GMTI Two Channel Raw Data Processing and Analysis

GMTI 2채널 원시데이터 처리 및 분석

Abstract

GMTI (Ground Moving Target Indicator) is a kind of airborne radar function that is used widely in military applications to detect the moving targets on the ground. In this paper, GMTI signal processing technique was presented and its performance was verified using sum and difference channels raw data obtained by the captive flight test.

GMTI는 항공기에 탑재되어 지상에 움직이는 표적을 탐지하는 레이다 기능으로 군사적으로 널리 활용되고 있다. 본 논문에서는 GMTI 신호처리 방법을 제시하고, 구축된 항공용 GMTI 시스템으로부터 획득한 GMTI용 2채널 합/차 원시데이터를 이용하여 GMTI 신호처리 결과를 검증하였다.

1. 서론

현대 사회에서는 정보의 중요성이 부각되며, 감시정찰체계에 대한 필요성이 증대되고 있다. 레이다는 감시정찰체계에 대표적인 수단으로 최근에는 하드웨어가 경량화, 소형화되는 추세에 있으며 특히 항공기 탑재 레이다에 대한 개발이 활발하다. 항공기 탑재 레이다는 EO/IR과 달리 날씨의 영향을 적게 받으며 주·야간에 상관없이 데이터를 획득할 수 있어 전천후 활용이 가능하다. 레이다 운용 모드 중 GMTI는 지상에서 움직이는 표적을 탐지하는 기능으로 방위 방향으로 2개 이상의 채널을 사용하여 탐지된 표적의 방위 방향 정확도를 향상시키고 알고리즘 중간 과정에서 클러터 캔슬(Clutter cancellation) 기법을 사용하여 느린 속도로 움직이는 표적도 탐지할 수 있다(Skolnik, 2001).

본 논문에서는 합/차 2채널로 구성된 GMTI 시스템 구축(Yoon et al., 2017)에 대해 소개하였고, 이 시스템으로 획득한 합/차 2채널 원시데이터에 대한 GMTI 신호 처리 과정을 설명하였다. 또한 본 논문은 실제 표적을 운용하면서 비행시험을 수행한 결과를 제시하여 설계된 GMTI 체계 성능에 대한 검증을 하였다.

2. GMTI 시스템 및 신호처리

1) GMTI 시스템

일반적으로 항공기 탑재형 공대지 레이다는 SAR (Synthetic Aperture Radar) 기능과 GMTI 기능을 모두 탑재한 경우가 많다. SAR는 광대역 시스템이 필요하고, GMTI는 다채널 시스템이 필요하므로 SAR를 위한 광대역 시스템을 설계하면서 안테나를 좌/우 2채널로 구성하여 합/차 성분을 생성할 수 있게 하면 하나의 시스템에서 SAR와 GMTI 기능을 모두 구현할 수 있다(Yoon et al., 2017).

구축된 GMTI 시스템은 크게 전자처리세트와 안테나/김발세트로 구성되어있다. 전자처리세트의 서보제어 부는 안테나/김발세트 제어, 통제처리부는 GMTI 시스템 제어 및 표적탐지 신호처리 기능을 수행한다. Fig. 1은 전자처리세트와 안테나/김발세트의 형상을 나타낸 것이다. 전자처리세트와 안테나/김발세트는 합/차 2개 채널로 연결되어야 하므로 안테나 좌우 2개 채널의 신호를 합/차 성분으로 변환해주는 매직티가 안테나/김발세트에 포함되며 매직티와 전자처리세트는 유연도 파관 혹은 저손실 RF 케이블 2개로 연결된다. SAR 모드일 때는 합 채널 1개만 사용하며 GMTI 모드일 때는 합 /차 채널 2개를 모두 사용하게 된다. 구축한 시스템은 항공기 Piper에 탑재하여 반복적인 비행시험을 수행하였고, 그 과정에서 원시데이터를 획득하였다.

Fig. 1. Electronic processing set and antenna gimbal set.

2) GMTI 신호처리

Fig. 2는 본 논문에서 사용한 GMTI 신호처리의 순서도를 나타내며 각 단계에 대 설명과 구축한 시스템으로부터 득한 원시데이터를 순서도에 따라 처리한 결과는 다음과 같다.

Fig. 2. Flowchart of the GMTI algorithm process.

