KR20230146928A - 전파신호와 인공신경망을 이용한 거리 측정방법 및 그 장치, 이를 기록한 기록매체 및 그 기록매체에 기록된 컴퓨터프로그램 - Google Patents
전파신호와 인공신경망을 이용한 거리 측정방법 및 그 장치, 이를 기록한 기록매체 및 그 기록매체에 기록된 컴퓨터프로그램 Download PDFInfo
- Publication number
- KR20230146928A KR20230146928A KR1020220045945A KR20220045945A KR20230146928A KR 20230146928 A KR20230146928 A KR 20230146928A KR 1020220045945 A KR1020220045945 A KR 1020220045945A KR 20220045945 A KR20220045945 A KR 20220045945A KR 20230146928 A KR20230146928 A KR 20230146928A
- Authority
- KR
- South Korea
- Prior art keywords
- distance
- neural network
- artificial neural
- radio
- signal
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 95
- 238000000691 measurement method Methods 0.000 title claims abstract description 19
- 238000004590 computer program Methods 0.000 title claims description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 52
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims abstract description 26
- 238000012937 correction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 abstract description 11
- 239000010410 layer Substances 0.000 description 66
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 10
- 238000011176 pooling Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000015654 memory Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/35—Details of non-pulse systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
본 발명의 일 실시 예는 전파신호와 인공신경망을 이용한 거리 측정방법 및 그 장치를 제공한다. 본 발명의 실시 예에 따른 전파신호와 인공신경망을 이용한 거리 측정방법은, (a) 신호전처리부가 안테나와 오브젝트 사이의 광대역 주파수의 전파 송수신 동안 측정되는 거리 별로 전파신호 데이터를 수집 저장하여 거리계산의 예측모델을 위한 전파신호 학습데이터를 마련하는 단계; (b) 상기 신호전처리부가 상기 (a) 단계에서 제공되는 전파신호 학습데이터를 인공신경망부에 입력하여 상기 안테나와 오브젝트 사이의 광대역 주파수의 전파 송수신에 대한 거리예측모델을 생성하는 단계; 및 (c) 상기 신호전처리부에 연결되어 있는 거리산출부가 상기 (b) 단계에서 생성된 거리예측모델에 상기 (a) 단계에서 사용되는 광대역 주파수 전파의 각 주파수에 대응하는 산란계수 데이터를 상기 거리예측모델에 적용하여 상기 안테나와 오브젝트 사이의 거리를 산출하는 단계를 포함한다.
Description
본 발명은 전파신호와 인공신경망을 이용한 거리 측정방법 및 그 장치에 관한 것으로, 더욱 상세하게는, 전파신호를 인공신경망으로 처리하여 거리를 계산하는 전파신호와 인공신경망을 이용한 거리 측정방법 및 그 장치에 관한 것이다.
최근에는, 정밀 산업뿐만 아니라 자율 주행과 같은 고도화된 기술 영역이 확장되는 추세에 있으며, 정밀한 거리 측정에 대한 중요성이 높아지고 있다. 거리 측정 방식에는, 초음파 센서, 적외선 센서, 레이저, 라이다 등이 널리 사용되고 있다.
초음파 센서는 초음파를 대상물에 송신하고 대상물에서 반사되어 오는 반사파를 받을 때까지의 시간을 계측하여 거리를 계산하도록 구성된 것으로서, 의료 검사 장치, 이동수단, 로봇 및 무기에 주로 사용되고 있다.
이러한 초음파 센서는 초음파를 사용하므로 온도, 기압, 밀도, 매질의 종류와 같은 주변 환경 조건에 따라 음속이 변하여 거리 측정의 오차가 발생하고, 또한 측정 대상물 주변에 다른 여러 물체가 있을 경우 그 간섭 영향으로 인한 측정 오류가 발생하는 문제점을 안고 있다.
라이다는 레이저 펄스를 발사하고, 그 빛이 주위의 대상 물체에서 반사되어 돌아오는 것을 받아 물체까지의 거리 등을 측정함으로써 주변의 모습을 정밀하게 그려내도록 구성된 것으로서, 정밀한 거리와 실시간 측정이 가능하지만 비교적 가격이 고가이고, 펄스가 통과하는 매질 등의 주변 환경 조건에 따라 거리 측정이 달라지는 문제점이 있다.
이와 같은 현재 초음파나 레이저 등을 사용하는 주로 거리 측정 기술은 주변 환경에 따라 거리 측정 결과가 실제 거리와 오차가 발생하게 되는 문제점이 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 거리 측정의 매질과 주변환경 영향을 거의 받지 않으며, 비교적 가격이 저렴하며, 다양한 거리를 정확하게 측정할 수 있는 전파신호와 인공신경망을 이용한 거리 측정방법 및 그 장치, 이를 기록한 기록매체 및 그 기록매체에 기록된 컴퓨터프로그램을 제공하는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명의 구성은, (a) 신호전처리부가 하나 이상의 안테나와 하나 이상의 오브젝트 사이의 광대역 주파수의 전파 송수신 동안 측정되는 거리 별로 전파신호 데이터를 수집 저장하여 거리계산의 예측모델을 위한 전파신호 학습데이터를 마련하는 단계; (b) 상기 신호전처리부가 상기 (a) 단계에서 제공되는 전파신호 학습데이터를 인공신경망에 입력하여 상기 안테나와 오브젝트 사이의 광대역 주파수의 전파 송수신에 대한 거리예측모델을 생성하는 단계; 및 (c) 상기 신호전처리부에 연결되어 있는 거리산출부가 상기 (a) 단계에서 사용되는 광대역 주파수 전파신호에서 수집된 산란계수 데이터를 상기 (b) 단계에서 생성된 거리예측모델에 적용하여 상기 안테나와 오브젝트 사이의 거리를 산출하는 단계를 포함하는 전파신호와 인공신경망을 이용한 거리 측정방법을 제공한다.
