CN117558128A - 基于仿真毫米波雷达的高速路侧感知识别方法 - Google Patents

基于仿真毫米波雷达的高速路侧感知识别方法 Download PDF

Info

Publication number
CN117558128A
CN117558128A CN202311506933.3A CN202311506933A CN117558128A CN 117558128 A CN117558128 A CN 117558128A CN 202311506933 A CN202311506933 A CN 202311506933A CN 117558128 A CN117558128 A CN 117558128A
Authority
CN
China
Prior art keywords
millimeter wave
wave radar
radar
target
simulated
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.)
Pending
Application number
CN202311506933.3A
Other languages
English (en)
Inventor
曾俊铖
陈智威
吴少峰
王歆远
甘宏
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.)
Fujian Expressway Science And Technology Innovation Research Institute Co ltd
Original Assignee
Fujian Expressway Science And Technology Innovation Research Institute 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 Fujian Expressway Science And Technology Innovation Research Institute Co ltd filed Critical Fujian Expressway Science And Technology Innovation Research Institute Co ltd
Priority to CN202311506933.3A priority Critical patent/CN117558128A/zh
Publication of CN117558128A publication Critical patent/CN117558128A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • 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
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种基于仿真毫米波雷达的高速路侧感知识别方法，包括：建立虚拟仿真场景模型，研究毫米波雷达回波的产生方法，特别是将其与BART相结合，提供了有用和准确的数据。通过对仿真数据的分析，对毫米波雷达探测目标特定位置信息的性能进行了评估。通过对仿真系统产生的RDM进行图像处理操作，构造了一个简单的交通道路车辆分类数据集。并且设计了一个卷积神经网络，验证了仿真数据的有效性。以马尔可夫模型为样本，通过预测仿真数据的径向距离、径向速度、水平距离和水平速度四个特征值来预测目标轨迹。本发明可为高速路侧部署毫米波雷达的研究提供有用和准确的数据，有助于拓展毫米波雷达在交通领域的应用研究。

