합성 FMCW 탐지 데이터셋
왜 합성 데이터로 시작하고, 그 데이터는 어떻게 생겼는가?
실제 레이다 기록은 중요한 자료이지만, 처음부터 실제 기록만 쓰면 셀 단위 라벨을 만들 수 없고 실패 원인을 가르기도 어렵다. 합성(synthetic) FMCW 환경은 표적의 거리, 속도, RCS, 클러터 조건을 통제하면서 탐지기의 기본 동작을 확인하는 실험 무대이다.
이 설정에서는 표적의 정답(ground truth)을 알기 때문에 라벨을 물리 조건과 바로 이을 수 있다. SNR, 클러터 전력, 표적 수 같은 변수를 샘플마다 메타데이터로 함께 저장한다. 그러면 U-Net이 좋아 보이는 이유가 화면 정규화 때문인지, 라벨 기준 때문인지, MTI 뒤에 남은 움직이는 표적의 구조 때문인지 따로 떼어 볼 수 있다. 학습이 안 되면 모델 용량을 키우기 전에 라벨과 입력부터 의심해야 하는데, 통제된 시뮬레이션이어야 그것을 하나씩 확인할 수 있다.
이 결과를 실제 운용 레이다의 benchmark로 그대로 넓혀 해석하면 안 된다. 실제 장비에서는 보정(calibration), 하드웨어 결함, 다중 경로, 시간에 따라 바뀌는 클러터, 추적 오차가 더해진다. RD 맵 탐지 사례는 이런 요소를 모두 풀지 않고, RD 맵 탐지기를 학습하기 전에 필요한 물리적 기준선을 세운다.
탐지 데이터셋은 전체 데이터로 학습할 때 쓰는 기준 구성이다. 원시 beat 신호를 고정 눈금의 복소 16비트 I/Q로 양자화하고, MTI와 FFT를 거쳐 학습 입력으로 저장한다. 아래 표는 항목마다 물리적 뜻과 학습상의 뜻을 함께 적었다.
| 항목 | 값 | 해석 |
|---|---|---|
| 반송파 주파수 | 9.6 GHz(X-band) | 지상·해상 감시 레이다에서 흔한 대역으로, 강우 감쇠와 분해능 사이의 균형이 좋다 |
| 대역폭 | 50 MHz | m. 차량 크기의 표적이 range bin 1–2개에 걸쳐 보이는 정도이다 |
| 샘플링(표본화) 주파수 | MHz | 배 오버샘플링. 고속 ADC를 가정한 합성 환경이다 |
| RD 맵 크기 | 64 × 200 | chirp 64개를 묶어 Doppler 축, 거리 FFT로 range bin 200개. 관측 시간이 짧아 모호하지 않은 속도 범위가 좁다 |
| 신경망 입력 | 2 × 64 × 200 | log-magnitude와 위상을 두 채널로 넣는다. 진폭은 표적의 세기, 위상은 Doppler 일관성을 보탠다 |
| 저장 형식 | x = float16, y = uint8, rdm_mag_linear = float32 | 학습 입력은 작게, CFAR 비교용 선형 크기는 정밀도 손실을 피하려 float32로 둔다 |
| 클러터 | 정지 클러터만 | 다중 경로 고스트와 Doppler 꼬리는 일부러 뺐다. 움직이는 표적을 가르는 데 집중한다 |
RD 맵의 동적 범위는 수십 dB에 이른다. 테스트 세트에서 라벨이 있는 표적의 피크 SNR 중앙값은 21.398 dB이다. 선형 크기를 그대로 넣으면 큰 값에 학습이 몰려 약한 표적의 신호가 묻히므로, log-magnitude로 동적 범위를 압축해 약한 표적도 학습에 보이게 한다. 위상 채널은 MTI 뒤의 Doppler 구조를 보조로 주어, 크기가 같아도 움직임의 일관성이 다른 셀을 가를 수 있게 한다.
정규화는 데이터셋 전체의 통계 대신 RD 맵마다 크기의 중앙값을 noise floor로 삼아 한다. 이 기준으로 잰 log-magnitude를 [−20, 40] dB로 자르고 [0, 1]로 옮기며, 위상은 π로 나눈다.