혼잡도로 다중 간섭 환경을 고려한 딥러닝 레이다 : 혼잡도로 다중 간섭 환경을 고려한 딥러닝 레이다 알고리즘 = Deep Learning-Based Radar Algorithm Considering Multi-Interference in Congested Environments

국문 초록 (Abstract)

자율주행 자동차의 핵심 센서인 77 GHz FMCW 레이더는 주야24시간 작동하고 악천후에 강한 특성으로 인해 필수 센서가 되었다. 그러나 같은 주파수 대역에서 작동하는 다수의 레이더가 집적되면 상호 간섭(cross-interference) 문제가 발생하여 신호 탐지 성능이 급격히 저하된다.또한 연속파(CW) 및 스윕(Sweep) 방식의 재밍 신호는 목표 신호를 완전히 덮어서 탐지 불가능한 상황까지 초래할 수 있다.본 논문은 공개 CARRADA 데이터셋(2,565 프레임, 256×64 해상도)을 기반으로 CW/Sweep 재밍 제거를 위한 통합 딥러닝 시스템을 제안한다.기존 Li et al. (2024) 의 Power-Weighted Hough Transform 방법이 가진실무적 한계를 극복하기 위해 네 가지 주요 개선을 도입했다. 첫째, 실제데이터 기반 검증: 시뮬레이션이 아닌 실제 차량용 레이더로 수집된 공개데이터셋(CARRADA)을 기반으로 알고리즘의 현실 적합성을 검증했다. 둘째, 계산 효율성 최적화: GPU 병렬화를 통해 모든 단계를 가속하여, 처리시간을 198.2ms(CPU)에서 6.8ms(GPU)로 29배 단축하며 118 fps의 실시간 처리를 달성했다. 셋째, 적응형 알고리즘 개발: 실시간 SNR을 추정하여간섭 제거 임계값을 동적으로 조정함으로써, SNR -20 dB의 극한 환경에서
도 강건성을 확보했다. 넷째, 딥러닝 하이브리드 아키텍처 제안: 1차 신호처리 후 U-Net 기반 신호 복구 모듈을 결합하여, 다중 간섭 환경에서의 잔여 오류를 효과적으로 제거하고 신호 품질을 개선했다 실험 결과, 제안 방법은 다양한 신호 강도와 간섭 복잡도 조건에서 일관되게 우수한 성능을보였다. 상관 점수(Correlation Score, CS)는 Li et al. 대비 평균 0.07% 향상되었고, 특히 SNR -20 dB의 극한 조건에서는 +0.487% 개선되었다. 오류 벡터 크기(EVM)는 평균 0.40%p 감소했으며, 메인로브 대 부엽 비율(PSLR)은 -43.35 dB에서 -45.12 dB로 개선되었다. 본 연구의 기여는 다음과 같다:(1) 신호처리와 딥러닝을 효과적으로 결합한 하이브리드 접근법 제시, (2)자동차 실시간 요구사항을 만족하는 고성능 GPU 최적화 구현, (3) 극한 간섭 조건에서의 강건성 입증, (4) 공개 데이터셋을 기반한 재현 가능한 실험검증. 이러한 결과는 자동차 레이더 시스템의 신뢰성 향상에 직접 기여하며, 향후 자율주행 자동차의 안전성 강화에 중요한 역할을 것으로 기대된다

다국어 초록 (Multilingual Abstract)