Description

基于仿真毫米波雷达的高速路侧感知识别方法
技术领域
本发明属于交通监测识别技术领域，特别是涉及一种基于仿真毫米波雷达的高速路侧感知识别方法。
背景技术
随着高速公路的施工和养护作业的交通布控场景也越来越常见，为保证能够及时消除事故隐患，利用技术手段建立检测系统探测高速公路的实时道路信息，保障高速公路的安全通行已经成为高速公路营运公司的迫切需求。相比较于红外相机、激光雷达和摄像机等传感器，MMWR不依赖于天气或光线条件，可实现全天候的连续探测。MMWR已广泛应用于车辆中，以利用感知到的信息用于高级驾驶员辅助系统(ADAS)和汽车自动驾驶。MMWR雷达越来越多地部署在高速公路的路边，以收集实时交通信息。路边MMWR提供完整的车辆轨迹样本等信息。车辆轨迹描绘了车辆沿其路径的运动，提供了比仅仅汇总交通措施更丰富的信息。然而在高速路侧安装毫米波雷达以及处理采集的信息进行研究复杂且耗时。在系统设计过程中利用仿真技术，可以缩短毫米波雷达感知系统的设计周期，节约研制成本。在模拟交通场景中，雷达传感器的参数和交通车辆的类型可以随时改变，为后续的实验研究提供了丰富的实验基础数据，如车辆识别分类、车辆轨迹跟踪等。
传统的雷达模拟器通常只能模拟运动目标的一维包络或静止目标的二维图像，缺乏模拟高维目标信息的能力。此外，高频段的雷达目标模拟通常利用射线跟踪(RayTracing，RT)技术来加速。但RT技术的离散采样容易导致入射角变化时散射计算不一致，产生的数据难以用相干处理进一步分析。
发明内容
本发明的目的是提供一种基于仿真毫米波雷达的高速路侧感知识别方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种基于仿真毫米波雷达的高速路侧感知识别方法，包括：
构建仿真模拟场景与车辆数字模型，将车辆数字模型在仿真模拟场景下作为检测目标；
对检测目标的雷达散射截面进行计算和仿真，获得毫米波雷达的接收功率表达式；
将所述车辆数字模型与设定的扫频范围结合获得检测目标雷达散射截面的频率响应；基于所述频率响应与接收功率表达式获得获得回波信号的频域表达式，根据回波信号的频域表达式获得中频信号表达式；
将所述中频信号依次通过距离维度与多普勒维度的快速傅里叶变换获得距离-多普勒图；对雷达通道的角度进行快速傅里叶变换，获得检测目标的角度信息，结合目标距离获得点云图像；
基于距离-多普勒图与点云图像获取分类模型与轨迹预测模型，实现高速路侧感知识别。
可选的，采用双向解析射线跟踪仿真工具对目标车辆的雷达散射截面进行计算和仿真。
可选的，所述接收功率表达式由设备的输出功率、发射天线的天线增益、接收天线的天线增益、毫米波雷达的雷达散射截面、电磁波波长与检测目标到雷达的距离构成。
可选的，构建仿真模拟场景的过程包括：将毫米波雷达在地面上的投影点作为原点建立笛卡尔坐标系，根据雷达高度、道路宽度与车道宽度确定各方向位置，完成仿真模拟场景构建。
可选的，基于毫米波雷达探测到目标时的接收功率、所述频率响应获得所述回波信号的频域表达式。
可选的，获得中频信号表达式的过程包括：通过逆傅立叶变换将所述回波信号的频域表达式从频域的卷积运算转换为时间域的乘积后，将接收回波信号并与发射信号混合，结合转换后的表达式获得中频信号表达式。
可选的，所述点云图像的获取过程包括：计算检测目标在毫米波雷达一帧内全部线性调频时刻的位置，获得检测目标与雷达之间的方位角与俯仰角；对所述距离-多普勒图使用CA-CFAR算法进行恒定虚警率检测，获得目标兴趣点；对每个通道的角度进行快速傅立叶变换获得目标角度信息，结合距离和角度信息，获得目标点相对于雷达的位置信息，进而获得点云图像。
本发明的技术效果为：
本发明构建了一个模拟的雷达检测场景，研究了毫米波雷达回波的产生方法，特别是将其与BART相结合，提供了有用和准确的数据。通过对仿真系统产生的RDM进行图像处理操作，构造了一个简单的交通道路车辆分类数据集。并且设计了一个卷积神经网络，验证了仿真数据的有效性。此外以马尔可夫模型为样本，通过预测仿真数据的径向距离、径向速度、水平距离和水平速度四个特征值来预测目标轨迹。结果表明，利用马尔可夫模型实现了毫米波雷达检测的目标轨迹预测，具有较高的精度，验证了数据的可用性。本发明为未来发展符合相关频段的毫米波雷达系统提供了理论指导和分析工具。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的雷达信号模拟流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示，本实施例中提供一种基于仿真毫米波雷达的高速路侧感知识别方法，包括：
MMWR仿真方法构建
部署毫米波雷达传感器，需要了解最佳传感器参数、传感器安装位置等，使毫米波雷达能够更有效、更准确地监测交通信息。然而，这一要求不太可能仅通过真实世界的试错来实现，这需要对这种情况进行仿真。可靠的仿真场景有助于方便、快速地获得仿真结果。本发明提出的MMWR仿真方法采用双向解析射线跟踪(Bidirectional Analytical RayTracing，BART)算法计算目标的雷达散射截面(Radar Cross Section，RCS)，并结合在时域中产生的发射信号计算出回波信号，以数字方式实现信号处理，输出模拟包括目标的位置信息的点云图像和包含状态信息的距离-多普勒图(Range-Doppler Map,RDM)。
雷达散射截面积
