레이블이 RF-Radar인 게시물을 표시합니다. 모든 게시물 표시
레이블이 RF-Radar인 게시물을 표시합니다. 모든 게시물 표시

5/09/2025

TI Radar Anthena 구조 와 Virtual Array

1. TI Radar Anthena 분석  

Radar Anthena H/W 부분 과 관련된 부분을 분석을 해보며, 최대한 분석을 할 수 있는데 까지 분석을 해보도록 하겠다. 

일단 Radar 직접 개발을 해본 적이 없기에 문서로 확인하는데, 한계가 있으므로, 많은 부분들이 틀린 수 있으므로, 관련 부분을 미리 언급한다. 

  • Radar 와 RF Communcation 비교 
RF Communication 과  MIMO-Radar Virtual Array 구성파악 
2.2 MIMO-FMCW Radar 부분파악 

  • 4D FMCW Radar 이해 와 용어
4D FMCW Radar 이해 

  • Radar 의 Cascade 의 이해 
Radar Cascade 방법 


1.1  MIMO 의 Virtual Array

MIMO(Mutiple Output Multiple Output)기반 으로 되며, Anthena 구성 하면, 
Virtual Array 가 발생하며, Anthena  설계 구성에 따라 아래와 같이 
Angle-Azimuth 와 Angle-Elevation 측정 가능하다  
즉, 간단히 생각하면, 가상으로 Channel이 생기는 것이다. 

  • AoA(Angle of Arrival) 의 이해 
최소 2개 이상의 Anthena를 이용하여 들어오는 신호 위상(Phase)차이를 이용하여 방향을 감지하는 방법이다.
Anthena 의 설계에 따라 다르겠지만, 좀 깊게 들어가면, Angle-Azimuth 와 Angle-Elevation 으로 2가지 방향으로 설계가 가능하며, Radar를 보면 쉽게 이해가 간다. 



  • A. MIMO-Anthena 구조 와 Virtual Array 
RX1~RX4 와 TX1,TX3 전부 수평으로 동일하게 있으며, TX2만 다르며, 구조가 간단.
Virtual Array 간단하며, 구조도 쉬움 

3(TX) x 4(RX) = 12 Virtual Array 구성 (Channel) 
TX2를 좀 더 위에 설계하여, Elevation(수직) 측정이 가능해짐  

  
TDM-MIMO 예상-(확실치는 않음)
즉 3 개의 TX가 시간차이를 두고 전송하며, RX는 모두 이 TX를 받아 Phase 차이 이용하여 분석한다. 


  • Antenna Radiation
아래는 즉 RX 입장에서 각 TX의 각도 와 Amp 값 
FoV 부분에서 좀 이해가 되지가 않으며, 문서와 맞지 않음 
Patch 과다 사용으로 FoV가 좁아진건지??  (정확히는 모르겠음)
TX1,TX2,TX3 가 Elevation Degree하고 연관성도 정확히 모르겠음 


https://www.ti.com/lit/ug/swru546e/swru546e.pdf



  • Radar AOP Type Anthena Design
IWRL6432AOP
7.14 Antenna Positions
AOP Type을 보면 RX Antena는 좌/우(Azimuth), 상/하(Elevation) 위치되어 있으며, 이는 각 Angle 을 알기 위함인 걸로 보인다. 


  • B. MIMO-Anthena 구조 와 Virtual Array 
RX2 과 RX3 이 RX1 과 RX 4 위상이 180 이상이라고 하므로,
TDM-MIMO방식이 아닌 것 같으며, 이전의 BPM-MIMO 방식인 것 같음 

3(TX) x 4(RX) = 12 Virtual Array
https://www.ti.com/lit/ug/swru546e/swru546e.pdf


BPM-MIMO(Datasheet에서 확인 안했음)
BPM이지만, BPM도 기본이 TDM방식이며, TX가 최대 2개 까지 동시전송(Phase 180)이 되는 듯 하다.
즉 상위 Virtual Array BLUE 와 RED는 Phase 분리해서 처리를 해야 하는 듯 하다. 


  • Antenna Radiation

https://www.ti.com/lit/an/swra554a/swra554a.pdf

  • C. MIMO-Anthena 구조 
B구조와 거의 동일하지만, Virtual Array 구성이 아래와 같이 조금 달라진다. 

https://www.ti.com/lit/ug/swru546e/swru546e.pdf


BPM-MIMO(Datasheet에서 확인 안했음)
BPM이지만, BPM도 기본이 TDM방식이며, TX가 최대 2개 까지 동시전송(Phase 180)이 되는 듯 하다.
즉 상위 Virtual Array BLUE 와 RED는 Phase 분리해서 처리를 해야 하는 듯 하다. 


  • Antenna Radiation Pattern 확인 
TX1,2,3 -> RX1,2,3,4 받은 것들을 전부 Virtual Array 출력해서 보여주고 이를 비교하는 것 같다.
  1. 4.9의 경우, 설명에 있듯이 Azimuth 
  2. 4.10의 경우, 설명에 있듯이 Elevation 
https://www.ti.com/lit/ug/swru546e/swru546e.pdf




1.2 TDM-MIMO 와 BPM-MIMO 복습 

  • FFT 관점
  1. Range   1D FFT :  Input  IF의 ADC  각 Chirp 의 ADC 
  2. Doppler 2D FFT :  Input  Range 1D FFT 
  3. Angle    3D FFT :  Input  Doppler 2D FFT 

  • TDM-MIMO(Time Division Multiplexing)
RX 입장에서 TX1 과 TX2를 동시에 받을 수가 없으며, 아래와 같이 Time 나누어서 전송 
그러므로, 이전에도 말을 했지만, 전체 Chirp의 갯수는 이미 정해져 있다.
Chirp 디자인도 중요한 듯 하다. 

https://www.ti.com/lit/an/swra554a/swra554a.pdf

2D FFT를 처리 후에 Phase 차이 기반에 마지막에 각 Virtual Array (Anthena1 ~ 8) 기반으로 ,
Angle-FFT를 하여 2차원 공간 수평(Azuimth)/수직(Elevation) 위치파악을 한다. 
영상처럼 3D FFT도 하며, FFT 숫자에 너무 생각하지 마시길 ~~ 
이 부분은 나중에 다시 세부적으로 설명하겠다. 

