aspect angle과 활동 분류 데이터셋

보행 방향이 레이다 시선과 어긋나면 스펙트로그램은 어떻게 바뀌고, 데이터셋은 이것을 어떻게 다루는가?

레이다가 재는 속도는 표적의 전체 속도가 아니라 시선 방향의 성분, 곧 시선 속도이다. 보행자가 레이다를 정면으로 보고 걸으면(aspect angle 0°) 몸통 속도가 그대로 시선에 들어오지만, 비스듬히 걸으면 cos θ만큼 줄어든다.

R_k(t, \theta) = R_0 + x_k(t)\cos\theta + \delta_k(t)\cos\theta, \qquad z(t) = \text{표적 거리의 응답},\qquad X(t_0, f_D) = |\text{STFT}\{z(t)\}|^2

$R_k$ 는 산란점 $k$ 의 거리, $x_k(t)$ 는 몸통 위치의 변화, $\delta_k(t)$ 는 팔다리 변조, $\theta$ 는 aspect angle이다. cos θ가 모든 속도 성분에 똑같이 곱해지므로, aspect angle이 커지면 몸통 ridge와 팔다리 변조의 폭이 한꺼번에 좁아진다.

지금의 2차원 투영 모델에서는 +θ와 −θ의 cos θ가 같아 aspect angle의 부호가 대칭이다. 기본 데이터는 aspect angle의 절댓값 [0°, 60°]를 쓰고, stress 세트(일부러 어려운 물리 조건만 모은 테스트 세트)는 [60°, 80°]를 써서 Doppler 대역폭이 좁아지는 조건을 만든다.

그림의 슬라이더로 θ를 바꾸면 walk와 run의 스펙트로그램이 그 θ에서 다시 계산된다. 모든 산란점의 속도에 같은 cos θ가 곱해지므로 두 스펙트로그램이 함께 좁아지는 것을 볼 수 있다.

walk(1.2 m/s, 보행 주기 1 s)와 run(2.5 m/s, 0.7 s)은 앞의 산란점 모형으로 만들었다. Doppler 폭은 열마다 가장 센 셀에서 20 dB 안에 드는 셀의 v_r 범위를 열에 걸쳐 평균한 값이다.

θ = 30°에서 walk와 run의 Doppler 폭은 1.45 m/s와 2.83 m/s로 1.38 m/s 차이가 난다. θ = 70°에서는 0.64 m/s와 1.16 m/s로 차이가 0.52 m/s까지 준다. 60°를 넘으면 cos θ가 0.5 아래로 떨어지므로, 같은 몸의 운동도 레이다에 보이는 radial 성분은 절반 아래로 준다. 따라서 aspect angle stress는 어려운 샘플을 골라 모은 세트가 아니고, 입력 스펙트로그램의 움직임 폭 자체가 좁아진 조건이다. walk와 run의 Doppler 폭 차이도 그만큼 작아져 두 클래스가 가까워지고 분류 경계가 흔들린다.

활동 분류 데이터셋의 구성

활동 분류 데이터셋은 학습과 평가에 쓰는 기준 구성이다. 레이다 물리는 77 GHz FMCW로 통일하고, fast-time 축의 거리 FFT 뒤 표적 range bin에서 뽑은 slow-time 신호를 STFT한 1채널 스펙트로그램을 학습 입력으로 쓴다. 샘플마다 활동 라벨과 함께 거리, SNR, aspect angle, target_range_bin 같은 메타데이터를 저장한다.

항목	값	해석
반송파 주파수	77 GHz(W-band)	자동차와 실내 근거리 FMCW의 표준 대역
대역폭	50 MHz	$\Delta R = c/(2B) \approx 3$ m. RD 맵 탐지 사례(20장)와 같은 거리 분해능
chirp / PRI	$T_c = 2\,\mu$ s, PRI $T_r = 100\,\mu$ s	slow-time PRF $= 1/\text{PRI} = 10$ kHz
레이다 관측	관측마다 chirp 64개	레이다 물리의 기준. 행동 인식의 slow-time 관측은 이보다 훨씬 길다
샘플링(표본화)	$f_s = 200$ MHz	$f_s/B = 4$ 배 오버샘플링
거리 처리	국소 거리 압축 프레임	표적 둘레의 좁은 거리 윈도우에만 거리 FFT를 한다
Doppler 정보	표적 거리 신호의 STFT	표적 range bin의 slow-time 신호에 STFT( $n_{\text{fft}} = 256$ , hop 크기 64)
입력	1 × 128 × 128 스펙트로그램	위 STFT 결과를 dB로 정규화한 1채널 영상
클래스	walk, run, sit_down, fall, wave, idle	주기 운동, 과도 운동, 국소 운동, 정지 상태를 모두 담는다
기본 분할	학습 30K / 검증 3K / 테스트 3K	클래스 균형 IID 분할. 같은 분포에서 기본 성능을 본 뒤 stress로 넘어간다
aspect angle 규약	절댓값 [0°, 60°]	2차원 radial 투영이 부호 대칭이라 절댓값으로 통일한다
SNR 범위(기본)	5 – 25 dB	표적 ridge를 사람 눈으로 알아볼 수 있는 범위. low-SNR stress는 따로 둔다
표적 거리(기본)	6 – 18 m	흔한 실내·근거리 상황. far-range stress는 따로 둔다
stress 축	aspect angle, low SNR, far range	물리 조건의 변화에 대한 일반화를 확인하는 세 축

데이터 증강

기본 코드는 스펙트로그램에 증강을 적용하지 않는다. 최종 보고서에서 일반화를 실험하려면 움직임 모양을 깨지 않는 변환부터 시도한다.

frequency masking: 좁은 Doppler 대역을 무작위로 0으로 만들어, 모델이 한두 ridge에만 기대지 못하게 한다.
time masking: 짧은 시간 구간을 0으로 만들어, 과도 무늬 일부가 가려져도 클래스를 맞히도록 모델을 학습시킨다.

SpecAugment 방식 데이터 증강의 예 — SpecAugment 방식 증강의 예(walk). frequency masking, time masking, Doppler 뒤집기, 그리고 이들의 조합이다.

그림의 변환은 모두 ridge 모양 자체를 깨지 않는다. 증강이 움직임 모양을 깨면 분류기는 실제와 동떨어진 입력을 외우므로, 증강은 물리적으로 가능한 변화 안에서 설계한다.