[논문]소형 무인 항공기 탐지를 위한 인공 신경망 기반 FMCW 레이다 시스템

장명재; 김순태

doi:10.14372/iemek.2018.13.6.289

[국내논문] 소형 무인 항공기 탐지를 위한 인공 신경망 기반 FMCW 레이다 시스템
Neural Network-based FMCW Radar System for Detecting a Drone 원문보기

대한임베디드공학회논문지 = IEMEK Journal of embedded systems and applications, v.13 no.6, 2018년, pp.289 - 296

장명재 (Korea Advanced Institute of Science and Technology) , 김순태 (Korea Advanced Institute of Science and Technology)

Abstract ▼ AI-Helper

Drone detection in FMCW radar system needs complex techniques because a drone beat frequency is highly dynamic and unpredictable. Therefore, the current static signal processing algorithms cannot show appropriate detection accuracy. With dynamic signal fluctuation and environmental clutters, it can fail to detect a drone or make false detection. It affects to the radar system integrity and safety. Constant false alarm rate (CFAR), one of famous static signal process algorithm is effective for static environment. But for drone detection, it shows low detection accuracy. In this paper, we suggest neural network based FMCW radar system for detecting a drone. We use recurrent neural network (RNN) because it is the effective neural network for signal processing. In our FMCW radar system, one transmitter emits FMCW signal and four-way fixed receivers detect reflected drone beat frequency. The coordinate of the drone can be calculated with four receivers information by triangulation. Therefore, RNN only learns and inferences reflected drone beat frequency. It helps higher learning and detection accuracy. With several drone flight experiments, RNN shows false detection rate and detection accuracy as 21.1% and 96.4%, respectively.

Keyword

표/그림 (9)

그림 그림 1. FMCW 레이다 비트 주파수 Fig. 1 FMCW radar beat frequency
그림 그림 2. RNN 학습 및 추론 과정 Fig. 2 RNN learning and inferencing process
그림 그림 3. 시스템 하드웨어 구성 Fig. 3 System hardware
그림 그림 4. 비트 주파수 탐지 과정 Fig. 4 Beat frequency detection process
그림 그림 5. 비트 주파수 흐름 Fig. 5 Beat frequency stream
표 표 1. FMCW 레이다 제원 Table 1. FMCW radar parameters
표 표 2. 드론 사양 Table 2. Drone specifications
표 표 3. 드론 비행 시나리오 Table 3. Drone flight scenario
그림 그림 6. CFAR 기법과 RNN의 오탐지 발생률 (좌) 및 탐지율 (우) Fig. 6 False detection rate (Left) and detection accuracy (Right) of CFAR algorithm and RNN

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 인공 신경망 기반 FMCW 레이다 시스템을 제안하였다. 기존의 정적 탐지 기법은 드론과 같은 소형 무인기에 대해서 상대적으로 낮은 탐지율을 보인다.
본 논문에서는 인공 신경망 중 하나인 RNN (Recurrent Neural Network)을 사용하여 기존 레이다 시스템의 드론 탐지 문제를 해결하고자 한다. 드론 신호를 FMCW ( Fre quency Modulated Continuous Wave) 레이다를 이용하여 수집하고 RNN에 학습시킴으로써, 드론 신호와 환경의 변화에 적응 가능한 탐지 기법을 제안한다.

