AI를 활용한 인체 탐지 레이다의 성능 개선 연구
AI-Enhanced Radar Performance for Human Detection
- 주제(키워드) 레이다 , AI
- 주제(DDC) 004.6
- 발행기관 아주대학교 일반대학원
- 지도교수 박용배
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 석사
- 학과 및 전공 일반대학원 AI융합네트워크학과
- 실제URI http://www.dcollection.net/handler/ajou/000000036170
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
최근 재난 구조, 보안 감시, 생체 신호 인식 등 다양한 분야에서 비가시 환경에서도 인체를 탐지할 수 있는 레이다 기술의 중요성이 증가하고 있다. 특히 IR-UWB（impulse radio-ultra wideband） 레이다는 높은 공간 및 시간 해상도와 우수한 전파 투과 특성을 바탕으로 인체 탐지 및 위치 추정에 효과적인 기술로 주목받고 있다. 그러나 레이다 기반 인체 탐지 시스템에서는 실제 측정 데이터 확보가 제한적이며, 단일 송수신기와 같은 단순한 하드웨어 구성에서는 공간 정보를 충분히 획득하기 어려워 인체 탐지 성능이 제한되는 문제가 존재한다. 따라서 이러한 제약 조건에서도 AI 기반 기법을 활용하여 IR-UWB 레이다의 인체 탐지 성능을 효과적으로 향상시킬 수 있는 기술에 대한 연구가 필요하다. 제 2장에서는 IR-UWB 레이다의 기본 동작 원리와 본 연구에서 사용한 레이다 시스템의 구성 및 주요 동작 파라미터를 설명한다. 또한 IR-UWB 레이다를 통해 획득된 수신 데이터의 물리적 의미를 정리하고, 이후 학습데이터 구성 과정의 기반을 제시한다. 제 3장에서는 제한된 레이다 측정 데이터 환경에서 인원수 추정 정확도를 향상시키기 위해 WGAN-GP（Wasserstein generative adversarial network with gradient penalty） 기반 특징 수준 데이터 증강 기법을 제안한다. 레이다 신호 데이터에 대해 주성분 분석（PCA, principal component analysis）을 적용하여 차원을 축소하고 계산 효율성을 향상시킨 후, WGAN-GP 모델을 통해 실제 측정 데이터와 유사한 데이터를 생성한다. 생성된 데이터와 기존 데이터를 결합하여 머신러닝 기반 분류 모델의 학습에 활용하고, 학습 데이터 차원, 학습 데이터 수, 증강 데이터 수의 다양한 조합에 대해 인원수 추정 성능을 비교 분석한다. 마지막으로, 제 4장에서는 단일 송수신기 바이스태틱 구조의 레이다를 이용하여 2차원 평면상에서 인체 위치를 효과적으로 추정하는 방법을 제안한다. 실제 측정 데이터를 기반으로 NLMS（normalized least mean square） 알고리즘과 PCA를 적용하여 정적 클러터 및 잡음을 제거하고, DBSCAN（density-based spatial clustering of applications with noise） 알고리즘을 활용하여 인체 신호를 추출한다. 이후 추출된 특징 벡터를 다양한 머신러닝 분류 모델에 적용하여 위치 추정 정확도를 비교 분석하고, 가장 우수한 성능을 보인 모델의 일반화 성능을 평가한다. 또한 송신기와 수신기의 배치를 변화시키면서 위치 추정 정확도를 비교하여 탐지 성능을 극대화할 수 있는 최적의 송수신기 배치를 탐색한다. 본 논문의 결과는 제한된 측정 데이터 환경과 단순한 레이다 시스템에서도 효율적인 인체 탐지가 가능함을 시사하며, 향후 재난 구조, 보안 감시, 실내 위치 추정 등 다양한 레이다 기반 센싱 응용 분야에서 활용될 수 있을 것으로 기대한다.
more목차
제 1 장 서론 1
제 2 장 IR-UWB 레이다 시스템 개요 4
제 1 절 IR-UWB 레이다 동작 원리 4
제 2 절 IR-UWB 레이다 시스템 구성 및 동작 파라미터 9
제 3 장 데이터 증강을 활용한 인원수 추정 성능 개선 13
제 1 절 서론 13
제 2 절 데이터 측정 시나리오 16
제 3 절 데이터 전처리 및 학습 데이터 구성 18
3.3.1 클러터 및 잡음 제거 기반 인체 특징 신호 추출 18
3.3.2 학습 데이터 구성 22
제 4 절 WGAN-GP 기반 특징 수준 데이터 증강 24
3.4.1 WGAN-GP의 학습 과정 24
3.4.2 WGAN-GP의 학습 결과 28
제 5 절 머신러닝 기반 인원수 추정 성능 평가 및 일반화 31
3.5.1 머신러닝 기반 인원수 추정 성능 평가 31
3.5.2 일반화 37
제 6 절 결론 41
제 4 장 머신러닝을 활용한 인체 위치 추정 성능 개선 43
제 1 절 서론 43
제 2 절 데이터 측정 시나리오 45
제 3 절 데이터 전처리 및 학습 데이터 구성 53
4.3.1 클러터 및 잡음 제거 53
4.3.2 인체 특징 신호 추출 57
제 4 절 머신러닝 기반 인체 위치 추정 성능 평가 62
4.4.1 학습 및 검증 62
4.4.2 테스트 64
제 5 절 최적 송수신기 배치 분석 69
제 6 절 결론 75
제 5 장 결론 77
참고문헌 79
Abstract 86