  • BPM-MIMO(Binary Phase Modulation)
RX 입장에서 TX1 과 TX2를 동시에 받을 수 있으며, 이 때 위상(Phase)차이가 180 차이 나서 받을 수 있다고 하는 것 같다.
즉, 동시에 TX 2 Channel 까지만 동시 전송이 가능한 걸로 판단되어진다. 
나머지 사항은, 기본적인 TDM과 거의 유사할 것이라고 생각되어짐 

https://www.ti.com/lit/an/swra554a/swra554a.pdf

  • 기타사항
이외에도 통신 기반으로 생각하면, 여러가지 아이디어는 있으며, 구지 상위에 너무 한정적으로 생각 할 필요가 없을 듯 하다. 



1.3  Coordinate Systems

Azimuth 와 Elevation을 구하면, 어떻게 이를 표시를 할지가 좌표시스템이며, 상위를 보면 아래의 좌표 시스템을 이용하는 듯 하다. 
https://kr.mathworks.com/help/phased/ref/azel2uv.html

좌표는 상위와 구성되는 것 같음 (쉽게 생각하면, 지구의 위도, 경도)
이를 Spherical Coordinate System이라고 하는 것 같으며, 구형 기반으로 생각하는 것 같다.
다만, 간단히 생각해보면, 구형 기반으로 하다보니, Range가 커지면, 점점 면적이 넓어져서 오차가 커지는 문제가 있는 거 같다.

  • Spherical Coordinate Systems
X Azimuth (-180 ~  +180)
Z Elevation (-90 ~   +90)
X-Y-Azimuth, X-Z-Elevation, Range 


1.4 Programming Chirp Parameters

아래의 사항들을 완벽히 이해를 하지 못해서, 넘어가면, 나중에 필요시 정리 

2.1.1 Maximum Range
2.1.2 Range Resolution
2.2.1 Maximum Velocity
2.2.2 Velocity Resolution
2.3 Angular Range and Resolution


2. Anthena 기본구성 


기본사항들은 TI에서 제공하는 Radar Anthena Degin을 이해 해보도록 하자.
나중에 분명히 업데이트가 될꺼이며, 가능하면, 아래에서 이해하는게 맞을 꺼 같다.


2.1 Anthena Spacing 


  • RX-RX Spacing
좌/우로 theta 가 0~ 90 degree 기반으로 Max FoV 최대 180 degree 이다.
https://dev.ti.com/tirex/explore/content/radar_academy_2_10_00_2/_build_radar_academy_2_10_00_2/source/introduction/fundamentals.html

FoV에 따라 d = Lamda/2 기반으로 Space를 두고 설계를 진행을 하는 것 같다.
그래서 상위의 물리적 RX-RX 사이의 거리가 즉 d = Lamda/2 인 것 같다.

  • TX-TX Spacing
아래 3가지의 TX 방사(radiation) 형태를 보면, d > lamda/2 가 가장 Beaforming 답게 구성이 되어지는 것 같은데, Slide Lobe는 이해가 되지 가 않아 이 부분은 생략 
  1. d > lamda/2
  2. d = lamda/2
  3. d < lamda/2

https://dev.ti.com/tirex/explore/content/radar_academy_2_10_00_2/_build_radar_academy_2_10_00_2/source/introduction/fundamentals.html


  • TX-RX Spacing
글을 읽어보면, TX 와 RX 사이의 거리는 가급적 멀리 두라는 이야기이며, SNR 이외 크게 언급이 없어 이 부분도 생략 




2.2 Anthena Patch 


Patch는 아래와 같이 Anthena에 TX 와 RX에 면적을 확장하는 구조로 되어있다.
간격 보통 d = Lamda/2로 구성을 한다고 하며, 아래는 최근 문서가 업데이트되어서 그렇지 이전 Patch 구조를 보고 많이 혼동했다.



  • Patch의 개념
  1. Patch 증가하면, RX/TX 에서 dB 증가 와 FoV 감소
  2. Patch 감소하면, RX/TX 에서 dB 감소 와 FoV 증가
dB 증가/감소 이유는이 Anthena 면적과 길이 때문일 것이며, FoV는 면적과 길이가 늘어나니 감지할 수 있는 범위도 줄어든 것 같다. 



120° azimuth field of view (FoV) and 30° elevation FoV



2.3 TI 의 PCB Design Guide

EVM 과 각 Design Reference로 쉽게 각 부분을 파악가능 

RF PCB 의 소재 와 간단한 구성 소개 
댓글 없음 :
Tags: , ,

5/08/2025

TI Radar Cascade 구조 및 분석

1. TI Radar Cascade

  • 4D FMCW Radar 이해 와 용어
4D FMCW Radar 이해 

  • Radar 와 RF Communcation 비교 
RF Communication 과  MIMO-Radar Virtual Array 구성파악 
2.2 MIMO-FMCW Radar 부분파악 


아래의 내용은 일단 Radar를 직접적으로 개발을 해보지 못했기 때문에, 각 TI 문서를 보고 이해한 수준이라 틀린 부분이 많이 있을 수 있다. 

  • Cacade 란?
Cascade Radar는 Sigle Radar를 여러 개 붙혀서 사용하는 기술이라고 생각하면 되겠으며,
핵심은 Anthena 설계와 각 Clock의 동기화일 것 같다. 
동시에 물리적 Single Radar를 여러 개 사용하면, 각 Virtual Array(Channel)을 확장이 쉬우므로,
각 Channel의 수가 엄청나게 늘어난다. 
다만, 상위 계산량이 더 증가하겠지만, 이 부분은 TDA 기반으로 다시 봐야 할 듯 하다. 

