具体实施方式
本申请通过提供了一种雷达信号发射及信号处理方法,用于针对解决现有技术中激光雷达信号模拟的过程复杂,无法满足各类的激光雷达信号模拟需求,存在的无法准确高效获知环境对不同激光雷达信号影响的技术问题。
实施例一
如图1所示,本申请提供了一种雷达信号发射及信号处理方法,所述方法包括:
S100:确定进行激光雷达使用的目标区域;
本申请实施例中,该激光雷达可为现有技术中任意的激光雷达设备,例如可为应用在地形测绘、无人驾驶、大气测量等领域的激光雷达。相应地,该目标区域可为任意激光雷达应用的区域,例如山区、建筑物内或室外大气区域等。
通过确定当前需要进行激光雷达使用的目标区域,进行后续的激光雷达信号模拟。
S200:采集获取所述目标区域内多个环境指标当前的环境参数信息,获得环境参数信息集合;
本申请实施例提供的方法中的步骤S200包括:
S210:采集获取所述目标区域内的光源信息;
S220:采集获取所述目标区域内的低反射率材质信息和高反射率材质信息;
S230:采集获取所述目标区域内的气候信息;
S240:采集获取所述目标区域内的粉尘信息;
S250:根据所述光源信息、低反射率材质信息、高反射率材质信息、气候信息和粉尘信息,获得所述环境参数信息集合。
具体地,上述的多个环境指标分别为环境区域内的光源信息、低反射率材质信息、高反射率材质信息、气候信息和粉尘信息,其中,气候信息包括雨雪天气,例如降雨强度和降雪强度等信息。光源信息包括目标区域内存在光源的光源强度、光源与激光雷达设备发射雷达信号的角度等信息,低反射率材质信息和高反射率材质信息包括具有低光反射率和高光反射率材质的面积以及角度等信息,粉尘信息包括目标区域内空气内粉尘含量、粉尘粒径等信息。
其中,光源信息、低反射率材质信息、高反射率材质信息、气候信息和粉尘信息均会影响激光雷达信号的传输反射,对激光雷达的准确性造成影响,在实际的激光雷达应用中,这些环境指标因素是影响激光雷达使用的主要因素。
通过采集获取环境参数信息集合,作为分析目标区域的环境对激光雷达信号影响的数据基础,为准确模拟环境对激光雷达信号的影响建立数据基础。
S300:获得测试激光雷达信号发射参数;
具体地,基于当前的激光雷达设备或者激光雷达信号测试设备,获得用于进行初步测试激光雷达信号情况的测试激光雷达信号发射参数。
其中,激光雷达信号发射参数包括:波形、中心波长、谱线宽度、强度、频率、功率、发散角、脉冲宽度等参数,不同的具体参数形成不同的激光雷达信号发射参数,同样的环境对于不同的激光雷达信号发射参数的影响不同。
该测试激光雷达信号发射参数可为随机选择的便于进行测试的激光雷达信号发射参数,也可为激光雷达信号测试设备内较少的几类激光雷达信号发射参数中的一种,如此,可基于功能较为单一的激光雷达信号测试设备采用测试激光雷达信号发射参数进行测试,而无需采用昂贵、笨重的其他激光雷达设备进行激光雷达信号模拟测试,相对于现有技术,在模拟测试环境对激光雷达信号的影响中,没有增加过多的成本。
S400:将所述环境参数信息集合和所述测试激光雷达信号发射参数输入预构建的雷达信号影响预测模型内,获得理论雷达信号影响参数;
具体地,该雷达信号影响预测模型为基于机器学习技术内的神经网络,采用大量构建数据构建并进行监督学习获得的模型,该模型的输入数据为环境参数信息集合和激光雷达信号发射参数,输出数据为雷达信号影响参数。通过构建雷达信号影响预测模型,能够基于当前的环境参数信息集合和测试激光雷达信号发射参数,初步预测目标区域内的环境参数信息集合对采用测试激光雷达信号发射参数发射的激光雷达信号的影响程度。
如图2所示,本申请实施例提供的方法中的步骤S400内,雷达信号影响预测模型的构建过程包括:
