CN110501710A - 接收并分析雷达信号的雷达系统和方法 - Google Patents

接收并分析雷达信号的雷达系统和方法 Download PDF

Info

Publication number
CN110501710A
CN110501710A CN201910398540.2A CN201910398540A CN110501710A CN 110501710 A CN110501710 A CN 110501710A CN 201910398540 A CN201910398540 A CN 201910398540A CN 110501710 A CN110501710 A CN 110501710A
Authority
CN
China
Prior art keywords
nonlinear function
signal
radar
receiving element
parameter
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.)
Granted
Application number
CN201910398540.2A
Other languages
English (en)
Other versions
CN110501710B (zh
Inventor
P·格布哈特
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.)
Aptiv Technologies Ltd
Original Assignee
Aptiv Technologies 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 Aptiv Technologies Ltd filed Critical Aptiv Technologies Ltd
Publication of CN110501710A publication Critical patent/CN110501710A/zh
Application granted granted Critical
Publication of CN110501710B publication Critical patent/CN110501710B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01S7/417—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 involving the use of neural networks
    • 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
    • G01S7/003—Transmission of data between radar, sonar or lidar systems and remote stations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
    • 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
    • G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
    • 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
    • G01S2013/9327—Sensor installation details

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Electromagnetism (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

接收并分析雷达信号的雷达系统和方法。适用于自动化车辆的雷达系统包括至少一个接收元件，所述至少一个接收元件被配置成对由所述雷达系统的视场中的对象反射的反射雷达信号进行检测。所述接收元件还被配置成生成检测信号，所述检测信号表示被所述接收元件检测到的所述反射雷达信号。此外，对所述检测信号执行自动编码操作的自动编码装置被嵌入所述接收元件中，以使所述接收元件输出编码形式的检测信号。

