CN112417757B - 车载雷达信号级仿真方法、装置、设备及可读存储介质 - Google Patents
车载雷达信号级仿真方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN112417757B CN112417757B CN202011294634.4A CN202011294634A CN112417757B CN 112417757 B CN112417757 B CN 112417757B CN 202011294634 A CN202011294634 A CN 202011294634A CN 112417757 B CN112417757 B CN 112417757B
- Authority
- CN
- China
- Prior art keywords
- radar
- model
- vehicle
- information
- distance
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本申请实施例公开了一种车载雷达信号级仿真方法、装置、设备及可读存储介质,涉及无人驾驶仿真技术领域。其中,方法包括:获取仿真环境内物体的信息和天气信息;将物体的信息和天气信息输入至车载雷达模型,得到模型输出的物体扫描信息;车载雷达模型包括功能模型和性能模型,功能模型用于根据天气信息计算天气影响下的雷达感知范围,确定雷达感知范围内的目标物体,并将目标物体的状态输入至性能模型;性能模型用于模拟目标物体的扫描信息。本实施例可减少雷达仿真的计算量同时提高仿真精度。
Description
技术领域
本申请实施例涉及无人驾驶仿真技术,尤其涉及一种车载雷达信号级仿真方法、装置、设备及可读存储介质。
背景技术
自动驾驶虚拟仿真测试是通过计算机仿真技术,建立现实静态环境与动态交通场景的数学模型,使得自动驾驶汽车与相关算法在虚拟交通场景中进行模拟测试。毫米波雷达作为环境感知传感器之一,由于它相对成本较低,测速精度高,安装方式简单,全天候工作等优点,已逐渐成为自动驾驶感知系统中不可或缺的传感器。
目前毫米波雷达的建模仿真大部分都采用了射线追踪法,它是通过辨认多径传播中收发天线之间所有可能的传播路径,根据电波传播理论计算出每条有效路径的接收功率、时延、发射角、到达角等参数,并在接收端完成矢量合成。射线追踪的过程一般包括辐射源剖分,射线与地形求交点,有效路径筛选,电磁参数计算等模块。
射线追踪法可以结合收发天线的辐射方向图,准确地知道每条射线的辐射状况。射线追踪的计算量和射线剖分角的大小和电磁环境的复杂程度紧密相关。当环境变得复杂时,射线追踪过程会产生大量的反射点和绕射点,使计算量骤增,甚至超过系统负荷。
发明内容
本申请实施例提供一种车载雷达信号级仿真方法、装置、设备及可读存储介质,以减少雷达仿真的计算量同时提高仿真精度。
第一方面,本申请实施例提供了一种车载雷达信号级仿真方法,包括:
获取仿真环境内物体的信息和天气信息;
将所述物体的信息和天气信息输入至车载雷达模型,得到所述模型输出的物体扫描信息;
其中,所述车载雷达模型包括功能模型和性能模型,所述功能模型用于根据天气信息计算天气影响下的雷达感知范围,确定所述雷达感知范围内的目标物体,并将所述目标物体的状态输入至所述性能模型;所述性能模型用于模拟所述目标物体的扫描信息;
其中,所述根据天气信息计算天气影响下的雷达感知范围,包括:
根据原始雷达感知距离和衰减率,计算新的雷达感知距离;根据新的雷达感知距离计算雷达感知范围;
R表示降水率,a1和b1是依赖于雷达工作频率、气象粒子尺寸和环境温度的常数,V表示能见度,e为自然底数,a2和b2为依赖于雷达工作频率和环境温度的常数。
第二方面,本申请实施例还提供了一种车载雷达信号级仿真装置,包括:
获取模块,用于获取仿真环境内物体的信息和天气信息;
输入模块,用于将所述物体的信息和天气信息输入至车载雷达模型,得到所述模型输出的物体扫描信息;
其中,所述车载雷达模型包括功能模型和性能模型,所述功能模型用于根据天气信息计算天气影响下的雷达感知范围,确定所述雷达感知范围内的目标物体,并将所述目标物体的状态输入至所述性能模型;所述性能模型用于模拟所述目标物体的扫描信息;
其中,所述根据天气信息计算天气影响下的雷达感知范围,包括:
根据原始雷达感知距离和衰减率,计算新的雷达感知距离;根据新的雷达感知距离计算雷达感知范围;
R表示降水率,a1和b1是依赖于雷达工作频率、气象粒子尺寸和环境温度的常数,V表示能见度,e为自然底数,a2和b2为依赖于雷达工作频率和环境温度的常数。