우선, 합/차 신호에 대해 상대적으로 긴 펄스를 짧고 높은 출력으로 압축시키기 위해 펄스 압축 (Pulse Compression)을 수행한다. 펄스압축은 긴 펄스와 같은 방사에너지를 가지면서, 거리분해능은 좋게 하는 효과가 있다. Fig. 3(a)는 펄스압축 전 원시데이터이고, Fig.3(b)는 펄스압축 처리 후 데이터이다. 다음으로 RCMC (Range Cell Migration Correction) 연산을 수행한다. 비행기가 방위 방향으로 이동하면서 표적으로부터 반사된 신호는 시간차에 따라 거리 변화가 발생하여 같은 거리 빈에 위치하지 않아 방위 방향으로 곡선의 형태를 가지게 되는데 이를 RCM (Range Cell Migration)이라고 한다. 표적은 시간차에 따라 다른 도플러 주파수를 가지며 여러 거리 셀 내에 걸쳐 위치하게 되는데, 신호에너지 손실로 품질 저하를 막기 위해 신호를 같은 거리 셀 내에 있도록 정렬하는 RCMC를 수행하여야 한다. 이후 스퀸트 보상(Squint Compensation)을 수행한다. Fig. 4(a)는 스퀸트 각을 정의하기 위한 비행기와 표적 사이의 기하이다. 스퀸트 각은 비행기에서 zero Doppler plane에서 경사 거리(R₀)로부터 비행기에서 표적까지의 경사거리까지(R)가 이루는 각도이다(Cumming and Wong, 2005). Zero Doppler plane에서의 도플러 스펙트럼은 Fig. 4(b)의 상단에서처럼 클러터 중심이 도플러 중심에 위치하게 되며, 스퀸트가 있는 경우에는 Fig. 4(b) 하단에서처럼 클러터 중심이 주파수 0Hz를 벗어나게 된다. 이처럼 클러터 스펙트럼의 중심 주파수는 비행기가 움직이는 속도와 비행기에서 지상을 바라보는 각도에 따라 달라진다. 각 거리빈마다 도플러 중심이 달라지기 때문에 이 도플러변이(Doppler Shift)를 보상하여 도플러 중심을 0Hz로 하여야 움직이지 않는(도플러 성분이 없는) 표적은 제거하고(클러터 캔슬) 이동표적에 의해 발생하는 도플러 성분만을 가지고 이동 표적을 탐지할 수 있다. 이 과정을 스퀸트 보상이라고 하며, 사용된 도플러 중심(Doppler centroid) 주파수는 식 (1)과 같이 구할 수 있다. 원시 신호 획득 당시 비행기의 속도, 파장, 스퀸트 각도를 이용하여 도플러 중심을 추정하고 이를 보상한다. 이후 방위 방향 데이터를 주파수 도메인으로 변환하는 FFT(Fast Fourier Transform) 연산을 수행하며 이때 FFT 윈도우는 Chebyshev 윈도우를 사용하였고(Harris, 2004), 이후 클러터 캔슬과 CFAR 단계를 주파수 도메인에서 수행한다.

Fig. 3. (a) before and (b) after the puse compression.

Fig. 4. (a) The definition of squint angle, (b) The effect of squint angle on the Doppler centroid variation.

\(f_{d c}=\frac{2 V_{p}}{\lambda} \times \sin \theta\)       (1)

where, V_p = velocity of platform,

λ = wave length, 

θ = squint angle

Fig. 5(a)는 스퀸트 보상 전 결과, Fig. 5(b)는 스퀸트를 보상하고 FFT 단계까지 수행한 후의 결과이다. 스퀸트 보상 전후 결과를 효과적으로 비교하기 위해 스퀸트 보상 전 결과를 주파수 도메인으로 변환하였다. Fig. 5(a)는 스퀸트 보상 전 결과이므로 클러터 중심이 약 -132Hz 에 위치하고 있으나, Fig. 5(b)에서는 스퀸트를 보상한 후 클러터 중심이 도플러 주파수 0 Hz가 되었다. 또한 Fig. 5(a)와 Fig. 5(b)를 비교하면 근거리에 방위 방향으로 분포하는 신호가 많이 제거되었는데, 이는 FFT 연산 전에 적용한 윈도우의 영향으로 사이드로브(Sidelobe)가 감소하였기 때문이다.

Fig. 5. (a) before and (b) after the squint compensation.

다음으로 이동 표적 탐지에 장애가 되는 ‘0(Zero)’ 주파수 중심으로 분포하는 원하지 않는 반사 신호를 제거하는 과정인 클러터 캔슬을 수행한다(Yadin, 1996). Fig. 6은 수신한 합/차 채널 데이터의 도플러 스펙트럼으로써 수신 신호로부터 클러터 제거 후의 성능을 확인할 수 있다. 클러터 제거 과정 후 0 Hz 부근의 강한 클러터 신호가 제거된 것을 알 수 있고, 0 Hz에서의 수신 신호 대비 클러터 제거 후 성능은 약 17dB임을 확인할 수 있다.