S410:获得多个进行激光雷达使用的区域,作为多个样本区域;
S420:采集获取所述多个样本区域内多个环境指标的环境参数信息,获得多个样本环境参数信息集合;
S430:获得多种激光雷达信号发射参数;
S440:在所述多个样本区域内分别采用所述多种激光雷达信号发射参数进行激光雷达信号发射,获得多个样本雷达信号影响参数;
S450:将所述多个样本环境参数信息集合、多种激光雷达信号发射参数和所述多个样本雷达信号影响参数作为构建数据,构建所述雷达信号影响预测模型。
首先,采集获取用于构建影响预测模型的构建数据。
具体地,获得需要进行激光雷达使用的多个区域,作为多个样本区域。多个样本区域可为可能需要和实际需要进行激光雷达使用的多个区域,也可为频繁使用激光雷达的多个区域,多个区域可为具有不同环境的山区、城市、建筑物内等。
基于前述的多个环境指标,分别采集获取多个样本区域内多个环境指标的环境参数信息,获得多个样本环境参数信息集合。其中,还可采集获取多个样本区域内不同季节不同时间的环境参数信息,提升多个样本环境参数信息集合的数据维度,进而提升雷达信号影响预测模型的泛化性能。
获得多种不同的激光雷达信号发射参数,具体可采集获取常用的多种激光雷达信号发射参数,优选可对激光雷达信号发射参数内的具体参数进行随机调整和组合,获得数量更多的多种激光雷达信号发射参数,提升构建数据的维度。
在上述的多个样本区域内分别采用多种激光雷达信号发射参数进行激光雷达信号发射,具体可基于激光雷达设备,在具有对应的不同样本环境参数信息集合的各样本区域内进行激光雷达信号发射,采集获取各样本环境参数信息集合对不同激光雷达信号的影响参数。其中,该影响参数包括对于激光雷达信号精度的影响情况,示例性地,该影响参数可包括回波信号的信噪比,或激光雷达信号检测结果的精度等信息。如此,获得多个样本雷达信号影响参数,作为构建雷达信号影响预测模型的构建数据。其中,多个样本雷达信号影响参数可在多个样本区域进行集中的激光雷达信号试验采集获得,也可基于集中的模拟激光雷达试验采集获得,为后续采用本方法实现自动化激光雷达信号模拟和寻优提供基础。
将该多个样本环境参数信息集合、多种激光雷达信号发射参数和多个样本雷达信号影响参数作为构建数据,构建该雷达信号影响预测模型。
本申请实施例提供的方法中的步骤S450包括:
S451:对所述多个样本环境参数信息集合、多种激光雷达信号发射参数和所述多个样本雷达信号影响参数进行划分和数据标识,获得训练数据集、验证数据集和测试数据集;
S452:基于BP神经网络,构建所述雷达信号影响预测模型;
S453:采用所述训练数据集对所述雷达信号影响预测模型进行监督训练,直到收敛或准确率达到预设要求;
S454:采用所述验证数据集和测试数据集对所述雷达信号影响预测模型进行验证和测试,若准确率满足所述预设要求,则获得所述雷达信号影响预测模型。
具体地,对上述的多个样本环境参数信息集合、多种激光雷达信号发射参数和多个样本雷达信号影响参数进行均匀的划分和数据标识,示例性地,按照6:2:2的比例进行划分,获得训练数据集、验证数据集和测试数据集,训练数据集、验证数据集和测试数据集内均包括样本环境参数信息集合、激光雷达信号发射参数和样本雷达信号影响参数的标识信息。
基于机器学习中的BP神经网络,初步构建上述的雷达信号影响预测模型,其中,雷达信号影响预测模型内包括多个模拟人体大脑神经元的简单单元,多个简单单元组成形成模型的网络结构,可根据上述的输入数据进行复杂的非线性逻辑运算,获得输出数据,并在监督学习过程中基于梯度下降,训练获得各简单单元连接之间的阈值和权值等,使得模型的准确度上升。
