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
雷达传感器正逐渐成为道路车辆广泛使用的设备,在自动驾驶和道路安全方面发挥着至关重要的作用。雷达传感器的广泛采用增加了来自不同车辆的传感器之间相互干扰的机会,产生了损坏的距离剖面图和距离-多普勒图。为了从距离-多普勒图中提取多个目标的距离和速度,需要消除影响各目标距离像的干扰。在本文中,我们提出了一种用于汽车雷达干扰缓解的全卷积神经网络。为了在真实场景中训练我们的网络,我们引入了一个新的具有多个目标和多个干扰器的真实汽车雷达信号数据集。据我们所知,我们是第一个在汽车雷达领域应用权重修剪的人,与广泛使用的dropout相比,我们获得了上级结果。虽然之前的大多数工作都成功地估计了汽车雷达信号的幅度,但我们提出了一个可以准确估计相位的深度学习模型。例如,我们的新方法将相位估计误差相对于通常采用的调零技术减少了一半,从12.55度到6.58度。考虑到汽车雷达干扰缓解数据库的缺乏,我们将我们的大规模数据集作为开源发布,该数据集密切复制了多个干扰情况下的真实汽车场景,允许其他人客观地比较他们在该领域的未来工作。
引言
为了减少交通事故的数量和道路上的死亡人数,自主驾驶和道路安全是非常重要的话题。汽车公司提出的建造自动驾驶和更安全车辆的解决方案之一是基于使用雷达传感器扫描周围环境。在汽车工业中使用的最常见的雷达传感器是调频连续波(FMCW)/线性调频序列(CS)雷达,其发射线性调频信号序列。由这样的传感器发送和接收的信号提供了估计附近目标的距离和速度的手段(例如,车辆、行人或其他障碍物)。例如,汽车雷达传感器甚至已经被用于检测非常小的物体(例如,道路碎片[1])。然而,雷达传感器[2]的日益广泛应用增加了不同车辆传感器之间相互干扰的可能性,从而产生损坏和不可用的信号。实际上,射频干扰可以大幅提高噪声本底,达到潜在目标完全被噪声掩盖的程度,从而降低目标检测方法的灵敏度[3]。在图1中,我们给出了有干扰和无干扰的雷达信号的距离剖面,其中,在干净距离剖面中可见的一些目标被多个干扰源引起的上升的本底噪声所吸收。为了能够探测到这样的目标,必须减轻雷达干扰。为此,研究者提出了多种技术,包括传统方法[4]-[11]到深度学习方法[12]-[16]。
在本文中,我们通过设计一种新型的全卷积网络(FCN)[17]扩展了我们先前的工作[12],该网络(i)可以随雷达差拍信号的幅度沿着恢复相位,(ii)可以科普多个非相干射频(RF)干扰源。我们的网络作为输入的真实的部分,虚部和短期傅立叶变换(STFT)的干扰信号的幅度,提供作为输出的真实的部分,虚部和幅度的距离像,分别。虽然我们的网络不直接估计相位,但它可以从真实的和虚部简单地计算出来。据我们所知,我们是少数几个提出可以准确估计相位的深度学习模型的人之一,这是一个众所周知的问题,通常会在相关文章中作为未来的工作[18]。虽然大多数深度学习方法研究了单个干扰源的雷达干扰缓解[11],[12],[14],但我们的目标是解决多个干扰源下的任务。为了实现这一目标,我们生成了一个大规模的数据集,该数据集紧密复制了多个干扰源的真实汽车场景,在训练期间考虑多达三个干扰源,并且在推断期间考虑多达六个干扰源。我们将我们的方法与三种最先进的方法进行了比较,一种基于归零[4],[9],两种基于深度神经网络[12],[13],报告了各种评估指标的上级结果。在本文中,我们还应用了权重修剪[19],[20],提高了神经网络模型权重中包含的信噪比。我们将我们的权重修剪与广泛采用的dropout [21]进行了比较,表明前一种方法有助于神经模型达到更好的收敛点。此外,我们将我们的新数据集作为开源发布,允许其他研究人员和工程师客观地比较他们未来在雷达干扰缓解方面的工作。总之,我们的贡献有三个方面:
·我们提出了一种能够减轻来自多个源的非相干RF干扰的深度学习模型。
·我们设计了一个完全卷积的网络架构,输出清晰的距离剖面,估计幅度和间接的相位。
·我们介绍了一个雷达干扰数据集,该数据集具有广泛而现实的信号参数变化范围以及多个干扰源。
文章插图
结论
本文首次提出了一种新的全卷积网络,它能够同时估计多个干扰源作用下的汽车雷达信号的幅度和相位。我们还介绍了一个大规模的雷达信号数据库模拟在现实和复杂的设置。我们在一系列的综合实验中将我们的FCN模型与一些最新的方法进行了比较,结果表明我们的FCN模型提供了上级的结果。我们还发布了我们的新数据集,以便在未来的工作中进行客观比较。据我们所知,我们是第一个建立了一个基准数据集的汽车雷达干扰缓解与多个干扰源。在未来的工作中,我们的目标是修改我们的FCN或探索模型提取方法,以便在低成本的嵌入式设备上执行实时处理。目前,实时处理只能在昂贵的GPU上实现。