第三方面,本申请实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现任一实施例所述的车载雷达信号级仿真方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一实施例所述的车载雷达信号级仿真方法。
本实施例中,功能模型模拟的是理想情况下的雷达系统,通过雷达感知范围快速地建立起雷达与周围场景的联系,提高了模型计算效率。性能模型则是为了提高雷达模型的系统精度及整体逼真程度;而且,在功能模型中进入天气状况带来的衰减率,使得雷达感知距离更加准确,贴近实际情况。本实施例还创新地提出了基于能见度和降水率得到的衰减率公式,提高了仿真的可行性。综上,本实施例提供的仿真方法既可以保证雷达的功能仿真效果与性能仿真程度,同时也兼顾了模型计算所需资源的消耗情况,保证了模型的执行效率,减少雷达仿真的计算量同时提高仿真精度。
附图说明
图1是本申请实施例提供的第一种车载雷达信号级仿真方法的流程图;
图2a是本申请实施例提供的雷达感知范围的示意图;
图2b是本申请实施例提供的嵌套椎体内目标物体的示意图;
图3是本申请实施例提供的第一种车载雷达信号级仿真的结构图;
图4是本申请实施例提供的第二种车载雷达信号级仿真的结构图;
图5a是本申请实施例提供的叠加噪声的FMCW信号及其幅度谱的示意图;
图5b是本申请实施例提供的二维频域变换后的频域信号示意图;
图5c是本申请实施例提供的CA-CFAR计算结果的示意图;
图6是本申请实施例提供的一种车载雷达信号级仿真装置的结构示意图;
图7是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
本申请实施例提供第一种车载雷达信号级仿真方法,其流程图如图1所示,可适用于对车载雷达进行信号级仿真的情况。该方法可以由车载雷达信号级仿真装置来执行,该装置可以由软件和/或硬件构成,并一般集成在电子设备中。
结合图1,本实施例提供的方法具体包括:
S110、获取仿真环境内物体的信息和天气信息。
将静态物体和动态物体注入到仿真环境中,形成虚拟仿真环境,包括机动车、非机动车、行人、交通标志、房屋建筑、树木等。仿真环境内物体的信息包括物体与车载雷达之间的距离和物体的速度等。天气信息包括气象粒子尺寸和环境温度。
除了物体的信息和天气信息之外,还可以包括与雷达有关的测量参数,例如雷达工作频率。
S120、将物体的信息和天气信息输入至车载雷达模型,得到模型输出的物体扫描信息。
车载雷达模型包括功能模型和性能模型。物体的信息和天气信息输入至功能模型,功能模型用于根据天气信息计算天气影响下的雷达感知范围,确定雷达感知范围内的目标物体,并将目标物体的状态输入至性能模型。
下面详细介绍雷达感知范围的计算方法,具体的,根据原始雷达感知距离和衰减率,计算新的雷达感知距离;根据新的雷达感知距离计算雷达感知范围。
其中,原始雷达感知距离是已知量,作为测量参数输入至功能模型。在原始雷达感知距离的基础上乘以衰减率(百分制),得到新的雷达感知距离。根据公式1计算衰减率β。
R表示降水率,a1和b1是依赖于雷达工作频率、气象粒子尺寸和环境温度的常数,V表示能见度,e为自然底数,a2和b2为依赖于雷达工作频率和环境温度的常数。在实际仿真过程中,a1和b1,a2和b2可以分别通过计算或设置得到。示例性的,a1和b1,a2和b2可以依次设置为0.1、1、0.1、1。
针对公式(1),环境的影响主要体现在气象条件对雷达感知性能的影响,包括雨、雪、雾霾、沙尘等因素,由于大气与降水粒子的衰减使得雷达的回波功率减小,导致感知距离缩短。气象环境可由大气透过率参数描述,大气透过率可通过衰减率计算。计算雨雪引起的电磁波传播的衰减率为另外雾霾、沙尘引起的衰减可根据粒子含水量来描述,而含水量可通过大气能见度计算。由此即可估算出天气类型及状态对感知距离的衰减率
然后,根据新的雷达感知距离计算雷达感知范围。值得说明的是,本实施例中的雷达感知距离为最大距离。根据雷达扫描范围,将雷达前方围绕雷达感知距离内的范围作为雷达感知范围。雷达感知范围的优选计算方式将在下述实施例中描述。
确定雷达感知范围之后,功能模型继续确定落在雷达感知范围内的物体,称为目标物体,作为雷达初步扫描到的物体。并将目标物体与雷达的距离和速度(已知量)输入至性能模型。性能模型用于根据物理机制模拟目标物体的扫描信息,即扫描得到的目标的距离和速度。
综上,功能模型主要是模拟雷达的基本感知功能,而不考虑实际雷达具体实现的物理机理。性能模型是在功能模型的基础上,模拟实际雷达感知的物理机理,主要是模拟信号处理的计算过程。