TI TDA의 경우, OMAP 이후 생산된 것으로 내가 처음 접한 지는 오래되었다. 
그때만 당시만 해도, mmWave가 Radar 가 아니라 5G 라고 단정 지어 생각해서 그렇게 비중을 두고 보지 않았다. 
(사실 Radar라는 것을 몰랐으니?)

  • TI Automotive Image Radar 설계 (Cascade 이해)
TI 경우, Image Radar 관련 Cascade 부터 MIMO 기술들을 공유해주고 있지만, 
세부적인 것은 보드기반으로 개발과 테스트 및 각 Tool들을 사용해보고 나서 이야기 해야 할 것 같다.(mmWaveSDK 기반으로 제공)

TI에서 제공하는 각 모든 Radar 를 쉽게 파악
좌측 4D image 확인가능 
https://www.ti.com/content/dam/videos/external-videos/en-us/4/3816841626001/6073597470001.mp4/subassets/07_ti_automotive_mmwave_radar_solution_0.pdf


1.1  Radar Cascade Design 과 DRAM Design 비교 

개인적으로, 처음부터 Radar 와 DRAM PCB 부분이 많은 부분이 비슷한 것 같아 아래와 같이 간단히 정리했고, 비슷할 거라고 생각했다.

  • PCB Design 공통 사항의 추측 
물론, 비슷하다는 것이 개인 생각이므로, 아래의 나의 추측이 틀리 수도 있음 
  1. Trace Length : 둘 다 Trace Length는 민감하며, 중요할 것으로 생각?(어떻게 보정?)
  2. Signal Reflection: 반사 파에 대해 부분을 제거하는 부분 (RF가 아니라 Clock Refrection)
  3. Timing 보정: RAM처럼 Timing 보정을 위해서 DLL 이용하여 보정하는가? 

  • PCB Radar Cascade Design
Clcok을 Master 와 Slave 개념으로 동기화를 하고 있으며,이 부분은 추후 다시 다른 Chip 제조사에서 확인 해보겠다. 
2.6 Anthena 
2.6.1 TX and RX Antenna Arrays
Table 5. RX Antenna Array Dimensions
Table 6. TX Antenna Array Dimensions (continued)
RX는 전부 좌/우(Azimuth)위치가 거의 동일한 듯하고, TX를 이용하여 상/하(Elevation)을 하는 듯하다.

  • PCB DRAM Design 과 설정 
아래 부분은 이전에 내가 DRAM 설계 및 Timing 도, 직접 Datasheet기반으로 설정할 때, 정리해 둔것이다.(RADAR 와 비교)


1.2 TI Cascade Radar Clock Sync 

처음 TI 문서를 보기 전에, 이 부분을  Clock Sync 를 아마 RAM 과 비슷할 것 이라고 거의 추측으로 예상하며 생각했다.(처음부터 나의 생각은, 거의 상위로 결론 지었다?)

아래 문서를 보고 상위 나의 생각(DLL로 보정하고 사용할 줄 알았는데) 은 거의 다 틀린 것 같으며, 일단 아래의 기반으로 Clock Sync 이해 보도록 하자  
더불어 나중에 시간이 되면, Calibration 부분 과 PCB Design Guide도 보도록 하자 
 
  • Cascaded AWR2243의 Clock 공유와 동기화(Master/Slave)
Cacade 의 핵심은 Master / Slave 모드이며, 모든 Clock은 Master가 Control하여 동작하는 것이다.
Cacade 의미도 Clock Cascade(직렬화) 의미 인 것 같다. 

https://www.ti.com/lit/an/swra574b/swra574b.pdf

  • 상위 1번/2번 Clock 동기화 
  1. Master : 상위 1번 Clock를 가지고 있는 Single Radar
  2. Slave   : 상위 2번 OSC_CLKOUT 으로 Clock 넘겨줌 
관련핀
  1. OSC_CLKOUT
  2. CLKP
  3. CLKM
상위로 일단 Clock의 오차를 줄여서 사용이 가능할 것이지만, 완벽한 Clock Sync는 되지 않는다. 


  • 상위 3번 20GHz 의 Clock 동기화 
  1. Master : FMCW_SYNOUT  만들고 이를 다시 FMCW_SYNIN Master 와 Slave가 동일 하게 받는 구조
  2. Slave   : 상위 FMCW_SYNOUT를 받아 FMCW_SYNIN 넣는 구조 (20GHz SYNTH 미사용)
관련핀
  1. FMCW_SYNOUT  
  2. FMCW_CLKOUT: 1번 과 동일 
  3. FMCW_SYNIN1
  4. FMCW_SYNIN2

아래와 같이 중간에서 Splitter를 통해서 PCB Trace Lenth  동일하게 설계 후, 이를 양쪽으로 다시 넣는 구조이다.
거의 Clock 동기화가 되겠지만, 안될 가능성도 있을 거 같기는 한데, 현재 생각으로는 PLL로 보정해서 사용 할 것 같다.
핵심은 Splitter 기반의 Trace Length , 즉 Routing 방법일 거 같다. 

https://www.ti.com/lit/an/swra574b/swra574b.pdf

  • 상위 4번 Digitlal  Frame Sync 필요 
  1. Master: SYNC_OUT  과 SYNC_IN 을 양쪽으로 Device 넣는 구조 
  2. Slave  : SYNC_IN 받는 구조 
별도로 Digtal Sync가 별도로 존재하여, SYNC_OUT 과 SYNC_IN 다시 또 동일하게 설계
현재 파악한 것으로 생각하면, Chirp의 처음 시작의 Sync부분 인 듯 하다. (현재 이해하기로?)
https://www.ti.com/lit/an/swra574b/swra574b.pdf


https://www.ti.com/lit/ds/swrs223d/swrs223d.pdf



  • Cacade 지원 되는 TI Radar
TI Single Radar는 전부 다 지원하는가? 아니다 아래를 보면, 이미 정해져 있다. 
https://www.ti.com/lit/ds/swrs223d/swrs223d.pdf


1.3 TI TDA2 기반의 Radar 4개 구조 


물리적 Anthenna 설계로 보면, 간단히 Virtual Array를 파악 가능 

https://www.ti.com/lit/ug/swru553a/swru553a.pdf

  • TX Antenna 기반으로 Elevation Anthenna 설계 
Virtual Array 보면, Anthena 설계 간단히 보면 Azimuth 우선적으로 설계가 되어 진 거 같다. 
Elevation 단계가 별로 이다. 
https://www.ti.com/lit/ug/swru553a/swru553a.pdf



  • TI AWRx RF 4 개 와 Lattice FPGA 와 TDA2 설계 
12TX x 16RX Anthena 와 각 Anthena 설계 
TDM-MIMO (아마 Chirp도 별도로 Desgin해서 사용 해야할 듯??, 추후 시간이 되며 더 보도록??)


