7.10 레이더 기반 인지의 장점과 한계

7.10 레이더 기반 인지의 장점과 한계

1. 레이더 기반 인지의 장점

1.1 기상 및 환경 조건에 대한 강건성

레이더 센서의 가장 두드러진 장점은 비, 눈, 안개, 먼지, 강한 역광 등 다양한 기상 및 환경 조건에서도 안정적으로 동작한다는 점이다. 밀리미터파(77 GHz 기준 파장 약 3.9 mm)는 가시광 및 근적외선 대비 대기 중 수적(water droplet)과 입자에 의한 산란과 흡수가 현저히 낮다. Hasirlioglu 등(2016)의 실험에 따르면, 강우량 50 mm/h 조건에서 77 GHz 레이더의 감쇠는 약 2 dB/km 수준으로, LiDAR 및 카메라 대비 탐지 성능 저하가 미미하다. 이러한 특성은 악천후 조건에서의 자율주행 안전성 확보에 핵심적 역할을 한다.

또한 레이더는 조도(illumination) 조건에 무관하게 동작한다. 카메라가 야간, 터널 진출입, 직사광선 등의 조건에서 영상 품질 저하를 겪는 반면, 레이더는 자체 전자기파를 방사하는 능동형 센서이므로 외부 조명 환경의 영향을 받지 않는다.

1.2 직접적인 속도 측정 능력

FMCW 레이더는 도플러 효과를 이용하여 표적의 시선 방향(radial) 상대 속도를 직접 측정한다. 이 속도 정보는 단일 프레임에서 즉시 획득되며, 카메라나 LiDAR에서 연속 프레임 간 대응점 추적(tracking)을 통해 간접적으로 추정하는 방식과 구별된다. 직접 속도 측정은 다음과 같은 이점을 제공한다.

  • 동적 객체와 정적 객체의 즉각적 분리: 도플러 속도가 0이 아닌 표적을 동적 객체로 즉시 분류할 수 있어, 정적 배경 제거와 이동 객체 검출이 용이하다.
  • 추적 필터의 초기화 가속: 칼만 필터(Kalman filter) 등의 추적 알고리즘에 속도 관측값을 직접 제공함으로써 상태 추정의 수렴 속도를 향상시킨다(Kellner et al., 2013).
  • 충돌 시간(Time-to-Collision, TTC) 추정의 정확도 향상: 거리와 접근 속도를 동시에 측정하므로 TTC 추정의 신뢰도가 높다.

1.3 장거리 탐지 능력

77 GHz 장거리 레이더는 반사 단면적(RCS)이 큰 차량 표적에 대해 200 m 이상의 탐지 거리를 확보한다. 레이더의 수신 전력은 거리의 4승에 반비례하나(P_r \propto 1/R^4), 차량의 금속 차체가 제공하는 큰 RCS(약 10–20 dBsm)와 높은 송신 전력 허용 범위에 의해 원거리 탐지가 가능하다. 이는 고속도로 주행에서 충분한 반응 시간을 확보하는 데 기여한다(Skolnik, 2008).

1.4 소형화와 경제성

밀리미터파 레이더는 반도체 SoC(System-on-Chip)로 집적되어 소형 폼팩터와 낮은 제조 원가를 달성하였다. Texas Instruments AWR 시리즈, NXP S32R 시리즈 등의 단일 칩 레이더 솔루션은 차량당 다수의 레이더를 경제적으로 배치하는 것을 가능하게 하며, 이미 양산 차량에 광범위하게 적용되고 있다. ADAS(Advanced Driver Assistance Systems) 기능의 보급에 레이더가 핵심적 역할을 수행한 배경에는 이러한 경제성이 있다.

1.5 관통 탐지 특성

밀리미터파는 일부 비금속 재질(플라스틱 범퍼, 도장면, 섬유 소재 등)을 투과할 수 있어, 레이더를 범퍼 뒤에 은닉 장착(hidden mounting)하는 것이 가능하다. 이는 차량 외관 디자인의 제약을 완화하며, 센서의 물리적 보호에도 유리하다.