본 발명의 일 실시 예에 있어서, 상기 (a) 단계에서 상기 신호전처리부는 하나 이상의 상기 안테나에 연결된 신호 획득부에 의해 하나 이상의 오브젝트에 대한 전파신호를 수집 저장하여, 수신된 전파신호의 광대역의 각 주파수 별 전파신호를 네트워크 분석기를 통해 분석하되, 각 주파수 별로 변환하여 산란계수 데이터를 저장할 수 있다.
본 발명의 일 실시 예에 있어서, 상기 신호전처리부는 상기 산란계수 데이터를 인공신경망의 입력층에 입력하며, 인공신경망의 출력층에서 상기 안테나와 오브젝트 사이의 예측거리 데이터를 출력하되, 상기 인공신경망의 은닉층에 마련되는 머신러닝을 통해 상기 안테나와 오브젝트 사이의 거리를 예측하는 상기 거리예측모델을 생성할 수 있다.
본 발명의 일 실시 예에 있어서, 상기 은닉층은 다수의 노드로 설계되되, 시그모이드(sigmoid) 함수를 사용할 수 있다.
본 발명의 일 실시 예에 있어서, 상기 거리산출부는 광대역 주파수 전파신호 별 산란계수 데이터를 최초거리산출부에 의해 상기 거리예측모델에 적용시켜 안테나와 오브젝트 사이의 거리를 산출하며, 상기 최초거리산출부에서 산출된 거리를 거리보정필터에 의해 보정하며, 상기 거리보정필터에서 보정된 거리를 최종거리산출부에 의해 계산하여 상기 안테나와 오브젝트 사이의 거리를 최종 산출할 수 있다.
본 발명의 다른 구성은 하나 이상의 안테나와 하나 이상의 오브젝트 사이의 광대역 주파수의 전파 송수신 동안 측정되는 거리 별로 전파신호 데이터를 수집 저장하여 거리계산의 예측모델을 위한 전파신호 학습데이터를 마련하되, 상기 전파신호 학습데이터를 인공신경망에 입력하여 상기 안테나와 오브젝트 사이의 광대역 주파수의 전파 송수신에 대한 거리예측모델을 생성하는 신호전처리부; 및 상기 신호전처리부에 연결되어 있으며, 상기 광대역 주파수 전파의 각 주파수에 대응하는 산란계수 데이터를 상기 거리예측모델에 적용하여 상기 안테나와 오브젝트 사이의 거리를 산출하는 거리산출부를 포함하는 전파신호와 인공신경망을 이용한 거리 측정장치를 제공한다.
본 발명의 일 실시 예에 있어서, 상기 신호전처리부는, 안테나와 오브젝트 사이의 광대역 주파수의 전파 송수신 동안 측정되는 거리 별로 전파신호 데이터를 수집 저장하여 거리계산의 예측모델을 위한 전파신호 학습데이터를 마련하는 신호획득부; 및 상기 전파신호 학습데이터를 인공신경망에 입력받고, 상기 하나 이상의 안테나와 하나 이상의 오브젝트 사이의 광대역 주파수의 전파 송수신에 대한 거리예측모델을 생성하는 인공신경망부를 포함할 수 있다.
본 발명의 일 실시 예에 있어서, 상기 신호전처리부는 하나 이상의 상기 안테나를 이용하여 상기 신호획득부에 의해 하나 이상의 오브젝트에 대한 전파신호를 수신하되, 수신된 전파신호의 광대역의 각 주파수 별 전파신호를 분석하는 네트워크 분석기를 더 포함하되, 상기 네트워크 분석기를 통해 분석되어 각 주파수 별로 변환되는 산란계수 데이터를 저장할 수 있다.
본 발명의 일 실시 예에 있어서, 상기 인공 신경망부는 상기 산란계수 데이터를 입력받는 입력층; 상기 안테나와 오브젝트 사이의 예측거리 데이터를 출력하는 출력층; 및 상기 입력층과 출력층 사이에서 상기 안테나와 오브젝트 사이의 거리예측모델을 머신러닝에 의해 생성하는 은닉층을 포함할 수 있다.
본 발명의 일 실시 예에 있어서, 상기 거리산출부는, 광대역 주파수의 전파신호 별로 수집된 산란계수 데이터를 상기 거리예측모델에 적용시켜 안테나와 오브젝트 사이의 거리를 산출하는 최초거리산출부; 상기 최초거리산출부에 연결되며 상기 최초거리산출부에서 산출된 거리를 보정하는 거리보정필터; 및 상기 거리보정필터에서 보정된 거리를 사용하여 상기 안테나와 오브젝트 사이의 거리를 최종 산출하는 최종거리산출부를 포함할 수 있다.
본 발명의 또 다른 구성은, 상기 전파신호와 인공신경망을 이용한 거리 측정방법에 따른 알고리즘을 기록한 기록매체를 제공할 수 있다.