Description

接收并分析雷达信号的雷达系统和方法
技术领域
本发明涉及适用于自动化车辆的雷达系统并且涉及用于接收并分析雷达信号的方法。
背景技术
现今，雷达系统被用于许多汽车应用，例如，用于包括自动巡航控制(ACC)和/或自动紧急制动(AEB)的高级驾驶员辅助系统(ADAS)。这种系统的常见雷达传感器(像前向或侧向雷达传感器)按照所谓的检测结果列表提供传感器信息。这些列表包括对雷达传感器的数据信号执行的物理检测的特性。通常，检测结果列表包括约64至128个物理检测的特性。单个检测结果包括反射由雷达系统发送的雷达信号的目标的距离、角度、幅度以及速度信息。
尽管检测结果列表足以用于传统的驾驶员辅助系统，但更复杂的应用(像对行人、自行车或地标进行分类)需要已经存在于雷达传感器的原始信号中的更详细的信息。因此，需要将更大量的数据传送至数据处理单元，以用于这些复杂的应用。针对适用于此类应用的数据传送，使用被称作压缩数据立方体(CDC)的另一数据格式，而不使用检测结果列表。针对CDC，通过应用与雷达信号的噪声电平相对应的阈值，对目标的雷达传感器的三维原始数据进行压缩。由于雷达原始信号的稀疏性，因此，压缩数据立方体实现了这些数据的强压缩。这种压缩是必要的，因为不可能通过当前在汽车系统中可用的数据传输协议来传送未压缩的数据立方体。
因此，压缩数据立方体内的数据压缩基于以下假设：低于被任意定义的噪声电平的信号不包含任何相关信息。这种假设不一定正确，因为有些算法能够降低噪声的影响并揭示低于噪声电平的信息。另外，基于学习或训练过程的对象分类算法可以更有效地应用于未修改的原始信号。此外，基于与噪声电平相对应的阈值的压缩可能将有害的人为现象(artefact)引入到传输的信号中。
发明内容
本发明的目的是提供接收并分析雷达数据的雷达系统和方法，所述雷达系统和方法为包含在雷达原始信号中并且是特定应用所需的所有相关信息提供足够高的传送速率。
所述目的通过一种雷达系统来实现。根据本发明，所述雷达系统包括至少一个接收元件，所述至少一个接收元件被配置成对由所述雷达系统的视场中的对象反射的反射雷达信号进行检测。所述接收元件还被配置成生成表示被所述接收元件检测到的所述反射雷达信号的检测信号。此外，自动编码装置对所述检测信号执行自动编码操作，并且所述自动编码装置被嵌入所述接收元件中。因此，所述接收元件输出编码形式的检测信号。
所述检测信号的编码形式优选为有损编码形式。这意味着根据编码检测信号重构的数据可能不同于最初检测信号。然而，因对所述检测信号进行编码和重构而造成的数据丢失将例如通过训练过程达到最小。
由于所述自动编码装置被嵌入所述接收元件中，因此，实现了对所述反射雷达信号或原始雷达信号进行接收和编码的紧凑单元。可以容易地在汽车应用中实现这种紧凑的接收和编码单元，并且在无需附加的编码装置的情况下，该接收和编码单元已经提供了编码数据。
所述接收元件的输出也可以表示为所述检测信号的“中间表示”。由于对数据进行了编码，因此待传送数据的量通常会减少。因此，与不输出编码数据的接收元件相比，由所述反射雷达信号提供的信息可以在接收装置的输出部以更高的传送速率进行传送。所述中间表示的“维数”(即，最大数据量或样本数)因此可以根据要被用于传送编码信号的相应接口的可用传输带宽来指定。另外，在对所述检测信号进行编码和传送时，不会引入因任意定义的阈值而造成的人为现象。
由于对所述最初检测信号进行了编码，因此，在所述接收元件输出所述检测信号时，所述检测信号是压缩的。压缩因子可以被定义为所述最初检测信号的样本与所述编码检测信号的样本数或对应数据集的比率。因此，所述压缩因子是用于减少待传送数据的量的一种量度，或反过来说，是用于增强所述接收元件的输出部的数据传送速率的量度。
应注意到，所述最初检测信号是例如通过所述接收元件的天线直接生成的信号。也就是说，这些数据被视为尚未暴露于进一步的处理步骤(像通常被用于创建例如距离多普勒图的一个或更多个傅立叶变换)的原始数据。
所附权利要求书、说明书以及附图对本发明的有利实施方式进行了描述。
