CN110361709B - 一种基于动态虚警概率的车载毫米波雷达目标识别方法 - Google Patents

一种基于动态虚警概率的车载毫米波雷达目标识别方法 Download PDF

Info

Publication number
CN110361709B
CN110361709B CN201910574066.4A CN201910574066A CN110361709B CN 110361709 B CN110361709 B CN 110361709B CN 201910574066 A CN201910574066 A CN 201910574066A CN 110361709 B CN110361709 B CN 110361709B
Authority
CN
China
Prior art keywords
matrix
millimeter wave
wave radar
target
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910574066.4A
Other languages
English (en)
Other versions
CN110361709A (zh
Inventor
张雷
张博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingsi Microelectronics (Nanjing) Co.,Ltd.
Original Assignee
Qingsi Microelectronics Nanjing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingsi Microelectronics Nanjing Co ltd filed Critical Qingsi Microelectronics Nanjing Co ltd
Priority to CN201910574066.4A priority Critical patent/CN110361709B/zh
Publication of CN110361709A publication Critical patent/CN110361709A/zh
Application granted granted Critical
Publication of CN110361709B publication Critical patent/CN110361709B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target

Abstract

本发明涉及一种基于动态虚警概率的车载毫米波雷达目标识别方法，属于自动驾驶技术领域。本发明方法首先通过传感器获取环境数据，通过对环境数据的分析计算，得出当前车载毫米波雷达的行驶场景。通过强化学习方法，动态生成适合当前场景的雷达信号处理相关参数配置。将自适应参数用于动态调整毫米波雷达的目标识别过程，以获得特定场景下的最佳表现，使得毫米波雷达在不同场景下对环境具有不同虚警概率和探测效果。因此本发明方法利用车载毫米波雷达的驾驶场景，对毫米波雷达实时配置，改进了特定行驶场景下的毫米波雷达目标识别性能。

