Design Plan of Signal Processing Structure for Real-Time Application in Drone Detection Radar

실시간 적용을 위한 드론 탐지 레이다용 신호처리 구조 설계 방안

Abstract

Recently, drones are being used in various fields, and drone technology is also developing. The risks of drones are increasing, then technology to detect drones is important. However, it is extremely difficult to detect and recognize drones due to the low level radar cross section of the commercial drones. In this paper, a signal processor structure that was mounted the miniaturized and light-weighted was designed. in order to process large amounts of data in real time, parallel processing was performed for each channel and an algorithm was applied to shorten the operation time in each step. As a test of verifing the detection performance through test, it was confirmed that the structure design works in real time.

최근 드론은 다양한 분야에서 활용되고 있고 드론의 기술도 또한 발전하고 있다. 이에 따라 드론에 대한 위험이 증가하고 있으며, 이로 인한 위협을 줄이기 위하여 드론을 탐지하는 기술이 중요해지고 있다. 하지만 드론은 크기가 작고 반사도가 낮은 재질로 되어 있어 탐지가 어렵다. 본 논문에서는 소형/경량화한 펄스 도플러 레이다에 탑재되는 신호처리 구조를 설계하였다. 대용량 데이터를 실시간으로 처리하기 위하여 채널 별 병렬처리를 수행하고 각 단계에서 연산시간 단축을 위한 알고리즘을 적용하였다. 위상배열안테나와 통합하여 야외시험을 통해 드론 탐지 성능을 확인하였으며, 이로 인하여 본 구조 설계가 실시간으로 동작함을 알 수 있었다.

Ⅰ. 서 론

무인항공기 및 무인비행체 등 기존의 드론은 특수 목적으로 사용이 한정되어 왔지만 최근에는 기술의 발전을 통하여 다양한 분야에서 활용되고 있다. 특히 군사용으로 정찰 및 공격 임무에 사용되고 있어 이로 인하여 드론에 대한 위협이 커지고 있다^[1].

이에 따라 드론을 미리 탐지하고 방어하는 기술의 필요성이 급격히 대두되고 있다. 하지만 크기, 재질, 비행고도 등과 같이 다른 비행체와는 다른 드론만의 특징들로 인하여 탐지가 어렵다. 이러한 드론의 탐지를 위해서열, 음향, 레이다 등과 같은 다양한 센서를 기반으로 연구가 수행되고 있다^[2]. 그 중에서도 날씨, 온도, 주야간 상태와 무관하게 탐지가 가능한 레이다를 기반으로 한드론 탐지 기술에 대한 연구가 활발히 진행되고 있다^[3].

레이다를 이용한 드론 탐지 기술은 주로 FMCW(Frequency Modulation Continuous Wave) 를 기반으로 연구되고 있고^[4], UWB(Ultra Wide Band) 레이다를 활용한 초고해상도 드론 영상을 획득하는 연구가 진행되고 있다^[5]. 하지만 FMCW 및 UWB 레이다 시스템을 이용한 드론 탐지의 경우에는 드론의 적은 RCS(Radar Cross Section)때문에 탐지 거리가 적어지게 된다^[6]. 따라서 원거리에 존재하는 드론을 탐지를 위하여 펄스 도플러 레이다의 운용에 대한 기술이 필요하게 된다^[7][8].

본 논문에서는 드론 탐지를 위하여 펄스 도플러 레이다에 실시간으로 적용 가능한 소형/경량화 레이다 신호처리 구조를 설계하고자 하였다. 고성능/고가의 시스템으로 구현하지 않고 드론 탐지가 가능하도록 신호처리구조를 최적화하였다. 그리고 설계된 신호처리 구조를 통하여 실제 드론 탐지 시험을 통하여 탐지성능을 확인하였다.

Ⅱ. 본 론

레이다 신호처리는 그림 1과 같이 레이다 수신 신호를 입력받아 펄스압축, 도플러 처리, CFAR 등 표적 탐지 기능을 수행한다. 본 논문에서는 표 1의 신호 처리 장치 의사 양으로 신호처리를 수행하도록 설계하였다. 휴대가 가능하도록 소형/경량화 신호처리장치를 구성하기 위하여 고성능 CPU 하나를 탑재하였다. 이로 인하여 대용량의 수신 데이터를 실시간으로 처리하기 위하여 연산시간 단축이 가능한 알고리즘을 설계하였다.