Fig. 6. Clutter cancellation performance.

다음 단계로 최대한 클러터를 제거한 신호에 대해서 표적은 클러터보다 신호가 세다는 가정 하에 주변 클러터 환경을 고려하여 표적탐지가 가능한 CFAR(Constant False Alarm Rate) 연산을 수행한다. CFAR는 테스트하고자 하는 셀의 주변셀로부터 잡음의 평균 파워를 추정하여 그 값을 통해 얻어지는 임계치(CFAR 상수)와 테스트하고자 하는 셀을 비교하여 표적 신호의 유무를 판단하는 알고리즘이다(Rohling, 1983; Gandhi and Kassam, 1988). 본 연구에서는 클러터 경계 환경에서 오경보 확률을 낮추는장점이 있는 GO-CFAR 알고리즘을 사용하였고(Hansen, 1980), 산출된 결과물은 히트(Hit)로 정의한다. 히트 결과에 대해 동일 표적에서 반사된 신호로 추정되는 후보를 군집시키는 과정으로 클러스터링 (Clustering)을 수행하고, N개의 버스트(Burst) 중 M개 이상 버스트에서 클러스터가 발생된 경우에만 표적으로 선별하는 이진누적기(M out of N detector)를 이용한 표적매칭(Target Matching)을 수행한다(Schwartz, 1956;Worley, 1968). 본 연구에서는 버스트를 4개 세트로 구성하고 클러스터가 연속으로 2번 이상의 버스트에서 탐지될 경우에만 표적으로 인정하여 오경보를 저감한다. 탐지된 2개 이상의 클러스터는 1개의 표적매칭 결과(TGMatch)로 대표한다.

다음 과정은 표적병합(Target Merging)이다. 본 시스템에서는 Fig. 7과 같이 빔폭을 슬라이딩 방식으로 나누어 스캔하므로 동일 표적이 여러 번 탐지된다. 그러므로 동일 표적에 대한 표적매칭 결과들이 거리 및 방위 방향에서 퍼져 분포할 수 있기 때문에 이들을 의미있는 1개의 표적으로 병합시키고, 표적의 위치 정보를 산출하는 과정이다.

Fig. 7. The method of sliding window.

마지막으로 동일 지역을 반복적으로 스캔하는 GMTI 모드의 경우에는 탐색 중 추적(TWS, Track While Scan) 기능 구현이 가능하여 동일 지역을 반복적으로 스캔한 후 탐지된 표적의 위치, 속도 등의 정보를 바탕으로 동일 표적을 추적하여 연속되지 않는 표적을 제외함으로써 GMTI 신호처리를 수행한 후에도 표적병합 결과에 존재하는 허위 표적과 같은 오경보 감소가 가능하므로 본 논문에서는 TWS 기능을 구현하여 허위표적 감소를 확인하였다. TWS 기능은 GMTI 신호처리가 끝난 후 표적병합 결과를 입력 데이터로 하여 별도의 하드웨어에서 처리된다. 첫 번째 스캔에서 검출된 표적을 기반으로 동일 지역을 반복적으로 스캔할 때마다 검출된 표적의 NDS(Normalized Distance Squared)를 계산 후 행렬화하여 제일 낮은 총 거리 조합을 연결하는 GNN (Global Nearest Neighbor) 연관기법을 사용한다. 연관된 표적을 이용하여 표적의 방향 및 속도를 계산하고 그 값을 추적필터의 입력 값으로 전달한다. 추적필터는 이 전단계의 연관된 표적 정보를 이용하여 칼만필터를 통해 시스템 상의 탐지 오차로부터 발생할 수 있는 위치 오차를 보정하고, 연관된 표적의 위치와 방향 벡터를 기준으로 다음 스캔에서 표적의 위치를 추정하며 표적 트랙을 생성한다. 이 때 Markov Chain에 근거하여 최초 2-point로 연관 시 임시트랙을 형성한 이후에 M번 중 N번 탐지되면 확정 트랙으로 하고, 연속적으로 2번 이상 탐지 되지 않으면해당 트랙을 삭제한다(Blackman, 1986;Songhwai, 2009; Ko et al., 2017a; Ko e al., 2017b).