本实施例中,功能模型模拟的是理想情况下的雷达系统,通过雷达感知范围快速地建立起雷达与周围场景的联系,提高了模型计算效率。性能模型则是为了提高雷达模型的系统精度及整体逼真程度;而且,在功能模型中加入天气状况带来的衰减率,使得雷达感知距离更加准确,贴近实际情况。本实施例还创新地提出了基于能见度和降水率得到的衰减率公式,提高了仿真的可行性。综上,本实施例提供的仿真方法既可以保证雷达的功能仿真效果与性能仿真程度,同时也兼顾了模型计算所需资源的消耗情况,保证了模型的执行效率,减少雷达仿真的计算量同时提高仿真精度。
考虑到自动驾驶车载雷达的高动态应用,在仿真环境中对毫米波雷达进行信号级建模与仿真,可减少场景中与电磁波产生作用的物体数量,减少电磁波与目标物体作用的次数,同时对采集信号进行精细化处理。该方法在保证计算效率的同时,对雷达功能与性能进行了信号级建模与仿真,可灵活应用于智能网联汽车与自动驾驶仿真测试软件中。
在上述实施例和下述实施例中,原始雷达感知距离包括模拟天线主瓣的长距离和模拟天线副瓣的短距离。根据新的雷达感知距离计算雷达感知范围,包括:以长距离为高构建第一圆锥体感知范围,以短距离为高构建第二圆锥体感知范围;将第一圆锥体感知范围和第二圆锥体感知范围合并,得到最终的雷达感知范围。
根据雷达天线能量辐射方向图,可以直接得出天线辐射场强的空间分布情况。其中,主瓣宽度较小能量较集中,辐射距离较远;副瓣能量较弱,但也能辐射一定的距离,因此将雷达发射的电磁波束抽象成两个嵌套的圆锥体。图2a是本申请实施例提供的雷达感知范围的示意图,第一圆锥体感知范围模拟天线主瓣,表示雷达感知长距模式,第二圆锥体感知范围模拟天线副瓣,表示雷达感知短距模式。第一圆锥体感知范围和第二圆锥体感知范围求交集,得到的嵌套椎体,作为最终的雷达感知范围。图2b是本申请实施例提供的嵌套椎体内目标物体的示意图。图中用方框示出了模型检测的位置,三角形示出了仿真环境中的目标位置。两组位置分别分布在两个圆锥体内。
在一具体应用场景中,设置毫米波雷达功能模型的感知范围,自定义的参数包括长距和短距模式中的视场角、感知距离等。在长距模式中,设置第一圆锥体的长轴截面顶角为水平视场角、短轴截面顶角为垂直视场角、锥体的高为最大感知距离;在短距模式中,设置圆椎体的长轴截面顶角为水平视场角、短轴截面顶角为垂直视场角、锥体的高为最大感知距离。
功能模型在确定雷达感知范围内的目标物体时,通过将物体的信息与最终的雷达感知范围求交集,落在嵌套锥体内的物体,相当于被功能模型模拟的雷达所感知到的目标物体,进而输出模型感知结果。
需要说明的是,前述实施例中的衰减率可同时作用于长距离和短距离,即天气信息同时对天线主瓣和天线副瓣有衰减影响。
在上述实施例中,考虑到实际的雷达感知范围可能会受到各种已知因素或未知因素的影响,嵌套椎体会存在误差。在影响因素不确定,影响原理不知晓的情况下,本实施例创造性地将深度学习的方法引入嵌套椎体的修正当中。具体的,将第一圆锥体感知范围和第二圆锥体感知范围合并,得到最终的雷达感知范围,包括:将仿真环境内物体的信息和天气信息输入至深度学习模型,得到深度学习模型输出的参考感知范围;将第一圆锥体感知范围和第二圆锥体感知范围合并,并采用参考感知范围修正合并后的感知范围,得到最终的雷达感知范围;其中,深度学习模型根据现实环境内物体的信息和天气信息,以及真实车载雷达的感知范围训练得到。
本实施例预先采集现实环境内物体的信息和天气信息,布设真实的车载雷达,根据车载雷达的扫描结果反推感知范围。将现实环境内物体的信息和天气信息,以及真实车载雷达的感知范围作为样本,训练深度学习模型。可选的,深度学习模型为卷积神经网络模型。深度学习模型训练完成后,输入仿真环境内物体的信息和天气信息,得到深度学习模型输出的感知范围,称为参考感知范围。将参考感知范围与嵌套椎体求并集,得到最终的雷达感知范围。
本实施例采用深度学习模型学习现实环境中的参考感知范围,考虑到深度学习模型和功能模型都会存在误差,利用二者求并集的方式将误差降到最小,从而进一步提高仿真精度。
在上述实施例和下述实施例中,确定雷达感知范围内的目标物体,包括:确定在雷达感知范围内的候选物体;在候选物体中,过滤在雷达盲区和被遮挡的物体,得到目标物体。此处的雷达感知范围可以是嵌套椎体,也可以是经过深度学习模型修正后的范围。雷达盲区(radar blind zone)是指在探测范围内,雷达不能发现目标的区域,一般是指顶空、低空和近距盲区。物体是否被遮挡可以通过物体的位置、尺寸和角度来确定。