그림 1. 레이다 신호처리 흐름도

Fig. 1. Radar Signal Processing Flow Chart

표 1. 신호처리장치 사양

Table 1. Signal Processor

1. 펄스압축

펄스 압축은 수식 (1)과 같이 두 신호간의 컨볼루션으로 상관도를 계산한다. 여기서 \(x(t)\)는 입력신호이고, \(x_{r e f}(t)\)는 기준 입력 신호이다.

\(y(t)=x(t)^{*} x_{r e f}(t)\)        (1)

하지만 실제 구현은 그림 2과 같이 고속 푸리에 변환 (Fast Fourier Transform) 방식을 이용한다. FFT 및 IFFT 등으로 펄스압축을 수행하게 된다.

그림 2. 펄스압축 방안

Fig. 2. Pulse Compression Method

펄스압축 연산시간을 단축시키기 위하여 기준 입력 신호를 미리 계산하여 내부 메모리에 장입하였다. 기준입력 신호는 송신 펄스 폭 및 대역폭에 의하여 결정되므로 송신 펄스 폭 및 대역폭에 따라 미리 계산하여 장입한다. 그리고 연산시간을 단축하기 위하여 채널별로 병렬처리구조인 OpenMP를 적용하였다. 그림 3과 같이 채널별로 FFT, Multiplier, IFFT를 수행하였다. 펄스 압축은 거리 방향으로 FFT 및 IFFT를 수행하기 때문에 데이터 정렬이 필요하지 않다.

그림 3. 펄스압축 병렬 처리

Fig. 3. Pulse Compression Parallel processing

2. 도플러 처리

도플러 처리는 표적의 속도정보를 획득하기 위해서 동일 거리 위치의 모든 펄스 단위 샘플들에 대해(slow time 방향) FFT를 수행하는 것으로 도플러 주파수 성분을 획득하여 속도 정보를 추출한다. 펄스 단위로 획득된 펄스 압축 데이터를 slow time 방향으로 푸리에변환을 수행한다. 거리방향으로 정렬되어 있는 펄스압축 데이터를 slow time 방향으로 푸리에 변환을 수행하기 위해서는 펄스방향으로 정렬이 필요하다. 대용량 데이터를 정렬하기 위해서는 많은 연산시간이 소요된다. 본 논문에서는 데이터 정렬없이 도플러 처리를 수행하는 방안을 적용한다. 일반적으로 도플러 처리는 DFT(Discrete Fourier Transform)을 적용하여 수행한다. 수식 2는 DFT 정의를 나타낸다.\(y(k)=\sum_{j=1}^{n} x(j) w_{n}^{(j-1)(k-1)}\)       (2)

\(W_{n}=e^{(-2 \pi i) / n}\)

여기서 X는 입력 데이터, Y는 결과 데이터, n은 펄스 수, k 는 FFT수를 나타낸다.

정의된 DFT를 풀어서 정리하면 아래와 같다.

\(\begin{gathered} Y(1)=X(1) W_{n}^{\prime}(1,1)+X(2) W_{n}^{\prime}(2,1)+\ldots+X(n) W_{n}^{\prime}(n, 1) \\ Y(2)=X(1) W_{n}^{\prime}(1,2)+X(2) W_{n}^{\prime}(2,2)+\ldots+X(n) W_{n}^{\prime}(n, 2) \\ \cdot \\ \cdot \\ \cdot \\ Y(k)=X(1) W_{n}^{\prime}(1, k)+X(2) W_{n}^{\prime}(2, k)+\ldots+X(n) W_{n}^{\prime}(n, k) \end{gathered}\)