1.4 TI Cacade image Radar EVM 정보 및 링크 

TI mmWave Cascade Image Radar EVM 과 구조 (최신 Revision 과 이전비교 하도록)
관련자료들은, 링크만 남기도록 하며, 세부사항 은 생략하도록 하겠다.

댓글 없음 :
Tags: , ,

4/28/2025

TI 4D FMCW Radar 이해 와 용어

1. 4D Radar Image Radar 구조 

  • Radar 시장분석 과 TI Radar 자료분석
Radar 시장분석 과 각 Chip 사의 Radar 확인 

  • TI Radar 개발 IDE 와 Tool 정리 
TI의 IDE 구성과 각 Tool 및 관련 사항들 정리 


아래의 내용은 일단 Radar를 직접적으로 개발을 해보지 못했기 때문에, 각 TI 문서를 보고 이해한 수준이라 틀린 부분이 많이 있을 수 있다. 
이전에 블로그 이 글을 올려다가 내린 글이나, TI Academy에서 거의 다 확인 가능하니 다시 올린다

  • FMCW(Frequency Modulated Continuous Wave)
FM기반의 Chirp(Ramp)들 을 지속적으로 TX 와 반사된 RX를 차이를 측정하는 기술이다. 
SIMO or MIMO 통해서 얻고자 하는 4D image Data들은 다음과 같다. 

  • 4D Image Radar 구성 
  1. Range(거리) :  쉽게 1개 Chirp으로 파악 가능
  2. Doppler(Velocity,속도)  : 여러개 Chirp 기반으로 파악 가능 
  3. Angle-Azimuth(좌/우,수평) :  다중 RX의 Phase  좌/우 물체위치 파악 
  4. Angle-Elevation(상/하,수직) : 다중 RX의 Phase  상/하 물체위치 파악 
4D Image Radar, 3차원 공간에 더불어 각 속도(Velocity) 하나 더 추가된 구조이다.


  • TI Radar Academy
TI에서 공식으로 Radar 교육하는 자료이며, Radar 의 H/W 부터 S/W 까지 다양하게 세부적으로 교육한다.  

Fundamentals of mmWave Radar Sensors
Radar  기본이며, 이전에 이 부분을 Blog에 다루었으나, 삭제 했으며, 아래의 TI 사이트에서 참고하면, 쉽게 Radar에 대해 이해 할 수 있을 것 같다. 
이외 TI에서 PDF 와 영상도 제공한다. 

Radar Terminology
Radar 관련 용어지만, TI에서 만 사용하는 용어도 있으며, 알면 좋을 거 같아 링크 

mmWave Production Testing Overview
mmWave TEST 방법으로 주로 저가(Low Cost) Chamber 구성 과 SNR 정보 파악 가능  
  https://www.ti.com/lit/an/spracx7/spracx7.pdf


  • TI mmWave  Radar sensors 제품군 
TI에서 제공하는 Radar Sensor의 제품군으로 크게 아래 와 같이 2 가지로 나뉘어진다.
  1. Automotive mmWave radar sensors
  2. Industrial mmWave radar sensors



1.1 Chirp 의 구성 과 디자인 

FMCW에서 Chirp은 일반적으로 FM 기반으로 Ramp 신호 기반으로 생겼으며, 이외에도 상승과 하강 조합 삼각파도 가능한 것 같다. 


  • Chirp 의 구성 
FM기반으로 보통 아래와 같이 Design 하지만, TI 문서를 보면 삼각으로도 Deging 도 하는 것 같다.
  1. Chirp Cycle Time : 1 Chirp 마다 전체 Cycle Time 
  2. Inter Frame Time :  한번 Chirp 몇 개 구성한 후, 이 간격의 Idle Time 이라고 생각
  3. Sweep Bandwith :  FM End 주파수 - FM Start주파수 
  4. ADC Sampling:  IF Frequecy Sampling  ADC 이용하므로, 각 12bit or 16bit , 그 이상 확인 
  5. Slope  : Chirp 의 기울기이므로 기울기 변화에 따라  거래 해상도 , SNR 변화 
    1. Slope :  Sweep Bandwith / Chirp Duration 
https://www.ti.com/lit/an/swra553a/swra553a.pdf



  • TI AWR2234 Spec 확인 
  1. Sweep Bandwith: 5GHz
  2. 76GHz ~ 81GHz 

https://www.ti.com/lit/ds/symlink/awr2243.pdf



  
1.2  Range Max (Maximum Range) 

TI의 글을 읽고, 간단히 계산을 해보자. 
IF Max는 ADC Sampling 에 따라 다르며, 상위 각 Chip에서 확인해야 함 

https://www.ti.com/lit/an/swra553a/swra553a.pdf

상위의 Range Max 값을 대충 구해보도록 하자 

  • Range Max 
1st Rmax = (IFmax * c ) / 2xS

   IFmax =  2e7, 20MHz                 -> 상위 TI AWR2243 Spec 참고 
   c = 3×10⁸,3e8 m/s (빛의 속도)   -> 전파/빛 속도 
   Slope  =  TR Chirp 의 Slope 
   Slope  =  Sweep Bandwith / Chirp Duration

대충 계산하면, 다음 과 같을 것이다.

