[논문]낮은 SNR 다중 표적 환경에서의 iterative Joint Integrated Probabilistic Data Association을 이용한 표적추적 알고리즘 연구

김형준; 송택렬

doi:10.9766/kimst.2020.23.3.204

낮은 SNR 다중 표적 환경에서의 iterative Joint Integrated Probabilistic Data Association을 이용한 표적추적 알고리즘 연구
Study of Target Tracking Algorithm using iterative Joint Integrated Probabilistic Data Association in Low SNR Multi-Target Environments 원문보기

韓國軍事科學技術學會誌 = Journal of the KIMST, v.23 no.3, 2020년, pp.204 - 212

김형준 (한양대학교 전자시스템공학부) , 송택렬 (한양대학교 전자공학부)

Abstract ▼ AI-Helper

For general target tracking works by receiving a set of measurements from sensor. However, if the SNR(Signal to Noise Ratio) is low due to small RCS(Radar Cross Section), caused by remote small targets, the target's information can be lost during signal processing. TBD(Track Before Detect) is an algorithm that performs target tracking without threshold for detection. That is, all sensor data is sent to the tracking system, which prevents the loss of the target's information by thresholding the signal intensity. On the other hand, using all sensor data inevitably leads to computational problems that can severely limit the application. In this paper, we propose an iterative Joint Integrated Probabilistic Data Association as a practical target tracking technique suitable for a low SNR multi-target environment with real time operation capability, and verify its performance through simulation studies.

주제어

AI 본문요약
AI-Helper

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

문제 정의

이러한 문제를 해결하기 위한 TBD 알고리즘은 신호처리를 거치지 않은 센서의 데이터를 사용하여 낮은 SNR 표적 환경에서도 우수한 탐지 및 추적 성능을 갖지만 여러 연속 프레임들을 동시에 처리하는 방식을 기반으로 하여 데이터를 수집하는 구간만큼 탐지 및 추적 시점이 늦어진다. 따라서 오경보 확률을 조절하여 높은 밀도로 클러터가 발생하지만 표적추적이 가능한 수준의 표적탐지확률을 갖는 환경에서 자료결합기법을 적용하고자 하였다. 대표적인 다중표적 추적기법 JIPDA는 트랙과 측정치 사이의 발생 가능한 모든 사건들에 대하여 자료연관을 수행하기 때문에 근접한 표적과 측정치의 개수에 따라 연산량이 급격하게 증가하여 실제 환경에 적용이 어렵기 때문에 재귀연산 횟수에 따라 성능과 연산량을 조절할 수 있는 iJIPDA 기법을 제안하였다.
본 논문에서는 낮은 SNR을 갖는 다수의 표적에 대한 표적추적 기법으로 iJIPDA-AI 기법을 제안하였다. 표적의 SNR이 낮은 환경에서 표적은 신호적으로 클러터와 구별이 어렵고, 일반적인 표적 탐지과정을 거칠 경우 측정치 추출 과정에서 신호세기 문턱값에 의해 표적의 정보를 잃을 수 있다.
본 논문에서는 낮은 SNR의 다중표적 환경에 적합한 표적추적 알고리즘으로 iJIPDA-AI(iterative JIPDAusing Amplitude Information) 기법을 제안한다. iJIPDA^[8,9]는 기존 JIPDA를 재귀적 형태로 계산되는 MCD(Modulated Clutter Density)를 이용하여 유도되며, IPDA의 자료결합확률 및 존재확률 산출에 사용되는 클러터 밀도 대신 MCD를 사용함으로써 JIPDA 구현이 가능하다.

가설 설정

2차원 공간에서 표적의 상태 벡터는 Xk = [xk yk ]T, 측정치는 zk = [zk,x zk,y]T로 가정하였다.
5° 영역)에서 5개의 등속운동 표적에 대한 추적을 수행하였다. 표적은 마하 1.5부터 2.2사이의 속도를 갖는 전투기로 가정하였다. 5개 표적의 초기 위치 및 속도는 아래와 같으며 x축 위치, y축 위치, x축 속도, y축 속도 순으로 표기하였다.