여기서 \(W_{n}^{\prime}(j, k)=e^{(-2 \pi i)(j-1)(k-1) / n}\) 로 재정의한다 재정의된 \(w_{n}^{\prime}(j, k)\)를 이용하여 DF base를 만들어 수식 3과 같이 매트릭스 곱을 적용하여 도플러 처리를 수행한다.\(\left(\begin{array}{ccc} Y(1,1) & \ldots & Y(m, 1) \\ \cdot & & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & & \cdot \\ Y(1, k) & \ldots & Y(m, k) \end{array}\right)= \left(\begin{array}{ccc} W_{n}^{\prime}(1,1) & \ldots & W_{n}^{\prime}(n, 1) \\ \cdot & & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & & \cdot \\ W_{n}^{\prime}(1, k) & \ldots & W_{n}^{\prime}(n, k) \end{array}\right) \times \left(\begin{array}{ccc} X(1,1) & \ldots & X(n, m) \\ \cdot & & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & & \cdot \\ X(1, n) & \ldots & X(n, m) \end{array}\right)\)(3)

여기서 X는 펄스압축 데이터, Y는 도플러 처리 데이터, \(w_{n}^{\prime}\) 은 DF base, m은 거리방향 샘플 수, n은 펄스 수, k는 FFT수를 나타낸다.

\(w_{n}^{\prime}(j, k)\)로 정의된 DF Base 매트릭스는 펄스 수와 FFT 수에 정해지는 값이므로 미리 계산하여 내부메모리에 저장한다. 그림 4와 같이 OpenMP를 활용하여 데이터 정렬없이 채널별로 매트릭스 곱을 병렬 수행하여 도플러 처리를 수행한다.

그림 4. 도플러 처리 병렬 처리

Fig. 4. Doppler Process Parallel processing

3. CFAR

CFAR(Constant False Alarm Rate)는 주위 잡음 신호에 따라서 임계값을 설정하는 기법으로 표적 탐지의 기본적인 알고리즘이다. 레이다 시스템에서 주요 사용되는 CFAR는 CA CFAR(Cell Average CFAR), OS CFAR(Ordered Statistic CFAR) 등이 있다. 본 논문에서는 비균일 잡음환경이나 다수 표적 표적상황에서 주로 사용되는 OS CFAR를 적용하였다. OS CFAR는 그림 5 와 같이 참조 셀을 오름차순으로 정렬해야 하므로 많은 연산량이 필요하다. 따라서 OS CFAR를 실시간으로 적용하기 위해서는 연산량 단축이 필요하다.

그림 5. OS CFAR 블록도

Fig. 5. OS CFAR block structure

연산량을 단축하기 위하여 그림 6과 같이 거리 방향으로 구역을 나누어서 OS CFAR를 적용한다. 거리방향 3 셀씩 묶어 구역을 나누고 각 구역내에서 가장 큰 파워를 가지는 셀에 대해서 우선적으로 OS CFAR를 적용한다. 우선적으로 수행한 셀에 대하여 OS CFAR결과가 히트인 경우에 대해서만 구역 내 나머지 셀도 OS CFAR를 수행한다. 여기서 히트는 CFAR 문턱치를 넘은 셀을 칭한다. 가장 큰 파워 셀의 결과가 히트가 아니면 나머지 두 셀의 결과도 히트가 아닐 확률이 상당히 높으므로 나머지 두 셀에 대해서는 OS CFAR를 수행하지 않는다. 일반적으로 레이다 수신 신호의 대부분은 잡음이기 때문에 OS CFAR를 수행하는 횟수는 기존의 방안보다 상당히 줄어들게 된다^[9].

그림 6. OS CFAR 처리 방안

Fig. 6. OS CFAR Processing Method

4. 클러스터링

클러스터링은 CFAR를 수행한 결과에 대하여 인접 셀의 히트들을 하나의 표적으로 묶는 알고리즘이다. 그림 7은 거리-도플러 맵에서 클러스터링을 수행하는 방법을 나타내었다. 2차원 거리-도플러 맵에서 거리방향으로 셀 인덱스를 증가시키면서 해당 셀의 히트 여부를 검사하고, 이웃한 셀이 히트일 경우에는 같은 클러스터 번호를 부여한다^[10]. 그림 8과 같이 해당 셀이 히트일 경우에는 해당 셀 주변 모든 셀을 검사하지 않고 클러스터링을 수행한 이전 해당 셀 주변 4셀의 히트 여부를 확인하여 주변 셀이 히트일 경우 해당 셀을 주변 히트와 같은 클러스터 번호를 부여한다.