본 발명의 또 다른 구성은, 상기 전파신호와 인공신경망을 이용한 거리 측정방법에 따른 알고리즘을 기록한 기록매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
상기와 같은 구성에 따른 본 발명의 효과는, 거리 측정의 매질과 주변 환경의 영향을 거의 받지 않으며, 비교적 가격이 저렴하며, 다양한 거리를 정확하게 측정할 수 있는 장점을 제공할 수 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시 예에 따른 전파신호와 인공신경망을 이용한 거리 측정방법의 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 전파신호와 인공신경망을 이용한 거리 측정장치의 개념도이다.
도 3은 도 2의 인공신경망부의 개념도이다.
도 4는 본 발명의 일 실시 예에 따른 다수의 안테나에 대한 전파송수신의 개념도이다.
도 5는 본 발명의 일 실시 예에 따른 다수의 오브젝트에 대한 안테나 송수신의 개념도이다.
도 6은 본 발명의 일 실시 예에 따른 거리 측정장치를 사용하여 오브젝트들 사이의 틈새 거리를 산출하는 개념도이다.
도 2는 본 발명의 일 실시 예에 따른 전파신호와 인공신경망을 이용한 거리 측정장치의 개념도이다.
도 3은 도 2의 인공신경망부의 개념도이다.
도 4는 본 발명의 일 실시 예에 따른 다수의 안테나에 대한 전파송수신의 개념도이다.
도 5는 본 발명의 일 실시 예에 따른 다수의 오브젝트에 대한 안테나 송수신의 개념도이다.
도 6은 본 발명의 일 실시 예에 따른 거리 측정장치를 사용하여 오브젝트들 사이의 틈새 거리를 산출하는 개념도이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시 예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시 예에 따른 전파신호와 인공신경망을 이용한 거리 측정방법의 순서도이고, 도 2는 본 발명의 일 실시 예에 따른 전파신호와 인공신경망을 이용한 거리 측정장치의 개념도이며, 도 3은 도 2의 인공신경망부의 개념도이고, 도 4는 본 발명의 일 실시 예에 따른 다수의 안테나에 대한 전파송수신의 개념도이며, 도 5는 본 발명의 일 실시 예에 따른 다수의 오브젝트에 대한 안테나 송수신의 개념도이다.
도 1 내지 도 5를 참조하면, 본 발명의 일 실시 예에 따른 전파신호와 인공신경망을 이용한 거리 측정방법은, 광대역 주파수의 전파 송수신에 따른 거리계산의 예측모델을 위한 전파신호 학습데이터를 마련하는 단계(S100), 전파신호 학습데이터를 기초로 광대역 주파수의 전파 송수신에 대한 거리예측모델을 생성하는 단계(S200), 및 거리예측모델을 이용하여 안테나(11)와 오브젝트 사이의 거리를 산출하는 단계(S300)를 포함하여 구성된다.
먼저, 전파신호 학습데이터를 마련하는 단계(S100)는, 신호전처리부(100)가 하나 이상의 안테나(11~nn)와 하나 이상의 오브젝트(20) 사이의 광대역 주파수의 전파 송수신 동안 수신되는 전파신호를 전처리하여 측정되는 거리 별로 전파신호 데이터를 수집한 후 변환하여 저장하는 것으로서, 신호획득부(110)를 구성하는 안테나(11)와 연결된 통신부, 신호를 처리하는 처리부, 및 저장부를 사용하여 수행될 수 있다. 신호획득부(110)는 통신부에서 전파신호를 수신하여, 처리부에서 변환 처리한 후, 저장부에 저장할 수 있다. 이때 처리부는 DSP와 같은 고속신호처리 프로세서를 구비할 수 있으며, 저장부는 RAM과 같은 메모리로 마련될 수 있다.
상기 전파신호 학습데이터를 마련하는 단계(S100)에서 신호전처리부(100)는 하나 이상의 안테나(11~nn)에 연결된 신호획득부(110)에 의해 하나 이상의 오브젝트(20)에 대한 전파신호를 수집 저장하여, 수신된 전파신호의 광대역의 각 주파수 별 전파신호를 네트워크 분석기를 통해 분석하되, 각 주파수 별로 변환하여 산란계수 데이터를 저장할 수 있다. 네트워크 분석기는 전기 네트워크의 네트워크 매개변수를 측정하는 도구로서, 통신부, 신호를 처리하는 처리부, 및 저장부 등을 포함할 수 있다.
산란계수 데이터는 특정주파수에서 입력 전압대 출력 전압의 비를 의미하는 것으로서, 주파수 영역에서 바라보는 파라미터이다. 예를 들어, 2 port 네트워크에서 S-parameter는 S11, S12, S21, S22로 표현한다. S21 이라 하면, 1번 포트에서 입력한 전압과 2번 포트에서 출력된 전압의 비율을 의미한다. 즉 1번으로 입력된 전력이 2번포트로는 얼마나 출력되는 가를 나타내는 수치이다.
거리예측모델을 생성하는 단계(S200)는, 신호전처리부(100)가 전파신호 학습데이터를 마련하는 단계(S100)에서 제공되는 전파신호 학습데이터를 인공신경망부(120)에 입력하여 안테나(11)와 오브젝트(20) 사이의 광대역 주파수의 전파 송수신에 대한 거리예측모델을 생성하는 것으로서, 수집된 전파신호를 기 설정된 활성화 함수가 적용된 인공신경망을 구축하고, 기계학습 엔진을 사용하여 전파신호로부터 거리 별 예측모델을 생성하는 단계이다.