本实施例针对自动驾驶应用环境,车载毫米波雷达采用频率调制连续波(FMCW)信号。图3是本申请实施例提供的第一种车载雷达信号级仿真的结构图。下面结合图3详细介绍性能模型的功能。模拟目标物体的扫描信息包括:根据目标物体的状态,计算各目标物体的差频信号之和,得到时域差频信号;在时域差频信号上叠加信号收发过程中的损耗和噪声;对叠加后的时域差频信号采用单元平均恒虚警检测,得到超过门限的目标信号;对叠加后的时域差频信号在距离维度和速度维度进行频域变换,得到距离和速度矩阵;在距离和速度矩阵中查找目标信号对应的距离和速度,作为目标物体的扫描信息。
具体的,图3中的毫米波雷达模型即为本实施例中的车载雷达模型。雷达模型的输入为目标物体、天气、噪声、雷达散射截面积(Radar Cross Section,RCS)等参数,目标物体包括机动车、非机动车、行人、交通标志、房屋建筑、树木等,测量参数包括感知范围、视场角等,天气模型包括雨、雪、雾霾、沙尘等,雷达散射截面积表征目标物体对电磁波的反射强度,技术参数包括工作频率、发射功率、天线增益、灵敏度等,雷达模型的输出为接近实际雷达感知到的目标物体信息,包括距离、速度、角度等。
在图3中,功能模型确定雷达感知范围内的目标物体之后,将目标物体的状态,包括距离、角度、速度和雷达截面积输入至性能模型。性能模型根据功能模型输出的目标物体的状态,对每个目标物体生成一个差频信号,然后在时域上推算并合成多个目标物体对应的差频信号,也就是将所有目标物体的差频信号求和,得到时域差频信号。
接着,根据雷达方程,见式(2),在时域差频信号的基础上叠加信号收发过程中的系统损耗和噪声,如图5a所示,用来模拟实际雷达感知过程中的不理想因素,包括信号收发过程中的射频损耗、模拟信号与数字信号转换过程中的量化噪声、目标感知过程中的杂波干扰等,得到最终的信号。
其中,Pr表示雷达接收的目标反射功率,Pt表示雷达发射机的峰值功率,G表示天线增益,λ表示电磁波的波长,σ表示雷达散射截面积,R表示目标距离雷达的斜距。S=Pr表示接收信号功率,N=KTsBn表示平均噪声功率,K=1.38×10-23表示玻尔兹曼常数,Ts表示系统噪声,Bn表示接收机的噪声带宽,L表示系统总损耗。
本实施例中的时域差频信号为矩阵形式,分别为距离维度和速度维度。如图4所示,一方面,采用傅里叶变换将叠加后的时域差频信号在距离维度和速度维度进行快速傅里叶变换(FFT),得到距离和速度矩阵,如图5b所示。另一方面,本实施例采用单元平均恒虚警(CA-CFAR)检测时域差频信号。图5c是本申请实施例提供的CA-CFAR计算结果的示意图,图中用实线示出了频域信号的dB值,用虚线示出了CFAR的检测门限。
首先设立恒虚警检测(Constant False Alarm Rate,CFAR)门限,将时域差频信号的幅值与门限进行比较,当输出值大于门限时,则判为回波出现,反之,则视为回波不存在。然后找到所有超过门限的目标信号。通过目标信号所在矩阵的行数和列数,在频域变换后的距离和速度矩阵中查找,即可模拟出目标物体的距离和速度,作为扫描信息。
在上述实施例和下述实施例中,在将物体的信息和天气信息输入至车载雷达模型,得到模型输出的物体扫描信息之后,还包括:根据扫描信息和仿真环境内物体的信息,估算车载雷达模型的感知误差;以最小化感知误差为目标,优化车载雷达模型。
本实施例中的物体是现实环境内车载雷达扫描到的,同时也是布设在仿真环境中的物体。仿真环境与现实环境中物体的状态以及雷达的位置相同。信号级毫米波雷达模型的仿真结果如图2b所示,通过模型感知结果与现实环境内扫描到的物体的对比,即通过性能模型输出结果与功能模型输入数据的对比,即可估算出雷达仿真模型的感知误差,验证模型计算的精度。然后,以最小化感知误差为目标,优化车载雷达模型,具体可优化深度学习模型中的参数。
在上述实施例和下述实施例中,在以最小化感知误差为目标,优化车载雷达模型之后,还包括:根据优化后的车载雷达模型的感知误差和实际雷达产品的性能,对车载雷达模型进行评价。将模型的感知误差与实际毫米波雷达的产品性能进行对比,以百分比的形式来表示雷达模型对相应实际产品的还原程度,由此对雷达仿真模型的复现程度进行合理的评价。
图6是本申请实施例提供的一种车载雷达信号级仿真装置的结构示意图,本申请实施例适用于对车载雷达进行信号级仿真的情况。结合图6,车载雷达信号级仿真装置包括:获取模块601和输入模块602。
获取模块601,用于获取仿真环境内物体的信息和天气信息;
输入模块602,用于将物体的信息和天气信息输入至车载雷达模型,得到模型输出的物体扫描信息;