제안 방법

■ 기존의 레이다 시스템에서 사용하던 정적 탐지 기법을 인공 신경망을 사용하여 동적으로 변경 함으로써, 신호 세기 변화율이 높은 드론에 적합한 새로운 탐지 기법을 제안하였다.
■ FMCW 레이다와 인공 신경망을 분석하여 신호 처리에 최적화된 RNN (Recurrent Neural Network) [10]을 사용함으로써, 학습 오류를 줄이고 드론 신호의 탐지율을 높였다.
연속적인 시간에서의 비트 주파수 흐름의 세기를 RNN에 입력하여 특정 시간에서의 비트 주파수 흐름을 학습한다. 단편적인 비트 주파수 흐름에 대하여 리키지 (leakage), 클러터 (clutter)와 노이즈 (noise), 드론의 비트 주파수를 학습한다.
연속적인 시간에서의 비트 주파수 흐름의 세기를 RNN에 입력하여 특정 시간에서의 비트 주파수 흐름을 학습한다. 단편적인 비트 주파수 흐름에 대하여 리키지 (leakage), 클러터 (clutter)와 노이즈 (noise), 드론의 비트 주파수를 학습한다. 연속적인 비트 주파수 흐름에 대해서는 변화하는 드론의 비트 주파수 패턴을 학습한다.
본 논문에서 제안하는 레이다 시스템은 FMCW 레이다를 포함하는 하드웨어와 비트 주파수 처리를 위한 소프트웨어로 구분된다.
각 수신기는 유선으로 연결된 소형 컴퓨터를 가지고 있다. 이 소형 컴퓨터에서 학습이 완료된 RNN을 이용하여 드론의 비트 주파수를 추론한다. RNN을 통해 얻은 드론의 비트 주파수는 메인 서버에 UDP 통신을 통하여 전송된다.
RNN을 통한 드론 비트 주파수의 추론과 이후의 좌표 계산 과정을 서로 다른 장치에 분할하여 처리 함으로써, 메인 서버에 집중될 수 있는 연산 부하를 줄인다. RNN은 사전에 학습이 완료된 상태로 학습을 위한 하드웨어 자원과 시간이 필요하지 않아 소형 컴퓨터에서도 운용할 수 있다.
디지털 신호 데이터를 고속 푸리에 변환 (Fast Fourier Transform, FFT)을 통하여 비트 주파수 흐름으로 변환한다. 비트 주파수 흐름을 RNN에 입력하여 드론 비트 주파 수를 추론한다. 추론된 드론 비트 주파수는 UDP 통신을 이용하여 메인 서버에 전송한다.
시나리오별로 ADC 샘플링 기준, 약 2GB의 데이터를 수집하였다. 데이터 수집 중에 CFAR 기법을 이용하여 탐지를 수행하였으며, RNN 학습 이후에 학습에 사용되지 않은 데이터로 추론을 수행하였다.
CFAR 기법의 비트 주파수 세기 하한은 드론이 없는 환경의 데이터를 이용하여 결정하였다. 드론이 없는 환경에서 비트 주파수 흐름의 세기를 일정 시간동안 기록한 뒤, 그 중에서 리키지 (leakage)를 제외한 가장 높은 세기를 하한으로 설정하였다.
RNN은 드론이 있는 데이터로는 시나리오 2의 데이터만 학습하였으며, 시나리오 3과 4의 데이터를 사용하여 추론을 수행하였다. 드론이 없는 경우 에는 세 가지 케이스 (case)의 서로 다른 환경을 조성하여, 케이스 3의 데이터를 RNN의 학습 및 CFAR 기법의 비트 주파수 하한 설정에, 1과 2의 데이터를 결과 분석에 이용하였다.
드론 신호를 FMCW ( Fre quency Modulated Continuous Wave) 레이다를 이용하여 수집하고 RNN에 학습시킴으로써, 드론 신호와 환경의 변화에 적응 가능한 탐지 기법을 제안한다.

대상 데이터

그림 3은 인공 신경망 기반 FMCW 레이다 시스템의 하드웨어 구성이다. 본 논문에서는 1개의 송신기 (transmitter)와 4개의 수신기 (receiver)를 사용한다. 송신기에서는 사전에 지정된 주파수 대역으로 신호를 연속적으로 방출하며, 수신기는 송신기가 방출한 신호를 지속적으로 수신한다.
이와 같은 이유에서 이웃하는 두 비트 주파수 세기에서 큰 값을 선택하는 2-to-1 max. 샘플링을 이용하여 데이터를 5,000개로 압축하였다. 식 (1)에 표 1의 제원을 대입하면 연속된 두 비트 주파수 사이에는 약 2kHz의 차이가 있음을 알 수 있으며, 이는 약 1m 정도의 거리 차이이다.
RNN과 CFAR 기법의 비교를 위하여 드론을 비행 시나리오 (scenario)를 바탕으로 비행하여 데이터를 수집하였다. 표 3은 드론 비행 시나리오이다.
시나리오는 드론이 없는 시나리오와 세 가지의 비행 상태에 대한 시나리오로 구성된다. 시나리오별로 ADC 샘플링 기준, 약 2GB의 데이터를 수집하였다. 데이터 수집 중에 CFAR 기법을 이용하여 탐지를 수행하였으며, RNN 학습 이후에 학습에 사용되지 않은 데이터로 추론을 수행하였다.
CFAR 기법의 비트 주파수 세기 하한은 드론이 없는 환경의 데이터를 이용하여 결정하였다. 드론이 없는 환경에서 비트 주파수 흐름의 세기를 일정 시간동안 기록한 뒤, 그 중에서 리키지 (leakage)를 제외한 가장 높은 세기를 하한으로 설정하였다.
RNN은 드론이 있는 데이터로는 시나리오 2의 데이터만 학습하였으며, 시나리오 3과 4의 데이터를 사용하여 추론을 수행하였다. 드론이 없는 경우 에는 세 가지 케이스 (case)의 서로 다른 환경을 조성하여, 케이스 3의 데이터를 RNN의 학습 및 CFAR 기법의 비트 주파수 하한 설정에, 1과 2의 데이터를 결과 분석에 이용하였다. 모든 학습은 정확도가 90% 이상이 될 때까지 수행하였으며, 학습에 사용된 데이터는 결과 분석에서 제외하였다.