  • Range Max based on SNR 
좀 더 세부적으로 계산한다면, 상위의 공식을 사용하는데, 
공식을 보면, RF를 TX(PA) 와 RX(LNA) 기반으로 구의 표면적으로 구성해서 작성을 한 것 같다. 
세부적인 것은 아래에서 알아 보도록 하자 

  • Range Max based on SNR -> 보정(Calibration) 
문제는 주파수가 높아지면, 높아질수록, 전파 직진성이 높아지므로, 완전히 구의 표면적처럼 방사 하지 않게 되므로, 
상위에도 오류 와 보정이 있을 것 같으며,이를 각 보정 방법을 알아야 할 것 같다. 
흔히 Beamforming 이라고 도 불린다. 


1.2.1 Range Max based on SNR 공식 

  • TX(PA)의 기반의 생각 
Non-directional Power Density (TX)
PA (송신 Amp) 기반으로 생각을 해보면 될 것 같으며, 아래 그림처럼 구의 면적으로 생각하면된다.
다만 방향이 없다. 

Su = Ps * 4πR²
  1. Ps: 송신 전력
  2. G: 송신 안테나 이득
  3. 4πR²: 구의 표면적
https://www.radartutorial.eu/01.basics/The%20Radar%20Range%20Equation.en.html

방향성 과 Anthena 를 생각해서 상위 기반으로 다시 수정해하자 
Power Density =  Sg  = Ps * G / (4πR²)
  1. Ps: 송신 전력
  2. G: 송신 안테나 이득
  3. 4πR²: 구의 표면적

https://www.radartutorial.eu/01.basics/The%20Radar%20Range%20Equation.en.html

전부 캡쳐 할 수 없어 간단히 상위 링크 기반으로 간단히 중요 포인트만 이해하고, 아래와 같이 정리되어지는 것 같다. 

  • RX(LNA) 기반으로 생각
RX에서 생각하면, 신호가 반사(Refrect)되어서 오니, 이를 반영하고, TX 와 RX의 Cross 영역을 생각하고,

Pr = Reflected Power = Power Density × σ = (Ps * G * σ) / (4πR1²)

Pr = reflected power [W]
σ = radar cross section [m²]
R1 = range, distance antenna - aim [m]

Se = Power at RX = (Reflected Power * G * λ²) / (4πR2²)

Se = power density at receiving place
Pr = reflected power [W]
R2 = range aim - receiving antenna [m]

상위처럼 4πR²: 구의 표면적이 이렇게 2번 들어간다.

이곳에 다시 Anthenna 면적 과 Gain 부분을 적용을 하면, 아래와 같은 최종 공식이 나오는 것 같다.

  • 상위 TI 공식과 비교 
아래 공식을 보면, 얼추 상위의 TI의 Manaul  설명한 공식이 대충 비슷하게 나오는 것 같다.  
자세한 것은 나도 더 알아봐야겠지만, 일단 이해하기 위해서 포인트 만 집고 넘어가자.  

https://www.radartutorial.eu/01.basics/The%20Radar%20Range%20Equation.en.html


  • 이외 기타 사항 
TX(PA)를 높아지면, Range Max는 증가는 되지만, SNR부분도 같이 증가하므로, 
현재 생각으로는, 특정 거리 이상이 되면, 이를 SNR 수정하여, Noise로 해서 필터하는 방법도 될 것 으로 추측되어진다. 
일단 추후 시간이 되면, 자세한 내용들은 추후 TI Calibration을 별도로 알아 보도록 하겠다.


1.3 Range Resolution 

  • Range Resolution 
ΔR = c / (2 * B)

     c = 3×10⁸,3e8 m/s (빛의 속도)
     B = Sweepbandwidth of FMCW chirp  

상위에서 중요한 것은 B 즉, Chirp의 Bandwith이지, Radar RF Center 주파수가 아니다.
이유는 FMCW의 최종 받는 IF의 값은 주파수는 TX와 RX 차이를 나타내기 때문에 주파수 가 낮다. 
아무리 주파수가 높다고 하더라고, IF의 주파수 대역은 낮다. 

https://www.ti.com/lit/an/swra553a/swra553a.pdf


Range Resolution 관련 참조 

Range Max 와 Range Resolution 
글을 읽어보면, FFT는 1 / T로 Saw 즉 Chirp의 길이에 의해 결정되는 듯 하다 

  • Range Resolution  실제로 계산을 해보도록 하자. 
B = Sweepbandwidth of FMCW chirp  / FFT Size 

IF Bandwith가 5GHz 일 때,
Range Resolution   
    1. ΔR = 3e8 / (2 * 5e9) = 0.075 m
    2. ΔR = 3e8 / (2 * 5e9) = 0.0375 m
    3. ΔR = 3e8 / (2 * 5e9) = 0.05 m  

즉, 나중에 다시 설명하겠지만, Range FFT SIZE 와 중요하다  


2. 각 TI Radar 비교 및 분석 방법 


  • The Number of Sample for Chirp 결정 
Range Max / Range Resolution = Range Sample 수 가 나온다. 
  1. The Number of Sample for Chirp : Range Sample 결정 
  2. Range Sample 값 기반으로 1st FFT 인 Range FFT Size 결정 
  3. Number of Chirps : 2nd FFT Size (Doppler-FFT) 결정  
  4. IF ADC 의 성능 확인 (12bit/14bit) (ADC 중앙값 확인)


  • TI Radar 기반으로 비교 
  1. Max unambiguous Range : Range Max 보다는 작은 값    
  2. Number of Samples per chirp :  Range Max/ Range Resolution
  3. Number of Chirps : 2nd FFT Size
  4. Range FFT Size: 1st FFT Size  
  5. Ramp Slope : Sweep Bandwith / Chirp Duration 
https://www.ti.com/lit/an/swra553a/swra553a.pdf



2.1 Radar 의 Range FFT Size 와 Sample 비교 

Range FFT Size 결정은 의외로 간단한 것 같으며, 아래로 정해지는 것 같다. 
  1. Range Max   ->  상위 1.2 참조 
  2. Range Resolution -> 상위 1.3 참조 
Sample = Range Max / Range Resolution  (상위참조)

Sample 의 갯수 정해지면, 이에 맞춰서 Range FFT Size를 정해지는 듯 하다. 
상위 도표 기반으로 각 Radar 이제 계산하고 비교해보자. 
   