2. 레이더 기반 인지의 한계

2.1 제한된 각도 분해능

기존 레이더의 가장 근본적인 한계는 카메라 및 LiDAR 대비 현저히 낮은 각도 분해능이다. 77 GHz 레이더의 파장은 약 3.9 mm로서, 가시광(약 0.5 μm)이나 LiDAR 파장(905 nm 또는 1550 nm) 대비 수천 배 이상 길다. 회절 한계(diffraction limit)에 의해 각도 분해능은 파장에 비례하고 안테나 개구(aperture) 크기에 반비례하므로, 차량에 장착 가능한 크기의 안테나로는 수 도(degree) 수준의 각도 분해능만을 달성할 수 있다.

이러한 제한된 각도 분해능은 다음과 같은 문제를 야기한다.

  • 인접 표적의 분리 불가: 수평 각도 분해능이 수 도 수준인 경우, 동일 거리 및 속도에 위치한 인접 차량이나 보행자를 개별 표적으로 분리하기 어렵다.
  • 표적 형상 정보의 부재: 기존 레이더는 표적을 점 표적(point target)으로만 인식하여, 객체의 형상이나 크기를 직접 추정하기 어렵다.
  • 횡방향 위치 추정의 부정확성: 넓은 빔폭으로 인해 표적의 횡방향(lateral) 위치 추정 오차가 크다.

4D 이미징 레이더의 등장으로 이 한계가 상당 부분 완화되고 있으나, LiDAR나 카메라 수준의 공간 분해능에는 여전히 미치지 못한다(Sun et al., 2021).

2.2 다중 경로 반사(Multipath) 문제

전자기파는 금속 구조물, 가드레일, 도로면, 콘크리트 벽 등에서 반사되어 다중 경로(multipath)를 형성할 수 있다. 다중 경로 반사는 실제로 존재하지 않는 위치에 허위 표적(ghost target)을 생성하며, 이는 자율주행 인지 시스템의 신뢰도를 저하시킨다. 터널 내부, 교량 하부, 금속 가드레일 인접 등 반사면이 많은 환경에서 이 문제가 두드러진다(Kraus et al., 2020).

2.3 클러터(Clutter)와 허위 경보

레이더는 관심 표적 외에도 도로면, 가드레일, 맨홀 뚜껑, 도로 표지판 지주 등 다양한 정적 구조물에서 반사파를 수신한다. 이러한 불필요한 반사를 클러터(clutter)라 하며, 클러터에 의한 허위 경보(false alarm)의 억제는 레이더 신호 처리의 핵심 과제이다. CFAR 알고리즘이 이를 위해 사용되나, 복잡한 도시 환경에서는 클러터 특성이 비균질(non-homogeneous)하여 CFAR 성능이 저하될 수 있다.

2.4 취약 도로 사용자(VRU) 탐지의 어려움

보행자, 자전거 이용자 등 취약 도로 사용자(Vulnerable Road User, VRU)는 차량 대비 RCS가 현저히 작다(보행자 약 0–5 dBsm). 작은 RCS는 신호 대 잡음비(SNR)의 감소를 초래하여 탐지 거리와 신뢰도가 제한된다. 또한 보행자의 비강체(non-rigid) 운동 특성은 도플러 스펙트럼을 복잡하게 만들어 분류를 어렵게 한다. 마이크로 도플러(micro-Doppler) 분석을 통해 보행자의 팔다리 운동 패턴을 식별하는 연구가 진행되고 있으나(Chen et al., 2006), 실시간 분류의 정확도는 카메라 기반 방식에 미치지 못한다.

2.5 횡방향 속도 측정의 한계

FMCW 레이더의 도플러 효과는 시선 방향(radial direction)의 상대 속도만을 측정한다. 따라서 레이더의 시선 방향에 수직으로 이동하는 표적(예: 교차로에서 횡단하는 차량)의 속도는 도플러 측정으로 직접 획득할 수 없다. 이 경우 다수 프레임에 걸친 위치 추적을 통해 속도를 간접적으로 추정하여야 하며, 이는 레이더의 직접 속도 측정이라는 고유한 장점을 활용할 수 없는 시나리오가 된다.