그림 7. 거리-도플러 맵 클러스터링 방안

Fig. 7. Clustering Method of Range-Doppler Map

그림 8. 클러스터링 방안

Fig. 8. Clustering Method

5. 각도 SLB

각도 SLB(Side Lobe Blanking)은 주 채널 데이터와 SLB 채널의 데이터의 파워를 비교하여 각도 부엽에서 발생하는 오표적들을 제거한다. 클러스터링을 수행한 표적에 대하여 주 채널 데이터와 SLB 채널 데이터의 파워를 비교를 병렬처리하여 오표적을 제거한다.

6. 모노펄스

모노펄스는 표적과 안테나의 각도 오차를 추출하는 기능으로 모노펄스 각도오차를 기반으로 표적의 방향을 계산한다.

Ⅲ. 야외 시험

본 논문에서 설계한 연산시간이 단축된 신호처리 구조를 이용하여 신호처리장치를 제작하여 기능과 성능이 검증된 위상배열안테나와 통합하여 야외시험을 수행하였다. 드론을 목표 타겟으로 하여 약 3.5km이상에서 레이다 탐지를 목표로 하여 설정하였다. 목표 타겟 대상인 드론은 DJI사의 Phantom4 드론을 설정하였다. Phantom4는 RCS 0.01m² 이하로 알려져 있다^[11]. 본 야외시험은 영월에 위치한 드론전용시험장에서 수행하였다. 그림 9는 본 논문에서 설계된 신호처리 구조가 탑재된 드론 탐지 레이다 및 목표 드론을 나타내었다.

그림 9. 드론 탐지 레이다 및 드론

Fig. 9. Drone Detection Radar and Drone

야외시험은 주변 지형을 고려하여 드론을 고도는 150m를 유지하고 레이다 위치로부터 2.5km 지점부터 4km 지점까지 이동시켰다. 그림 10은 전시화면에서 드론을 탐지/추적한 결과를 나타내었다. 탐지/추적 거리는 약 3.7km임을 알 수 있다. 실제 야외시험을 통하여 실시간으로 신호처리가 수행되어 드론을 탐지/추적이 가능함을 확인하였다. 타 레이다 신호처리 장치 대비 소형화/경량화 되었지만 신호처리 성능에는 동등 이상인 신호처리구조를 설계함으로 소형/경량화 드론 탐지 레이다 개발에 유용하게 활용될 수 있다고 할 수 있겠다.

그림 10. 드론 탐지 결과

Fig. 10. Drone Detection Result

Ⅳ. 결 론

드론의 대중화와 산업 확장 등으로 인하여 드론이 널리 보급되고 있다. 이로 인하여 드론에 의한 위협도 또한 증가하고 있고, 드론 탐지가 가능한 기법에 대한 욕구도 커지고 있다. 특히 레이다 기반으로 드론을 탐지 기술 연구가 활발한 상태이다.

본 논문에서는 소형/경량화 된 드론 탐지 레이다를 구현하기 위하여 연산시간을 단축시키기 위한 신호처리 구조를 설계하였다. 고성능 CPU 하나로 모든 신호처리가 수행되도록 각 단계별 병렬처리 구조로 구현하였다. 도플러 처리에서는 데이터 정렬이 필요없는 매트릭스 곱으로 수행하였고, CFAR 단계에서는 구역을 나누어서 OS CFAR 연산시간을 단축시켰다. 클러스터링 수행 시에서는 주변 4셀에 대해서만 히트를 확인하게 하도록 하였다. 그리고 설계된 신호처리 구조가 탑재된 신호처리 장치를 구현하여 야외시험에서 실제 드론을 탐지/추적하여 실시간 동작을 확인하였다. 추후에는 해당 구조를 확장 시켜 성능을 개선토록 하겠다.