LSTM 기반 대포병탐지레이더 표적분류
LSTM 기반 대포병탐지레이더 표적분류
대포병탐지레이더의 빠른 표적/비표적 분류를 돕기 위한 인공신경망.
표적: 포탄.
비표적: 새, 비행기, 허상표적, 등 포탄 외 모든 것.
주요 성과
- 대포병탐지레이더가 수집한 실제 데이터에서 94.3% 정확도와 0.85 F1 점수를 달성.
- 특허 등록 번호: 10-2641022 (대한민국 육군 소유).
목적
이 연구의 목적은 대포병탐지레이더에 1차 표적/비표적 분류 필터로 사용될 경량 모델을 개발하는 것이다. 1차 필터로 사용될 모델이기 때문데 높은 재현율(recall)과 짧은 연산시간을 우선시 해야한다.
사용 가능한 데이터: 궤적의 좌표값, 레이더 반사 면적 (RCS), 신호 대 잡음비 (SNR), 시선속도, 등.
모델 출력값: [0,1]의 값 (0에 가까울수록 비표적, 1에 가까울수록 표적).
선행 연구
한 선행 연구에서 두 개의 LSTM 레이어 사이에 dropout 레이어를 추가한 모델을 사용하여 다음 네 가지 특징 조합 입력값으로 실험했다 [1].
시간 \(t\)에 탐지된 물체의 좌표값(east, north, up)을 각 \(e_t\), \(n_t\), \(u_t\)이라고 할때,
- Case 1: \(e_t\), \(n_t\), \(u_t\), 시선속도, RCS
- Case 2: \(\Delta e_t\), \(\Delta n_t\), \(\Delta u_t\), 시선속도, RCS
- Case 3: \(e_t / n_t\), 시선속도, RCS
- Case 4: \(\Delta (e_t / n_t)\), 시선속도, RCS
위 연구를 재현한 결과, 해당 모델들은 증강되지 않은 데이터()에서는 약 95%의 정확도와 0.88의 F1 점수를 기록하지만, 궤적 방향을 무작위로 변형한 증강 데이터()에서는 정확도가 60% 정도로 감소하는 것을 발견했다.
개선 방법
기존 모델의 문제점을 해결하기 위해, 궤적 방향에 영향 받지 않는 입력 특징 \(a_t\)와 \(\Delta u\)를 고안했다.
궤적 각도 변화량 \(a_t\)와 고도 변화량 \(\Delta u_t\)는 아래 공식을 사용하여 계산한다.
시간 \(t-1\), \(t\), \(t+1\)에 탐지된 물체의 좌표값(east, north, up)을 각각 \((e_{t-1}, n_{t-1}, u_{t-1})\), \((e_t, n_t, u_t)\), \((e_{t+1}, n_{t+1}, u_{t+1})\)이라고 할때,
\[v_t = [ e_t - e_{t-1} , n_t - n_{t-1} , u_t - u_{t-1} ]\] \[v_{t+1} = [ e_{t+1} - e_t , n_{t+1} - n_t , u_{t+1} - u_t ]\] \[a_t = \arccos(\frac{v_t \cdot v_{t+1}}{|v_t| |v_{t+1}|})\] \[\Delta u_t = u_t - u_{t-1}\]모델의 구조는 기존 연구와[1] 같게 2개의 LSTM 레이어 사이에 dropout 레이어를 추가한다.
연산시간을 단축하기 위해 궤적의 첫 13개의 데이터 포인트만 모델의 입력값으로 사용한다.
결과
- 94.3% 정확도와 0.85 F1 점수.
- 0.623 precision @ 0.98 recall.
- 0.813 precision @ 0.96 recall.
제한점 및 향후 연구방향
- 궤적 내 결측치에 견고한 모델을 만들어야 하기 때문에 다양한 보간법(interpolation)에 대한 실험과 결측치가 특성값에 미치는 영향에 대한 연구가 필요하다. 또한, 보간법 사용하는 대신 \(dt\) 또는 위치 임베딩(positional embedding)을 모델 입력값에 포함하는 방안도 있다.
- 멀티클래스 분류가 가능하도록 모델을 확장할 수 있다. 이를 통해 다양한 종류의 포탄이나 비표적(드론, 등)을 분류를 시도할 수 있다.
- 비슷한 파라미터 개수를 가진 트랜스포머 기반 모델은 LSTM 기반 모델보다 조금 낮은 성능(93.69% 정확도와 0.79 F1 점수)를 보였다. 입력 시퀀스 길이의 변화, 노이즈 강도의 변화, 결측치 비율의 변화, 등 다양한 상황에서 LSTM과 트랜스포머 모델의 성능을 비교해 볼 가치가 있다.
특허
본 연구를 토대로, 대한민국 육군 소유의 특허를 등록했다.
- 특허 이름: 인공지능 기반 대포병탐지레이더 표적분류 방법 및 시스템 (Artificial Intelligence-Based Target Classification Method and System For Counter-Battery Radar)
- 특허 등록번호: 10-2641022
참고문헌
[1] I.-S. Koh, H. Kim, S.-H. Chun, and M.-K. Chong, ‘Efficient Recurrent Neural Network for Classifying Target and Clutter: Feasibility Simulation of Its Real-Time Clutter Filter for a Weapon Location Radar’, Journal of Electromagnetic Engineering and Science, vol. 22, no. 1, pp. 48–55, 2022.