제안 방법

는 트랙 σ에서 측정치 j에 대한 우도함수, 는 측정치 j가 표적 σ로부터 발생했을 경우의 사전확률 값을 의미한다. iJIPDA-AI와 마찬가지로 LM-IPDA도 신호세기 정보를 활용하여 LM-IPDA-AI로 확장하여 시뮬레이션에 적용하였다.
대표적인 다중표적 추적기법 JIPDA는 트랙과 측정치 사이의 발생 가능한 모든 사건들에 대하여 자료연관을 수행하기 때문에 근접한 표적과 측정치의 개수에 따라 연산량이 급격하게 증가하여 실제 환경에 적용이 어렵기 때문에 재귀연산 횟수에 따라 성능과 연산량을 조절할 수 있는 iJIPDA 기법을 제안하였다. 또한 높은 밀도의 클러터가 존재하는 환경에서 표적의 신호와 클러터의 신호에 대한 분별력을 높일 수 있도록 추적 필터의 쇄신 단계에서 거리정보뿐 아니라 신호세기 정보도 활용하였다. 시뮬레이션 연구에서는 제안하는 알고리즘의 성능 분석을 위해 SNR13, 20 dB 환경에서 5개의 표적이 근접하여 교차하는 환경에서 표적추적을 수행하였다.
추적필터에 입력되는 측정치 정보는 오경보 확률(Probability of False Alarm)을조절하여 표적추적이 가능한 수준의 탐지확률에서 추출되는 표적과 클러터 정보를 사용하였다. 또한 클러터와 표적에 대한 분별력을 높일 수 있도록 iJIPDA의 쇄신 단계에서 거리정보와 신호세기 정보를 동시에 활용하여 iJIPDA-AI로 확장하였다.
레이더는 거리 20 m, 방위각 0.05도의 분해능을 갖으며 50×50영역 (거리 20000~21000 m, 방위각 43~45.5° 영역)에서 5개의 등속운동 표적에 대한 추적을 수행하였다.
40 GHz, RAM 16 GB이며, Table 1은 알고리즘별 연산속도를 나타낸다. 모든 추적필터의 한 Cycle(필터 예측, 유효측정치 선택, MCD 계산, 필터 쇄신 그리고 트랙관리기법)에 걸리는 시간을 누적하여 총 프레임 수(30), 반복 시뮬레이션 횟수(500), 그리고 추적필터 수로 나누어 측정주기(50 ms)에 대한 평균 연산속도를 산출하였다.
, 는 각각 클러터의 신호세기 확률밀도함수를 나타낸다. 본 논문에서는 iJIPDA 기법에 신호세기 정보를 추가 활용하여 iJIPDA-AI로 확장하였다.
또한 높은 밀도의 클러터가 존재하는 환경에서 표적의 신호와 클러터의 신호에 대한 분별력을 높일 수 있도록 추적 필터의 쇄신 단계에서 거리정보뿐 아니라 신호세기 정보도 활용하였다. 시뮬레이션 연구에서는 제안하는 알고리즘의 성능 분석을 위해 SNR13, 20 dB 환경에서 5개의 표적이 근접하여 교차하는 환경에서 표적추적을 수행하였다. 추적 성공률과 추적정밀도를 나타내는 지표인 CTT와 RMSE에 대한 결과를 확인하였으며, 단일표적추적 기법인 IPDA와 동일한 성능을 갖는 iJIPDA-AI Level 0의 성능이 가장 떨어지고 Level이 오를수록 추적 성능이 뛰어남을 확인하였다.
제안하는 알고리즘의 성능을 검증하기 위해 2차원 환경에서의 다수표적에 대한 추적 시뮬레이션을 수행하였다. 시뮬레이션에 적용한 알고리즘은 iJIPDA-AI level 0부터 4과 LM(Linear Multi-target)-IPDA^[11]이며 level에 따른 성능과 연산량을 분석하였다. 추적 기법의 성능은 추적 성공률을 나타내는 CTT(Confirmed True Tracks)과 추적 정밀도를 나타내는 RMSE(Root Mean Square Error)를 통해 비교 및 분석하였다.
이 논문에서 고려한 시뮬레이션 환경은 상공에서 아랫방향을 탐색하는 2차원 Airborne 레이더 환경(Look-down Capability Test)을 모사하였다. 레이더는 거리 20 m, 방위각 0.
제안하는 알고리즘의 성능을 검증하기 위해 2차원 환경에서의 다수표적에 대한 추적 시뮬레이션을 수행하였다. 시뮬레이션에 적용한 알고리즘은 iJIPDA-AI level 0부터 4과 LM(Linear Multi-target)-IPDA^[11]이며 level에 따른 성능과 연산량을 분석하였다.
iJIPDA는 Level에 따라 IPDA(Level 0)부터 JIPDA(Full Level)까지 구현이 가능하다. 추적필터에 입력되는 측정치 정보는 오경보 확률(Probability of False Alarm)을조절하여 표적추적이 가능한 수준의 탐지확률에서 추출되는 표적과 클러터 정보를 사용하였다. 또한 클러터와 표적에 대한 분별력을 높일 수 있도록 iJIPDA의 쇄신 단계에서 거리정보와 신호세기 정보를 동시에 활용하여 iJIPDA-AI로 확장하였다.
표적의 신호가 발생하는 픽셀은 식 (3), 클러터의 신호는 식 (4)에 따라 신호세기가 결정되며 SNR이 13, 20 dB인 환경들에 대하여 500회씩 몬테칼로 시뮬레이션을 수행하였다. 표적의 궤적은 x, y축 별로 20 m의 표준편차를 갖는 가우시안 잡음을 추가하였다.