采用上述的训练数据集对雷达信号影响预测模型进行监督训练,具体地,逐组选用训练数据,对雷达信号影响预测模型进行监督训练,直到雷达信号影响预测模型的输出结果收敛或准确率达到预设要求,该预设要求可为准确度达到90%。
在监督训练完成后,采用上述的验证数据集和测试数据集对雷达信号影响预测模型进行验证和测试,其中,验证数据集和训练数据集可进行交叉训练和验证,避免模型在训练过程中出现欠拟合或过拟合的情况,导致模型的鲁棒性和泛化性不足,若验证和测试中模型的准确率依然满足该预设要求,则获得构建完成的雷达信号影响预测模型。
基于构建完成的雷达信号影响预测模型,将上述的环境参数信息集合和测试激光雷达信号发射参数作为输入数据输入该雷达信号影响预测模型内,获得输出结果,根据该输出结果内的标识信息,获得理论雷达信号影响参数。该理论雷达信号影响参数即为该环境参数信息集合下,对采用该测试激光雷达信号发射参数发射的激光雷达信号的影响参数,具体可包括回波信号信噪比影响以及激光雷达信号的精度影响参数。
本申请实施例通过采集获取多种样本环境参数信息集合、多种激光雷达信号发射参数,以及采集获取不同激光雷达信号发射参数在不同样本环境参数信息集合下的雷达信号影响参数,基于机器学习构建并训练获得雷达信号影响预测模型,能够较为准确的预测获得不同激光雷达信号发射参数在不同环境下的影响参数,作为自动、智能进行激光雷达信号模拟的基础,实现在后期无需实际模拟即可获得不同激光雷达信号发射参数在环境内的精度等信息,提升激光雷达的使用效果。
S500:采用所述测试激光雷达信号发射参数在所述目标区域内进行激光雷达信号发射,获得实际雷达信号影响参数;
上述的理论雷达信号影响参数为雷达信号影响预测模型预测获得的,由于机器学习构建模型的构建数据的局限性,可能存在不准确的情况,因此,需要对该理论雷达信号影响参数的准确性进行验证。
具体地,采用上述的测试激光雷达信号发射参数在具有环境参数信息集合的目标区域内进行激光雷达信号发射,进行相应目的的激光雷达检测,获得回波信号,进而获得实际上进行信号发射的实际雷达信号影响参数。
该实际雷达信号影响参数即为环境参数信息集合对测试激光雷达信号发射参数发射的激光雷达信号的实际影响参数,采用该实际雷达信号影响参数对上述的理论雷达信号影响参数进行验证,即可判断理论雷达信号影响参数是否准确。
S600:验证所述实际雷达信号影响参数是否符合所述理论雷达信号影响参数,若否,则对所述雷达信号影响预测模型进行优化;
本申请实施例提供的方法中的步骤S600包括:
S610:对所述理论雷达信号影响参数进行误差补偿,获得理论雷达信号影响参数区间;
S620:判断所述实际雷达信号影响参数是否落入所述理论雷达信号影响参数区间;
S630:若是,则所述实际雷达信号影响参数符合所述理论雷达信号影响参数;
S640:若否,则所述实际雷达信号影响参数不符合所述理论雷达信号影响参数。
具体地,为避免验证理论雷达信号影响参数过于苛刻,对理论雷达信号影响参数进行误差补偿,若理论雷达信号影响参数与实际雷达信号影响参数相近,则认为理论雷达信号影响参数较为准确。
示例性地,对理论雷达信号影响参数进行误差补偿,设置一雷达信号影响参数的误差范围,例如设置10%的误差范围,获得理论雷达信号影响参数区间,该理论雷达信号影响参数包括于该区间内。
判断上述的实际雷达信号影响参数是否落入该理论雷达信号影响参数区间内,若落入,则实际雷达信号影响参数和理论雷达信号影响参数相近,理论雷达信号影响参数较为准确。若未落入,则实际雷达信号影响参数不符合理论雷达信号影响参数,理论雷达信号影响参数不准确,则雷达信号影响预测模型的泛化性或准确性不足,需要对雷达信号影响预测模型进行优化。