3. 비행시험 결과 분석

앞서 소개한 GMTI 시스템을 비행기에 탑재하고 실제 비행시험을 수행하였다. GMTI 자료를 획득하기 위해 Table 1의 시나리오로 비행시험을 수행하였다. 임무 중심점은 point 6이고, 자료 획득 중심점은 G1으로써 임무 중심점과 자료 획득 지점 사이의 경사거리가 약 16 km이고, 스퀸트 각도는 약 -17°, 관측각은 약 79°인 조건으로 자료를 획득하였다. Fig. 8은 비행시험에서의 임무 중심점과 자료 획득 중심점(G1)의 위치이고, Fig. 9는 자료 획득 지역을 지도 위에 도시한 것이다. G1 지점에서 탐지된 표적을 검증하기 위해 차량 2대에 CR(Corner Reflector) 및 GPS 수신기를 설치하여 운행하였고, 시험 차량 지붕에 CR을 설치한 형상은 Fig. 10에 포함하였다. 자동차 지붕에 CR 두 개를 각각 반대 방향으로 설치하여 운용하였는데, 도로를 주행하면서 방향을 반대로 전환해도 CR의 방향을 바꾸지 않고 표적을 탐지할 수 있도록 설계한 것이다. 차량을 운행하는 동안 표적의 위치를 기록하기 위해서 GPS 수신기를 차량 내에 설치하여 비행시험 후 결과 분석에서 표적의 위치를 검증할 수 있도록 하였다. 운행 방향은 SAR 안테나가 바라보는 radial 방향과 일치하도록 계획하였다. 차량 이동 경로는 Fig. 9에서 각각 ①, ②이고, 도로의 길이는 약 800m와 700m이다. 해당 도로에서 두 대의 차량이 약 40 km/h로 운행하였다.

Table 1. Scenario of GMTI test

Fig. 8. Mission scenario.

Fig. 9. Footprint of G1 (target point).

Fig. 10. CR on vehicle.

획득한 원시데이터에서 펄스압축 등의 처리과정을 거처 RD (Range-Doppler) 맵에서 CFAR 결과를 생성한 결과는 Fig. 11과 같다. 초록색은 CFAR에서 생성된 히트 결과로써 주변 환경과 비교하여 반사 신호가 큰 잠재적 표적에 해당한다. 남색 테두리는 CFAR 후 클러스터링 결과로써 녹색 단일 픽셀과 같은 노이즈는 제거하고, 동일 표적에서 반사된 신호로 추정되는 단일 픽셀을 하나의 표적으로 군집시키는 과정에 해당한다.

Fig. 11. Result of CFAR and cluster.

Fig. 12는 단계별 표적 탐지 결과를 비교하기 위한 그림이다. Fig. 12(a)는 히트, 클러스터링, 표적매칭 결과를 지도 위에 도시한 것이다. 남색점은 CFAR에서 생성된 히트 결과이고, 하늘색은 클러스터 결과이고, 노란색 점은 표적매칭 결과이다. 8,336개였던 히트 개수는 클러 스터링 과정을 통해 880개로 감소하였는데 단일 화소수에서 노이즈 등 제거하고 표적 수로 전환된 결과이다.

Fig. 12. (a) Result of target matching with hit and cluster, (b) Result of target merging with hit, cluster and target matching, (c) Result of target tracking with result of (b).

