레이더 기반 다중 표현 데이터의 적응형 인지·추론 구조 연구 = A Study on Adaptive Perception and Inference Architectures for Radar Data with Multiple Representations

국문 초록 (Abstract)

레이더 센서는 조명 및 기상 변화에 강인하며 거리, 속도, 위치 정보를 동시에 획득할 수 있어 드론 감시, 자율주행, 무인 시스템 등 다양한 분야 에서 활용된다. 그러나 FMCW 레이더의 Range-Doppler（RD） 영상과 3D/4D 레이더 포인트클라우드는 잡음, 클러터, 희소성, 포인트 밀도 변화, 보조 특징의 이질성 등을 포함하므로, 단일 고정형 모델이나 단일 처리 경로만으 로는 정확도와 실시간성을 동시에 만족시키기 어렵다. 이에 본 논문은 입력 데이터의 상태와 표현 형태에 따라 특징 결합 방식, 모델 규모, 실행 경 로를 적응적으로 조절하는 레이더 기반 인지·추론 구조를 제안한다.

본 연구에서는 4D 레이더 포인트클라우드에 대해 XY, Z, Doppler velocity를 순차적으로 결합하는 soft clustering 구조를 적용하여 분할의 강건성을 높였다. 3D 레이더 포인트클라우드에 대해서는 포인트 수에 따라 Low, Medium, High 규모의 SharedMLP（PointNet） 모델을 선택하는 밀도 적응형 처리 구조와 DPR 기반 가속기 개념을 제안하였다. 또한 FMCW RD 기반 드론 탐지에서는 Normal 뷰와 Overlay 뷰를 함께 사용하되, 확실 구간은 단일 경로로 처리하고 불확실 구간에서만 로지스틱 결합을 수행하는 선택적 듀얼뷰 구조를 적용하였다.

실험 결과, 포인트클라우드 밀도 적응형 구조는 정적 High 모델 대비 평균 지연 시간을 0.20 ms에서 0.14 ms로 약 30% 감소시켰으며, 선택적 듀얼 뷰 구조는 Accuracy 92.68%, F1-score 86.69%, 평균 실행시간 12.632 ms, 79.16 FPS를 달성하여 Full-View 대비 약 43.2%의 지연 감소를 보였다. 이를 통해 제안한 순차적 특징 융합, 조건부 실행, 동적 모델 선택, DPR, FPGA 가속과 같은 적응형 처리 전략은 레이더 기반 인지 시스템에서 정확도, 강건성, 실시간성, 자원 효율성의 균형을 달성하는 데 효과적임을 확인하였다.

다국어 초록 (Multilingual Abstract)

Radar sensors are widely used in applications such as drone surveillance, autonomous driving, and unmanned systems because they are robust to illumination and weather variations while providing distance, velocity, and positional information. However, FMCW radar Range-Doppler （RD） images and 3D/4D radar point clouds contain noise, clutter, sparsity, point-density variation, and heterogeneous auxiliary features, making it difficult to satisfy both high accuracy and real-time performance with a single fixed model or processing path. This thesis studies adaptive perception and inference architectures for radar data with multiple representations, where the feature fusion strategy, model scale, and execution path are adjusted according to the input state and representation. For 4D radar point clouds, a sequential soft clustering structure is applied by progressively combining XY coordinates, height information, and Doppler velocity.

For 3D radar point clouds, a density-adaptive PointNet structure is introduced to select different model scales according to the number of input points, and the framework is extended to a DPR-based acceleration concept. For FMCW RD-based drone detection, a View-Selector-based dual-view architecture is employed so that confident samples are processed through a single path while uncertain samples are additionally processed through logistic fusion. Experimental results show that the density-adaptive structure reduces average latency by about 30%, and the selective dual-view structure achieves 92.68% accuracy, 86.69% F1-score, 12.632 ms average execution time, and 79.16 FPS, reducing latency by about 43.2% compared with the Full-View approach. These results indicate that adaptive processing strategies are effective for balancing accuracy, robustness, real-time performance, and resource efficiency in radar-based perception systems.

Keywords : FMCW radar, 3D/4D point clouds, adaptive inference, dual-view selector, dynamic partial reconfiguration, soft clustering

목차 (Table of Contents)

• 제 1장 서론 9
• 제 2장 본론 11
• 1. 4D 레이더 포인트클라우드 기반 순차적 Soft Clustering 12
• 2. 레이더 포인트클라우드 밀도 적응형 PointNet/DPR 구조 13
• 3. FMCW RD 기반 View-Selector Dual-View 추론 구조 14
• 제 3장 결론 15
• 참고문헌 16