示例性地,对雷达信号影响预测模型进行优化的过程中,可采集获取更多的构建数据,对雷达信号影响预测模型进行增量学习,以提升模型的准确性和泛化性,也可重新采集构建数据并构建训练雷达信号影响预测模型,获得性能更优的雷达信号影响预测模型。
S700:若是,则在信号发射参数空间内进行寻优,获得最优激光雷达信号发射参数,并在所述目标区域内进行雷达信号发射使用。
若验证实际雷达信号影响参数符合理论雷达信号影响参数,则说明雷达信号影响预测模型在当前的目标环境内,预测环境参数信息集合对激光雷达信号的影响较为准确。进一步选择在当前目标区域内受环境参数信息集合影响较小的激光雷达信号发射参数,进行激光雷达的使用。
其中,通过寻优的方式,构建信号发射参数空间,在其中进行全局寻优,获得受当前的环境参数信息集合影响较小的激光雷达信号发射参数。
如图3所示,本申请实施例提供的方法中的步骤S700包括:
S710:根据所述多种激光雷达信号发射参数,构建获得所述信号发射参数空间;
S720:设置激光雷达信号发射使用的约束条件;
S730:采用所述约束条件在所述信号发射参数空间内的所述多种激光雷达信号发射参数进行约束,获得约束信号发射参数空间;
S740:在所述约束信号发射参数空间内进行全局寻优,获得所述最优激光雷达信号发射参数。
具体地,根据前述内容中采集获得的多种激光雷达信号发射参数,构建获得初步的信号发射参数空间,其内包括具有多种不同具体参数的激光雷达信号发射参数。
设置激光雷达信号发射使用的约束条件,示例性地,该约束条件内包括当前使用激光雷达对激光雷达信号发射参数的初步限制约束,例如对激光雷达信号发射参数的频率、强度等的初步要求,作为约束条件,该约束条件可根据激光雷达的使用需求自行设置。
采用该约束条件对信号发射参数空间内的多种激光雷达信号发射参数进行约束,去除不符合该约束条件的激光雷达信号发射参数,获得约束信号发射参数空间,其内包括多种符合上述约束条件的激光雷达信号发射参数。通过设置约束条件,可提升后续全局寻优的效率,降低寻优所需的计算资源。
在该约束信号发射参数空间内进行全局寻优,寻优获得受当前目标区域内环境参数信息集合影响最小的激光雷达信号发射参数,作为最优激光雷达信号发射参数。
本申请实施例提供的方法中的步骤S740包括:
S741:在所述约束信号发射参数空间内随机选择一激光雷达信号发射参数,作为第一激光雷达信号发射参数,并作为当前解;
S742:将所述第一激光雷达信号发射参数和所述环境参数信息集合输入所述雷达信号影响预测模型内,获得第一影响参数;
S743:再次在所述约束信号发射参数空间内随机选择一激光雷达信号发射参数,作为第二激光雷达信号发射参数;
S744:将所述第二激光雷达信号发射参数和所述环境参数信息集合输入所述雷达信号影响预测模型内,获得第二影响参数;
S745:判断所述第二影响参数是否小于所述第一影响参数,若是,则将所述第二激光雷达信号发射参数作为当前解,若否,则按照概率将所述第二激光雷达信号发射参数作为当前解,所述概率通过下式计算:
其中,
为自然对数,
为第二影响参数,
为第一影响参数,k为寻优速率因子;
S746:继续迭代寻优,达到预设迭代次数后,将当前解输出,获得所述最优激光雷达信号发射参数。
具体地,在上述的约束信号发射参数空间内随机选择一激光雷达信号发射参数,作为第一激光雷达信号发射参数,并作为全局寻优进程中的当前解。
将该第一激光雷达信号发射参数和目标区域当前的环境参数信息集合作为输入数据,输入该雷达信号影响预测模型内,获得该第一激光雷达信号发射参数受该环境参数信息集合影响的第一雷达信号影响参数,作为第一影响参数,该第一影响参数越低,在说明第一激光雷达信号发射参数受该环境参数信息集合的影响越小,则采用该第一激光雷达信号发射参数在当前目标区域内进行激光雷达使用的信号质量越佳。