대상 데이터

LM-IPDA는 IPDA에 LM 알고리즘을 결합한 기법이다. 트랙간의 측정치 할당 부분이 필요 없어 다수 표적 추적 환경에서 연산 효율이 뛰어난 알고리즘으로 알려져있어 시뮬레이션 비교 대상으로 선정하였다. LM 알고리즘은 유효측정영역 내에 존재하는 클러터뿐 아니라 다른 표적으로부터 발생한 측정치도 클러터로 보는 것이 특징이다.
표적의 신호가 발생하는 픽셀은 식 (3), 클러터의 신호는 식 (4)에 따라 신호세기가 결정되며 SNR이 13, 20 dB인 환경들에 대하여 500회씩 몬테칼로 시뮬레이션을 수행하였다. 표적의 궤적은 x, y축 별로 20 m의 표준편차를 갖는 가우시안 잡음을 추가하였다. Fig.

데이터처리

시뮬레이션에 적용한 알고리즘은 iJIPDA-AI level 0부터 4과 LM(Linear Multi-target)-IPDA^[11]이며 level에 따른 성능과 연산량을 분석하였다. 추적 기법의 성능은 추적 성공률을 나타내는 CTT(Confirmed True Tracks)과 추적 정밀도를 나타내는 RMSE(Root Mean Square Error)를 통해 비교 및 분석하였다. CTT는 트랙의 존재확률이 트랙관리기법^[5]의 확정 문턱치보다 높고 트랙의 추정 값이 실제 표적과 위치, 속도가 일정 범위 내로 들어오는 트랙을 의미한다.

이론/모형

때문에 이러한 특징을 이용하여 환경에 따라 Level을 선택할 수 있도록 추적 필터 설계가 가능하다. JIPDA 기법과 마찬가지로 event 증가에 따른 연산을 줄이기 위해 클러스터링 기법을 사용한다. 클러스터링 기법은 근접한 트랙들의 유효측정영역에 공통으로 공유하는 측정치가 있을 경우 해당 트랙들과 그 트랙들의 유효측정영역에 포함되는 모든 측정치들을 하나로 묶는 방법이다.
신호세기에 대한 표적과 클러터의 확률 분포는 x² -Distribution 확률 모델을 사용하였다. 신호세기(a)와 표적에 대한 SNR 값이 δ로 주어졌을 때, 표적에 의해 생성되는 신호의 세기에 대한 Probability Density Function(PDF)를 f₁(a), 클러터에 의해 생성되는 신호 세기에 대한 PDF를 f₀(a)라고 한다면 각각