根据有利实施方式，所述系统还包括与所述接收元件进行通信的传送装置和与所述传送装置进行通信的控制器。所述传送装置将所述编码检测信号从所述接收元件传送至所述控制器，而所述控制器包括解码装置，该解码装置执行解码操作，以便对所述编码检测信号进行解码。
由于所述接收元件输出的数据的量因编码而减少，可以将标准传送装置(例如，CAN总线)用于数据传送。这种传送装置通常可用于汽车应用或自动化车辆。因此，关于传送装置的要求(例如，关于数据传送速率)因所述编码而减少。由所述控制器包括的所述解码装置优选为所述自动编码装置的对等装置，因为所述解码装置必须以相对于所述最初检测信号的最小偏差重构所述检测信号。
具体地，所述自动编码装置将第一非线性函数应用至所述检测雷达信号，以便对所述检测雷达信号进行编码，而所述解码装置应用第二非线性函数，以对编码检测雷达信号进行解码。由于所述解码装置的关于所述检测信号的重构要求，所述第一非线性函数和所述第二非线性函数彼此依赖。因此，可以通过所述非线性函数的特性来评估和/或控制数据传送的特性(例如，关于不可避免的数据丢失)。例如，这可以通过对所述非线性函数所依赖于的参数进行控制来执行。优选地，所述第一非线性函数不同于所述第二非线性函数。
根据另一实施方式，第一神经网络获得在所述自动编码操作中应用的所述第一非线性函数的参数，而第二神经网络获得在所述解码操作中应用的所述第二非线性函数的参数。可以在开发系统上实现所述第一神经网络和所述第二神经网络，该开发系统是在将所述雷达系统例如安装在自动化车辆上之前使用的。另选地，可以在作为所述雷达系统的一部分的所述控制器上实现所述第一神经网络和所述第二神经网络。
由于所述第一非线性函数和所述第二非线性函数彼此依赖，因此，由于重构要求，所述第一神经网络和所述第二神经网络可以彼此联合。具体地，卷积神经网络非常适合处理雷达原始数据。因此，所述第一非线性函数和所述第二非线性函数的参数集可以被视为由所述第一神经网络和所述第二神经网络规定的参数集。
优选地，所述控制器包括鉴别器，作为所述自动编码装置和所述解码装置的训练过程的一部分，所述鉴别器对所述第一非线性函数和所述第二非线性函数的参数进行评估。因此，所述鉴别器的任务是以这样的方式对所述第一非线性函数和所述第二非线性函数的参数进行评估：使得所述最初检测信号与所述重构信号之间的差异最小。在测试环境中(即，在车辆上实现所述雷达系统之前)，所述鉴别器在训练过程期间从所述接收元件接收未经编码的所述最初检测信号或原始信号以及所述编码检测信号和解码(即，重构)检测信号。
在所述训练过程期间，所述第一非线性函数和所述第二非线性函数的参数由所述第一神经网络和所述第二神经网络改变，直到所述最初信号和所述重构信号彼此足够一致。可以规定所述最初信号与所述重构信号之间的残差(residual deviation)，以便终止所述训练过程。另外，可以以这样的方式定义所述残差：尽可能地减少待传送数据的量，或者使通过所述数据获得的相关信息最大化。
具体地，所述控制器包括分析所述检测雷达信号的至少一个应用算法，并且所述鉴别器在所述训练过程期间使用所述应用算法，以便对所述第一非线性函数和所述第二非线性函数的参数进行评估。优选地，所述至少一个应用算法包括针对地标分类、行人分类和/或自行车分类的至少一个算法。此外，由所述至少一个应用算法提供的结果可以由其它汽车应用(例如，由高级驾驶员辅助系统(ADAS))进一步处理。
代替直接比较所述最初信号和重构的原始信号，可以在所述训练过程期间使用所述应用算法，以对所述第一非线性函数和所述第二非线性函数的参数进行评估。例如，可以将用于识别对象或将对象分类(例如，识别地标或行人)的算法应用于所述最初检测信号和所述重构信号，并且如果识别结果有足够的一致性，则结束所述训练过程。
通过这些手段，可以针对检测到所述雷达信号的所需应用来定制和优化所述训练过程。此外，因所述自动编码和解码操作而造成的不可避免的数据丢失因此可以相对于所需应用最小化，例如，识别对象，而不是规定任意电平(例如噪声电平)来限制待传送数据的量。因此，通过所述训练过程将不可避免的数据丢失“转移”到所需应用的无关数据。