进行迭代寻优,继续从约束信号发射参数空间内随机选择一激光雷达信号发射参数,作为第二激光雷达信号发射参数。并将该第二激光雷达信号发射参数和上述的环境参数信息集合作为输入数据,输入该雷达信号影响预测模型内,获得该第二激光雷达信号发射参数受该环境参数信息集合影响的第二雷达信号影响参数,作为第二影响参数。
判断该第二影响参数是否小于第一影响参数,若是,则说明第二激光雷达信号发射参数相较于第一激光雷达信号发射参数,受目标区域的环境参数信息集合的影响更小,为可获得更优信号质量的激光雷达信号发射参数,则将该第二激光雷达信号发射参数替换第一激光雷达信号发射参数,作为当前解。
若否,则认为该第二激光雷达信号发射参数劣于第一激光雷达信号发射参数,此时,为提升全局寻优效率,避免陷入局部最优,不直接放弃第二激光雷达信号发射参数,而是按照概率将该第二激光雷达信号发射参数替换第一激光雷达信号发射参数,该概率通过下式计算:
其中,
为自然对数,
为第二影响参数,
为第一影响参数,k为寻优速率因子。
K具体为随着寻优进程而减小的常数,优选为指数减小的常数,在全局寻优的初期,k较大,以较大概率P接受影响参数较大,即雷达信号影响参数较大的激光雷达信号发射参数作为当前解,提升寻优遍历效率,避免陷入局部最优,在寻优后期,k较小,以较小概率接受雷达信号影响参数较大的激光雷达信号发射参数作为当前解,提升寻优后期的准确度,进而高效而准确的寻优获得全局最优的激光雷达信号发射参数,K的具体大小可根据第一影响参数和第二影响参数的大小进行设置,使得寻优初期,P接近于1,在寻优的后期,P接近于0。
如此,继续进行迭代寻优,达到预设迭代次数后,将当前解输出,作为上述的最优激光雷达信号发射参数,采用该最优激光雷达信号发射参数在目标区域内进行雷达信号发射使用,提升雷达信号的质量,进而提升使用效果。
示例性地,该预设迭代次数可根据约束信号发射参数空间内激光雷达信号发射参数的数量自行设置,例如设置为100次。
综上所述,本申请实施例至少具有如下技术效果:
本申请实施例通过构建雷达信号影响预测模型,采集获取目标区域的环境参数信息集合,并基于单一或较少的测试激光雷达信号发射参数进行激光雷达信号发射模拟,能够在轻量化、便捷的激光雷达信号模拟设备条件下,验证雷达信号影响预测模型在当前目标区域内预测雷达信号影响参数的准确性,在验证成功后,进一步进行激光雷达信号发射参数的寻优,获得受目标环境影响最小的最优激光雷达信号发射参数,提升激光雷达在目标区域使用的效果。本申请实施例建立了激光雷达信号模拟和分析处理的方法,在不提升激光雷达信号模拟成本的基础上,通过机器学习等手段,准确预测获知环境对激光雷达信号的影响,进而寻优获得最优激光雷达信号发射参数,达到了准确高效获知环境对激光雷达信号的影响,提升在具有影响环境内激光雷达信号发射和处理质量的技术效果。
实施例二
基于与前述实施例中一种雷达信号发射及信号处理方法相同的发明构思,如图4所示,本申请提供了一种雷达信号发射及信号处理系统,其中,所述系统包括:
目标区域确定模块11,用于确定进行激光雷达使用的目标区域;
环境信息采集模块12,用于采集获取所述目标区域内多个环境指标当前的环境参数信息,获得环境参数信息集合;
测试信号发射参数获得模块13,用于获得测试激光雷达信号发射参数;
理论影响参数预测模块14,用于将所述环境参数信息集合和所述测试激光雷达信号发射参数输入预构建的雷达信号影响预测模型内,获得理论雷达信号影响参数;
实际影响参数获得模块15,用于采用所述测试激光雷达信号发射参数在所述目标区域内进行激光雷达信号发射,获得实际雷达信号影响参数;