  • LRR 의 Number of Samples per Chirp 비교 
  1. Range-Resolution = 3e8 / (2 * (3e8))  =  0.50 meter
  2. Range-Max         = 225  <- (상위 Max unambiguous range , 250로 하면 동일) 
  3. Sample = Range Max / Range Resolution = 450  (500 과 거의 비슷)
  4. Range FFT Size = 512   (2의 지수이니, 512)
 
  • MRR 의 Number of Samples per Chirp 비교 
  1. Range-Resolution = 3e8 / (2 * (5.4e8))  =  0.28 meter
  2. Range-Max         = 125  <- (상위 Max unambiguous range, 140로 하면 동일)
  3. Sample = Range Max / Range Resolution = 450 (500 과 거의 비슷)
  4. Range FFT Size = 512   

  • SRR 의 Number of Samples per Chirp 비교 
  1. Range-Resolution = 3e8 / (2 * (7.5e8))  =  0.20 meter
  2. Range-Max         = 45   <- (상위 Max unambiguous range, 50로 하면 동일)
  3. Sample = Range Max / Range Resolution = 225 (250과 거의 비슷)
  4. Range FFT Size = 256

  • USRR 의 Number of Samples per Chirp 비교 
  1. Range-Resolution = 3e8 / (2 * (1.5e9))  =  0.10 meter
  2. Range-Max         = 22.5   <- (상위 Max unambiguous range, 25로 하면 동일)
  3. Sample = Range Max / Range Resolution = 225 (250과 거의 비슷)
  4. Range FFT Size = 256

상위 도표에서 각 찾아서 보도록 하자 


3. FMCW 의 FFT 구성 

FMCW Radar이며, 관련해서는 TI Academy에서 세부적으로 설명을 해주고 있다.

  • TI FMCW 의 FFT 순서구성 
TI Manual or TinyML을 보면 다음과 같은 순서로 진행 
  1. Range Resolution(FFT): TX 와 RX 1 Chirp을 이용하여 거리를 측정 
  2. Velocity Resolution(FFT): Range에 각 변화, 여러 Chirp를 이용하여 속도 측정 
  3. Angle Resolution(FFT): TI에서는 Angle resolution (spatial resolution)이라고 함 
    1. 상위 MIMO문서참조 

  • Motion and Presence Detection OOB Demo
주로 Motion/Presence 와 Gesture Recognition Demo 의 API 와 Antenna 설계 부터 API 흐름 
나중에 시간이 되면 다시 보도록 하자 


3.1 Range Resolution 과 FFT

IF ADC 의 Sample의 수를 정하고, 이를 정하는 것이 될 것 같다.
일단, ADC의 성능 12/14/16 bit 등 정확히 아는 것이 중요 할 것이며, IF는 주파수 높지가 않아서, ADC의 경우, 그렇게 높게 사용하지는 않는 것으로 생각되어진다.
(ADC 성능에 따라, 나중에 중앙값도 구해야 한다)

  • 1st FFT  (FFT SIze/ FFT Number)
  1. Range FFT : 주로 Range , 즉 거리 측정을 위해서 파악하는 FFT 
  2. FFT SIZE :  Sample 의 수에 정해짐           
  3. FFT Number : Chirp 의 수 에 의해 정해짐     -> FFT 하는 횟수 

  • 1st FFT  (Input/Output)
  1. Input : Radar IF ADC 값 
  2. Output : 1st FFT (1D FFT)  
    1. Magnitude Peak 값 기반 으로 Range 위치 파악 
    2. Range Resolution 에 적용하여 이를 파악 

  • 1st FFT Example 
  1. Range Max : 10m 
  2. Range Resolution: 0.05m (기본 Unit)
  3. Sample 수  : 200   ->  Range Max/Range Resolution
  4. FFT SIZE    : 256    

  • Calibration 의 개인적 생각 
FFT Range Bin : 기본 Unit 은 0.05m 이지만, 이를 보정을 해야 한다고 생각을 한다. 
보정을 하는 이유는 다음과 같다고 생각함 
  1. Range Max 불확실성 (SNR?) ->  Range Max 확실성, 즉 일정 거리 이후는 Noise 처리? or CFAR 처리?
  2. Sample 수 와 FFT SIZE 의 괴리율  -> 상위에서 구한  Sample 과 Range FFT Size 오차 보정 


3.2 Velocity Resolution 과 FFT


1st FFT 값들을 Chirp 의 갯수 만큼 모은 다음, 이를 각 Range 별로 FFT를 하여 Doppler Frequcy 파악하여 , Velocity를 얻어냄 

  • 2nd FFT
  1. Doppler FFT:  주로 Velocity 파악하기 위해서 진행하는 FFT 
  2. FFT SIZE:  Chirp의 수 정해짐
  3. FFT Number: Sample 의 수 에 정해짐   -> FFT 하는 횟수 

  • 2nd FFT
  1. Input : 1st FFT
  2. Output : 2nd FFT (2D FFT)

상위에서 각 Chirp 의 다시 FFT를 해서 Doppler Frequency 를 파악 가능하다.
아래의 설명을 보면, RDM (Range Doppler Map) 이라고 하는 것 같으며, Heat Map을 주로 이용한다고 한다.

TI mmWaveTool에서 기본으로 지원이 가능한 것 같으며, 나중에 사용할 기회가 있다면 사용해 보도록 하겠다. 

  • Range-Doppler Map 
상위의 결과로 나온 2D FFT기반으로 생각을 해보면, 아래와 같을 것 같다.
  1. Range Bin 의 갯수:    Range FFT Size  결정  (상위에서 참조)
  2. Doppler Bin 의 갯수: Doppler FFT Size 결정 

실제 Data 의 구성 

                    Doppler Bin0  Doppler Bin1  Doppler Bin2  
Range Bin 0      움직임 0        움직임 1         움직임 2
Rnage Bin 1
Rnage Bin 2
Rnage Bin 3
.....