성능/효과

LM-IPDA-AI와 iJIPDA-AI level 0부터 3까지는 Table 1과 같이 안정적으로 실시간 연산이 가능하였지만, 특정 몬테칼로 시뮬레이션에 Full Level은 동작이 멈추는 현상이 발생하였고, 해당 몬테칼로 시뮬레이션을 제외한 평균 연산속도는 52.821 ms이며 측정주기 T= 50 ms인 환경에서 실시간 연산이 불가능함을 확인하였다. 표적이 5개인 환경에서 이론상 iJIPDA-AI Level 4와 Full Level은 동일한 성능과 연산시간을 갖지만 클러터에 의해 생성된 트랙들이 존재할 경우 클러스터 내에 트랙의 수가 5개보다 많아지면 Full Level의 연산시간이 많아지게 된다.
975로 설정하였다. SNR 13 dB 환경에 비해 높은 탐지확률로 CTT는 더 높고 RMSE는 더 낮게 나타나며 SNR이 높을수록 전체적인 추적 성능이 우수함을 확인하였으며, iJIPDA-AI의 Level 별 표적추적 결과는 SNR 13 dB 경우와 유사한 경향을 보였다.
995로 설정하였다. 단일표적추적 기법인 IPDA와 동일한 성능을 갖는 Level 0의 추적 성공률 및 정확도가 가장 떨어지며 Level이 높아질수록 추적 성능이 좋게 나오는 것을 확인하였다. 또한 LM-IPDA-AI의 경우 iJIPDA-AI의 Level 0과 1 사이의 성능을 보였다.
추적 성공률과 추적정밀도를 나타내는 지표인 CTT와 RMSE에 대한 결과를 확인하였으며, 단일표적추적 기법인 IPDA와 동일한 성능을 갖는 iJIPDA-AI Level 0의 성능이 가장 떨어지고 Level이 오를수록 추적 성능이 뛰어남을 확인하였다. 또한 iJIPDA-AI의 Level 별 연산속도를 분석하여 해당 시뮬레이션 환경에서 Level 3이 안정적으로 실시간 연산이 가능하며 추적 성능도 우수함을 확인하였다.
시뮬레이션 연구에서는 제안하는 알고리즘의 성능 분석을 위해 SNR13, 20 dB 환경에서 5개의 표적이 근접하여 교차하는 환경에서 표적추적을 수행하였다. 추적 성공률과 추적정밀도를 나타내는 지표인 CTT와 RMSE에 대한 결과를 확인하였으며, 단일표적추적 기법인 IPDA와 동일한 성능을 갖는 iJIPDA-AI Level 0의 성능이 가장 떨어지고 Level이 오를수록 추적 성능이 뛰어남을 확인하였다. 또한 iJIPDA-AI의 Level 별 연산속도를 분석하여 해당 시뮬레이션 환경에서 Level 3이 안정적으로 실시간 연산이 가능하며 추적 성능도 우수함을 확인하였다.
표적이 5개인 환경에서 이론상 iJIPDA-AI Level 4와 Full Level은 동일한 성능과 연산시간을 갖지만 클러터에 의해 생성된 트랙들이 존재할 경우 클러스터 내에 트랙의 수가 5개보다 많아지면 Full Level의 연산시간이 많아지게 된다. 표적이 근접 교차가 이루어지는 9 번째 프레임에서는 한 클러스터 내의 트랙이 10개, 측정치가 28개까지 발생하는 경우가 생겼으며, 해당 시점에서 한 개의 측정주기에 소요되는 계산 시간이 Level 4는 51.283 ms, Full Level은 1429.32 ms를 가지며 실시간 계산이 불가능함을 확인하였다.

질의응답

핵심어	질문	논문에서 추출한 답변
	TBD 알고리즘의 장점은?	이러한 문제를 해결하기 위한 TBD 알고리즘은 일반적인 추적 알고리즘과 달리 신호세기 문턱치를 이용한 측정치 선별과정을 거치지 않은 센서 데이터를 사용한다. TBD 알고리즘은 표적 탐지와 추적이 동시에 이루어지며 공간정보와 시간적 상관을 최대한 활용하여 낮은 SNR 표적의 탐지 가능성을 향상시킨다. 즉, 여러 연속 프레임을 동시에 처리하여 표적을 추적하며 낮은 SNR 표적 환경에서의 탐지 및 추적 성능이 우수하다.
	TBD 알고리즘은 어떤 데이터를 사용하는가?	이러한 문제를 해결하기 위한 TBD 알고리즘은 일반적인 추적 알고리즘과 달리 신호세기 문턱치를 이용한 측정치 선별과정을 거치지 않은 센서 데이터를 사용한다. TBD 알고리즘은 표적 탐지와 추적이 동시에 이루어지며 공간정보와 시간적 상관을 최대한 활용하여 낮은 SNR 표적의 탐지 가능성을 향상시킨다.
	iJIPDA의 계산은 어떻게 이루어지는가?	iJIPDA는 클러스터의 측정치들을 트랙에 할당시켜주는 측정치 할당 기법으로 다중표적 문제를 해결한다. 이때 트랙과 측정치를 자료결합 트리(Tree) 형태로 할당하며 트랙들은 노드, 측정치들은 가지의 역할을 하고 측정치들에 대한 MCD를 재귀적 형태로 계산한다.

참고문헌 (11)

L. Wang, G. Zhou, J He and T. Kirubarajan, "Track-Before-Detect Strategy for Radar Detection in Rayleigh Distributed Noise," 22th International Conference on Information Fusion, 2019.
I. S. Reed, R. M. Gagliardi, and H. M. Shao, "Application of Threedimensional Filtering to Moving Target Detection," IEEE Transactions on Aerospace and Electronic Systems, Vol. 19, No. 6, pp. 898-905, 1983.
Y. Barniv, "Dynamic Programming Solution for Detecting Dim Movingtargets," IEEE Transactions on Aerospace and Electronic Systems, Vol. 21, No. 1, pp. 144-156, 1985.
Y. Boers and J. N. Driessen, "Multitarget Particle Filter Track Before Detect Application," IEE Proceedings of Radar Sonar and Navigation, Vol. 151, No. 6, pp. 351-357, 2004.
D. Musicki, R. Evans, and S. Stankovi'c, "Integrated Probabilistic Data Association(IPDA)," IEEE Trans. Automatic Control, Vol. 39, No. 6, pp. 1237-1241, 1994.

상세보기
D. Musicki and R. Evans, "Joint Integrated Probabilistic Data Association - JIPDA," IEEE Trans. Aerospace Electronic Systems, Vol. 40, No. 3, pp. 1093-1099, 2004.

상세보기
D. Musicki and R. Evans, "Multi-Scan Multi-Target Tracking in Clutter with Integrated Track Splitting Filter," IEEE Trans. Aerospace Electronic Systems, Col. 45, No. 4, pp. 1432-1447, 2009

상세보기
T. L. Song, H. W. Kim, and D. Musicki, "Iterative Joint Integrated Probabilitic Data Association," in 16th International Conference on Information Fusion, Fusion 2013, Istanbul, Turkey, 2013.
T. L. Song, H. W. Kim, and D. Musicki, "Iterative Joint Integrated Probabilistic Data Association for Multitarget Tracking," IEEE Trans. on Aerospace and Electronic Systems, Vol. 51, pp. 642-653, 2015.

상세보기
D. Lerro and Y. Bar-Shalom, "Interacting Multiple Model Tracking with Target Amplitude Feature," IEEE Trans. on Aerospace and Electronic Systems, Vol. 29, pp. 494-509, 1993.

상세보기
D. Musicki and B. F. La Scala, "Multi-Target Tracking in Clutter Without Measurement Assignment," IEEE Trans. on Aerospace and Electronic Systems, Vol. 44, pp. 877-896, 2008.

상세보기

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