CFARNet: 레인보우 빔 레이더를 위한 학습 기반 고해상도 다중 목표 탐지

초록

본 논문은 레인보우 빔을 이용한 mmWave OFDM 레이더에서 기존 CFAR 검출기의 한계를 극복하고자, 각도‑도플러 스펙트럼에서 목표 서브캐리어 인덱스를 직접 예측하는 CNN 기반 CFARNet을 제안한다. 예측된 인덱스를 이용해 알려진 주파수‑각도 매핑으로 각도를 복원하고, MUSIC 알고리즘으로 고해상도 거리·속도를 추정한다. 시뮬레이션 결과, 저전력·고밀도 다중 목표 상황에서 기존 CFAR+MUSIC 대비 검출 정확도와 파라미터 추정 오차가 크게 개선되었으며, 연산 효율성도 향상됨을 확인하였다.

상세 분석

CFARNet의 핵심 아이디어는 전통적인 2‑D CFAR 검출이 수행하는 “셀‑별 잡음 통계 기반 임계값 설정 → 피크 검출” 과정을 완전 데이터‑드리븐 방식으로 대체하는 것이다. 논문은 먼저 레인보우 빔포밍을 구현하기 위해 위상‑시간 배열(PTA)의 위상 및 지연 설정을 수식 (1)–(3)으로 정의하고, 각 서브캐리어가 서로 다른 방위각을 담당하도록 설계한다. 이렇게 하면 수신된 에코는 각 서브캐리어 인덱스와 목표 각도 사이에 일대일 대응 관계가 존재한다는 점이 핵심이다.

전통 파이프라인(YOLO 기반)에서는 수신 신호 Y_echo에 대해 시간축 FFT를 수행해 각도‑도플러 스펙트럼 Y_AD를 만든 뒤, 절대값을 취한 뒤 2‑D 셀‑어버리징 CFAR을 적용한다. 이때 주변 셀의 잡음 통계가 정확히 추정되지 않으면, 특히 목표가 각도·도플러 영역에서 서로 겹치거나 반사 강도가 크게 차이날 경우 피크가 합쳐지거나 누락되는 문제가 발생한다.

CFARNet은 이러한 문제를 해결하기 위해 로그‑스케일 변환 L_AD = log(1+|Y_AD|)를 입력으로 사용한다. 로그 변환은 동적 범위를 압축해 약한 목표도 시각적으로 강조하고, 신경망 학습의 수렴성을 높인다. 네트워크 구조는 2‑D 컨볼루션 블록 4개(채널 1→64→128→256→512)와 Max‑Pooling을 통해 도플러 차원을 축소한 뒤, 1‑D 컨볼루션 블록 2개와 최종 Conv1D 레이어로 M(2048)개의 로짓을 출력한다. 로짓은 각 서브캐리어가 피크일 확률을 나타내며, 다중 라벨 BCE 손실과 가우시안 라벨 스무딩(σ_loss)으로 학습한다. 가우시안 스무딩은 실제 피크 주변의 작은 위치 오차에 대해 부드러운 그래디언트를 제공해, 네트워크가 “근접 피크”를 구분하는 능력을 강화한다.

학습은 AdamW(lr=1e‑4, weight_decay=1e‑5)와 CosineAnnealingLR 스케줄러, 조기 종료(Early Stopping)로 진행되며, 데이터는 최소 각도 간격 Δϕ_min=1°인 가장 어려운 상황에서 50k 샘플을 생성해 35k/7.5k/7.5k 비율로 train/val/test로 분할한다. 전송 전력(P_t) 별로 별도 모델을 학습했으며, 이는 SNR 변화에 대한 적응성을 확보한다.

예측된 서브캐리어 인덱스 m_CNN,k는 식 (13)의 주파수‑각도 매핑을 통해 각도 ϕ̂_k를 복원한다. 이후 해당 인덱스를 중심으로 ±W_MUSIC(=10) 서브캐리어를 선택해 부분 스펙트럼 Y_sub을 만든 뒤, MUSIC 알고리즘을 적용한다. 거리 추정은 서브캐리어 인덱스에 대한 위상 모델 R(r)와 잡음 서브스페이스 U_n,R을 이용해 스펙트럼 피크를 찾고, 속도 추정은 시간 인덱스에 대한 위상 모델 D(v)와 잡음 서브스페이스 U_n,D를 이용한다.

시뮬레이션 결과는 두 가지 주요 축에서 CFARNet의 우수성을 입증한다. 첫째, 전송 전력 45 dBm에서 최소 각도 간격 1°인 경우 90번째 백분위수 오류가 기존 CFAR+MUSIC 대비 약 3 dB 향상되었다. 둘째, 목표 수 K가 5까지 증가해도 오류 상승 폭이 완만했으며, 특히 저전력·고밀도 상황에서 CFARNet은 목표를 모두 정확히 검출하고 위치 오차를 <0.5° 수준으로 유지했다. 또한, CNN 기반 피크 검출은 2‑D CFAR에 비해 연산 복잡도가 O(M·N_s)에서 O(M) 수준으로 감소해 실시간 구현 가능성을 높인다.

본 연구는 레인보우 빔 레이더의 구조적 특성을 활용해 서브캐리어‑각도 매핑을 명시적으로 이용하고, 데이터‑드리븐 피크 검출을 결합함으로써 전통적인 통계 기반 검출기의 한계를 극복했다. 향후 연구에서는 실제 하드웨어 테스트, 클러터·다중 경로 환경에 대한 일반화, 그리고 목표 속도·가속도 추정까지 확장하는 방향이 제시된다.