其中,车载雷达模型包括功能模型和性能模型,功能模型用于根据天气信息计算天气影响下的雷达感知范围,确定雷达感知范围内的目标物体,并将目标物体的状态输入至性能模型;性能模型用于模拟目标物体的扫描信息;
其中,根据天气信息计算天气影响下的雷达感知范围,包括:
根据原始雷达感知距离和衰减率,计算新的雷达感知距离;根据新的雷达感知距离计算雷达感知范围;
R表示降水率,a1和b1是依赖于雷达工作频率、气象粒子尺寸和环境温度的常数,V表示能见度,e为自然底数,a2和b2为依赖于雷达工作频率和环境温度的常数。
可选的,原始雷达感知距离包括模拟天线主瓣的长距离和模拟天线副瓣的短距离。功能模型在根据新的雷达感知距离计算雷达感知范围时,具体用于:以长距离为高构建第一圆锥体感知范围,以短距离为高构建第二圆锥体感知范围;将第一圆锥体感知范围和第二圆锥体感知范围合并,得到最终的雷达感知范围。
可选的,功能模型在将第一圆锥体感知范围和第二圆锥体感知范围合并,得到最终的雷达感知范围时,具体用于:将仿真环境内物体的信息和天气信息输入至深度学习模型,得到深度学习模型输出的参考感知范围;将第一圆锥体感知范围和第二圆锥体感知范围合并,并采用参考感知范围修正合并后的感知范围,得到最终的雷达感知范围;其中,深度学习模型根据现实环境内物体的信息和天气信息,以及真实车载雷达的感知范围训练得到。
可选的,功能模型在确定雷达感知范围内的目标物体时,具体用于:确定在雷达感知范围内的候选物体;在候选物体中,过滤在雷达盲区和被遮挡的物体,得到目标物体。
可选的,性能模型在模拟目标物体的扫描信息时,具体用于:根据目标物体的状态,计算各目标物体的差频信号之和,得到时域差频信号;在时域差频信号上叠加信号收发过程中的损耗和噪声;对叠加后的时域差频信号采用单元平均恒虚警检测,得到超过门限的目标信号;对叠加后的时域差频信号在距离维度和速度维度进行频域变换,得到距离和速度矩阵;在距离和速度矩阵中查找目标信号对应的距离和速度,作为目标物体的扫描信息。
可选的,该装置还包括优化模块,用于在将物体的信息和天气信息输入至车载雷达模型,得到模型输出的物体扫描信息之后,根据扫描信息和仿真环境内物体的信息,估算车载雷达模型的感知误差;以最小化感知误差为目标,优化车载雷达模型;物体是现实环境内车载雷达扫描到的。
可选的,该装置还包括评价模块,用于在以最小化感知误差为目标,优化车载雷达模型之后,根据优化后的车载雷达模型的感知误差和实际雷达产品的性能,对车载雷达模型进行评价。
本申请实施例所提供的车载雷达信号级仿真装置可执行本申请任意实施例所提供的车载雷达信号级仿真方法,具备执行方法相应的功能模块和有益效果。
图7为本发明实施例提供的一种电子设备的结构示意图,如图7所示,该设备包括处理器70、存储器71、输入装置72和输出装置73;设备中处理器70的数量可以是一个或多个,图7中以一个处理器70为例;设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器71作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的车载雷达信号级仿真方法对应的程序指令/模块(例如,车载雷达信号级仿真装置中的获取模块601和输入模块602)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的车载雷达信号级仿真方法。
存储器71可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器71可进一步包括相对于处理器70远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一实施例的车载雷达信号级仿真方法。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种车载雷达信号级仿真方法,其特征在于,包括:
获取仿真环境内物体的信息和天气信息;
将所述物体的信息和天气信息输入至车载雷达模型,得到所述模型输出的物体扫描信息;
其中,所述车载雷达模型包括功能模型和性能模型,所述功能模型用于根据天气信息计算天气影响下的雷达感知范围,确定所述雷达感知范围内的目标物体,并将所述目标物体的状态输入至所述性能模型;所述性能模型用于模拟所述目标物体的扫描信息;
其中,所述根据天气信息计算天气影响下的雷达感知范围,包括:
根据原始雷达感知距离和衰减率,计算新的雷达感知距离;根据新的雷达感知距离计算雷达感知范围;
R表示降水率,a1和b1是依赖于雷达工作频率、气象粒子尺寸和环境温度的常数,V表示能见度,e为自然底数,a2和b2为依赖于雷达工作频率和环境温度的常数。
