RADAR
RADAR(Radio Detection and Ranging)는 전파를 방출하고 — 자동차용 센서에서는 밀리미터파(mmWave) — 그 반사파를 측정한다. 각 검출에 대해 거리와, 도플러 효과 덕분에 방사 속도(목표물이 센서를 향해 다가오는지 멀어지는지, 그리고 얼마나 빠른지)를 반환한다. 이 검출별 속도 정보는 카메라나 LiDAR가 직접 제공하지 않는 것이다.
외부수용 센서들 사이에서 RADAR가 차지하는 위치:
| 속성 | RADAR | LiDAR | 카메라 |
|---|---|---|---|
| 비 / 안개 / 먼지 / 눈 | 강건함 | 저하됨 | 저하됨 |
| 어둠 | 작동함 | 작동함 | 실패함 (수동 RGB) |
| 각도 해상도 | 낮음 | 높음 | 높음 |
| 직접적인 속도 측정 | 가능 (도플러) | 불가능 | 불가능 |
| 측정 밀도 | 희소하고 잡음 많음 | 밀집 | 밀집 |
이러한 약점이 RADAR의 사용 방식을 결정한다. 반환 신호는 희소하고, 다중경로 반사와 유령 표적으로 뒤섞여 있으며, 각도 해상도는 LiDAR보다 훨씬 낮다 — 그래서 원시 RADAR 스캔은 정밀한 매핑의 기초로는 부적합하다. 대신 RADAR는 거의 항상 센서 융합의 한 입력으로 사용된다: 그 range-Doppler 검출값은 휠 오도메트리, IMU, 카메라, LiDAR 데이터와 결합되며, 전통적으로는 확장 칼만 필터를 통해(그리고 점점 더 팩터 그래프 백엔드를 통해) 결합된다. 도플러 속도는 특히 값어치가 있다 — 정적 세계에 대한 충분한 검출이 있으면, 단 하나의 스캔으로부터 센서 자신의 자기 속도(ego-velocity)를 추정할 수 있으며, 매핑 전에 움직이는 물체를 정적 배경으로부터 분리할 수 있다.
현대의 4D 이미징 RADAR는 고도(elevation) 정보와 훨씬 더 밀집된 포인트 클라우드를 추가하며, RADAR 단독 오도메트리/SLAM(스피닝 방식과 자동차용 RADAR 모두)은 활발한 연구 분야다 — 정확히 카메라와 LiDAR가 실패하는 곳에서 매력적이다: 화재 연기, 먼지 많은 광산, 심한 기상, 긴 고속도로 거리.
측정값이 어떻게 발생하는가 (한 단락으로 보는 FMCW)
자동차용 RADAR는 대개 FMCW(주파수 변조 연속파) 방식이다: 센서는 주파수가 선형으로 상승하는 “처프(chirp)“를 송신하고, 반사파를 송신 신호와 혼합한다. 거리는 두 신호 사이의 비트 주파수(왕복 지연에 비례)에 인코딩되고, 방사 속도는 연속된 처프 사이에서 관측되는 도플러 이동에 인코딩된다 — 파장 에 대해, 방사 속도 로 접근하는 표적은 반환 신호를 만큼 이동시킨다. 각도는 안테나 배열(수신기 간 위상차)로부터 얻어지는데, 이것이 바로 각도 해상도가 약한 축인 이유다: 이는 물리적 개구(aperture)로 제한되며, 범퍼에 장착된 센서에서는 그 크기가 몇 센티미터에 불과하다. 처프 데이터를 처리하면 검출점당 속도를 가진 희소한 “포인트 클라우드”로 도착하는 range-Doppler-angle 검출값이 산출된다.
도플러 자기 속도: 공짜로 얻는 오도메트리 측정값
도플러 채널은 단일 RADAR 스캔을 놀랍도록 정보가 풍부하게 만든다. 센서가 속도 로 움직이며 단위 방향 방향으로 보이는 세계의 정적 점 하나에 대해, 측정된 방사 속도는
각 정적 검출은 의 세 미지수에 대한 하나의 선형 방정식을 준다; 잘 퍼져 있는 세 개 이상의 정적 검출이 있으면 최소제곱법으로 단 하나의 스캔으로부터 완전한 자기 속도를 복원할 수 있으며, 대응점이나 스캔 매칭이 전혀 필요 없다. 움직이는 물체는 이 방정식을 위반하므로, 이를 RANSAC 안에서 실행하면 두 가지 작업을 동시에 수행하게 된다: 정적 세계의 합의 집합으로부터 자기 운동을 추정하는 동시에 이상치를 움직이는 물체로 표시하는 것이다 — 카메라와 LiDAR 파이프라인이 훨씬 더 애써야 얻는 깨끗한 동적/정적 분리를 얻는다. 이 “도플러 오도메트리”는 RADAR-관성 오도메트리의 표준적인 진입점이다.
흔한 함정
- RADAR 점을 LiDAR 점처럼 다루는 것 — RADAR 검출은 표면 샘플이 아니라 range-Doppler-angle 스펙트럼에서 처리된 피크다; RADAR “포인트 클라우드”에 순진하게 ICP를 적용하면 희소성, 클러터, 거대한 각도 불확실성과 씨름하게 된다.
- 다중경로와 유령 표적 — 전파는 가드레일, 트럭, 터널 벽에서 반사되어 실제 물체의 뒤 또는 옆에 검출값을 만든다; 강건한 연관과 이상치 게이팅이 필수다.
- 도플러가 방사 방향에만 유효하다는 것을 잊는 것 — 시선 방향에 수직으로 움직이는 표적은 도플러가 0이다; 접선 방향 운동은 단일 스캔에서 보이지 않는다.
- 비등방성 잡음 — 거리는 방위각(그리고 고도가 있다면 고도)보다 훨씬 정밀하게 측정된다; 등방성 공분산을 사용하면 센서가 가장 잘하는 축의 정보를 버리고 가장 못하는 축을 과신하게 된다.
- 외부 파라미터와 장착 오차 — 위의 자기 속도 방정식은 센서의 방향 벡터가 정확하다고 가정한다; 작은 장착 각도 오차는 모든 속도 추정치를 편향시키므로, RADAR 외부 파라미터 캘리브레이션은 카메라-IMU 캘리브레이션만큼이나 중요하다.
SLAM에서의 의미
RADAR는 전천후 센서다: 비, 안개, 먼지, 어둠 속에서도 인식이 계속 작동해야 할 때, 유용한 데이터를 계속 반환하는 유일한 외부수용 센서인 경우가 많다. 자동차와 필드 로보틱스 분야의 SLAM 엔지니어에게, 이는 RADAR 융합과 그 독특한 잡음 특성 및 도플러 측정값을 이해하는 것을 점점 더 요구되는 역량으로 만든다.