Simulation Reality: 레이다 애플리케이션을 위한 인공지능(AI)/기계학습(ML) 시스템에서의 Synthetic Data의 중요성

출처: Ansys Blog February 8, 2023 Simulation Reality: The Importance of Synthetic Data in AI/ML Systems for Radar Application

 

요즘 인공지능 및 기계학습 시스템은 레이다 응용 분야에서 핵심적인 역할을 하고 있습니다. 그러나 실제 데이터를 획득하고 처리하는 것은 종종 어려운 일이며 비용이 많이 듭니다. 따라서 Synthetic Data의 활용은 이러한 어려움을 극복하고 효율적인 시스템 구축에 기여할 수 있습니다.

Synthetic Data는 실제 상황을 모방하여 생성된 데이터로, 레이다 애플리케이션에서의 다양한 시나리오를 대표할 수 있습니다. 이러한 Synthetic Data를 활용하면 다양한 조건에서 시스템의 성능을 테스트하고 향상시키는 데 도움이 됩니다. 또한, Synthetic Data는 현실 세계에서 얻기 어려운 특수한 상황이나 경험을 시뮬레이션할 수 있어, 시스템이 다양한 상황에서 안정적으로 작동할 수 있도록 돕습니다.

이 글에서는 Synthetic Data가 레이다 응용에서의 인공지능 및 기계학습 시스템에 미치는 중요성에 대해 논의하고, 이를 통해 시스템의 효율성과 안정성을 향상시킬 수 있는 방법을 탐구합니다.

 

Simulation Reality: 레이다 애플리케이션을 위한

인공지능/기계학습 시스템에서의 Synthetic Data의 중요성

 

 

인공 지능과 기계 학습(AI/ML)은 차세대 레이다 인식 개발을 주도하고 있습니다. 그러나 이러한 AI/ML 기반 인식 모델에는 새로운, 보이지 않는 데이터 및 시나리오에 대해 정확한 예측을 하기 위해 패턴과 관계를 학습하는 데 충분한 데이터가 필요합니다.

 

레이다  애플리케이션 분야에서 이러한 모델을 훈련하는 데 사용되는 데이터는 종종 실제 측정에서 수집되므로 데이터의 품질, 수량 및 적용 범위가 제한될 수 있습니다.  Synthetic Data는 실제 데이터를 실제 시스템의 동작을 모방하는 인위적으로 생성된 데이터로 확대하거나 대체함으로써 이러한 한계를 극복할 수 있는 잠재력을 제공합니다.

 

시뮬레이션은 Synthetic Data를 수집하는 가장 강력한 도구 중 하나입니다. 수많은 조건을 가상으로 복제하고 테스트하는 능력 외에도 시뮬레이션은 현실 세계에서 관찰하기가 드물거나 어렵거나 위험한 사례를 포함하여 광범위한 시나리오를 포괄하는 대량의 Synthetic Data 를 생성할 수 있습니다. 이는 보다 구체적이고 고유한 상황을 데이터에 알려줌으로써 AI/ML 기반 레이다 인식 모델의 성능과 일반화 가능성을 향상시키는 데 도움이 될 수 있습니다.

 

Ansys는 SBR(촬영 및 반사 광선) 방법을 기반으로 한 전자기 시뮬레이션 기술을 사용하여 복잡한 레이다 시나리오를 실시간으로 모델링하기 위한 효율적인 시뮬레이션 워크플로우를 개발했습니다. 이 솔버는 Ansys HFSS에 있는 것과 동일한 SBR 솔버를 기반으로 하며 그래픽 처리(GPU) 장치를 가속화하여 실시간으로 시뮬레이션을 수행합니다. 이 레이다 센서 시뮬레이션 기능은 Ansys AVxcelerate Sensors 추가 기능 내에서 사용할 수 있습니다. 이 시리즈의 다음 블로그에서 Ansys의 레이다 센서 기능과 관련 사용 사례를 살펴보겠습니다. 먼저 레이다 애플리케이션에서 Synthetic Data 의 중요성에 대해 자세히 살펴보겠습니다.

 

Synthetic Data: Overcoming Challenges, Fast 

AI/ML 모델을 훈련하고 테스트할 목적으로 Synthetic Data는 실제 데이터에 비해 많은 잠재적 이점을 가지고 있습니다. 첫째, 사용하기 전에 실제 데이터에 라벨을 붙이고 삭제해야 하지만 이는 Synthetic Data 와 시뮬레이션에 내재되어 있습니다. 시뮬레이션 모델을 구축하려면 포함할 구성 요소와 배치 위치를 선택합니다. 이는 귀하가 환경을 통제하고 본질적으로 연구의 기본 진실을 선택하고 생성한다는 것을 의미합니다. 결과적으로 시뮬레이션을 사용하면 AI/ML 훈련에 필요한 레이블이 매우 정확해집니다. 마찬가지로 Synthetic Data 를 사용하여 딥 러닝 프로세스와 신경망(NN)을 효과적으로 훈련할 수 있습니다.

 

 

그림 1: Synthetic Data를 사용하여 딥 러닝 프로세스 및 신경망(NN)을 포함한 인공 지능/머신 러닝(AI/ML) 모델을 교육할 수 있습니다.