Description

一种基于动态虚警概率的车载毫米波雷达目标识别方法
技术领域
本发明涉及一种基于动态虚警概率的车载毫米波雷达目标识别方法，属于自动驾驶技术领域。
背景技术
近年来，车载毫米波雷达的目标识别方法为一个研究热点。毫米波雷达具有全天候工作的优势，被用于汽车环境感知的一部分。现有的车载雷达系统把毫米波雷达作为环境感知的独立模块，采用传统的雷达信号处理算法，用于探测目标的速度、角度、距离或用于成像。这一应用对于自动驾驶场景具有一定的局限性。由于汽车的行驶场景复杂多变。毫米波雷达工作在固定的信号处理算法下，其性能因为环境差异性能表现参差不齐。
目前解决方法是根据经验和实际测试对毫米波雷达算法进行特殊设计和并在出厂前确定相关配置参数，雷达信号在通过ADC采样后，经过傅里叶变换、CFAR算法、卡尔曼滤波等算法获得目标信息。使得汽车在不同路况场景实现恒虚警概率目标检测。但是这种方法无法利用汽车驾驶场景动态调整毫米波雷达。
发明内容
本发明的目的是提出一种基于动态虚警概率的车载毫米波雷达目标识别方法，利用汽车的驾驶场景对毫米波雷达实时配置，以改进特定行驶场景下的毫米波雷达目标识别性能。
本发明提出的基于动态虚警概率的车载毫米波雷达目标识别方法，包括以下步骤：
(1)采集汽车驾驶场景中真实目标的信息，将真实目标信息组成一个目标矩阵L，L为一个Mx3矩阵，L矩阵中的第m行向量为Lm＝[Lm1，Lm2，Lm3]，Lm1、Lm2和Lm3分别表示环境中第m个目标与车载毫米波雷达之间的距离、第m个目标的速度以及第m个目标相对毫米波雷达探测方向的偏离角度，采集汽车驾驶场景分类编码C，C为一个Nc维向量；
(2)利用一个强化学习深度Q网络，将步骤(1)的编码C作为深度Q网络的输入向量，利用下式，计算得到一个参数矩阵V，V为二维向量，V＝[Nt,Pfa]，其中Nt为车载毫米波雷达恒虚警率检测模块中单元平均参考单元的数量，Pfa为车载毫米波雷达恒虚警率检测模块的虚警概率参考值，深度Q网络的计算公式如下：
Figure BDA0002111594680000021
Figure BDA0002111594680000022
V＝[Nt,Pfa]
其中，C为步骤(1)的编码，σ为SIGMOID函数，
Figure BDA0002111594680000023
Figure BDA0002111594680000024
分别为深度Q网络中需要迭代训练的权重矩阵，其中，
Figure BDA0002111594680000025
为一个Nc×f矩阵，
Figure BDA0002111594680000026
为一个1×f矩阵，
Figure BDA0002111594680000027
为一个f×h矩阵，
Figure BDA0002111594680000028
为一个1×h矩阵，
Figure BDA0002111594680000029
是一个h×1矩阵，
Figure BDA00021115946800000210
为一个1×1矩阵，
Figure BDA00021115946800000211
为一个h×1矩阵，
Figure BDA00021115946800000212
为一个1×1矩阵，其中，0<f<100，0<h<100，根据深度Q网络规模确定；
(3)将步骤(2)的参数矩阵V作为配置值，对车载毫米波雷达的恒虚警率检测模块进行配置，其中，Nt用于设置单元平均参考单元的数量，Pfa用于设置虚警概率参考值，启动车载毫米波雷达工作，从车载毫米波雷达读取毫米波雷达目标识别结果S，S为一个Nx3矩阵，S矩阵中的第n行向量为Sn＝[Sn1，Sn2，Sn3]，Sn1、Sn2和Sn3分别表示毫米波雷达识别出的第n个目标与毫米波雷达之间的距离、第n个目标的速度和第n个目标相对毫米波雷达探测方向的偏离角度；
