정리·개념 확인·참고 자료 · 22장 사례: 레이다 기반 지도 작성

정리

FMCW 데이터 큐브의 세 FFT(거리, Doppler, 도래각)는 서로 다른 물리량을 가르고, 한 단계의 분해능 부족이 BEV 지도의 셀 크기와 잘못된 점유로 번진다. 이 사례는 각도 MAE와 함께 같은 탐지 집합으로 만든 지도의 품질을 본다.
거리 분해능은 대역폭이, 각도 분해능은 개구가 정한다( $N_{rx}=8$ , $d=\lambda/2$ 에서 12.7°). 윈도우와 제로 패딩은 분해능을 바꾸지 못하고, 사각 윈도우의 −13.3 dB 사이드로브는 벽 둘레의 잘못된 점유가 된다.
지도는 세계 좌표계에 고정하고, 기본 실험은 자차 운동에 오차가 없다고 가정한다. 표준 장면은 도시 교차로이다.
가시성은 free 셀과 unknown 셀을 가른다. ray casting ISM은 hit, free, unknown의 세 영역을 다룬다.
도래각 오차는 거리에 비례해 횡방향 오차가 된다( $\Delta x_\text{lateral} \approx r\delta\theta$ ). 세 추정기는 같은 RD 셀의 안테나 벡터를 쓴다.
단일 표적 평가에서 MUSIC의 도래각 MAE(0.346°)가 가장 작고, RadarCubeDoANet(0.434°)은 point-grid IoU가 조금 높다. 격자 지표는 거리 분포와 격자 정렬에 민감하다.
움직이는 물체는 Doppler로 정지 군집( $v_r=v_\text{ego}\cos\theta$ )에서 갈라 정지 지도에서 빼고, 추적 층으로 넘긴다.
Bayesian 점유 격자 지도는 log-odds를 더해 쌓는다. 맞은 셀 +0.85, 지나온 셀 −0.85, 관측되지 않은 셀은 그대로이다.

개념 확인

도래각 오차가 1°이면 30 m 앞의 표적은 횡방향으로 약 몇 m 밀리는가?

풀이

답 0.52 m

힌트 $\Delta x \approx r\,\delta\theta$ 이고 $\delta\theta$ 는 라디안이다.

$30\times(\pi/180)=0.524$ m이다. 10 m에서는 0.17 m이므로 같은 각도 오차가 세 배 큰 지도 오차가 된다.

수신 안테나 8개가 반파장 간격으로 놓인 ULA의 정면 −3 dB 빔폭은 몇 도인가?

풀이

답 12.7 °

힌트 $\theta_{3\mathrm{dB}} \approx 0.886\lambda/(Nd)$ 라디안이다.

$0.886/(8\times0.5)=0.2215$ rad $=12.7°$ 이다. 이보다 가까운 두 표적은 거리-각도 맵에서 한 덩어리로 합쳐진다.

점유 격자의 한 셀이 처음(p = 0.5) 상태에서 세 번 연속 탐지되었다. 탐지마다 log-odds에 log(0.7/0.3)을 더하면 그 셀의 점유 확률은 얼마인가?

풀이

답 0.927

힌트 $l=3\times0.847$ 이고 $p=1/(1+e^{-l})$ 이다.

$l=3\times0.847=2.54$ 이고 $p=1/(1+e^{-2.54})=0.927$ 이다. 확률을 곱하는 대신 log-odds를 더하므로 관측이 쌓여도 계산이 덧셈 하나로 끝난다.

건물에 가려 레이다가 한 번도 보지 못한 셀은 점유 격자 지도에서 어떻게 두어야 하는가?

(가) 아무것도 탐지되지 않았으므로 free 셀로 갱신한다.
(나) unknown 셀(p = 0.5)로 두고 갱신하지 않는다.
(다) 주변 셀의 평균으로 채운다.

풀이

답 (나) unknown 셀(p = 0.5)로 두고 갱신하지 않는다.

(가) 탐지가 없는 것과 비어 있는 것은 다르다. 가려진 셀을 비었다고 하면 안전 시스템이 위험한 판단을 한다.
(다) 관측하지 않은 값을 지어내는 것이다. 지도는 직접 LOS로 본 영역의 누적이어야 한다.

ray casting ISM은 센서에서 hit 셀까지의 빔 위만 free 셀로 갱신하고, 그 뒤와 시야 밖은 이전 값을 그대로 둔다.

참고 자료

radar-ai-projects, 레이다 지도 작성 사례: 예제 코드, 결과 요약.
A. Elfes, "Using occupancy grids for mobile robot perception and navigation," Computer, vol. 22, no. 6, pp. 46–57, 1989, doi: 10.1109/2.30720.
S. Thrun, W. Burgard, and D. Fox, Probabilistic Robotics. Cambridge, MA, USA: MIT Press, 2005, ISBN 978-0-262-20162-9. 9장(점유 격자 지도).
D. Kellner, M. Barjenbruch, J. Klappstein, J. Dickmann, and K. Dietmayer, "Instantaneous ego-motion estimation using Doppler radar," in Proc. 16th Int. IEEE Conf. Intell. Transp. Syst. (ITSC), 2013, pp. 869–874, doi: 10.1109/ITSC.2013.6728341.
B. Major et al., "Vehicle detection with automotive radar using deep learning on range-azimuth-Doppler tensors," in Proc. IEEE/CVF Int. Conf. Comput. Vis. Workshops (ICCVW), 2019, pp. 924–932, doi: 10.1109/ICCVW.2019.00121.
A. Palffy, J. Dong, J. F. P. Kooij, and D. M. Gavrila, "CNN based road user detection using the 3D radar cube," IEEE Robot. Autom. Lett., vol. 5, no. 2, pp. 1263–1270, 2020, doi: 10.1109/LRA.2020.2967272.
Z. Wei et al., "Deep radar inverse sensor models for dynamic occupancy grid maps," in Proc. IEEE Int. Conf. Intell. Transp. Syst. (ITSC), 2023, doi: 10.1109/ITSC57777.2023.10422593. arXiv:2305.12409
X. Zhuang et al., "EFEAR-4D: Ego-velocity filtering for efficient and accurate 4D radar odometry," IEEE Robot. Autom. Lett., 2024. arXiv:2405.09780
S. Yao et al., "Exploring radar data representations in autonomous driving: A comprehensive review," IEEE Trans. Intell. Transp. Syst., 2025. arXiv:2312.04861
그림 출처: FMCW 큐브 단면, 가시성 시퀀스, 도래각-지도 비교 그림은 radar-ai-projects의 레이다 지도 작성 사례 실행 결과이다.

정리

개념 확인

참고 자료

함께 읽을 자료