  • mmWave Tool 
3.5 Range-DopplerHeatmap.
https://www.ti.com/lit/ug/swru529c/swru529c.pdf


Sweep Bandwith 4GHz
300,000,000m / 8,000,000,000 = 0.0375m 약 4cm


3.3 Angular Resolution 과 FFT 

완벽히는 이해는 못했지만, 개념만 이해한 상태로 아래와 같이 간단히 이해한 부분들을 정리한다. 
추후 시간이 되면,  세부적으로 Cascade 기반의  TI 문서 보도록 하겠다.  

  • 영상 이해 목적(Spartial Frequency)
Y값 변화율? 공간주파수? 즉, 주파수 개념을 시간에 적용하는 게 아니라, 공간(공간 변화값?)에 적용하는 개념이며, 이를 영상과 Mapping도 가능하다 
YUV의 이해 
이전에 대충 써 놓은 것이라 틀릴 수 도 있으며, 대충 이해하자.
Y값 Luminance , UV 값 Chrominance

  • NTSC 와 YUV (영상 방송)
간단히 생각을 해보면, NTSC의 경우, Y값만 전송하면 흑백 TV이며, 이에 색상을 넣기 위해서 I/Q 시그널 기반으로 색상 정보를 넣는다.
I/Q 시그널 생각하지 말고, Y 값 기반으로 , 영상의 윤곽을 추출하여 이를 상위 Angle-FFT와 Mapping 가능할 것이다. 

  • Angle-FFT 이해 와 영상 Fusion (Spartial Resolution)
영상 기반으로 DSP 사용할 경우, 주로 언급되어지는 것이 공간 주파수 (Spartial Frequency)이다.
주파수(시간기반)가 아닌, 공간 주파수는 공간 즉 각 픽셀 사이 거리를 시간으로 변경해서 사용하는 기술이다.
영상 DSP 관련 부분을 한번 보고 오면 대충 이해는 가능할 것 같다.
간단히  정리해서 말해 시간-주파수는 시간 기반이지만, 공간-주파수는 공간 기반이다.
즉 시간 대신에 공간의 거리로 나누어 사용하면 된다. 

Angle-FFT (Azimuth and Elevation FFT) 다 동일한 말 인 것으로 보이며, 즉 공간(Spartial) 주파수 개념으로 위치를 파악하는데 사용하는 것 같다.

상위에 언급했듯이, 주파수 개념을 시간에 적용하는게 아니라, 공간(공간 변화값?)에 적용하는 개념이다.
Angle의 공간(Sparitial) 즉, Phase 차이를 영상의 Y 값 변화율과 얼 추 Matching될 듯하다. 
상위링크에서 영상처리의 Y 값 변화율을 보면 대충은 이해를 할 듯하다. 
Angle-FFT(Spartial)개념으로, 지금까지 이해한 것으로 보면, Input 아래와 같이 Phase 정보를 선택해서 넣으면 될 것 같다. 

  • Angle-FFT 순서 위치 
 개인적으로 위치는 목적에 따라 변경될 수 있다고 생각하며, Range 전에도 해도 될 듯하다.
  1. Angle-Azimuth :  Anthena Array 에 따라 FFT 사용
  2. Angle-Elevation:  Anthena Array 에 따라 FFT 사용 

  •  Angle-FFT 위치에따른 것  
  1. Range-FFT(1D) 한 후,   각 Peak 주파수  Phase(물체 위치)  
  2. Doppler-FFT(2D) 한 후, 각 Peak 주파수 Phase (속도위치)

간단히 설명하면, Phase를 이용하여, Range-FFT 물체 위치(Postion) or Dopper-FFT,물체 속도 위치(Velocity)를 방향 파악하는 것 같음  

  • Angle-FFT 는 TDM-MIMO
처음 1D FFT 후에도 사용할 줄 알았는데, 2D FFT 후 사용하는 것으로 보인다. 

  • Angle-FFT 관련내용
Angle-FFT 관련 부분들은 자료들은 너무 좋으니 링크만 (Radar Cube)

  • TI mmWave Tool 
3.6 Range-AzimuthHeatmap


4. Radar Cube 와 세부적인 TI DSP 흐름 파악    

전체적인 Radar 처리 구조를 보고 싶다면, 아래의 TI 문서를 보면 될 듯 하다. 
이외에도 문서는 많으며, 각 문서를 찾아 세부적으로 보면 될 듯 하다.

  • Introduction to the DSP 
TI DSP(HWA)기반으로 Radar를 어떻게 처리하는지 설명하고 있으므로, 나에게 있어 중요한 문서이며 시간이 더 된다면 그 때 세부적으로 더 보겠다. 


물론, 상위 내용을 좀 더 알고 싶다면, 
  1. TI의 DSP와 같이 사용하는 EDMA(이거 하나만도 복잡함?) 
  2. TI Radar CFAR(Constant False Alram Rate) 알고리즘 개념
다 알아야 할 듯 하다.  
상위 Pipe 구조의 Chaining 도 아마 다 EDMA 기반으로 했을 것 같다. 

  • traffic and intersection monitoring using millimeter wave sensors
ITS에서 실제로 사용하는 구조를 설명 


4.1 기타 링크 및 참조 

  • MIMO와 Virtual Array 
추후에 시간이 되면 이 부분은 별도로 설명하겠다 

  • AXIS Camera and Radar (Spartial Frequency and Radar Fusion)
카메라 업체인 AXIS의 Radar 와 Camear Fusion의 링크들 

댓글 없음 :
Tags: , ,

4/18/2025

RADAR 의 TinyML(Edge AI) 자료 모음 및 분석

1. Radar 기반 TinyML 자료 

  • RF Radar 의 이해 
Radar 관련 사항 정리 

  • TinyML/Edge AI 
최근에 TinyML 이름도 공식적으로 Edge AI 로 이름이 변경이 되어졌다.