具体地，在将所述雷达系统安装在自动化车辆上之前，通过应用大量数据集(即，来自已知对象的、采用最初形式的检测信号以及采用编码形式和解码形式的检测信号)来执行所述训练过程。然而，在自动化车辆的所述雷达系统的操作期间，优选地，可以重复训练过程，以便对所述第一非线性函数的参数和所述第二非线性函数的参数进行验证。例如，当所述传送装置允许传送大量数据时(例如，当车辆未移动时)，可以触发训练过程。
本发明还涉及可以在上述雷达系统中使用的用于检测雷达信号的接收元件。所述接收元件包括嵌入式自动编码装置，该嵌入式自动编码装置对由所述接收元件输出的检测雷达信号进行编码。
此外，本发明涉及一种接收并分析雷达信号的方法。通过至少一个接收元件对由雷达系统的视场中的对象反射的反射雷达信号进行检测。通过被嵌入所述接收元件中的自动编码装置对检测雷达信号进行自动编码。然后，将编码雷达信号传送至控制器并通过被所述控制器包括的解码装置进行解码。最后通过被所述控制器包括的至少一个应用算法来对解码雷达信号进行分析。
由于自动编码步骤和解码步骤，可以减少从所述接收元件到所述控制器的待传送数据的量。因此，可以提高相关信息的传送速率。此外，由于没有使用数据的任何限制(像噪声电平)，因此可以使在重构雷达信号或解码雷达信号中出现人为现象达到最小。
附图说明
下面参照有利实施方式和附图，以示例的方式对本发明进行描述。示出了：
图1是根据本发明实施方式的基于车辆的雷达系统；
图2是由图1的系统执行的数据压缩和数据重构的示意图；以及
图3是例示了针对图1的系统执行的训练过程的流程图。
具体实施方式
图1例示了基于车辆的雷达系统，下文中称为系统10。系统10包括发射元件12和至少一个接收元件14，接收元件14包括多个天线16，例如，第一天线16A和第二天线16B。发射元件12发射雷达信号18，雷达信号18被系统10的视场中的第一对象19A和/或第二对象19B反射为反射雷达信号20。接收元件14的第一天线16A和第二天线16B对反射雷达信号20进行检测，以便提供表示反射雷达信号20的检测信号21。
另外，接收元件14包括自动编码装置22。换句话说，自动编码装置22嵌入在接收元件14中，以便与天线16一起提供紧凑单元。自动编码装置22通过将第一非线性函数103(参见图3)应用至检测信号21来对检测信号21执行自动编码操作。因此，自动编码装置22输出编码检测信号30。总之，包括嵌入式自动编码装置22的接收元件14输出编码检测信号30而不是最初的检测信号21。
由于对检测信号21进行了编码，因此，如图2的左侧所示，对这些信号执行数据压缩。作为雷达传感器，天线16的典型采样率为100MHz至1000MHz，典型分辨率为16位。检测信号21的一个单次扫描为自动编码装置22提供输入X，该输入X由1000至10000个样本构成。由于经装置22进行了自动编码，因此，编码检测信号30作为所谓的中间表示Z而被获取，该中间表示Z包括少得多的数据量，例如，仅数百个样本。在本示例中，由于自动编码，这导致检测信号21的压缩因子约为10。
系统10还包括与接收元件14进行通信的传送装置25和与传送装置25进行通信的控制器26。传送装置25将编码检测信号30从接收元件14传送至控制器26。控制器26包括：解码装置27、鉴别器29以及要应用于检测信号的应用算法31。另外，控制器26包括向发射元件12提供发射信号28以便生成发射雷达信号18的装置(未示出)。
例如，传送装置25是在典型的汽车系统中使用的CAN总线。传送装置25将编码检测信号30从接收元件14传送至控制器26的解码装置27。解码装置27通过将第二非线性函数203(参见图3)应用于编码检测信号30来执行解码操作。
图2的右侧例示了由解码装置27执行的解码操作。通过将第二非线性函数203应用于编码检测信号30(或中间表示Z)，生成作为解码装置27的输出X'的解码或重构信号40。由于将非线性函数103、203应用于最初信号和编码信号，因此，会发生不可避免的数据丢失，即，解码或重构信号40可能偏离最初的检测信号21。然而，没有将任意限制(例如，与噪声电平相对应的阈值)应用于信号。相反，通过训练过程优化了非线性函数103、203的参数。