이론/모형

기존에 수행하던 정적 탐지 방식은 RNN 대신에 CFAR 기법을 사용한다. 소프트웨어 처리 과정 전체를 수정하지 않고 드론 비트 주파수 탐지 과정만을 변경한다.
RNN의 학습에는 NVIDIA GeForce 1050 Ti GPU에 CUDA 라이브러리 (library)와 Tensorflow 를 사용하였다.
기존의 정적 탐지 기법은 드론과 같은 소형 무인기에 대해서 상대적으로 낮은 탐지율을 보인다. 이를 해결하기 위하여 RNN을 탐지 기법으로 사용하였다. 기존의 탐지 기법과 입력 데이터 형식이 완전히 일치하며, 하드웨어적인 개선 기법이 아니기 때문에 적용 가능성이 높고 운용이 편리하다.

성능/효과

연속적인 비트 주파수 흐름에 대해서는 변화하는 드론의 비트 주파수 패턴을 학습한다. 학습이 완료된 RNN을 FMCW 레이다 시스템의 탐지 기법으로 사용하여 드론의 탐지율을 향상 시킬 수 있다.
오탐지 발생률 (좌) 은 드론이 없는 환경에서 드론이 있다고 탐지할 확률이다. 케이스 1과 2 모두에 대하여 RNN 기반의 탐지 기법이 더 낮은 오탐지 발생률을 보였다 (케이스 1: 48.9%, 케이스 2: 6.7%). 또한, 두 케이스 간의 변화량도 RNN이 더 작다 (CFAR 기법 49.
RNN의 경우에는 환경적인 요인에 의하여 다른 비트 주파수의 세기가 높아져도 이를 드론 비트 주파수로 인식하는 오류를 발생시키지 않았다. CFAR 기법이 24%의 오탐지 발생률을 보이는 케이스 2에서도 RNN은 더 낮은 17.3%의 오탐지 발생률을 보임으로써 CFAR 기법을 대체하여 사용할 수 있음을 확인하였다.
탐지율 (우)은 드론이 있는 시나리오 3과 4에 대하여 비교 분석하였다. 두 시나리오 모두에서 RNN이 CFAR 기법보다 높은 탐지율을 보였다 (시나리오 3: 32.9%, 시나리오 4: 32.3%). CFAR 기법의 경우에는 평균 63.
8%의 탐지율을 보였는데, 이는 드론 비트 주파수의 세기가 하한 이하일 확률이 약 40% 정도로 높다고 해석할 수 있다. RNN의 경우에는 드론 비트 주파수의 세기가 낮은 경우에도 탐지를 원활히 수행하여 평균 96.4%의 탐지율을 나타내었다. 높은 탐지율에 대한 주된 원인은 리 키지, 클러터 및 노이즈 문제에 대한 RNN의 학습에 있다.
네 가지 시나리오 기반의 탐지율 비교 실험에서 본 논문의 제안 기법은 평균 오탐지 발생률 21.1%, 드론 탐지율 96.4%로 기존의 CFAR 탐지 기법보다 높은 정확도를 나타내었다.

후속연구

4%로 기존의 CFAR 탐지 기법보다 높은 정확도를 나타내었다. 향후 연구 과제로서 추론 시간 감소를 위한 인공 신경망의 개선이나 복잡한 드론 비행에 대하여 추적 및 탐지율을 높이는 등의 연구가 가능할 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	현재의 레이다 시스 템이 갖는 드론 탐지에 대한 한계는?	■ 드론 신호의 비정형성: 드론의 탐지 신호는 작은 환경 변화에도 크게 변화할 수 있으며, 클러터 (clutter)나 노이즈 (noise)와 같은 탐지 대상 외의 신호에 교란 및 중첩될 가능성이 매우 높다. ■ 드론 비행 환경의 특수성: 드론이 운용되는 낮은 고도에서의 다양한 대기 상태 변화와 지상의 클러터 및 노이즈는 기존의 레이다 시스템의 드론 탐지 시간 지연 및 성능 하락에 영향을 준다.
	드론은 어느 분야에서 새로운 기술로 인정받고 있는가?	드론 (drone)으로 대표되는 소형 무인기 기술은 매우 빠르게 발전하고 있다. 군사, 산업, 여가 생활 전반에 걸쳐 드론은 새로운 기술로 인정받고 있다.이와 함께 드론을 탐지하는 레이다 (radar) 시스템도 중요성이 증가하고 있으나, 현재의 레이다 시스 템은 드론 탐지에 한계가 있다.

저자의 다른 논문 :

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증