(4)根据步骤(1)的目标矩阵L和步骤(3)的毫米波雷达目标识别结果S，计算特征值γ，具体步骤如下：
(4-1)分别计算目标矩阵L中第m个目标向量Lm与车载毫米波雷达目标识别结果S中的N个目标向量(S1,S2…SN)的欧氏距离，取N个欧氏距离中的最小值，记为
Figure BDA00021115946800000213
即
Figure BDA00021115946800000214
Figure BDA00021115946800000215
Figure BDA00021115946800000216
构成矩阵Ψ，设定两个目标的第一匹配阈值为
Figure BDA00021115946800000217
的取值为大于0、小于Ψ中的最大值，分别将矩阵Ψ中的每个元素与第一匹配阈值
Figure BDA00021115946800000218
进行比较，遍历矩阵Ψ中的所有元素，得到矩阵Ψ中满足
Figure BDA00021115946800000219
的元素个数ξ；
(4-2)分别计算车载毫米波雷达目标识别结果S中第n个目标向量Sn与目标矩阵L中M个目标向量(L1,L2…LM)的欧氏距离，取M个欧氏距离中的最小值，记为θn，即θn＝min(||Sn-L1||,||Sn-L2||,…||Sn-LM||)，θ1，θ2，…θN构成矩阵Θ，设定两个目标的第二匹配阈值为θth，分别将矩阵矩阵Θ中的每个元素与第二匹配阈值θth进行比较，遍历矩阵Θ中的所有元素，得到矩阵Θ中满足θm>θth的元素个数ξ；
(4-3)利用下式，计算得到特征值γ：
Figure BDA0002111594680000031
其中，M为采集的环境中真实目标数，N为毫米波雷达探测到的目标数；
(5)重复步骤(1)中的多次采集汽车驾驶场景分类编码C，得到多个汽车驾驶场景分类编码C，多个汽车驾驶场景分类编码C构成一个矩阵Ct，其中t表示第t个采样点t＝1,2,…,T，T为采样个数，Ct为T×Nc矩阵；
(6)根据步骤(5)的矩阵Ct，遍历矩阵Ct中每个汽车驾驶场景分类编码C，重复步骤(2)，得到多个参数矩阵V，多个参数矩阵V构成一个参数矩阵Vt，Vt为T×2矩阵；
(7)根据步骤(6)的矩阵Vt，遍历矩阵Vt中每个参数矩阵V，重复步骤(3)和步骤(4)，获取多个特征值γ，多个特征值γ构成特征值矩阵γt，γt为T×1矩阵；
(8)利用强化学习方法，将步骤(7)的矩阵γt作为强化学习中的奖励值，将步骤(6)的矩阵Vt作为强化学习中的动作值，将步骤(5)的矩阵Ct作为强化学习中的状态值，训练上述步骤(2)的强化学习深度Q网络，训练目标为
Figure BDA0002111594680000032
分别得到步骤(2)中强化学习深度Q网络的权重矩阵
Figure BDA0002111594680000033
和
Figure BDA0002111594680000034
(9)根据步骤(8)的权重矩阵
Figure BDA0002111594680000035
重复步骤(2)和步骤(3)，得到车载毫米波雷达的识别目标，具体过程如下：
(9-1)将步骤(8)的权重矩阵
Figure BDA0002111594680000036
代入步骤(2)的深度Q网络计算公式中，计算得到参数矩阵V，V＝[Nt,Pfa]，即车载毫米波雷达恒虚警率检测模块中单元平均参考单元的数量Nt和车载毫米波雷达恒虚警率检测模块的虚警概率参考值Pfa；
(9-2)将步骤(9-1)的参数矩阵V作为配置值对车载毫米波雷达的恒虚警率检测模块进行配置，Nt用于设置单元平均参考单元数，Pfa用于设置虚警概率参考值，启动车载毫米波雷达工作，得到毫米波雷达的目标识别结果S，实现基于动态虚警概率的车载毫米波雷达的目标识别。