在系统10的第一操作模式中(即，在训练过程期间)，解码装置27的输出X'(即，解码信号40)被用作鉴别器29的输入，鉴别器29对在编码步骤和解码步骤中应用的第一和第二非线性函数的参数进行评估。通过将最初的检测信号21也传送至控制器26来执行这种评估。
在第一种评估形式中，将解码信号40与最初的检测信号21进行比较，并改变第一非线性函数103的参数和第二非线性函数203的参数，直到最初的检测信号21与解码信号40之间的偏差达到最小。在第二种评估形式中，在评估步骤中附加地包括应用算法31(其通常应用于检测信号21)。也就是说，将应用算法31分别应用于检测信号21和解码信号40，然后执行结果比较。通过这种方法，由鉴别器29执行的鉴别步骤可以应用于针对检测信号21提供的应用算法31。
在两种形式的鉴别步骤中，将最初信号和重构信号的比较结果用于评估和控制第一和第二非线性函数的参数。由此，通过鉴别来自动抑制没有或具有较小相关性的数据。对第一非线性函数103的参数和第二非线性函数203的参数执行评估，直到最初信号与重构信号(即，原始信号或应用结果)之间的偏差达到最小。详细地，通过如图3所示的训练过程来执行评估。
根据所述训练过程，将天线16的输出(即，检测信号21)馈送至第一神经网络101以便生成编码检测信号30，该第一神经网络101确定执行编码步骤的第一非线性函数103的参数。这些编码信号30再次被馈送至第二神经网络201，该第二神经网络201确定第二非线性函数203的参数。在应用第二非线性函数203之后，将重构检测信号301提供给鉴别器29。另外，最初的检测信号(即，检测信号21的副本)也被提供给鉴别器29。
重构检测信号301和最初检测信号303的比较结果产生来自鉴别器29的第一反馈105和第二反馈205，第一反馈105和第二反馈205分别由第一神经网络101和第二神经网络201使用。由于这个反馈，神经网络101、201的节点被更新，并且第一函数103的参数和第二函数203的参数得以修正。因此，完成了训练过程的第一学习步骤。
例如，通过为已知对象19A、19B提供的另一组检测信号21来重复训练过程的学习步骤，直到最初检测信号303与重构检测信号301之间的偏差达到最小。
在系统10(参见图1)的第二操作模式中，将解码装置27的输出数据(即，解码信号40(参见图2))直接提供给应用算法31，即，在完成第一非线性函数103和第二非线性函数203的参数的训练过程之后。训练过程首先在测试环境中执行，即，在将雷达系统10实现在例如自动化车辆中之前。在这样的测试环境中，可以通过通常在自动化车辆中不可用的附加计算硬件容易地执行最初的检测信号21、303的数据传送。然而，第二操作模式的执行可以在稍后阶段中断，并且可以重复训练过程(例如，利用缩减的数据集)，以便对第一非线性函数103的参数和第二非线性函数203的参数进行验证。
由于与最初的检测信号21和解码信号40相比，编码检测信号30或中间数据表示Z(参见图2)包括数量减少的数据，因此，与未经编码和解码的数据传送相比，将编码检测信号30从接收元件14传送至控制器26的传送速率增加。另外，通过包括由训练过程确定的参数的非线性函数来执行非相关数据的抑制。由此，因通过非线性函数的自动编码和解码而造成的不可避免的数据丢失自动适应所需应用。因此，没有引入人为现象，因为没有任意设置例如与噪声电平相对应的阈值。相反，本发明的雷达系统10确保解码信号40或重构检测信号301包括所使用的应用算法所需的最大信息。
附图标记列表
10 雷达系统
12 发射元件
14 接收元件
16 天线
16A 第一天线
16B 第二天线
18 发射雷达信号
19A 第一对象
19B 第二对象
20 反射雷达信号
21 检测信号
22 自动编码装置
25 传送装置
26 控制器
27 解码装置
28 发射信号
29 鉴别器
30 编码检测信号
31 应用算法
40 解码信号
101 第一神经网络
103 第一非线性函数
105 来自鉴别器的第一反馈
201 第二神经网络
203 第二非线性函数
205 来自鉴别器的第二反馈
301 重构检测信号
303 最初检测信号