2.根据权利要求1所述的方法,其特征在于,所述原始雷达感知距离包括模拟天线主瓣的长距离和模拟天线副瓣的短距离;
所述根据新的雷达感知距离计算雷达感知范围,包括:
以所述长距离为高构建第一圆锥体感知范围,以所述短距离为高构建第二圆锥体感知范围;
将所述第一圆锥体感知范围和所述第二圆锥体感知范围合并,得到最终的雷达感知范围。
3.根据权利要求2所述的方法,其特征在于,将所述第一圆锥体感知范围和所述第二圆锥体感知范围合并,得到最终的雷达感知范围,包括:
将所述仿真环境内物体的信息和天气信息输入至深度学习模型,得到所述深度学习模型输出的参考感知范围;
将所述第一圆锥体感知范围和所述第二圆锥体感知范围合并,并采用参考感知范围修正合并后的感知范围,得到最终的雷达感知范围;
其中,所述深度学习模型根据现实环境内物体的信息和天气信息,以及真实车载雷达的感知范围训练得到。
4.根据权利要求2或3所述的方法,其特征在于,所述确定所述雷达感知范围内的目标物体,包括:
确定在所述雷达感知范围内的候选物体;
在所述候选物体中,过滤在雷达盲区和被遮挡的物体,得到所述目标物体。
5.根据权利要求1所述的方法,其特征在于,所述模拟所述目标物体的扫描信息,包括:
根据所述目标物体的状态,计算各目标物体的差频信号之和,得到时域差频信号;
在所述时域差频信号上叠加信号收发过程中的损耗和噪声;
对叠加后的时域差频信号采用单元平均恒虚警检测,得到超过门限的目标信号;
对所述叠加后的时域差频信号在距离维度和速度维度进行频域变换,得到距离和速度矩阵;
在所述距离和速度矩阵中查找所述目标信号对应的距离和速度,作为所述目标物体的扫描信息。
6.根据权利要求1所述的方法,其特征在于,在所述将所述物体的信息和天气信息输入至车载雷达模型,得到所述模型输出的物体扫描信息之后,还包括:
根据所述扫描信息和所述仿真环境内物体的信息,估算所述车载雷达模型的感知误差;
以最小化所述感知误差为目标,优化所述车载雷达模型;
所述物体是现实环境内所述车载雷达扫描到的。
7.根据权利要求6所述的方法,其特征在于,在所述以最小化所述感知误差为目标,优化所述车载雷达模型之后,还包括:
根据优化后的所述车载雷达模型的感知误差和实际雷达产品的性能,对所述车载雷达模型进行评价。
8.一种车载雷达信号级仿真装置,其特征在于,包括:
获取模块,用于获取仿真环境内物体的信息和天气信息;
输入模块,用于将所述物体的信息和天气信息输入至车载雷达模型,得到所述模型输出的物体扫描信息;
其中,所述车载雷达模型包括功能模型和性能模型,所述功能模型用于根据天气信息计算天气影响下的雷达感知范围,确定所述雷达感知范围内的目标物体,并将所述目标物体的状态输入至所述性能模型;所述性能模型用于模拟所述目标物体的扫描信息;
其中,所述根据天气信息计算天气影响下的雷达感知范围,包括:
根据原始雷达感知距离和衰减率,计算新的雷达感知距离;根据新的雷达感知距离计算雷达感知范围;
R表示降水率,a1和b1是依赖于雷达工作频率、气象粒子尺寸和环境温度的常数,V表示能见度,e为自然底数,a2和b2为依赖于雷达工作频率和环境温度的常数。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的车载雷达信号级仿真方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的车载雷达信号级仿真方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011294634.4A CN112417757B (zh) | 2020-11-18 | 2020-11-18 | 车载雷达信号级仿真方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011294634.4A CN112417757B (zh) | 2020-11-18 | 2020-11-18 | 车载雷达信号级仿真方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417757A CN112417757A (zh) | 2021-02-26 |
CN112417757B true CN112417757B (zh) | 2022-10-14 |
Family
