微信公众号：EW Frontier
关注可了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言;
如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学
知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412
面包多：https://mbd.pub/o/author-a2mYl2tsbA==/workQQ交流群：729981694
如有侵权请联系删除~
摘要
驾驶员辅助系统以及自动汽车必须依赖传感器来感知其环境。一组异构的传感器被用来执行这项任务鲁棒。其中，雷达传感器是必不可少的，因为它们的距离分辨率和直接测量速度的可能性。由于越来越多的雷达传感器部署在街道上，必须处理相互干扰。在迄今为止未受管制的汽车雷达频带中，传感器必须能够检测甚至减轻干扰的有害影响，包括检测灵敏度降低。在本文中，我们使用卷积神经网络（CNN）来解决这个问题，CNN是最先进的机器学习工具。我们证明了CNN在数据中找到结构化信息的能力，同时保留局部信息，从而实现了上级去噪性能。为了实现这一目标，CNN参数使用模拟数据进行训练，并集成到汽车雷达信号处理链中。所提出的方法进行了比较，与最先进的，突出其有前途的性能。因此，CNN可以用于干扰减轻，作为传统信号处理方法的替代方案。
引言
汽车雷达传感器是当前驾驶辅助系统以及自动驾驶应用的关键元件。调频连续波（FMCW）/线性调频序列（CS）雷达是目前较为流行的一种雷达。它们共享一个非管制频谱，发射线性啁啾信号序列。对精细距离分辨率的要求需要更大的射频（RF）发射带宽，同时部署的传感器数量也在增加。因此，雷达传感器之间的相互干扰变得越来越可能。最常见的相互干扰形式是非相干干扰[1]，其中，具有不同发射信号参数的雷达传感器发生干扰。这导致基带信号中的时间受限的宽带干扰，其主要影响是降低了目标检测灵敏度[2]。因此，干扰抑制是当前和未来用于安全环境的雷达传感器的关键部分。
为了减轻相互干扰，已经提出了几种传统的信号处理算法。最基本的方法是将检测到的干扰样品归零。在[3]中，进行慢时非线性滤波以去除干扰。在[4]中提出了一种不同的方法，其中使用傅立叶变换和阈值处理迭代地重建有用信号[5]。可以估计并减去信号的干扰分量，例如在[6]中。此外，波束成形可用于减少来自特定方向的干扰的影响[7]。在[8]中，在干扰检测和分类的背景下讨论了一些机器学习技术。然而，没有明确的机器学习方法已经提出了干扰缓解的上下文中。
在本文中，我们使用神经网络（NN）作为一种强大的机器学习方法来减轻干扰。特别地，采用卷积NN（CNN）。它们能够通过考虑附近的输入来学习局部模式，并在整个数据信号中识别它们。这种结构对于频谱图表示也是有利的。此外，与完全连接的NN相比，CNN需要相对少量的可学习参数，这使得它们更适合部署在资源受限的系统上，例如芯片级集成。我们将展示如何在处理链中的两个不同点将复频谱图数据的双通道表示[9]用作网络输入。
由于汽车雷达是一种安全关键型应用，因此必须满足干扰抑制和信号去噪算法的某些要求。除了足够的噪声抑制之外，处理不会产生可能导致虚假检测（重影对象）的伪影。我们通过使用详细的性能比较来解决这些问题，该性能比较在蒙特卡洛模拟中评估不同的应用相关措施[10]。
本文的主要贡献是：
·我们展示了能够对雷达信号进行去噪的特定CNN结构。
·我们使用与应用程序相关的性能指标与最先进的技术进行比较。
·我们表明，可以实现出色的降噪水平，从而提高检测灵敏度。
文章插图
结论
在本文中，新的基于神经网络的方法，有效的相互干扰的缓解和去噪的背景下，汽车雷达传感器已经提出。值得注意的是，在距离多普勒信号处理中使用来自不同步骤的（复值）频谱图作为网络输入，以及它们是否适合由CNN处理。一个广泛的模拟框架用于数据生成，培训和评估。最有前途的模型架构，然后进行了比较，一个小的选择，众所周知的传统干扰缓解技术。结果表明，基于CNN的模型能够保留目标峰值，同时与传统方法相比，抑制了几个数量级的噪声和干扰。然而，其性能可能不太鲁棒，特别是当考虑对象峰值的失真时。此外，所实现的抑制量指示隐含的峰值检测能力，这当然归因于使用干净的训练数据。未来最重要的问题是分析架构对真实世界数据的泛化能力。此外，我们想调查的潜力，时间信息的距离多普勒处理使用神经网络。