Claims (15)

1.一种适用于自动化车辆的雷达系统(10)，所述雷达系统(10)包括：
至少一个接收元件(14)，所述至少一个接收元件被配置成对由所述雷达系统(10)的视场中的对象(19A、19B)反射的反射雷达信号(20)进行检测，
其中，所述接收元件(14)被配置成生成检测信号(21)，所述检测信号表示被所述接收元件(14)检测到的所述反射雷达信号(20)；
自动编码装置(22)，所述自动编码装置对所述检测信号(21)执行自动编码操作，并且所述自动编码装置被嵌入所述接收元件(14)中，使得所述接收元件(14)输出编码形式(30)的检测信号(21)，所述编码形式优选是有损编码形式(30)。
2.根据权利要求1所述的雷达系统(10)，其特征在于，所述雷达系统包括：
传送装置(25)，所述传送装置与所述接收元件(14)进行通信；以及
控制器(26)，所述控制器与所述传送装置(25)进行通信，
其中，所述传送装置(25)将编码检测信号(30)从所述接收元件(14)传送至所述控制器(26)，并且
其中，所述控制器(26)包括解码装置(27)，所述解码装置执行解码操作，以便对所述编码检测信号(30)进行解码。
3.根据权利要求2所述的雷达系统(10)，其特征在于，
所述自动编码装置(22)将第一非线性函数(103)应用至所述检测雷达信号(21)，以便对所述检测雷达信号(21)进行编码，并且
所述解码装置(27)应用第二非线性函数(203)，以对所述编码检测雷达信号(30)进行解码。
4.根据权利要求3所述的雷达系统(10)，其特征在于，
所述第一非线性函数(103)不同于所述第二非线性函数(203)。
5.根据权利要求3或4所述的雷达系统(10)，其特征在于，
第一神经网络(101)获得在所述自动编码操作中应用的所述第一非线性函数(103)的参数，并且
第二神经网络(201)获得在所述解码操作中应用的所述第二非线性函数(203)的参数。
6.根据权利要求5所述的雷达系统(10)，其特征在于，
所述控制器(26)包括鉴别器(29)，作为所述自动编码装置(22)和所述解码装置(27)的训练过程的一部分，所述鉴别器对所述第一非线性函数(103)的参数和所述第二非线性函数(203)的参数进行评估。
7.根据权利要求6所述的雷达系统(10)，其特征在于，
所述控制器(26)包括对所述检测雷达信号(21)进行分析的至少一个应用算法(31)，
其中，所述鉴别器(29)在所述训练过程期间使用所述应用算法(31)，以便对所述第一非线性函数(103)的参数和所述第二非线性函数(203)的参数进行评估。
8.根据权利要求7所述的雷达系统(10)，其特征在于，
所述至少一个应用算法(31)包括针对地标分类、行人分类和/或自行车分类的至少一个算法。
9.一种检测雷达信号(20)的接收元件(14)，所述接收元件(14)包括嵌入式编码装置(22)，所述嵌入式编码装置对由所述接收元件(14)输出的检测雷达信号(21)进行编码。
10.一种接收并分析雷达信号(20)的方法，所述方法包括以下步骤：
通过至少一个接收元件(14)对由雷达系统(10)的视场中的对象(19A、19B)反射的反射雷达信号(20)进行检测；
通过被嵌入在所述接收元件(14)中的自动编码装置(22)对检测雷达信号(21)进行自动编码；
向控制器(26)传送编码雷达信号(30)；
通过所述控制器(26)的解码装置(27)对所述编码雷达信号(30)进行解码；以及
通过所述控制器(26)包括的至少一个应用算法(31)对解码雷达信号(40)进行分析。
11.根据权利要求10所述的方法，其特征在于，
所述至少一个应用算法(31)包括针对地标分类、行人分类和/或自行车分类的至少一个算法。
12.根据权利要求10或11所述的方法，其特征在于，
自动编码步骤包括以下步骤：将第一非线性函数(103)应用至所述检测雷达信号(21)，以便对所述检测雷达信号(21)进行编码，并且
解码步骤包括以下步骤：应用第二非线性函数(203)，以对所述编码检测雷达信号(30)进行解码，
其中，所述第一非线性函数(103)优选地不同于所述第二非线性函数(203)。
13.根据权利要求12所述的方法，其特征在于，
使用第一神经网络(101)，以获得在所述自动编码操作中应用的所述第一非线性函数(103)的参数，并且
使用第二神经网络(201)，以获得在所述解码操作中应用的所述第二非线性函数(203)的参数。
14.根据权利要求13所述的方法，其特征在于，
作为所述自动编码装置(22)和所述解码装置(27)的训练过程的一部分，通过所述控制器(26)包括的鉴别器(29)，对所述第一非线性函数(103)的参数和所述第二非线性函数(203)的参数进行评估。
15.根据权利要求14所述的方法，其特征在于，
在所述训练过程期间使用所述至少一个应用算法(31)，以便对所述第一非线性函数(103)的参数和所述第二非线性函数(203)的参数进行评估。
CN201910398540.2A 2018-05-18 2019-05-14 接收并分析雷达信号的雷达系统和方法 Active CN110501710B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP18173197.7A EP3570062B1 (en) 2018-05-18 2018-05-18 Radar system and method for receiving and compressing radar signals
EP18173197.7 2018-05-18