ID=74774433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011294634.4A Active CN112417757B (zh) | 2020-11-18 | 2020-11-18 | 车载雷达信号级仿真方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417757B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113504520B (zh) * | 2021-06-01 | 2022-06-07 | 襄阳达安汽车检测中心有限公司 | 毫米波雷达目标模拟方法、装置、设备及可读存储介质 |
DE102021205750A1 (de) * | 2021-06-08 | 2022-12-08 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Ermitteln einer Reichweite eines Sensors |
CN114663883B (zh) * | 2022-05-25 | 2022-09-09 | 中山职业技术学院 | 一种点云数据的修正方法、装置、电子设备及存储介质 |
CN116451590B (zh) * | 2023-06-09 | 2023-11-17 | 安徽深信科创信息技术有限公司 | 自动驾驶仿真测试平台的仿真方法及装置 |
CN116680186B (zh) * | 2023-06-14 | 2023-11-14 | 北京市计量检测科学研究院 | 一种车路协同自动驾驶仿真测试方法、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950017A (zh) * | 2010-08-13 | 2011-01-19 | 中国民航大学 | 高保真机载前视气象雷达低空风切变信号仿真方法 |
CN104597430A (zh) * | 2014-12-11 | 2015-05-06 | 中国民航大学 | 机载气象雷达低空风切变三维回波仿真方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772300B (zh) * | 2016-12-02 | 2019-04-19 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种微波超视距雷达回波图计算方法 |
CN108761406A (zh) * | 2018-05-17 | 2018-11-06 | 中国气象局气象探测中心 | 天气雷达的性能优化评估仿真系统 |
CN110133607A (zh) * | 2019-04-19 | 2019-08-16 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种车载毫米波雷达的自动化测试系统及方法 |
CN110208793B (zh) * | 2019-04-26 | 2022-03-11 | 纵目科技(上海)股份有限公司 | 基于毫米波雷达的辅助驾驶系统、方法、终端和介质 |
CN111192295B (zh) * | 2020-04-14 | 2020-07-03 | 中智行科技有限公司 | 目标检测与跟踪方法、设备和计算机可读存储介质 |
-
2020
- 2020-11-18 CN CN202011294634.4A patent/CN112417757B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950017A (zh) * | 2010-08-13 | 2011-01-19 | 中国民航大学 | 高保真机载前视气象雷达低空风切变信号仿真方法 |
CN104597430A (zh) * | 2014-12-11 | 2015-05-06 | 中国民航大学 | 机载气象雷达低空风切变三维回波仿真方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112417757A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417757B (zh) | 车载雷达信号级仿真方法、装置、设备及可读存储介质 | |
US10197667B2 (en) | Method and signal generator for simulation of sea clutter | |