신호전처리부(100)는 수집된 전파신호들의 산란계수 데이터를 인공신경망부(120)의 입력층(121)에 입력하며, 인공신경망부(120)의 출력층(123)에서 안테나(11)와 오브젝트(20) 사이의 예측거리 데이터를 출력하되, 인공신경망부(120)의 은닉층(122)에 마련되는 머신러닝을 통해 안테나(11)와 오브젝트(20) 사이의 거리를 예측하는 거리예측모델을 생성할 수 있다. 이때, 은닉층(122)은 다수의 노드로 설계되되, 시그모이드(sigmoid) 함수를 사용할 수 있다.
도 2와 도 4를 참조하면, 인공신경망부(120)은 입력층(121), 은닉층(122), 출력층(123)으로 설계되며, 각각의 층에는 활성화 함수가 적용된다. 입력층(121)은 광대역에서 각 주파수 별 산란계수의 크기인 산란계수 데이터를 입력받게 된다. 출력층(123)은 예측된 거리데이터를 출력하며, 은닉층(122)은 단일층에 다수의 노드로 설계되며, 각각에 예를 들어 시그모이드 함수를 사용한다. 입력층(121)에 광대역에서의 각 주파수 별 산란계수 데이터가 입력되면, 은닉층(122)을 거쳐 출력층(123)을 통해 거리가 예측되며, 기계학습을 통해 거리별 모델이 생성된다. 기계학습엔진은 Google에서 개발한 TensorFlow, MathWorks에서 개발한 MATLAB이 사용될 수 있다.
상기와 같은 신호전처리부(100)는 하드웨어적으로 머신러닝을 충분히 구현할 수 있는 처리속도를 제공하는 전용 프로세서와 인공신경망의 프로그램이 저장된 메모리를 구비하여 구현될 수 있다.
안테나(11)와 오브젝트(20) 사이의 거리를 산출하는 단계(S300)는, 신호전처리부(100)에 연결되어 있는 거리산출부(200)가 전파신호 학습데이터를 마련하는 단계(S100)에서 사용되는 광대역 주파수 전파신호에서 수집된 산란계수 데이터를 거리예측모델을 생성하는 단계(S200)에서 생성된 거리예측모델에 적용하여 안테나(11)와 오브젝트(20) 사이의 거리를 산출하는 것이다.
거리산출부(200)는 광대역 주파수 전파신호 별 산란계수 데이터를 최초거리산출부(210)에 의해 거리예측모델에 적용시켜 안테나(11)와 오브젝트(20) 사이의 거리를 산출하며, 최초거리산출부(210)에서 산출된 거리를 거리보정필터(220)에 의해 보정하여 거리 오차를 최소화하며, 거리보정필터(220)에서 보정된 거리를 최종거리산출부(230)에 의해 계산하여 안테나(11)와 오브젝트 사이의 거리를 최종 산출할 수 있다.
거리보정필터(220)로는 단순평균필터, 이동평균필터, 확장칼만필터 등 다양한 보정 방식이 적용될 수 있다.
도 2 내지 도 5를 참조하면, 본 발명의 일 실시 예에 따른 전파신호와 인공신경망을 이용한 거리 측정장치(10)는, 하나 이상의 안테나(11)와 하나 이상의 오브젝트(20) 사이의 광대역 주파수의 전파 송수신 동안 측정되는 거리 별로 전파신호 데이터를 수집 저장하여 거리계산의 예측모델을 위한 전파신호 학습데이터를 마련하되, 전파신호 학습데이터를 인공신경망부(120)에 입력하여 안테나(11)와 오브젝트(20) 사이의 광대역 주파수의 전파 송수신에 대한 거리예측모델을 생성하는 신호전처리부(100), 및 신호전처리부(100)에 연결되어 있으며 광대역 주파수 전파의 각 주파수에 대응하는 산란계수 데이터를 거리예측모델에 적용하여 안테나(11)와 오브젝트(20) 사이의 거리를 산출하는 거리산출부(200)를 포함하여 구성된다.
신호전처리부(100)는, 안테나(11)와 오브젝트(20) 사이의 광대역 주파수의 전파 송수신 동안 측정되는 거리 별로 전파신호 데이터를 수집 저장하여 거리계산의 예측모델을 위한 전파신호 학습데이터를 마련하는 신호획득부(110), 및 전파신호 학습데이터를 인공신경망에 입력받고 하나 이상의 안테나(11)와 하나 이상의 오브젝트(20) 사이의 광대역 주파수의 전파 송수신에 대한 거리예측모델을 생성하는 인공신경망부(120)를 포함할 수 있다.
또한, 신호전처리부(100)는 하나 이상의 안테나(11)를 이용하여 신호획득부(110)에 의해 하나 이상의 오브젝트(20)에 대한 전파신호를 수신하되, 수신된 전파신호의 광대역의 각 주파수 별 전파신호를 분석하는 네트워크 분석기를 더 포함하되, 네트워크 분석기를 통해 분석되어 각 주파수 별로 변환되는 산란계수 데이터를 저장할 수 있다.
인공 신경망부(120)는 산란계수 데이터를 입력받는 입력층(121), 안테나(11)와 오브젝트(20) 사이의 예측거리 데이터를 출력하는 출력층(123), 및 입력층(121)과 출력층(123) 사이에서 안테나(11)와 오브젝트(20) 사이의 거리예측모델을 머신러닝에 의해 생성하는 은닉층(122)을 포함할 수 있다.
한편, 거리산출부(200)는, 광대역 주파수의 전파신호 별로 수집된 산란계수 데이터를 거리예측모델에 적용시켜 안테나(11)와 오브젝트(120) 사이의 거리를 산출하는 최초거리산출부(210), 최초거리산출부(210)에 연결되며 최초거리산출부(210)에서 산출된 거리를 보정하는 거리보정필터(220), 및 거리보정필터(220)에서 보정된 거리를 사용하여 안테나(11)와 오브젝트 사이의 거리를 최종 산출하는 최종거리산출부(230)를 포함할 수 있다.