Publications (2)

Publication Number Publication Date
CN110501710A true CN110501710A (zh) 2019-11-26
CN110501710B CN110501710B (zh) 2023-04-18

Family

ID=62217812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910398540.2A Active CN110501710B (zh) 2018-05-18 2019-05-14 接收并分析雷达信号的雷达系统和方法

Country Status (3)

Country Link
US (1) US11372087B2 (zh)
EP (2) EP3570062B1 (zh)
CN (1) CN110501710B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11269058B2 (en) * 2018-06-13 2022-03-08 Metawave Corporation Autoencoder assisted radar for target identification
US11416077B2 (en) * 2018-07-19 2022-08-16 Infineon Technologies Ag Gesture detection system and method using a radar sensor
EP3767325A1 (en) * 2019-07-19 2021-01-20 Aptiv Technologies Limited Methods and systems for processing radar reflections
KR20210106864A (ko) 2020-02-20 2021-08-31 삼성전자주식회사 레이더 신호에 기초한 오브젝트 검출 방법 및 장치
DE102021113853A1 (de) 2021-05-28 2022-12-01 Valeo Schalter Und Sensoren Gmbh Übertragung von Sensorinformation von einem Umgebungssensor an ein Steuergerät unter Verwendung eines trainierten neuronalen Netzwerks

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06102347A (ja) * 1990-12-27 1994-04-15 Thomson Csf ディジタル符号化されたパルス信号の処理方法及び装置
US6091773A (en) * 1997-11-12 2000-07-18 Sydorenko; Mark R. Data compression method and apparatus
US20030169928A1 (en) * 2002-03-08 2003-09-11 Stanek Clay J. Image compression to enhance optical correlation
US7415162B2 (en) * 2003-05-27 2008-08-19 Zaxel Systems, Inc. Method and apparatus for lossless data transformation with preprocessing by adaptive compression, multidimensional prediction, multi-symbol decoding enhancement enhancements
CN101523740A (zh) * 2005-07-12 2009-09-02 脉冲互联有限公司 超宽带通信系统和方法
DE102011079615A1 (de) * 2011-07-22 2013-01-24 Robert Bosch Gmbh FMCW-Radarsystem und Interferenzerkennungsverfahren für FMCW-Radarsysteme
US20150139500A1 (en) * 2012-07-30 2015-05-21 Bayerische Motoren Werke Aktiengesellschaft Method and System for Optimizing Image Processing in Driver Assistance Systems
KR20150118653A (ko) * 2014-04-14 2015-10-23 주식회사 만도 이동 물체 속도 측정 시스템 및 방법
CN105093213A (zh) * 2014-05-15 2015-11-25 德尔福技术有限公司 具有改进的多目标区分的雷达系统
US20170031003A1 (en) * 2015-03-12 2017-02-02 Src, Inc. Methods And Systems For Mitigating Multipath Propagation
CN107607926A (zh) * 2017-10-31 2018-01-19 西安电子科技大学 一种分布式雷达低通信量准信号融合目标探测处理方法
CN107949766A (zh) * 2015-06-15 2018-04-20 修麦提克斯公司 高精度飞行时间测量系统
CN108028008A (zh) * 2015-11-13 2018-05-11 奥迪股份公司 用于运行机动车的发出紧急呼叫的方法和机动车

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10657364B2 (en) * 2016-09-23 2020-05-19 Samsung Electronics Co., Ltd System and method for deep network fusion for fast and robust object detection
US10985777B2 (en) * 2016-12-09 2021-04-20 William Marsh Rice University Signal recovery via deep convolutional networks
EP3616198A4 (en) * 2017-04-24 2021-01-06 Virginia Tech Intellectual Properties, Inc. RADIO SIGNAL IDENTIFICATION, IDENTIFICATION SYSTEM LEARNING AND IDENTIFIER USE
US11189028B1 (en) * 2020-05-15 2021-11-30 Retrace Labs AI platform for pixel spacing, distance, and volumetric predictions from dental images