Fig. 12(b)는 히트, 클러스터링, 표적매칭 결과에 표적병합 결과를 추가한 그림으로 빨간색 점으로 표시하였고, GMTI 신호처리의 최종 단계에 해당한다. fIg. 12(a)에서 표적매칭까지 수행하고 816개의 표적이 검출되었고, Fig. 12(b)의 표적병합을 수행하는 과정에서 중복 표적을 제외한 후 표적수가 97개로 감소하였다. Fig. 12(c)는 GMTI 신호처리의 최종 단계로부터 생성한 TWS 결과로써 보라색 점으로 표시하였다. Fig. 12(b)와 Fig. 12(c)를 비교하여 보라색 점으로 변화한 부분은 트랙이 형성된 실제 표적이고, 여전히 빨간색으로 남아 있는 부분은 TWS 과정을 통해 제거된 오경보에 해당하는 표적병합 결과다. TWS 기능을 포함한 GMTI 신호처리 결과를 검증하기 위하여, CR을 탑재한 시험차량을 운행하면서 레이다를 운용하여 데이터를 획득하였다. 그 결과 시험용으로 운행한 차량 두 대가 모두 검출되었고, 상당수의 허위 표적들이 제거됨을 확인하였다. 허위 표적 제거 효과는 Fig. 13을 통해 확인할 수 있다. Fig. 13(a)는 Fig. 12(c)와 동일한 결과로써 차량 운행 도로를 중심으로 그림을 확대한 것이다. Fig. 13(b)는 Fig. 13(a)에서 표적병합 결과를 제외하고 TWS 결과만 도시한 것으로 보라색 점에 해당한다. 그림에서 흰색 박스는 시험용 차량 운행 도로를 표시한 것으로 앞서 Fig. 12(c)와 같이 해당 도로에서 운행한 차량 두 대가 모두 검출되었다. 빨간색 점선 박스는 탐지된 표적병합 결과를 바탕으로 표적의 위치, 속도 등의 정보를 이용하여 표적을 추적하는 과정인 TWS 단계에서 허위 표적으로 간주되어 최종 표적으로 탐지되지 못하고 삭제된 것이다. Fig. 13(a)와 Fig. 13(b)를 비교하여 1개의 허위 표적이 제거된 것을 확인하였다(빨간색 점선 박스). GMTI 신호처리의 각 단계 마다 탐지된 표적 수는 Table 2에 정리하였다. CFAR 처리 후 8,336개의 히트가 검출되었고, 클러스터링, 표적매칭, 표적병합 과정을 지나 최종 TWS 결과에서 검출된 총 표적 수는 7개로 확인되었다. 표적 7개 중 2개는 시험 표적으로 운용했던 차량으로써 차량 운행 당시 획득한 GPS 데이터와 비교하여 해당 위치에 표적이 탐지된 것을 확인하였다. Fig. 14에서 노란색 점이 GPS 데이터이고, 흰색 점이 표적병합 결이다. 두 데이터간 위치 간격은 약 31m로써 GPS의 위치 오차와 GMTI 방위 오차에 기인하여 차이가 발생하였다. 시험 표적 중 왼쪽 (Fig. 9 표적 ①)은 도로 위 반듯한 반면 오른쪽 표적 (Fig. 9, 표적 ②)은 도로 위를 반듯하지 않게 주행하는 것처럼 보인다. 이 결과는 서로 다른 표적 2개가 겹친 결과로써 시험 표적 운행 당시 다른 방향으로 차량이 진입하여 2개의 트랙이 형성되었기 때문으로 시험 표적에 해당하는 트랙만 Fig. 13(b) 표적 ② 부분에 확대하여 나타내었고, 표적 경로를 인지하기 쉽도록 선으로 연결하였다.

Table 2. The number of detected targets at each step

Fig. 13. A result including test vehicle (a) Target merging result, (b) The final result.

Fig. 14. Comparison results between target ① position and GPS data.

Fig. 13에서 빨간색 박스로 표시한 시험 표적 외에 탐지된 2개의 표적 중 왼쪽 하단의 1개는 9번 스캔 동안 탐지된 북에서 남쪽으로 이동하며 가속하는 표적이었다. 오른쪽 하단의 다른 1개의 표적은 18번 스캔 동안 탐지 되었고 동남쪽으로 이동하며 감속하는 표적으로써 도로 위에 위치하는 점과 상대 속도를 근거로 주행 중이던 자동차로 추정할 수 있다.

본 논문에서는 비행시험을 통해 획득한 원시데이터에 대해 GMTI 신호처리를 수행하였고, 결과를 검증하기 위해 데이터 획득 당시에 이동 표적에 해당하는 차량을 운행하였다. 그 결과 운행한 차량 2대 모두 성공적으로 탐지되었다. 시험용 차량 외의 표적들도 탐지되었으나 데이터 획득 당시에 해당 차량이 실제로 운행 중이었는지 확인이 불가능하므로 도로 위에 위치하는 점과 상대 속도를 근거로 주행 중이던 자동차로 추정하였다.

4. 결론

본 논문에서는 SAR를 위한 광대역 시스템을 설계하면서 안테나를 좌/우 2채널로 구성하고 합/차 성분을 생성하여 하나의 시스템에서 SAR와 GMTI 기능을 모두 구현한 GMTI 시스템에 대해 소개하였고, 이 시스템으로부터 획득한 합/차 2채널 원시데이터를 이용한 GMTI 신호처리 과정을 설명하였다. 신호처리에 사용된 데이터는 GMTI 시스템을 비행기에 탑재한 후 반복적인 시험을 통해 획득하였다. 획득한 GMTI 원시데이터에 대해 신호처리를 수행한 후 결과 분석 및 검증을 수행하였고, 그 결과 데이터 획득 당시 시험을 위해 운행하던 2대의 차량을 성공적으로 탐지하였다. 도로 외에서 검출된 표적병합 결과에 대해서는 향후 개선이 필요하며 획득된 원시데이터는 GMTI 알고리즘 개발을 위해 유용하게 활용할 수 있을 것이다.