본 실시 예에 따른 거리측정장치(10)는, 자동차가 거리를 측정하는 예, 산업용 정밀기기가 거리를 측정하는 예 등에 적용될 수 있다. 거리측정장치(10)가 탑재되는 자동차는 오브젝트(20)와의 거리에 따라 거리를 산출하게 되며, 이를 응용하여 충돌방지센서 등으로 활용할 수 있다. 또한 거리측정장치(10)가 탑재되는 산업용 정밀기기는 주변 작업환경 변화에도 불구하고, 오브젝트(20) 사이의 거리를 산출할 수 있다. 이를 활용하여 전방의 물체를 검출하 등 응용할 수 있다. 이 외에도 다양한 장치 또는 도구에 등에 본 실시 예에 따른 거리측정장치가 응용될 수 있다.
도 6은 본 발명의 일 실시 예에 따른 거리 측정장치를 사용하여 오브젝트들 사이의 틈새 거리를 산출하는 개념도이다.
도 4 내지 도 6을 참조하면, 본 실시 예에 따르면, 안테나(11)를 이용하여 두 오브젝트(20) 사이의 틈새 거리(d)에 따른 전파신호를 각 거리 별로 수집하며, 전파신호를 수집할 시 안테나(11)가 하나뿐 아닌 다수의 안테나(11~nn)를 이용하여 전파신호를 수집하고, 전파신호의 반송 매질에 따른 전파신호를 수집하는 방법을 제공할 수 있다.
이하에서는, 본 발명의 일 실시 예에 따른 전파신호와 인공신경망을 이용한 거리 측정방법 및 그 장치의 주요한 알고리즘에 대해서 설명한다. 상기 본 실시 예에 따른 신호획득부는 하드웨어적으로 통신부, 저장부, 및 처리부를 포함할 수 있다.
통신부는 안테나를 통해 객체에 송신되는 신호의 주파수를 상승 변환 및 증폭하는 전파 송신기와, 수신되는 신호를 저 잡음증폭하고 주파수를 하강 변환하는 전파 수신기를 포함할 수 있다. 또한, 통신부는 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 복변조 회로를 포함할 수 있다.
저장부는 전파신호의 송수신에 필요한 프로그램 및 수집된 전파신호 데이터를 저장하는 역할을 수행하는 것으로서, 안테나를 통해 오브젝트(object, 객체)에서 반사된 전파신호를 소정 기간 저장할 수 있다.
처리부는 중앙처리장치(CPU: Central Processing Unit), 디지털신호처리기(DSP: Digital Signal Processor) 등으로 마련될 수 있다.
이러한 처리부에서는 구성부, 학습부, 인공 신경망부가 탑재되어 처리될 수 있다. 인공 신경망부는 심층신경망(Deep Neural Network, DNN) 및 추정부를 포함할 수 있다.
구성부는 통신부가 객체들로부터 수신한 복수의 전파신호로부터 심층 신경망에 입력되는 입력데이터를 생성하기 위한 것으로서, 통신부로부터 복수의 전파신호를 포함하는 전파 데이터가 입력되면, 복수의 전파신호 각각의 산란 정도에 따라 전파신호를 분류하여 산란계수 데이터를 생성할 수 있다. 이러한 산란계수 데이터는 심층신경망에 입력되는 입력데이터로 이용될 수 있다.
학습부는 산란계수 데이터에 레이블을 부여하는 레이블링을 수행하여 심층신경망에 대한 학습 데이터를 생성하고, 이를 이용하여 심층신경망을 학습시키기 위한 것으로서, CNN(Convolution Neural Network) 등과 같은 컨볼루션 신경망이거나, RNN(Recurrent Neural Network), LTSM(Long Short-Term Memory) 등의 순환 신경망이 될 수 있다. 하지만, 심층신경망을 이에 한정하는 것은 아니며, 은닉층이 복수의 계층으로 이루어진 모든 종류의 인공신경망은 본 발명의 실시예에 따른 심층신경망이 될 수 있다.
본 발명의 일 실시예에 따르면, 인공신경망으로서 심층신경망이 컨벌루션 신경망인 경우, 심층신경망은 입력층(input layer: IL), 교번으로 반복되는 적어도 한 쌍의 컨벌루션층(convolution layer: CL)과 풀링층(pooling layer: PL), 적어도 하나의 완전연결층(fully-connected layer: FL) 및 출력층(output layer: OL)을 포함할 수 있다.
본 발명의 일 실시예에 따른 심층신경망은 순차로 입력층(IL), 컨볼루션층(CL), 풀링층(PL), 완전연결층(FL) 및 출력층(OL)을 포함할 수 있다.
컨볼루션층(CL) 및 풀링층(PL)은 적어도 하나의 특징맵(FM: Feature Map)으로 구성된다. 특징맵(FM)은 이전 계층의 연산 결과에 대해 가중치 및 임계치를 적용한 값을 입력받고, 입력받은 값에 대한 연산을 수행한 결과로 도출된다. 이러한 가중치는 소정 크기의 가중치 행렬인 필터 혹은 커널을 통해 적용된다. 본 발명의 실시예에서 컨볼루션층(CL)의 컨벌루션 연산은 제1 필터가 사용되며, 풀링층(PL)의 풀링 연산은 제2 필터가 사용될 수 있다.