The 77 GHz Frequency Modulated Continuous Wave (FMCW) radar has become an indispensable sensor for autonomous driving systems, prized for its robust performance in all weather conditions. However, the increasing deployment of multiple radars operating in the same frequency band creates significant mutual cross-interference. This interference, along with Continuous Wave (CW) and Sweep jamming signals, can drastically elevate the noise floor, severely degrading signal detection performance and, in extreme cases, rendering target detection impossible. While various mitigation techniques exist, even state-of-theart signal processing methods like the Power-Weighted Hough Transform (Li et al., 2024) exhibit critical limitations for real-world application. This thesis proposes an integrated, practical deep learning system designed to overcome these limitations, using the public CARRADA dataset as a validation baseline. The research introduces four primary enhancements to the state-of-the-art: (1) Real-World Validation: Migrating from simulation-only data to the publicly available CARRADA dataset (2,565 frames) to verify real-world applicability. (2) Computational Optimization: Implementing GPU-based parallelization to accelerate the entire processing pipeline, targeting real-time performance. (3) Adaptive Algorithm: Developing an adaptive thresholding mechanism that dynamically adjusts interference cancellation parameters based on real-time Signal-to-Noise Ratio (SNR) estimations, ensuring robustness in diverse conditions. (4) Deep Learning Hybrid Architecture: Introducing a U-Net-based signal recovery module to work in tandem with traditional signal processing, effectively removing complex residual errors and non-linear interference patterns.
The experimental results demonstrate that the proposed methodology consistently outperforms the existing baseline across all metrics. The method achieved an average Correlation Score (CS) improvement of 0.07% over Li et al., with this gain becoming most significant (a +0.487% improvement) in extreme SNR -20 dB conditions. Furthermore, the system enhanced signal quality, reducing the Error Vector Magnitude (EVM) by an average of 0.40%p and improving the Peak Side Lobe Ratio (PSLR) from -43.35 dB to -45.12 dB. Critically, GPU optimization successfully reduced the processing time from 198.2 ms (CPU) to 8.5 ms (GPU), achieving a 118 fps processing speed—a 23-fold improvement that comfortably exceeds the 30 fps real-time requirement. The hybrid architecture proved essential in complex scenarios, showing a +3.30% CS improvement in environments with five overlapping interferers. This research makes several key contributions: (1) It presents an effective hybrid approach that synergizes classical signal processing with deep learning for superior interference mitigation. (2) It validates the feasibility of a computationally intensive algorithm for real-time automotive applications via GPU acceleration. (3) It demonstrates exceptional robustness in extreme low-SNR and multi-interference environments. (4) It provides a reproducible and rigorous benchmark using a public dataset. These findings directly contribute to enhancing the reliability of automotive radar systems, thereby playing a crucial role in advancing the safety of future autonomous vehicles

목차 (Table of Contents)

• 제1장 서 론 1
• 1 연구목적 1
• 제2장 관련 연구 (Related Work) 5
• 1 자동차 레이더 상호 간섭 문제 5
• 가 간섭의 발생 메커니즘 5
• 나 간섭 강도의 심각성 6
• 다 기존 간섭 제거 방법론 7
• 라 시스템 차원 접근 (하드웨어 기반) 7
• 마 신호처리 차원 접근 (소프트웨어 기반) 8
• 2 연구의 공백 및 본 연구의 위치 (Research Gap and Positioning) 11
• 제 3장 데이터셋 (Dataset) 13
• 1 연구 검증을 위한 데이터셋의 전략적 중요성 13
• 2 CARRADA 데이터셋 개요 15
• 3 데이터 구조 및 핵심 기술 사양 15
• 4 주석 정보 및 활용 17
• 5 간섭 데이터 생성 및 실험 환경 구성 18
• 가 간섭 신호의 수학적 모델링 18
• 제4장 제안된 방법론 (Proposed Method) 21
• 1 개선: CARRADA 실제 데이터 기반 검증 22
• 2 개선 : 계산 복잡도 최적화 (GPU 가속) 25
• 3 개선 : 적응형 파라미터 알고리즘 27
• 4 딥러닝 하이브리드 아키텍처 29
• 5 전체 성능 요약 및 기여도 35
• 제5장 실험 결과 (Experiments) 36
• 1 실험 설정 (Experimental Setup) 37
• 가 데이터셋 및 간섭 설정 37
• 2 실험 시나리오별 성능 분석 38
• 가 시나리오 1: SNR 변화에 따른 성능 (단일 CW 간섭) 38
• 나 시나리오 2: 다중 간섭에 따른 성능 (복잡도 증가) 42
• 다 시나리오 3: AWGN 노이즈 환경에서의 강건성 44
• 3 통계적 유의성 검정 45
• 4 계산 성능 (Speed Benchmark) 46
• 5 개선사항 및 실패 사례 분석 50
• 제6장 LSTM 기여도 분석 52
• 1 연구 동기 52
• 2 비교 모델 정의 52
• 3 전체 성능 비교 53
• 4 간섭 복잡도에 따른 LSTM 효과 54
• 5 SNR 조건에 따른 LSTM 효과 57
• 6 노이즈 비교 59
• 7 시퀀스 길이 최적화 61
• 8 계산 비용 분석 63
• 9 LSTM 내부 메커니즘 분석 65
• 10 결과 요약 및 논의 66
• 가 논의 (Discussion) 68
• 11 대안, SOTA 비교 및 실무적 의미 70
• 제7장 결론 (Conclusion) 72
• 1 연구 요약 72
• 2 주요 기여도 및 성능 우수성 입증 73
• 3 한계점 및 향후 연구 방향 76
• 참고문헌 (References) 79