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06102347A (ja) * 1990-12-27 1994-04-15 Thomson Csf ディジタル符号化されたパルス信号の処理方法及び装置
US6091773A (en) * 1997-11-12 2000-07-18 Sydorenko; Mark R. Data compression method and apparatus
US20030169928A1 (en) * 2002-03-08 2003-09-11 Stanek Clay J. Image compression to enhance optical correlation
US7415162B2 (en) * 2003-05-27 2008-08-19 Zaxel Systems, Inc. Method and apparatus for lossless data transformation with preprocessing by adaptive compression, multidimensional prediction, multi-symbol decoding enhancement enhancements
CN101523740A (zh) * 2005-07-12 2009-09-02 脉冲互联有限公司 超宽带通信系统和方法
DE102011079615A1 (de) * 2011-07-22 2013-01-24 Robert Bosch Gmbh FMCW-Radarsystem und Interferenzerkennungsverfahren für FMCW-Radarsysteme
US20150139500A1 (en) * 2012-07-30 2015-05-21 Bayerische Motoren Werke Aktiengesellschaft Method and System for Optimizing Image Processing in Driver Assistance Systems
KR20150118653A (ko) * 2014-04-14 2015-10-23 주식회사 만도 이동 물체 속도 측정 시스템 및 방법
CN105093213A (zh) * 2014-05-15 2015-11-25 德尔福技术有限公司 具有改进的多目标区分的雷达系统
US20170031003A1 (en) * 2015-03-12 2017-02-02 Src, Inc. Methods And Systems For Mitigating Multipath Propagation
CN107949766A (zh) * 2015-06-15 2018-04-20 修麦提克斯公司 高精度飞行时间测量系统
CN108028008A (zh) * 2015-11-13 2018-05-11 奥迪股份公司 用于运行机动车的发出紧急呼叫的方法和机动车
CN107607926A (zh) * 2017-10-31 2018-01-19 西安电子科技大学 一种分布式雷达低通信量准信号融合目标探测处理方法

Also Published As

Publication number Publication date
US20190353753A1 (en) 2019-11-21
EP3570062A1 (en) 2019-11-20
CN110501710B (zh) 2023-04-18
US11372087B2 (en) 2022-06-28
EP4071497A1 (en) 2022-10-12
EP3570062B1 (en) 2022-06-29

Similar Documents

Publication Publication Date Title
CN110501710A (zh) 接收并分析雷达信号的雷达系统和方法
CN110741279B (zh) 经由车辆数据总线从超声系统向数据处理设备传输数据的方法
US11639112B2 (en) Fusion of data of multiple sensors for object identification
CN111521989B (zh) 用于雷达系统中的超分辨率的深度学习
CN112149524B (zh) 一种雷达信号分选识别方法、装置、探测器及存储介质
US10438492B2 (en) Method for evaluating a hazardous situation which is sensed by at least one sensor of a vehicle, method for controlling reproduction of a hazard warning and method for reproducing a hazard warning
CN110535650A (zh) 用于对通过总线传输的消息进行验证的方法和装置
CN113239959B (zh) 基于解耦表征变分自编码机的雷达hrrp目标识别方法
CN113225232A (zh) 硬件测试方法、装置、计算机设备及存储介质
US20210132189A1 (en) Synthetic generation of radar, lidar and ultrasound measurement data
US20220234617A1 (en) Unseen environment classification
LU101028B1 (en) Method for Online Training of an Artificial Intelligence (AI) Sensor System
CN115204026A (zh) 车辆数据模型的训练方法、装置、车辆、介质和程序产品
EP3792814A1 (en) Method and system for selecting an operation mode for an at least partly self-driving vehicle
CN112714878B (zh) 用于从超声波传感器提供数字传感器信号的方法和装置
US20240177004A1 (en) Method for training an artificial neural network
RU2724596C1 (ru) Способ, устройство, центральное устройство и система для распознавания сдвига распределения в распределении данных и/или признаков входных данных
US20230004757A1 (en) Device, memory medium, computer program and computer-implemented method for validating a data-based model
CN109864720B (zh) 脉搏测量装置和方法及其车辆系统
US20220260706A1 (en) Synthetic generation of radar and lidar point clouds
US20200258283A1 (en) Method, apparatus and computer program for generating an image
EP4213522A1 (en) Vehicle expansion box and vehicle
WO2020178311A1 (de) Verteilte verarbeitung von radarsignalen
DE102022213426A1 (de) Verfahren zum Ermitteln einer Zuordnung einer radarbasierten Objektinformation zu einer Funkeinheit
CN115221938A (zh) 测量雷达、超声或音频分类器的性能

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
GR01 Patent grant
GR01 Patent grant