입력층(IL)에 입력데이터(소정 크기의 산란계수)가 입력되면, 컨볼루션층(CL)은 입력층(IL)의 입력 데이터에 대해 제1 필터를 이용한 컨벌루션(convolution) 연산 및 활성화함수에 의한 연산을 수행하여 적어도 하나의 제1 특징맵(FM1)을 도출한다. 이어서, 풀링층(PL)은 컨볼루션층(CL)의 적어도 하나의 제1 특징맵(FM1)에 대해 제2 필터(W2)를 이용한 풀링(pooling 또는 sub-sampling) 연산을 수행하여 적어도 하나의 제2 특징맵(FM 2)을 도출한다.
완결연결층(FL)은 복수의 연산노드(f1 내지 fx)로 이루어진다. 완결연결층(FL)의 복수의 연산노드(f1 내지 fx)는 풀링층(PL)의 적어도 하나의 제2 특징맵(FM2)에 대해 활성화함수에 의한 연산을 통해 복수의 연산값을 산출한다.
출력층(OL)은 복수의 출력노드(g1 내지 gy)를 포함한다. 완결연결층(FL)의 복수의 연산노드(f1 내지 fx) 각각은 가중치(W: weight)를 가지는 채널로 출력층(OL)의 출력노드(g1 내지 gy)와 연결된다. 다른 말로, 복수의 연산노드(f1 내지 fx)의 복수의 연산값은 가중치가 적용되어 복수의 출력노드(g1 내지 gy) 각각에 입력된다. 이에 따라, 출력층(OL)의 복수의 출력노드(g1 내지 gy)는 완결연결층(FL)의 가중치가 적용되는 복수의 연산값에 대해 활성화함수에 의한 연산을 통해 출력값을 산출한다.
전술한 컨벌루션층(CL), 완결연결층(FL) 및 출력층(OL)에서 사용되는 활성화함수는 시그모이드(Sigmoid), 하이 퍼볼릭탄젠트(tanh: Hyperbolic tangent), ELU(Exponential Linear Unit), ReLU(Rectified Linear Unit), Leakly ReLU, Maxout, Minout, Softmax 등을 예시할 수 있다. 컨벌루션층(CL), 완결연결층(FL) 및 출력층(OL)에 이러한 활성화함수 중 어느 하나를 선택하여 적용할 수 있다.
정리하면, 전술한 바와 같이, 인공신경망으로서 심층신경망은 복수의 계층을 포함한다. 또한, 심층신경망의 복수의 계층은 복수의 연산을 포함한다. 복수의 계층 각각의 연산 결과는 파라미터, 즉, 가중치, 임계치 등이 적용되어 다음 계층으로 전달된다. 이에 따라, 심층신경망은 입력데이터에 대해 복수의 계층의 가중치가 적용되는 복수의 연산을 수행하여 출력값을 산출하고, 산출된 출력값을 출력할 수 있다.
추정부는 심층신경망을 이용하여 전파 데이터에 포함된 객체의 거리 정보를 추정한다. 실질적으로, 심층신경망의 출력값은 확률이 될 수 있다. 추정부는 이러한 심층신경망이 출력한 확률을 기초로 전파 데이터에 포함된 객체의 거리 정보를 추정한다.
전술한 바와 같이 전파학습 데이터가 마련되면, 학습부는 심층신경망을 학습시킬 수 있다.
예컨대, 학습부는 전파학습 입력데이터를 심층신경망에 입력하고, 심층신경망이 각각이 가중치가 적용되는 복수의 계층의 복수의 연산을 통해 출력값을 산출하면, 출력값과 레이블 데이터와의 차이가 최소가 되도록 심층신경망의 파라미터를 수정하는 최적화를 통해 심층신경망을 학습시킬 수 있다.
전술한 바와 같이, 학습이 완료되면, 구성부는 안테나가 객체로 전파한 전파학습 데이터로부터 복수의 산란계수를 생성하고, 산란계수를 입력데이터로 심층신경망에 입력할 수 있다. 그러면, 심층신경망은 학습된 파라미터에 따라 복수의 계층의 가중치가 적용되는 복수의 연산을 통해 출력값으로 거리 정보에 대한 확률을 출력할 것이다. 그러면, 추정부에 해당되는 거리산출부는 출력값인 확률을 통해 객체들(예를 들어, obj1, obj2, obj3)에 대한 거리를 추정하여 계산할 수 있다.
한편, 본 발명의 또 다른 실시 예에 따르면, 전파신호와 인공신경망을 이용한 거리 측정방법에 따른 알고리즘을 기록한 기록매체를 제공할 수 있다.
또한, 본 발명의 또 다른 실시 예에 따르면, 전파신호와 인공신경망을 이용한 거리 측정방법에 따른 알고리즘을 기록한 기록매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다.