本发明提出的基于动态虚警概率的车载毫米波雷达目标识别方法，其优点是：
1、本发明的基于动态虚警概率的车载毫米波雷达目标识别方法中，毫米波雷达算法由原来的单向处理雷达信号，生成目标信息变成接收场景信息反馈，动态优化，可以在不同的汽车驾驶场景中获得精度最高的目标检测结果。
2、本发明方法通过强化学习算法，可以不断迭代优化性能，生成毫米波雷达在不同场景下的最优结果，减少了人工配置毫米波雷达的复杂度。
附图说明
图1为本发明方法的流程框图。
具体实施方式
本发明提出的基于动态虚警概率的车载毫米波雷达目标识别方法，其流程框图如图1所示，包括以下步骤：
(1)采集汽车驾驶场景中真实目标的信息，将真实目标信息组成一个目标矩阵L，L为一个Mx3矩阵，L矩阵中的第m行向量为Lm＝[Lm1，Lm2，Lm3]，Lm1、Lm2和Lm3分别表示环境中第m个目标与车载毫米波雷达之间的距离、第m个目标的速度以及第m个目标相对毫米波雷达探测方向的偏离角度，采集汽车驾驶场景分类编码C，C为一个Nc维向量；
(2)利用一个强化学习深度Q网络(深度Q网络是强化学习中的一种常见网络，为公知公用技术)，将步骤(1)的编码C作为深度Q网络的输入向量，利用下式，计算得到一个参数矩阵V，V为二维向量，V＝[Nt,Pfa]，其中Nt为车载毫米波雷达恒虚警率检测模块中单元平均参考单元的数量，Pfa为车载毫米波雷达恒虚警率检测模块的虚警概率参考值，深度Q网络的计算公式如下：
Figure BDA0002111594680000041
Figure BDA0002111594680000042
V＝[Nt,Pfa]
其中，C为步骤(1)的编码，σ为SIGMOID函数(SIGMOID函数为深度学习中常用的函数)，
Figure BDA0002111594680000043
分别为深度Q网络中需要迭代训练的权重矩阵，其中，
Figure BDA0002111594680000044
为一个Nc×f矩阵，
Figure BDA0002111594680000045
为一个1×f矩阵，
Figure BDA0002111594680000046
为一个f×h矩阵，
Figure BDA0002111594680000047
为一个1×h矩阵，
Figure BDA0002111594680000048
是一个h×1矩阵，
Figure BDA0002111594680000049
为一个1×1矩阵，
Figure BDA00021115946800000410
为一个h×1矩阵，
Figure BDA00021115946800000411
为一个1×1矩阵，其中，0<f<100,0<h<100，根据深度Q网络规模确定，本发明的一个实施例中，f的取值为10，h的取值为10；
(3)将步骤(2)的参数矩阵V作为配置值，对车载毫米波雷达的恒虚警率检测模块进行配置，其中，Nt用于设置单元平均参考单元的数量，Pfa用于设置虚警概率参考值，启动车载毫米波雷达工作，从车载毫米波雷达读取毫米波雷达目标识别结果S，S为一个Nx3矩阵，S矩阵中的第n行向量为Sn＝[Sn1，Sn2，Sn3]，Sn1、Sn2和Sn3分别表示毫米波雷达识别出的第n个目标与毫米波雷达之间的距离、第n个目标的速度和第n个目标相对毫米波雷达探测方向的偏离角度；
(4)根据步骤(1)的目标矩阵L和步骤(3)的毫米波雷达目标识别结果S，计算特征值γ，具体步骤如下：
(4-1)分别计算目标矩阵L中第m个目标向量Lm与车载毫米波雷达目标识别结果S中的N个目标向量(S1,S2…SN)的欧氏距离，取N个欧氏距离中的最小值，记为
Figure BDA0002111594680000051
即
Figure BDA0002111594680000052