信号影响参数验证模块16,用于验证所述实际雷达信号影响参数是否符合所述理论雷达信号影响参数,若否,则对所述雷达信号影响预测模型进行优化;
信号发射参数寻优模块17,用于若是,则在信号发射参数空间内进行寻优,获得最优激光雷达信号发射参数,并在所述目标区域内进行雷达信号发射使用。
进一步地,所述环境信息采集模块12用于实现以下功能:
采集获取所述目标区域内的光源信息;
采集获取所述目标区域内的低反射率材质信息和高反射率材质信息;
采集获取所述目标区域内的气候信息;
采集获取所述目标区域内的粉尘信息;
根据所述光源信息、低反射率材质信息、高反射率材质信息、气候信息和粉尘信息,获得所述环境参数信息集合。
进一步地,所述理论影响参数预测模块14还用于实现以下功能:
获得多个进行激光雷达使用的区域,作为多个样本区域;
采集获取所述多个样本区域内多个环境指标的环境参数信息,获得多个样本环境参数信息集合;
获得多种激光雷达信号发射参数;
在所述多个样本区域内分别采用所述多种激光雷达信号发射参数进行激光雷达信号发射,获得多个样本雷达信号影响参数;
将所述多个样本环境参数信息集合、多种激光雷达信号发射参数和所述多个样本雷达信号影响参数作为构建数据,构建所述雷达信号影响预测模型。
其中,将所述多个样本环境参数信息集合、多种激光雷达信号发射参数和所述多个样本雷达信号影响参数作为构建数据,构建所述雷达信号影响预测模型,包括:
对所述多个样本环境参数信息集合、多种激光雷达信号发射参数和所述多个样本雷达信号影响参数进行划分和数据标识,获得训练数据集、验证数据集和测试数据集;
基于BP神经网络,构建所述雷达信号影响预测模型;
采用所述训练数据集对所述雷达信号影响预测模型进行监督训练,直到收敛或准确率达到预设要求;
采用所述验证数据集和测试数据集对所述雷达信号影响预测模型进行验证和测试,若准确率满足所述预设要求,则获得所述雷达信号影响预测模型。
进一步地,所述信号影响参数验证模块16还用于实现以下功能:
对所述理论雷达信号影响参数进行误差补偿,获得理论雷达信号影响参数区间;
判断所述实际雷达信号影响参数是否落入所述理论雷达信号影响参数区间;
若是,则所述实际雷达信号影响参数符合所述理论雷达信号影响参数;
若否,则所述实际雷达信号影响参数不符合所述理论雷达信号影响参数。
进一步地,所述信号发射参数寻优模块17还用于实现以下功能:
根据所述多种激光雷达信号发射参数,构建获得所述信号发射参数空间;
设置激光雷达信号发射使用的约束条件;
采用所述约束条件在所述信号发射参数空间内的所述多种激光雷达信号发射参数进行约束,获得约束信号发射参数空间;
在所述约束信号发射参数空间内进行全局寻优,获得所述最优激光雷达信号发射参数。
其中,在所述约束信号发射参数空间内随机选择一激光雷达信号发射参数,作为第一激光雷达信号发射参数,并作为当前解;
将所述第一激光雷达信号发射参数和所述环境参数信息集合输入所述雷达信号影响预测模型内,获得第一影响参数;
再次在所述约束信号发射参数空间内随机选择一激光雷达信号发射参数,作为第二激光雷达信号发射参数;
将所述第二激光雷达信号发射参数和所述环境参数信息集合输入所述雷达信号影响预测模型内,获得第二影响参数;
判断所述第二影响参数是否小于所述第一影响参数,若是,则将所述第二激光雷达信号发射参数作为当前解,若否,则按照概率将所述第二激光雷达信号发射参数作为当前解,所述概率通过下式计算:
其中,
为自然对数,
为第二影响参数,
为第一影响参数,k为寻优速率因子;
继续迭代寻优,达到预设迭代次数后,将当前解输出,获得所述最优激光雷达信号发射参数。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。