프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이처럼 본 발명은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함하는 외에, 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 신호전처리부
110: 신호획득부
120: 인공신경망부
200: 거리산출부
210: 최초거리산출부
220: 거리보정필터
230: 최종거리산출부
110: 신호획득부
120: 인공신경망부
200: 거리산출부
210: 최초거리산출부
220: 거리보정필터
230: 최종거리산출부
Claims (12)
- (a) 신호전처리부가 하나 이상의 안테나와 하나 이상의 오브젝트 사이의 광대역 주파수의 전파 송수신 동안 측정되는 거리 별로 전파신호 데이터를 수집 저장하여 거리계산의 예측모델을 위한 전파신호 학습데이터를 마련하는 단계;
(b) 상기 신호전처리부가 상기 (a) 단계에서 제공되는 전파신호 학습데이터를 인공신경망에 입력하여 상기 안테나와 오브젝트 사이의 광대역 주파수의 전파 송수신에 대한 거리예측모델을 생성하는 단계; 및
(c) 상기 신호전처리부에 연결되어 있는 거리산출부가 상기 (a) 단계에서 사용되는 광대역 주파수 전파신호에서 수집된 산란계수 데이터를 상기 (b) 단계에서 생성된 거리예측모델에 적용하여 상기 안테나와 오브젝트 사이의 거리를 산출하는 단계를 포함하는 것을 특징으로 하는 전파신호와 인공신경망을 이용한 거리 측정방법. - 제 1 항에 있어서,
상기 (a) 단계에서 상기 신호전처리부는 하나 이상의 상기 안테나에 연결된 신호 획득부에 의해 하나 이상의 오브젝트에 대한 전파신호를 수집 저장하여, 수신된 전파신호의 광대역의 각 주파수 별 전파신호를 네트워크 분석기를 통해 분석하되, 각 주파수 별로 변환하여 산란계수 데이터를 저장하는 것을 특징으로 하는 전파신호와 인공신경망을 이용한 거리 측정방법. - 제2항에 있어서,
상기 신호전처리부는 상기 산란계수 데이터를 인공신경망의 입력층에 입력하며, 인공신경망의 출력층에서 상기 안테나와 오브젝트 사이의 예측거리 데이터를 출력하되, 상기 인공신경망의 은닉층에 마련되는 머신러닝을 통해 상기 안테나와 오브젝트 사이의 거리를 예측하는 상기 거리예측모델을 생성하는 것을 특징으로 하는 전파신호와 인공신경망을 이용한 거리 측정방법. - 제3항에 있어서,
상기 은닉층은 다수의 노드로 설계되되, 시그모이드(sigmoid) 함수를 사용하는 것을 특징으로 하는 전파신호와 인공신경망을 이용한 거리 측정방법. - 제1항 내지 제4항 중 어느 한 항에 있어서,
상기 거리산출부는 광대역 주파수 전파신호 별 산란계수 데이터를 최초거리산출부에 의해 상기 거리예측모델에 적용시켜 안테나와 오브젝트 사이의 거리를 산출하며, 상기 최초거리산출부에서 산출된 거리를 거리보정필터에 의해 보정하며, 상기 거리보정필터에서 보정된 거리를 최종거리산출부에 의해 계산하여 상기 안테나와 오브젝트 사이의 거리를 최종 산출하는 것을 특징으로 하는 전파신호와 인공신경망을 이용한 거리 측정방법. - 하나 이상의 안테나와 하나 이상의 오브젝트 사이의 광대역 주파수의 전파 송수신 동안 측정되는 거리 별로 전파신호 데이터를 수집 저장하여 거리계산의 예측모델을 위한 전파신호 학습데이터를 마련하되, 상기 전파신호 학습데이터를 인공신경망에 입력하여 상기 안테나와 오브젝트 사이의 광대역 주파수의 전파 송수신에 대한 거리예측모델을 생성하는 신호전처리부; 및
상기 신호전처리부에 연결되어 있으며, 상기 광대역 주파수 전파의 각 주파수에 대응하는 산란계수 데이터를 상기 거리예측모델에 적용하여 상기 안테나와 오브젝트 사이의 거리를 산출하는 거리산출부를 포함하는 것을 특징으로 하는 전파신호와 인공신경망을 이용한 거리 측정장치. - 제6항에 있어서,
상기 신호전처리부는,
안테나와 오브젝트 사이의 광대역 주파수의 전파 송수신 동안 측정되는 거리 별로 전파신호 데이터를 수집 저장하여 거리계산의 예측모델을 위한 전파신호 학습데이터를 마련하는 신호획득부; 및
상기 전파신호 학습데이터를 인공신경망에 입력받고, 상기 하나 이상의 안테나와 하나 이상의 오브젝트 사이의 광대역 주파수의 전파 송수신에 대한 거리예측모델을 생성하는 인공신경망부를 포함하는 것을 특징으로 하는 전파신호와 인공신경망을 이용한 거리 측정장치. - 제7항에 있어서,
상기 신호전처리부는 하나 이상의 상기 안테나를 이용하여 상기 신호획득부에 의해 하나 이상의 오브젝트에 대한 전파신호를 수신하되, 수신된 전파신호의 광대역의 각 주파수 별 전파신호를 분석하는 네트워크 분석기를 더 포함하되,
상기 네트워크 분석기를 통해 분석되어 각 주파수 별로 변환되는 산란계수 데이터를 저장하는 것을 특징으로 하는 전파신호와 인공신경망을 이용한 거리 측정장치. - 제8항에 있어서,
상기 인공 신경망부는 상기 산란계수 데이터를 입력받는 입력층;
상기 안테나와 오브젝트 사이의 예측거리 데이터를 출력하는 출력층; 및
상기 입력층과 출력층 사이에서 상기 안테나와 오브젝트 사이의 거리예측모델을 머신러닝에 의해 생성하는 은닉층을 포함하는 것을 특징으로 하는 전파신호와 인공신경망을 이용한 거리 측정장치. - 제6항 내지 제9항 중 어느 한 항에 있어서,
상기 거리산출부는,
광대역 주파수의 전파신호 별로 수집된 산란계수 데이터를 상기 거리예측모델에 적용시켜 안테나와 오브젝트 사이의 거리를 산출하는 최초거리산출부;
상기 최초거리산출부에 연결되며 상기 최초거리산출부에서 산출된 거리를 보정하는 거리보정필터; 및
상기 거리보정필터에서 보정된 거리를 사용하여 상기 안테나와 오브젝트 사이의 거리를 최종 산출하는 최종거리산출부를 포함하는 것을 특징으로 하는 전파신호와 인공신경망을 이용한 거리 측정장치. - 제 1항에 따른 전파신호와 인공신경망을 이용한 거리 측정방법에 따른 알고리즘을 기록한 기록매체.