 

또한 구성 공간의 구석에서 극단적인 수준에 대해 여러 매개변수를 테스트하는 코너 케이스 테스트는 현실 세계에서 불가능하지는 않더라도 매우 어렵습니다. 역사적으로 AI/ML 알고리즘은 이러한 특수 사례에 대한 모델을 정확하게 훈련하고 결과적으로 실패할 만큼 충분한 실제 테스트 데이터를 갖추고 있지 않습니다. 그러나 시뮬레이션을 사용하면 위험하거나 거의 발생하지 않는 상황을 쉽게 재현하여 물리적 테스트의 공백을 메울 수 있습니다. 이러한 방식으로 Synthetic Data 는 샘플 크기를 늘리고 실제 데이터만으로는 불가능한 고유한 교육 기회를 제공함으로써 실제 테스트를 보완하고 강화합니다

 

.

그림 2. 이 비디오는 기계 학습 기반 레이다 인식 및 시뮬레이션을 사용하여 자율 주행 차량의 시나리오를 평가하는 방법을 보여줍니다. 시뮬레이션 결과는 비디오 오른쪽 상단의 PIP(Picture-in-Picture) 이미지에 표시됩니다.

이는 실제 측정값을 얻기가 너무 어렵거나 불가능할 수 있는 위험하고 복잡한 상황을 평가할 때 특히 유용합니다.

 

Synthetic Data는 다양한 애플리케이션에서 효과적인 도구임이 입증되었습니다. 그러한 예 중 하나는 그림 2에 설명된 것처럼 Synthetic Data를 사용하여 레인지-도플러 지도1를 활용하여 표적을 탐지, 분류 및 위치를 찾습니다. 이는 ML과 물리 기반 시뮬레이션의 통합이 어떻게 자율주행차의 안전성을 향상시킬 수 있는지 보여줍니다.

 

그림 3. Synthetic Data와 물리 기반 시뮬레이션을 사용하여 CNN(컨벌루션 신경망. Convolutional Neural Networks)을 훈련할 수 있습니다

 

 

 

 

그림 3에 설명된 또 다른 응용 사례에서는 도플러 스펙트로그램으로 포착된 마이크로 도플러 효과를 분석하여 대상이 사람, 자동차, 자전거 타는 사람 또는 개인지 식별하기 위해 CNN(컨벌루션 신경망)을 훈련하는 데 물리 기반 시뮬레이션을 사용하는 방법을 보여줍니다. 

 

그림 4에 표시된 마지막 예는 강화 학습에 적용되는 Synthetic Data의 사용을 강조합니다. Ansys 웹 세미나 시리즈: 종방향 차량 제어를 위한 물리 기반 실시간 레이다 를 사용한 강화 학습은 현실적인 시나리오 내에서 속도와 제동을 제어하는 방법을 학습하면서 차량의 실시간 훈련 및 진행 상황을 보여줍니다.

 

 

그림 4. 이 비디오는 차량 제어를 위한 물리 기반 시뮬레이션을 사용한 강화 학습을 보여줍니다.

 

자동차 시장 이외에도 하기를  포함한 다양한 산업에서 광범위하게 레이다 애플리케이션을 개발하고 있습니다.

• 가전제품의 실내 모니터링: 귀하가 실내에 있는 시간과 무엇을 하고 있는지를 감지하는 스마트 장치
• 보안 애플리케이션: 한 위치에 몇 명의 사람이 있는지, 사람들이 움직이는지 여부를 감지하는 시스템
• 건강 모니터링: 사람에 직접 연결되지 않고도 Vital Sign (활력 징후)를 추적하는 모니터

 

Real-Time Radar Game Changer, Stay Tuned 

Synthetic Data는 AI/ML 훈련에 많은 기여를 하며, AVxcelerate GPU 가속 SBR 솔버는 Synthetic Data 생성을 더 쉽고, 더 안정적이고, 정확하게 만듭니다. 또한 Ansys의 시뮬레이션을 통해 광범위한 상황에 맞게 AI/ML 모델을 철저하게 훈련하는 데 필요한 대규모 Synthetic Data의 생성이 가능합니다.

 

실제와 같은 데이터 셋을 빠르고, 신속하게 생성하는 것 또한 중요합니다. Ansys의 레이다 센서 시뮬레이션 기능은 기하학적 광학과 물리적 광학을 모두 EM파와 결합하는 SBR 기술을 통합하여 이를 달성합니다.

 

다음 블로그에서는 Synthetic Data를 사용하여 ML 모델을 교육하고 실제 데이터에서 성능을 테스트하는 방법을 보여주는 사용 사례를 통해 Ansys의 레이다 센서 시뮬레이션 솔루션에 대해 자세히 알아볼겠습니다.

실시간 레이다 기술의 혁신, 기대해주세요!

 

 

더 알아보기 

• Ansys AVxcelerate 현실적인 센서 테스트 및 검증을 통해 실제 프로토타입보다 더 빠르게 자율주행 차량, ADAS 및 센서를 테스트할 수 있습니다.
• 비전 있는 기업이 복잡한 엔지니어링 문제를 해결할 때 어떻게 인공 지능(AI), 머신 러닝(ML), 딥 러닝(DL) 및 시뮬레이션의 힘을 활용하여 확실성을 높이고 있는지 알아보세요.
• 종방향 차량 제어를 위한 물리 기반 실시간 레이다 를 사용한 강화 학습 웨비나 시리즈: 이 라이브 스트림 웨비나는 종방향 차량 제어를 수행하기 위한 강화 학습 모델에 적용되는 새로운 물리학 기반 Ansys 실시간 레이다 (RTR) 솔루션을 강조합니다.

 

 

 

 

물리기반 실시간 레이다를 사용한 강화 학습 웨비나 시리즈 신청하기

Ansys Events | Simulation Webinars, Conferences & Seminars

 

참고자료
1. https://ieeeexplore.ieee.org/document/9035657
2. https://ieeeexplore.ieee.org/document/9446140

 

 

 

기술문의

디바인테크놀로지 (www.divinetech.kr)