2.6 상호 간섭(Mutual Interference)

도로상에 다수의 차량이 동일 주파수 대역의 레이더를 운용하는 경우, 타 차량 레이더의 송신 신호가 자차 레이더의 수신기에 간섭(interference)으로 작용할 수 있다. 이러한 상호 간섭은 잡음 수준을 상승시켜 탐지 성능을 저하시킨다. 레이더 보급률이 증가함에 따라 이 문제의 심각성이 높아지고 있으며, 랜덤 처프(randomized chirp), 디지털 부호 변조(DCM), 간섭 완화 알고리즘 등의 대응 기술이 연구되고 있다(Brooker, 2007).

3. 레이더 인지 한계의 완화 방안

3.1 4D 이미징 레이더의 활용

4D 이미징 레이더는 수백에서 수천 개의 가상 안테나 채널을 통해 방위각과 앙각 모두에서 높은 분해능을 달성하여, 기존 레이더의 각도 분해능 한계를 상당 부분 극복한다. 이를 통해 레이더 점군(radar point cloud)의 생성이 가능해져 객체의 형상 인식, 분류, 자유 공간(free space) 추정 등의 작업에 활용할 수 있다.

3.2 심층 학습 기반 인지 알고리즘

원시 레이더 데이터(거리-도플러 맵, 거리-각도 맵, 레이더 점군)를 심층 학습 모델에 직접 입력하여 객체 검출, 분류, 의미적 분할 등을 수행하는 연구가 활발히 진행되고 있다. RadarNet(Yang et al., 2020), PointPillars의 레이더 점군 적용 등이 대표적이며, 기존 CFAR 기반 파이프라인 대비 클러터 및 다중 경로 환경에서의 인지 성능 향상이 보고되고 있다.

3.3 센서 융합을 통한 보완

레이더의 한계는 카메라 및 LiDAR와의 센서 융합을 통해 효과적으로 보완된다. 레이더가 제공하는 속도 정보와 기상 강건성은 카메라의 높은 공간 분해능 및 의미적(semantic) 인식 능력, LiDAR의 정밀한 3차원 기하 정보와 상호 보완적으로 결합되어 자율주행 인지 시스템의 전체적인 성능과 신뢰도를 향상시킨다.

참고문헌

  • Brooker, G. M. (2007). Mutual interference of millimeter-wave radar systems. IEEE Transactions on Electromagnetic Compatibility, 49(1), 170–181.
  • Chen, V. C., Li, F., Ho, S. S., & Wechsler, H. (2006). Micro-Doppler effect in radar: Phenomenon, model, and simulation study. IEEE Transactions on Aerospace and Electronic Systems, 42(1), 2–21.
  • Hasirlioglu, S., Doric, I., Lauerer, C., & Brandmeier, T. (2016). Modeling and simulation of rain for the test of automotive sensor systems. IEEE Intelligent Vehicles Symposium (IV), 286–291.
  • Kellner, D., Barjenbruch, M., Klappstein, J., Dickmann, J., & Dietmayer, K. (2013). Instantaneous ego-velocity estimation with Doppler radar. IEEE International Conference on Connected Vehicles and Expo (ICCVE), 592–597.
  • Kraus, F., Scheiner, N., Pfeuffer, A., Schiegg, M., & Dietmayer, K. (2020). Using machine learning to detect ghost images in automotive radar. IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC), 1–7.
  • Skolnik, M. I. (2008). Radar Handbook (3rd ed.). McGraw-Hill.
  • Sun, S., Petropulu, A. P., & Poor, H. V. (2021). MIMO radar for advanced driver-assistance systems and autonomous driving: Advantages and challenges. IEEE Signal Processing Magazine, 37(4), 71–89.
  • Yang, B., Guo, R., Liang, M., Casas, S., & Urtasun, R. (2020). RadarNet: Exploiting radar for robust perception of dynamic objects. European Conference on Computer Vision (ECCV), 496–512.

버전: v1.0, 2026-04-11