- 제 1항에 따른 전파신호와 인공신경망을 이용한 거리 측정방법에 따른 알고리즘을 기록한 기록매체에 저장된 컴퓨터 프로그램.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220045945A KR20230146928A (ko) | 2022-04-13 | 2022-04-13 | 전파신호와 인공신경망을 이용한 거리 측정방법 및 그 장치, 이를 기록한 기록매체 및 그 기록매체에 기록된 컴퓨터프로그램 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220045945A KR20230146928A (ko) | 2022-04-13 | 2022-04-13 | 전파신호와 인공신경망을 이용한 거리 측정방법 및 그 장치, 이를 기록한 기록매체 및 그 기록매체에 기록된 컴퓨터프로그램 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230146928A true KR20230146928A (ko) | 2023-10-20 |
Family
ID=88514616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220045945A KR20230146928A (ko) | 2022-04-13 | 2022-04-13 | 전파신호와 인공신경망을 이용한 거리 측정방법 및 그 장치, 이를 기록한 기록매체 및 그 기록매체에 기록된 컴퓨터프로그램 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20230146928A (ko) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190127827A1 (en) | 2016-05-04 | 2019-05-02 | Lumiant Corporation | Metallic matrix composites synthesized with uniform in situ formed reinforcement |
JP2019074480A (ja) | 2017-10-18 | 2019-05-16 | パナソニックIpマネジメント株式会社 | 距離測定装置 |
JP2019174381A (ja) | 2018-03-29 | 2019-10-10 | 株式会社ブイ・テクノロジー | 超音波距離測定装置及び超音波距離測定方法 |
US20210079882A1 (en) | 2018-01-12 | 2021-03-18 | Cummins Inc. | Systems and method for harmonizing knock in engine cylinders |
-
2022
- 2022-04-13 KR KR1020220045945A patent/KR20230146928A/ko not_active Application Discontinuation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190127827A1 (en) | 2016-05-04 | 2019-05-02 | Lumiant Corporation | Metallic matrix composites synthesized with uniform in situ formed reinforcement |
JP2019074480A (ja) | 2017-10-18 | 2019-05-16 | パナソニックIpマネジメント株式会社 | 距離測定装置 |
US20210079882A1 (en) | 2018-01-12 | 2021-03-18 | Cummins Inc. | Systems and method for harmonizing knock in engine cylinders |
JP2019174381A (ja) | 2018-03-29 | 2019-10-10 | 株式会社ブイ・テクノロジー | 超音波距離測定装置及び超音波距離測定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ullah et al. | A localization based on unscented Kalman filter and particle filter localization algorithms | |
US11829886B2 (en) | Epistemic and aleatoric deep plasticity based on sound feedback | |
KR102137825B1 (ko) | 딥러닝 기반 레이더 간섭 제거 장치 | |
KR101628154B1 (ko) | 수신 신호 세기를 이용한 다중 표적 추적 방법 | |
US5581490A (en) | Contact management model assessment system for contact tracking in the presence of model uncertainty and noise | |
Njima et al. | Deep learning based data recovery for localization | |
CN112014791B (zh) | 存在阵列误差的阵列pca-bp算法的近场源定位方法 | |
US20240053302A1 (en) | Ultrasonic non-destructive test method and system using deep learning, and auto-encoder-based prediction model training method used therefor | |
D’Avella et al. | RFID gazebo-based simulator with RSSI and phase signals for UHF tags localization and tracking | |
CN111983566A (zh) | 用于以流方式检测所接收的信号中的脉冲的***和方法 | |
Burks et al. | Optimal continuous state pomdp planning with semantic observations: A variational approach | |
CN116125386A (zh) | 一种稀疏水声测距增强的水下航行器智能定位方法和*** | |
CN115546608A (zh) | 一种无人机数据链电磁干扰分类和威胁评估方法 | |
KR102069100B1 (ko) | 뉴럴 네트워크 기반 FMCW LiDAR 신호처리 시스템 및 방법 | |
CN109212472B (zh) | 一种面向噪声环境下的室内无线定位方法及装置 | |
EP3988964A1 (en) | Method and device for time-of-flight estimate | |
US20170291718A1 (en) | Sea state estimation | |
US20190187251A1 (en) | Systems and methods for improving radar output | |
Baumgartner et al. | Robust deployment of dynamic sensor networks for cooperative track detection | |
KR20230146928A (ko) | 전파신호와 인공신경망을 이용한 거리 측정방법 및 그 장치, 이를 기록한 기록매체 및 그 기록매체에 기록된 컴퓨터프로그램 | |
CN117214398B (zh) | 一种深层地下水体污染物检测方法及*** | |
CN113126086B (zh) | 一种基于状态预测积累的生命探测雷达弱目标检测方法 | |
Tian et al. | Underwater target tracking based on the feature-aided GM-PHD method | |
KR102279563B1 (ko) | 레이더 신호 처리 장치 및 레이더 신호 처리 방법 | |
Angarano et al. | Ultra-low-power range error mitigation for ultra-wideband precise localization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal |