Radar sensors have inherent characteristics that make them less affected by weather and time than other sensors. Because of this, they can do things that camera and lidar sensors cannot, which is why radar sensors are actively used in many applications, including drone detection, autonomous driving, and reconnaissance satellites. Despite this great advantage, radar sensors also have disadvantages, such as lower resolution and difficulty in classifying targets compared to other sensors. To overcome these disadvantages, the performance of radar hardware is being improved to increase the number of channels and bandwidth, and AI algorithms are being introduced to radar signal processing techniques to perform tasks such as classification. In line with this direction, this dissertation proposes an advanced radar hardware architecture and applies AI algorithms to radar signal processing to improve the overall performance and applicability of the radar system.
In this dissertation, we developed an advanced radar structure that mitigates the shortcomings of conventional radar structures and integrates their advantages. By using an additional signal source with an extended time, the proposed radar structure completely eliminates the phenomenon of resolution reduction with distance that occurs in the conventional structure and reduces the burden on the radar system by easily applying a time delay factor. In addition, it can sample received signals without distortion, even at a much lower sampling rate than the sampling rate required by the conventional structure. Convenience is also secured by digitally controlling the operating frequency and timing of the entire system using a single microcontroller. We did not stop at the design stage but manufactured the radar system as designed and succeeded in obtaining high-quality 2D SAR images in the Ka-band up to $1.3 km$ in AutoSAR mode, proving the practical effectiveness and value of the proposed structure. We also presented an advanced range-Doppler algorithm for acquiring high-quality images using our proposed system.
In this dissertation, we proposed an AI algorithm to improve the applicability and performance of the radar system. In the autonomous driving field, we developed a lightweight AI model that uses FMCW MIMO radar to detect vehicles ahead and divide the drivable space. Since the RF characteristics of radar are deeply considered in the design, the proposed model has a lightweight parameter but ensures much higher performance compared to existing models. We interpreted the core ideas of famous models in computer vision with an RF perspective and optimized them for modern radar systems. We also identified and solved problems that occur when applying radar I/Q data to existing deep learning frameworks. Finally, we achieved an F1 score of $94.7%$ and an IoU score of $81.2%$, proving that the proposed model has high performance in practice. In addition, through the parameter comparison with the mobile models suitable for the mobile environment announced by Google, we confirmed that the proposed model actually has an embeddable volume.
레이다 센서는 다른 센서들에 비해 날씨의 영향을 적게 받고 시간의 영향을 받지 않는 고유한 특성을 가지고 있다. 이러한 좋은 특성 덕분에, 카메라 또는 라이다 센서가 하지 못하는 일들을 할 수 있어, 레이다 센서는 현재 드론 탐지, 자율 주행 그리고 정찰용 위성 등 많은 분야에 적극적으로 활용되고 있다. 이러한 큰 장점도 있지만, 레이다 센서는 다른 센서에 비해 해상도가 낮거나 타겟에 대한 식별이 어렵다는 단점 또한 가지고 있다. 이러한 단점들을 극복하기 위해서, 레이다 하드웨어의 성능을 올려 채널 수와 대역폭을 늘리는 방향으로 발전해 나가고 있고, 인공지능 알고리즘을 레이다 신호처리 기법에 도입하여, 레이다가 하지 못했던 식별과 같은 일들을 수행하고 있다. 본 논문은 이러한 방향에 맞춰, 발전된 형태의 레이다 하드웨어 구조도를 제안하고, 인공지능 알고리즘을 레이다 신호처리 기법에 적용하여 레이다의 전체적인 성능과 적용성을 향상시키는 연구를 진행하였다.
본 논문에서는, 하드웨어 측면에서 기존 레이다 구조들의 단점들을 완화하고 장점들을 통합하는 새로운 형태의 레이다 구조를 개발하였다. 제안하는 레이다 구조는 확장된 시간을 가지는 추가적인 신호원을 사용하여 기존 구조에서 발생하는 거리에 따른 해상도 감소 현상을 완전히 제거하였고, 시간 지연 요소를 손쉽게 주어 시스템에 대한 부담을 줄여주었다. 또한 기존 구조에서 요구하는 샘플링 레이트에 비해 훨씬 더 낮은 샘플링 레이트로도 왜곡 없이 신호를 수신할 수 있어 데이터 수집 보드에 대한 부담도 적게 된다. 그리고 하나의 마이크로컨트롤러를 활용하여서 디지털적으로 전체적인 시스템의 동작 주파수와 타이밍을 조절하여 편의성 역시 확보하였다. 설계 단계에서 그치는 것이 아니라, 설계한대로 직접 레이다 시스템을 제작하고 이를 활용하여 AutoSAR 모드로 최대 $1.3km$까지 Ka대역에서 고품질의 2D SAR 이미지를 얻는 것에 성공하여, 제안하는 구조의 실질적인 효용성과 가치를 입증하였다. 또한 고품질의 영상을 획득하기 위한 발전된 형태의 레인지-도플러 알고리즘을 제시하였다.
그리고 본 논문에서는, 소프트웨어 측면에서 인공지능 알고리즘을 도입하여 레이다 시스템의 적용성과 성능을 향상시키는 연구를 진행하였다. 자율주행 분야에서 FMCW MIMO radar를 활용하여 전방의 차량을 탐지하고 주행 가능한 공간을 분할하는 경량화 된 AI 모델을 개발하였다. 제안하는 AI 모델은 레이다의 RF적인 특성을 깊이 고려하여 설계되었기 때문에, 경량화 된 파라미터 수를 가짐에도 불구하고 기존 모델에 비해 훨씬 더 높은 성능을 보장한다. 그리고 computer vision쪽에서 유명한 모델들의 핵심 아이디어를 RF적으로 해석하고 이를 현대 레이다 시스템에 맞게 최적화하였다. 또한 기존 딥러닝 프레임워크에 레이다 I/Q data를 적용하였을 때 발생할 수 있는 문제점들을 파악하고 해결하여 모델의 전체적인 성능을 향상시켰다. 최종적으로 F1 score $94.7%$, IoU score $81.2%$를 달성하여, 제안하는 모델이 실제로 높은 성능을 보유함 역시 입증하였다. 그리고 구글에서 발표한 모바일 환경에 적합한 모바일용 모델들과의 파라미터 비교를 통하여, 제안하는 모델이 실제로 임베딩이 가능한 수준의 파라미터 수를 가지는 것을 확인하였다.