  • Tensorflow 와 기타 지식
TinyML에서 주로 사용되는 게 Edge Impuse도 있지만, Tensorflow도 있다.(이외 다양하다)

  • Tranfer  Learning
분명 모델을 가져오면, Tranfer Learning 이 필요할 경우 
아니면, 처음부터 Training 하던지 


1.1 TinyML 의 Radar 자료 

주로 TinyML Webinar 와 각 참여해서 많이 들어서, 이 부분들을 모았으며, 아래와 같이 간단히 링크만 남긴다.
이외 다양한 TinyML 자료도 있는데, 이 부분은 나중에 정리를 하든지 해야 할 듯하다 
무작정 듣고 , 링크만 남기기가 좀 그렇다  


TinyML 기반으로 Gesture Recoginition 관련부분 TinyML(Machine Leraning)으로 동작 
  • tinyML Talks-Michele Magno: LW Embedded Gesture Recognition Using Novel Short-Range Radar Sensors


TinyML 기반으로 Gesture Recoginition 과 Vital Sign Monitor 

  • tinyML Summit 2023: Low Power Radar Sensors and TinyML for Embedded Gesture Recognition and Non-Contact Vital Sign Monitoring


Infenion 사에서 XESNSIV의 60GHz Radar Sensor 소개 
  • tinyML Hackathon Challenge 2023 - Infineon XENSIV 60GHz Radar Sensor and devkit explanation



TI 사의 TinyRadar 기반의 사람행동 

  • tinyML Asia 2022 Video Poster: tinyRadar for fitness: A radar-based contactless activity tracker...


1.2 TinyML-Radar 기반의 사람 행동 분석 

Radar-based Human Activity Classification for Edge Computing

TI Board와 ESP32기반으로 구성했으며, 상위에서 설명 했듯이 Edge AI기반으로 사람의 행동을 구분하는 기술이다.
주요 사용되는 기술을 보면, Edge Impulse Tool 로 CNN(CMSIS-NN, ARM)  Inference 구조로 Edge AI를 구현했다.

tinyRadar: mmWave Radar-based Human Activity Classification for Edge Computing
TI IWR6843

TinyML Talk (TI IWR6843) 


1.3 TinyML-Target Classification 소개

TI에서 발표한 내용으로, TI사의 Edge AI Tool을 이용하여 쉽게 개발내용 

TI의 각 Tool을 잠깐 씩 소개하며, 상위 구조와 거의 흡사하지만, 이번에는 Edge Impluse 대신 TI의 Edge AI를 이용했기에, 상위에도 링크 

최적화 핵심보면, HWA(or DSP) 와 EDMA의 조합이며, 역시 TI DSP(HWA)를 사용하면 EDMA는 필수이다.
이외 CFAR Detection(이 부분은 좀 더 확인??) 과 Tracker(칼만 필터?)는 아래에서 간단히 각 링크로 확인만 해보자 

  • TI EDMAv3 
EDMA의 역사는 길며, TI DSP C6x부터 존재했으며, 주로 Davichi 시작되면서 모든 TI Chip에서 적용되어 사용 되어진 걸로 기억한다.
나도 이것 때문에 DSP와 무지하게 삽질을 많이 했으며, 주로 Channenl Chaining 많이 사용할 것이다.
주 기능은 HW기반의 SW설정(Channel설정)으로 A/B/C Count기반 Dimesion 개념으로 전송가능과 각 Channel Chaining. 


  • CFAR(Constant False Alarm Rate) Detection 
TI에서 제공해주는 CFAR 엔진이며, 처음에 왜 필요한 지를 잘 몰랐으며, 오감지라는 것을 생각을 못했다. 
나도 동작 시스템은 완벽히 이해를 못했으며, 중요한 것은 Threshold 조절하여 오감지(False Alarm) 확인

CFAR-CA(Cell Average), GO(Greatest-Of), LO(Least-Of) 예제 
TI CFAR-CA 적용 
  
  
TI에서 제공하는 Point Cloud GTRACK
아래 링크, Filtering(EKF)보면, 통계에서 예측값 과 측정값 사이 의 중위값?, 중간값? (추후 확인?)
다음에, Clustering 보면, 상위에서 측정 값을 군집화하여 GTRACK
Kalman Filter (EKF vs UKF)

  • TI의 Edge AI 의 TinyML 
Target Classification on the Edge Using mmWave Radar
TI IWRL6432
TI에서 직접 발표한 것으로 Point Cloud까지 같이 설명을 해주고 있다.
특히 Point Cloud 들어가면서 Tracking 추가되어 이를 더 보완하고 있다. 
설명도 자세히 해주고 있어서 개념을 이해하는데 크게 도움되었지만, 완벽한 이해는 사실 이거 가지고 해봐야 알겠다.

  • Machine Learning on the Edge with the mmWave Radar Device IWRL6432
일단 간단히 살펴 보도록 하면 다음 목적으로 Edge AI를 사용 (60GHz)
  1. Building automation (indoor and outdoor surveillance, elderly care)
  2. Personal electronics (gesture recognition, presence detection)
  3. Automotive body and chassis (in-cabin sensing, kick-2-open sensor).

  • IWRL6432
    ADC -> (Radar FFT) HWA -> Cortex-M4F(TinyML)

2TX , 4RX = 8 Virtual Array 

  • HWA(FFT 기능)
  1. Range-FFT
  2. Doppler-FFT
  3. Angle-FFT
4 Channel 의 Range 와 Doppler Data 이용 
https://www.ti.com/lit/wp/swra774/swra774.pdf


1D CNN 3Layer 구조로 1D CNN 3 Layer가 결과로 보면 성능이 좋다.
  • 기타사항 
CNN과 다른 것도 섞어서 구성해도 될 듯하긴 한데, 이 부분 좀 더 나중에 파악 하겠다.
LSTM(Long Short-Term Memory)이나, SVM(Support Vector Machine) 
댓글 없음 :
Tags: , , , ,
피드 구독하기: 글 ( Atom )