Figure BDA0002111594680000053
Figure BDA0002111594680000054
构成矩阵Ψ，设定两个目标的第一匹配阈值为
Figure BDA0002111594680000055
的取值为大于0、小于Ψ中的最大值，分别将矩阵Ψ中的每个元素与第一匹配阈值
Figure BDA0002111594680000056
进行比较，遍历矩阵Ψ中的所有元素，得到矩阵Ψ中满足
Figure BDA0002111594680000057
的元素个数ξ；
(4-2)分别计算车载毫米波雷达目标识别结果S中第n个目标向量Sn与目标矩阵L中M个目标向量(L1,L2…LM)的欧氏距离，取M个欧氏距离中的最小值，记为θn，即θn＝min(||Sn-L1||,||Sn-L2||,…||Sn-LM||)，θ1，θ2，…θN构成矩阵Θ，设定两个目标的第二匹配阈值为θth，分别将矩阵矩阵Θ中的每个元素与第二匹配阈值θth进行比较，遍历矩阵Θ中的所有元素，得到矩阵Θ中满足θm>θth的元素个数ξ；
(4-3)利用下式，计算得到特征值γ：
Figure BDA0002111594680000058
其中，M为采集的环境中真实目标数，N为毫米波雷达探测到的目标数；
(5)重复步骤(1)中的多次采集汽车驾驶场景分类编码C，得到多个汽车驾驶场景分类编码C，多个汽车驾驶场景分类编码C构成一个矩阵Ct，其中t表示第t个采样点t＝1,2,…,T，T为采样个数，Ct为T×Nc矩阵；
(6)根据步骤(5)的矩阵Ct，遍历矩阵Ct中每个汽车驾驶场景分类编码C，重复步骤(2)，得到多个参数矩阵V，多个参数矩阵V构成一个参数矩阵Vt，Vt为T×2矩阵；
(7)根据步骤(6)的矩阵Vt，遍历矩阵Vt中每个参数矩阵V，重复步骤(3)和步骤(4)，获取多个特征值γ，多个特征值γ构成特征值矩阵γt，γt为T×1矩阵；
(8)利用强化学习方法(该方法为机器学习领域中的公知技术)，将步骤(7)的矩阵γt作为强化学习中的奖励值(该强化学习奖励值是强化学习算法中的固定参数)，将步骤(6)的矩阵Vt作为强化学习中的动作值(该强化学习动作是强化学习算法中的固定参数)，将步骤(5)的矩阵Ct作为强化学习中的状态值(该强化学习状态值是强化学习算法中的固定参数)，训练上述步骤(2)的强化学习深度Q网络，训练目标为
Figure BDA0002111594680000061
分别得到步骤(2)中强化学习深度Q网络的权重矩阵
Figure BDA0002111594680000062
和
Figure BDA0002111594680000063
(9)根据步骤(8)的权重矩阵
Figure BDA0002111594680000064
重复步骤(2)和步骤(3)，得到车载毫米波雷达的识别目标，具体过程如下：
(9-1)将步骤(8)的权重矩阵
Figure BDA0002111594680000065
代入步骤(2)的深度Q网络计算公式中，计算得到参数矩阵V，V＝[Nt,Pfa]，即车载毫米波雷达恒虚警率检测模块中单元平均参考单元的数量Nt和车载毫米波雷达恒虚警率检测模块的虚警概率参考值Pfa；
(9-2)将步骤(9-1)的参数矩阵V作为配置值对车载毫米波雷达的恒虚警率检测模块进行配置，Nt用于设置单元平均参考单元数，Pfa用于设置虚警概率参考值，启动车载毫米波雷达工作，得到毫米波雷达的目标识别结果S，实现基于动态虚警概率的车载毫米波雷达的目标识别。S为一个Nx3矩阵，S矩阵中的第n行向量为Sn＝[Sn1，Sn2，Sn3]，Sn1，Sn2，Sn3分别表示毫米波雷达识别出的第n个目标与毫米波雷达的距离、第n个目标的速度和第n个目标与毫米波雷达正前方的偏离角度。

Claims (1)

1.一种基于动态虚警概率的车载毫米波雷达目标识别方法，其特征在于，该方法包括以下步骤：
(1)采集汽车驾驶场景中真实目标的信息，将真实目标信息组成一个目标矩阵L，L为一个Mx3矩阵，L矩阵中的第m行向量为Lm＝[Lm1，Lm2，Lm3]，Lm1、Lm2和Lm3分别表示环境中第m个目标与车载毫米波雷达之间的距离、第m个目标的速度以及第m个目标相对毫米波雷达探测方向的偏离角度，采集汽车驾驶场景分类编码C，C为一个Nc维向量；
(2)利用一个强化学习深度Q网络，将步骤(1)的编码C作为深度Q网络的输入向量，利用下式，计算得到一个参数矩阵V，V为二维向量，V＝[Nt,Pfa]，其中Nt为车载毫米波雷达恒虚警率检测模块中单元平均参考单元的数量，Pfa为车载毫米波雷达恒虚警率检测模块的虚警概率参考值，深度Q网络的计算公式如下：
Figure FDA0002111594670000011
Figure FDA0002111594670000012
V＝[Nt,Pfa]
其中，C为步骤(1)的编码，σ为SIGMOID函数，
Figure FDA0002111594670000013
Figure FDA0002111594670000014
分别为深度Q网络中需要迭代训练的权重矩阵，其中，
Figure FDA0002111594670000015
为一个Nc×f矩阵，
Figure FDA0002111594670000016
为一个1×f矩阵，
Figure FDA0002111594670000017
为一个f×h矩阵，
Figure FDA0002111594670000018
为一个1×h矩阵，
Figure FDA0002111594670000019
是一个h×1矩阵，
Figure FDA00021115946700000110
为一个1×1矩阵，
Figure FDA00021115946700000111
为一个h×1矩阵，
Figure FDA00021115946700000112
为一个1×1矩阵，其中，f和h根据深度Q网络规模确定，取值范围为：0<f<100，0<h<100；
(3)将步骤(2)的参数矩阵V作为配置值，对车载毫米波雷达的恒虚警率检测模块进行配置，其中，Nt用于设置单元平均参考单元的数量，Pfa用于设置虚警概率参考值，启动车载毫米波雷达工作，从车载毫米波雷达读取毫米波雷达目标识别结果S，S为一个Nx3矩阵，S矩阵中的第n行向量为Sn＝[Sn1，Sn2，Sn3]，Sn1、Sn2和Sn3分别表示毫米波雷达识别出的第n个目标与毫米波雷达之间的距离、第n个目标的速度和第n个目标相对毫米波雷达探测方向的偏离角度；
(4)根据步骤(1)的目标矩阵L和步骤(3)的毫米波雷达目标识别结果S，计算特征值γ，具体步骤如下：
(4-1)分别计算目标矩阵L中第m个目标向量Lm与车载毫米波雷达目标识别结果S中的N个目标向量(S1,S2…SN)的欧氏距离，取N个欧氏距离中的最小值，记为
Figure FDA0002111594670000021
即
Figure FDA0002111594670000022
Figure FDA0002111594670000023
Figure FDA0002111594670000024
构成矩阵Ψ，设定两个目标的第一匹配阈值为
Figure FDA0002111594670000025
Figure FDA0002111594670000026
的取值为大于0、小于Ψ中的最大值，分别将矩阵Ψ中的每个元素与第一匹配阈值
Figure FDA0002111594670000027
进行比较，遍历矩阵Ψ中的所有元素，得到矩阵Ψ中满足
Figure FDA0002111594670000028
的元素个数ξ；
(4-2)分别计算车载毫米波雷达目标识别结果S中第n个目标向量Sn与目标矩阵L中M个目标向量(L1,L2…LM)的欧氏距离，取M个欧氏距离中的最小值，记为θn，即θn＝min(||Sn-L1||,||Sn-L2||,…||Sn-LM||)，θ1，θ2，…θN构成矩阵Θ，设定两个目标的第二匹配阈值为θth，分别将矩阵矩阵Θ中的每个元素与第二匹配阈值θth进行比较，遍历矩阵Θ中的所有元素，得到矩阵Θ中满足θm>θth的元素个数ξ；
(4-3)利用下式，计算得到特征值γ：
Figure FDA0002111594670000029
其中，M为采集的环境中真实目标数，N为毫米波雷达探测到的目标数；
(5)重复步骤(1)中的多次采集汽车驾驶场景分类编码C，得到多个汽车驾驶场景分类编码C，多个汽车驾驶场景分类编码C构成一个矩阵Ct，其中t表示第t个采样点t＝1,2,…,T，T为采样个数，Ct为T×Nc矩阵；
(6)根据步骤(5)的矩阵Ct，遍历矩阵Ct中每个汽车驾驶场景分类编码C，重复步骤(2)，得到多个参数矩阵V，多个参数矩阵V构成一个参数矩阵Vt，Vt为T×2矩阵；
(7)根据步骤(6)的矩阵Vt，遍历矩阵Vt中每个参数矩阵V，重复步骤(3)和步骤(4)，获取多个特征值γ，多个特征值γ构成特征值矩阵γt，γt为T×1矩阵；
(8)利用强化学习方法，将步骤(7)的矩阵γt作为强化学习中的奖励值，将步骤(6)的矩阵Vt作为强化学习中的动作值，将步骤(5)的矩阵Ct作为强化学习中的状态值，训练上述步骤(2)的强化学习深度Q网络，训练目标为
Figure FDA00021115946700000210
分别得到步骤(2)中强化学习深度Q网络的权重矩阵
Figure FDA00021115946700000211
和
Figure FDA00021115946700000212
(9)根据步骤(8)的权重矩阵
Figure FDA00021115946700000213
重复步骤(2)和步骤(3)，得到车载毫米波雷达的识别目标，具体过程如下：
(9-1)将步骤(8)的权重矩阵
Figure FDA00021115946700000214
代入步骤(2)的深度Q网络计算公式中，计算得到参数矩阵V，V＝[Nt,Pfa]，即车载毫米波雷达恒虚警率检测模块中单元平均参考单元的数量Nt和车载毫米波雷达恒虚警率检测模块的虚警概率参考值Pfa；
(9-2)将步骤(9-1)的参数矩阵V作为配置值对车载毫米波雷达的恒虚警率检测模块进行配置，Nt用于设置单元平均参考单元数，Pfa用于设置虚警概率参考值，启动车载毫米波雷达工作，得到毫米波雷达的目标识别结果S，实现基于动态虚警概率的车载毫米波雷达的目标识别。
CN201910574066.4A 2019-06-28 2019-06-28 一种基于动态虚警概率的车载毫米波雷达目标识别方法 Active CN110361709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910574066.4A CN110361709B (zh) 2019-06-28 2019-06-28 一种基于动态虚警概率的车载毫米波雷达目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910574066.4A CN110361709B (zh) 2019-06-28 2019-06-28 一种基于动态虚警概率的车载毫米波雷达目标识别方法

