OFDM 레이다 시스템에서 딥러닝을 이용한 다중 표적의 개수 및 거리·속도 추정 = Estimation of the Number, Distance, and Velocity of Multiple Targets in OFDM Radar Systems Using Deep Learning

국문 초록 (Abstract)

본 논문에서는 다중 표적 환경에서 표적의 개수와 거리 및 속도를 정밀하게 추정하기 위한 딥러닝을 활용한 OFDM(Orthogonal Frequency Division Multiplexing) 레이다 시스템을 제안한다. 제안된 시스템은 표적으로부터 반사되어 들어온 수신 신호로부터 시간 지연과 도플러 주파수를 이용해 2차원 주기도(거리–속도 도메인)를 생성한다. 이때 2차원 주기도는 표적의 개수, 속도 및 거리를 추정할 수 있는 기존 및 제안하는 기법의 입력 신호 데이터이며 각 국부 정점은 개별 표적을 나타낸다. 표적의 속도 및 거리 추정 기법으로는 임계값 기반으로 표적을 검출하는 기존 CFAR(Constant False Alarm Rate) 검출 기법과 CNN(Convolutional Neural Network) 기반 추정 기법, 실시간 객체 탐지 기반의 제안하는 YOLO(You Only Look Once) 기반 기법을 이용한다. 컴퓨터 모의실험 결과, 제안하는 방법은 기존의 CFAR 기법이나 CNN 기반 기법에 비해 표적의 개수 추정 정확도와 거리 및 속도 추정 오차가 현저히 감소하였다. 특히 OFDM 심볼 길이가 증가할수록 추정 성능이 크게 개선되었으며, 다중 표적 환경에서는 표적의 개수가 적을수록 거리 및 속도 추정 정확도가 향상되는 경향을 보였다. 제안된 OFDM 레이다 기술은 차세대 통신–레이다 융합 시스템에서 별도의 주파수 자원 할당 없이 이동 표적의 개수, 거리, 속도 정보를 동시에 추정할 수 있는 효과적인 방안을 제시한다.

목차 (Table of Contents)

• 표 목 차 ⅱ
• 그림목차 ⅲ
• 국문요약 ⅵ
• I. 서론 1
• II. OFDM 레이다 시스템 3
• 2.1. OFDM 레이다 시스템 모델 구조 3
• 2.2. 2차원 주기도 7
• III. 표적 추적 기법 11
• 3.1. 기존 CFAR 기반 표적 추적 기법 11
• 3.1.1. CA-CFAR 11
• 3.1.2. CFAR 윈도우 구조 12
• 3.1.3. CFAR 기반 표적 추정 13
• 3.2. CNN 기반 표적 추정 기법 14
• 3.2.1. 표적의 개수 추정 모델 14
• 3.2.2. 표적의 속도 및 거리 추정 모델 15
• 3.3. 제안하는 YOLO 기반 표적 추정 기법 16
• IV. 모의 실험 18
• 4.1. 모의 실험 환경 18
• 4.2. 모의 실험 결과 20
• 4.2.1. 표적의 개수 추정 성능 20
• 4.2.2. 표적의 속도 및 거리 추정 성능 23
• Ⅴ. 결론 31
• Ⅵ. 참 고 문 헌 33
• Abstract 35