US11546068B2 (en) | Ray tracing technique for wireless channel measurements | |
Oue et al. | The Cloud-resolving model Radar SIMulator (CR-SIM) Version 3.3: description and applications of a virtual observatory | |
CN110045341B (zh) | 雷达高度表低截获性能测试方法 | |
CN106154238B (zh) | 一种汽车防撞雷达回波模拟测试系统和测试方法 | |
CN112098958B (zh) | 一种基于数字地图和气象水文信息的雷达杂波预测方法 | |
CN115616520B (zh) | 一种基于激光和毫米波云雷达的卷云冰晶形状识别方法 | |
CN104280566A (zh) | 基于空时幅相估计的低空风切变风速估计方法 | |
CN109061582A (zh) | 基于dem和dlcd的机载pd雷达高保真非均匀地杂波仿真方法 | |
You et al. | Rainfall estimation using specific differential phase for the first operational polarimetric radar in Korea | |
Jose et al. | Millimetre wave radar spectra simulation and interpretation for outdoor slam | |
Li et al. | Research on millimeter wave radar simulation model for intelligent vehicle | |
CN112558497A (zh) | 一种雷达高度表抗干扰数字仿真方法及系统 | |
Berk et al. | A stochastic physical simulation framework to quantify the effect of rainfall on automotive lidar | |
CN112671453A (zh) | 低轨星座的电磁态势建模方法和装置 | |
KR101885922B1 (ko) | 레이더 비디오 신호를 이용하는 클러터 모델 생성 장치, 시스템 및 방법 | |
CN117029840A (zh) | 一种移动车辆定位方法及系统 | |
Yoshikawa et al. | Dual-directional radar observation for preliminary assessment of the Ku-band broadband radar network | |
Kato et al. | Very short time range forecasting using CReSS-3DVAR for a meso-γ-scale, localized, extremely heavy rainfall event: Comparison with an extrapolation-based nowcast | |
Juaeni et al. | Retrieval of temperature profiles using radio acoustic sounding system (RASS) with the equatorial atmosphere radar (EAR) in West Sumatra, Indonesia | |
CN115033991A (zh) | 一种用于智能驾驶汽车仿真的毫米波雷达模拟方法及装置 | |
Hoyuela et al. | Determining possible receiver locations for passive radar | |
Buhren et al. | Extension of automotive radar target list simulation to consider further physical aspects | |
Mametsa et al. | FERMAT: A high frequency EM scattering code from complex scenes including objects and environment |
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 |