확률을 추론하는 제1 딥러닝 모델, 상기 2차원 거리-방위각 셀 진폭 데이터를 입력으로 받아서 사전의 학습 내용에 따라 각 거리-방위각 셀별로 표적이 존재하는 지의 여부를 나타내는 확률을 추론하는 제2 딥러닝 모델, 또는 이들의 조합 중 적어도 하나 이상을 포함하고,
사전에 수집한 상기 1차원 거리 셀 진폭 데이터와 상기 2차원 거리-방위각 셀 진폭 데이터의 셀별로 표적이 존재하는 경우에는 1(존재 확률 100%를 의미), 존재하지 않는 경우에는 0(존재 확률 0%를 의미)으로 레이블링한 학습 데이터를 이용하여 상기 학습서버에서 생성되고 주변 셀들의 1차원 및 2차원 데이터 변화 패턴에 따라 각 셀별로 표적 존재에 대한 확률 추론 능력을 학습하는 것을 특징으로 하는 딥러닝 기반의 레이다 표적 탐지 시스템.
청구항 3에 있어서,
상기 딥러닝 모델은,
상기 2차원 거리-도플러 스펙트럼 진폭 데이터를 입력으로 받아서 사전의 학습 내용에 따라 각 거리 셀별로 이동 표적이 존재하는 지의 여부를 나타내는 확률을 추론하는 제3 딥러닝 모델, 상기 3차원 거리-방위각-도플러 스펙트럼 진폭 데이터를 입력으로 받아서 사전의 학습 내용에 따라 각 거리-방위각 셀별로 이동 표적이 존재하는 지의 여부를 나타내는 확률을 추론하는 제4 딥러닝 모델, 또는 이들의 조합 중 적어도 하나 이상을 포함하고,
사전에 수집한 상기 2차원 거리-도플러 스펙트럼 진폭 데이터와 상기 3차원 거리-방위각-도플러 스펙트럼 진폭 데이터의 셀별로 이동 표적이 존재하는 경우에는 1, 존재하지 않는 경우에는 0으로 레이블링한 학습 데이터를 이용하여 상기 학습서버에서 생성되고, 주변 셀들의 2차원 및 3차원 데이터 변화 패턴에 따라 각 셀별로 표적 존재에 대한 확률 추론 능력을 학습하는 것을 특징으로 하는 딥러닝 기반의 레이다 표적 탐지 시스템.
청구항 4에 있어서,
상기 딥러닝 모델은,
상기 3차원 스캔-거리-방위각 셀 진폭 데이터를 입력으로 받아서 사전의 학습 내용에 따라 현재 셀에 제로(zero) 도플러 표적이 존재하는 지의 여부를 나타내는 확률을 추론하는 제5 딥러닝 모델, 상기 3차원 스캔-거리-방위각 셀의 표적속도 데이터를 입력으로 받아서 사전의 학습 내용에 따라 현재 셀에 제로 도플러 표적이 존재하는 지의 여부를 나타내는 확률을 추론하는 제6 딥러닝 모델, 또는 이들의 조합 중 적어도 하나 이상을 포함하고,
사전에 수집한 상기 3차원 스캔-거리-방위각 셀 진폭 데이터와 상기 3차원 스캔-거리-방위각 셀의 표적속도 데이터의 중앙 셀에 제로 도플러 표적이 존재하는 경우에는 1, 존재하지 않는 경우에는 0으로 레이블링한 학습 데이터를 이용하여 사익 학습서버에서 생성되고, 주변 셀들의 3차원 데이터 변화 패턴에 따라 현재 셀의 제로 도플러 표적 존재에 대한 확률 추론 능력을 학습하는 것을 특징으로 하는 딥러닝 기반의 레이다 표적 탐지 시스템.
청구항 1에 있어서,
상기 딥러닝 모델은,
각각의 상기 학습 데이터의 차원수에 따라 결정되는 1차원 CNN(Convolutional Neural Network), 2차원 CNN, 또는 3차원 CNN에 의해 상기 학습서버에서 사전에 학습되고, 상기 학습된 딥러닝 모델은 상기 추론서버에 사전에 탑재되어, 상기 특정 표적을 탐지하는데 활용되는 것을 특징으로 하는 딥러닝 기반의 레이다 표적 탐지 시스템.
학습서버에서, 사전에 수집된 특정 표적, 클러터 혹은 노이즈에 의한 펄스 레이다 수신신호 데이터를 레이블링하여 얻어진 학습 데이터의 변화 특성을 학습하여 딥러닝 모델을 생성하는 학습 단계; 및
추론서버에서, 상기 펄스 레이다 수신신호를 샘플링하여 표적 탐지를 위한 펄스 레이다 수신신호 데이터를 실시간으로 생성하고, 상기 실시간으로 생성한 실시간 데이터를 이용하여 특정 표적을 탐지하는 표적 탐지 단계;를 포함하며,
상기 표적 탐지 단계는, 상기 실시간 데이터를 추론 목적에 따라 해당하는 딥러닝 모델에 입력하여 특정 표적 확률을 추론하는 추론 단계;를 포함하며,
상기 딥러닝 모델은, 사전에 수집된 특정 표적, 클러터 혹은 노이즈에 의한 상기 펄스 레이다 수신신호 데이터를 거리(range), 방위각(azimuth angle) 또는 고도각(elevation angle) 증 적어도 하나에 의해 정해지는 특정 영역인 셀(cell)별로 특정 표적 여부를 레이블링하여 얻어진 학습 데이터의 변화 특성을 상기 학습서버를 이용하여 학습함으로써 생성되며,
상기 실시간 데이터는, 상기 펄스 레이다 수신신호를 사전에 설정한 주기에 따라 샘플링하여 각 거리(range), 방위각(azimuth angle) 또는 고도각(elevation angle) 중 적어도 하나에 따른 복수의 셀(cell)로 구분하여, 적어도 하나 이상의 일회 탐색을 포함하도록 생성되는 것을 특징으로 하는 딥러닝 기반의 레이다 표적 탐지 방법.
청구항 9에 있어서,
상기 딥러닝 모델은,
각각의 상기 학습 데이터의 차원수에 따라 결정되는 1차원 CNN(Convolutional Neural Network), 2차원 CNN, 또는 3차원 CNN에 의해 상기 학습서버에서 사전에 학습되고, 상기 학습된 딥러닝 모델은 상기 추론서버에 사전에 탑재되어, 상기 특정 표적을 탐지하는데 활용되는 것을 특징으로 하는 딥러닝 기반의 레이다 표적 탐지 방법.