다중센서 적응형 출생 강도 PHD 필터를 이용한 수동 다중표적 추적

본 논문은 수동 다중표적 추적 문제를 다루며, 특히 시간 차이(TDOA)와 주파수 차이(FDOA) 측정을 이용하는 분산형 센서 네트워크를 전제로 한다. 수동 시스템에서는 표적이 방출하는 신호 형태가 알려지지 않아, 센서 간의 상대적인 시간·주파수 차이만을 이용해 표적의 위치·속도 정보를 추정한다. 이러한 환경에서는 여러 표적이 동시에 존재할 경우 측정값이 겹치면서 ‘유령 표적’이 발생하고, 전통적인 측정‑표적 연관 알고리즘은 계산량이 급증한다. RFS(Random Finite Set) 이론을 기반으로 한 PHD(Probability Hypothesis Density) 필터는 표적 수와 상태를 확률적 집합으로 모델링해 연관 과정을 회피한다. 그러나 입자 필터 구현 시 출생 강도 γₖ|ₖ₋₁(x)를 어떻게 설정하느냐가 성능을 좌우한다. 기존 연구에서는 균일하거나 사전‑정의된 분포를 사용했지만, 이는 실제 측정과 무관한 영역에 입자를 낭비하게 만든다. 이에 저자들은 Ristic(2012)의 적응형 출생 강도 개념을 다중센서 상황에 확장한다. 핵심 아이디어는 각 센서가 제공하는 TDOA·FDOA 쌍을 이용해 ‘가능한’ 표적 상태를 직접 샘플링하고, 이를 출생 입자 집합으로 활용하는 것이다. 이를 위해 상태 벡터 x에 β 라벨을 추가해 신생(β=1)과 기존(β=0) 표적을 구분한다. 예측 단계에서는 기존 입자를 생존 확률 pₛ와 전이 밀도 π 로 전파하고, 신생 입자는 측정 조건부 분포 b(x|z) 로 샘플링한다. b(x|z)는 측정값 z에 대해 likelihood gₖ₊₁(z|x) 가 크게 되는 영역을 목표로 설계된다. 다중센서 업데이트는 iterated‑corrector 방식을 채택한다. 각 센서 l=1…L에 대해 순차적으로 PHD 업데이트를 수행한다. 구체적으로, 신생 입자 집합은 센서 l의 측정 Z^{(l)}ₖ에 의해 가중치가 재조정되고, 이후 ‘예측’ 단계에서 지속 입자 집합으로 전환된다. 이렇게 하면 한 센서에서 생성된 신생 입자가 다른 센서의 측정에도 반영되어 전체 네트워크가 공동으로 표적을 추적한다. TDOA·FDOA 측정 모델은 비선형·비가역적이다. 저자는 기존의 선형 가우시안 근사 대신, 기하학적 관계를 이용해 상태 샘플링 함수를 직접 유도한다. 예를 들어, 두 센서 사이의 시간 차이는 두 센서와 표적 사이 거리 차이에 비례하고, 주파수 차이는 상대 속도 차이에 비례한다. 이를 이용해 거리·속도 차이 곡선을 구하고, 해당 곡선 위에서 무작위로 위치·속도 후보를 추출한다. 이렇게 하면 샘플이 실제 측정과 높은 일치성을 보이며, 입자 수를 크게 늘리지 않아도 정확한 PHD 추정이 가능하다. 시뮬레이션에서는 2~4개의 센서가 배치된 환경에서 3~5개의 움직이는 표적을 추적한다. 비교 대상은 동일한 총 입자 수(N≈5000)를 사용한 균일 출생 입자 방식이다. 결과는 다음과 같다. (1) 평균 위치 오차는 적응형 방식이 0.45 m, 균일 방식이 0.68 m로 약 30% 감소한다. (2) 속도 추정 오차도 유사하게 감소한다. (3) 가짜 표적 발생 빈도는 적응형 방식에서 5% 이하로 억제되었으며, 균일 방식에서는 15% 이상이었다. (4) 계산 시간은 측정당 입자 샘플링 비용을 제외하면 차이가 거의 없으며, 실시간 구현이 가능한 수준이다. 결론적으로, 본 연구는 (i) 다중센서 PHD 필터에 적응형 출생 강도 프레임워크를 성공적으로 적용했으며, (ii) TDOA·FDOA와 같은 비선형 수동 측정에 특화된 샘플링 기법을 제시해 입자 효율성을 크게 향상시켰다. 이러한 접근은 제한된 연산 자원을 가진 SDR, 무인 잠수함 탐지, 수동 레이더, 음성 스피커 로컬라이제이션 등 다양한 실시간 수동 추적 응용에 직접 활용될 수 있다.