Publications (2)

Publication Number Publication Date
CN110361709A CN110361709A (zh) 2019-10-22
CN110361709B true CN110361709B (zh) 2021-04-20

Family

ID=68216509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910574066.4A Active CN110361709B (zh) 2019-06-28 2019-06-28 一种基于动态虚警概率的车载毫米波雷达目标识别方法

Country Status (1)

Country Link
CN (1) CN110361709B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111257881A (zh) * 2020-03-02 2020-06-09 上海神添实业有限公司 一种动态道路交会场景目标车辆散射建模方法
CN112946627B (zh) * 2021-01-29 2024-03-22 中汽创智科技有限公司 基于视觉信息的毫米波雷达检测系统及检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491072A (zh) * 2017-09-05 2017-12-19 百度在线网络技术（北京）有限公司 车辆避障方法和装置
CN108407805A (zh) * 2018-03-30 2018-08-17 中南大学 一种基于dqn的车辆自动泊车方法
US10254759B1 (en) * 2017-09-14 2019-04-09 Waymo Llc Interactive autonomous vehicle agent

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017120336A2 (en) * 2016-01-05 2017-07-13 Mobileye Vision Technologies Ltd. Trained navigational system with imposed constraints
US10748061B2 (en) * 2016-12-19 2020-08-18 Futurewei Technologies, Inc. Simultaneous localization and mapping with reinforcement learning
CN109117802B (zh) * 2018-08-21 2021-10-29 东北大学 面向大场景高分遥感影像的舰船检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491072A (zh) * 2017-09-05 2017-12-19 百度在线网络技术（北京）有限公司 车辆避障方法和装置
US10254759B1 (en) * 2017-09-14 2019-04-09 Waymo Llc Interactive autonomous vehicle agent
CN108407805A (zh) * 2018-03-30 2018-08-17 中南大学 一种基于dqn的车辆自动泊车方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Learning-Based Energy-Efficient Data Collection by Unmanned Vehicles in Smart Cities;Bo Zhang et al.;《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》;20180430;第1666-1667页 *
一种基于深度强化学习的自适应巡航控制算法;韩向敏 等;《计算机工程》;20180731;第32-41页 *

Also Published As

Publication number Publication date
CN110361709A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
Brodeski et al. Deep radar detector
CN111220958B (zh) 基于一维卷积神经网络的雷达目标多普勒像分类识别方法
CN108872984B (zh) 基于多基地雷达微多普勒和卷积神经网络的人体识别方法
CN111160176B (zh) 基于融合特征的一维卷积神经网络地面雷达目标分类方法
CN110443138B (zh) 基于车载毫米波雷达联合svm和cnn多目标分类方法
CN111521998B (zh) 用于去混叠和配置雷达系统的深度学习
CN110361709B (zh) 一种基于动态虚警概率的车载毫米波雷达目标识别方法
CN104299248B (zh) 利用前视声呐图像对水下多个动态目标运动预测的方法
CN110852158B (zh) 一种基于模型融合的雷达人体运动状态分类算法及系统
US5537511A (en) Neural network based data fusion system for source localization
CN115061113B (zh) 用于雷达的目标检测模型训练方法、装置及存储介质
US20190383900A1 (en) Joint optimization of antenna spacing and target angle estimation in a radar system
CN111610492A (zh) 一种多声传感器阵列智能感知方法及系统
Kwon et al. Human detection by deep neural networks recognizing micro-Doppler signals of radar
Cozma et al. Deephybrid: Deep learning on automotive radar spectra and reflections for object classification
US20230139751A1 (en) Clustering in automotive imaging
CN113887583A (zh) 基于深度学习的低信噪比下雷达rd图像目标检测方法
CN111368653B (zh) 一种基于r-d图与深度神经网络的低空小目标检测方法
US11428782B2 (en) Neural network-based object surface estimation in radar system
CN111352075B (zh) 一种基于深度学习的水下多声源定位方法及系统
CN109001690B (zh) 基于馈电网络的时域空间域结合的雷达目标检测方法
Tang et al. A novel approach for automatic recognition of LPI radar waveforms based on CNN and attention mechanisms
AU7465698A (en) Polynomial filters for higher order correlation and multi-input information fusion
Wang et al. Automatic jamming modulation classification exploiting convolutional neural network for cognitive radar
CN114464216A (zh) 无人驾驶行车环境下的声学检测方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20210330

Address after: Room 301, block C, Yingying building, 99 Tuanjie Road, yanchuangyuan, Jiangbei new district, Nanjing, Jiangsu, 211800

Applicant after: Qingsi Microelectronics (Nanjing) Co.,Ltd.

Address before: 100084 No. 1 Tsinghua Yuan, Beijing, Haidian District

Applicant before: TSINGHUA University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant