When building an autonomous driving system, measuring velocity is essential to predict or track the position of objects. However, cameras do not work properly in adverse weather, making it difficult to measure velocity. In this paper, we deal with a neural network that imitates bats and measures the position and velocity of moving objects even in adverse weather such as sudden fog or rain. Next, a method to stabilize the object location accuracy of the current system using the measured velocity was presented. In the proposed method, a composite Hyperbolic Frequency Modulated signal (cHFM) was presented to extract the Doppler effect from ultrasound signals. Additionally, the proposed network considered velocity profiles during the training phase to measure relative velocity. Lastly, in the proposed object position accuracy stabilization method, actually measured velocity information was added to the Kalman filter. The performance of the proposed network and stabilization method was proven through F1 score, RMSE, and MAE values, which showed that location accuracy can be improved by simultaneously measuring the speed of objects even in adverse weather.
자율주행 시스템 구축에 있어 물체의 위치를 예측하거나 트래킹에서 속도 측정은 필수적이다. 다만 카메라는 악천후에서 제대로 동작하지 않기 때문에 속도를 측정하는데 어려움을 겪는다. 본 논문에서는 박쥐를 모방하여 갑자기 안개가 끼거나 비가 오는 등의 악천후에서도 움직이는 개체의 위치와 속도를 측정하는 신경망에 대해 다루었다. 이어서 측정한 속도를 통해 현 시스템의 물체 위지 정확도 안정화 방법을 제시하였다. 제안된 방법에서는 초음파 신호를 통해 도플러 효과를 추출하기 위해 복합 쌍곡 주파수 변조 신호(cHFM)를 제시하였다. 또한 제안된 네트워크는 상대 속도를 측정하기 위해 속도 프로파일을 훈련 단계에서 고려하였다. 마지막으로 제안된 물체 위치 정확도 안정화 방법에서는 칼만필터에 실제 측정한 속도 정보를 추가하였다. 제안된 네트워크와 안정화 방법 모두 F1 score, RMSE, MAE 값을 통해 성능이 증명 되었고, 이를 통해 악천후에서도 물체의 속도를 측정함을 동시에 활용하여 위치 정확도를 높일 수 있다는 것을 보여주었다.