RCS表征了目标在雷达接收方向上反射雷达信号的能力。它是目标的等效面积，由均匀等效反射器在入射方向上的投影面积表示。等效反射器和目标在接收方向的单位立体角内具有相同的回波功率。RCS是目标的物理属性，具有与面积相同的单位，数值等于目标处反射功率与接收功率之比的4π倍。当毫米波雷达探测到目标时，接收功率可表示为：
其中，Pt是设备的输出功率，GTX，GRX是发射和接收天线的天线增益，σ是雷达散射截面，λ是电磁波的波长，d是目标到雷达的距离。本发明中的RCS计算方法基于Xu等人提出的BART算法。射线从源(TX)发射到事件的方向，并在发射到切面并反射时保持跟踪。与此同时，另一条射线在观测散射(RX)的相反方向被跟踪。当前后两束光线在同一面相遇时，该面上的一个节点将两条跟踪路径连接起来，形成从光源到观测点的散射路径。本发明利用BART仿真工具对目标飞行器的RCS进行了计算和仿真。
仿真场景构建
要实现基于路侧传感器对高速进行信息监控，部署的毫米波雷达应覆盖所有车道。在本发明的模拟场景中，以其中一条道路方向为例。以雷达传感器在地面上的投影点为原点O建立笛卡尔坐标系，假定雷达探测到的车道方向为Y方向，向上垂直地面为Z方向，垂直于Y-O-Z平面为X方向。本发明以下内容遵循此坐标系设置，模拟场景的具体参数如表1所示。车辆目标随机出现在三条车道上，在切合实际的前提下以随机速度接近高速道路场景。
表1
车辆回波信号生成
本节介绍用于车辆目标单帧信号数据建模计算的FMCW回波信号仿真。本文提出的方法基于毫米波雷达探测目标系统的全链路进行了仿真，该系统传输FMCW信号，其数学表达式如下：
其中，xt(t)指的是线性调频时刻的调频连续波信号的频率，f0是发射信号的初始频率，μ是发射信号频率线性变化的斜率，是发射信号的初始相位，e为自然常数，j为非零正整数，可视为周期。当发射的信号与车辆目标相遇时，部分能量会被接收天线捕获并反射。在这个过程中，目标在雷达接收方向的反射信号的辐射强度由RCS确定。模拟计算需要一个数字模型来表示真实物理世界中的汽车，本发明使用MatLAB模拟。
通过计算目标在一帧中所有线性调频时刻的位置，得到了目标与雷达之间的方位角和俯仰角。将目标的数字模型与输入到BART的扫频范围相结合，得到目标雷达散射截面的频率响应σf。结合公式(1)，回波信号的频域表达式可以表示为：
其中表示卷积，P表示接收天线的能量，xT(f)为回波信号的时域表达式。为了简化计算复杂度，通过逆傅立叶变换将其从频域的卷积运算转换为时间域的乘积。变换方程可表示为：
其中σt表示雷达散射截面面积，τ(T)是雷达信号探测目标的往返时间，τ(T)可通过以下公式表示：
τ(t)＝2(d+vt)/c (6)
其中d是从车辆到雷达的初始距离，v是车辆的速度，c是光速。接收回波信号并与发射信号混合后，即可得到中频信号，其表达式为：
xIF(t)＝P·σt·exp{j2π[(t)+μtτ(t)-0.5μτ(t)2]} (7)
为了模拟真实场景中存在的环境噪声，可以在模拟过程中加入一定信噪比的高斯白噪声。
雷达信号处理
雷达信号处理仿真流程如图1所示。在每一帧中，发射天线发射N个线性调频信号，每个线性调频信号有M个采样点。雷达系统有P个发射天线和Q个接收天线，共O(P×Q)个通道，形成O×M×N个数据矩阵。数据矩阵对应于信号生成框的输出，是信号处理框的输入。通过距离维度和多普勒维度的快速傅里叶变换得到RDM输出。其中，非相干叠加是指两个或多个波的相位关系随机或变化规律不同的情况下进行叠加，针对的对象是毫米波。然后，使用CA-CFAR算法对RDM输出进行恒定虚警率检测，有效消除干扰噪声造成的影响，找到目标兴趣点。接着对每个通道的角度进行快速傅立叶变换，得到目标角度信息。结合距离和角度信息，可以获得目标点相对于雷达的位置信息，从而可以输出点云图像。
用于分类的卷积神经网络
分类网络的输入大小为数据集451×451×1的大小。络结构中的卷积层包括卷积层、归一化层和Swish激活函数三部分。池化层使用最大池化下采样，全连接层输出每个类别的概率。
基于马尔可夫模型的轨迹预测方法
完成相关数据仿真后，进一步提出了基于马尔可夫模型的特征数据预测方法。在马尔可夫预测模型中，随着状态空间步长和大小的增加，预测精度会降低。因此，需要构造一个状态数少、状态间隔小的特征数据。待预测的轨迹数据包括径向距离、径向速度、水平距离和水平速度。对于距离，仿真的数据只能不断增加或减少，分别代表目标的离开和接近。对于速度，轨迹数据包括加速、减速和平均速度。本发明采用差分法对距离和速度进行降维，从而降低状态空间的尺度。因此，距离和速度的预测可以通过速度和加速度的替换来实现。差分法如(8)所示：
其中s(k)表示时间k的状态特征值。基于(8)计算的特征参数，可以得到轨迹预测速度和加速度的最大值smax和最小值smin。在本发明中，我们假设参数状态空间中有N个状态。每个状态都可以用(9)表示：
其中ε是一个正极小值。在本发明中，我们使用Bl来表示每个状态的范围[Sl-1，Sl]，l＝1，...，N。进而计算每个状态之间的转换关系，状态转换概率如(5)所示：
在(5)中，P(s(k)∈Bi|s(k)∈Bj)是从Bj状态转移到Bi状态的概率。是从状态Bj到状态Bi的转换次数，/>是从状态Bj到其他状态范围的转换次数。为简单起见，从状态i移动到状态j的概率可以表示为(11)：
Pij＝P(s(k)∈Bi|s(k)∈Bj) (11)
此外，可以得到状态转移矩阵P，如(12)所示：
满足式(8)
目标轨迹可以通过状态概率与马尔可夫递归关系相结合来预测，如(14)所示。
在(14)中，表示k+1时的预测状态序列。St(k)表示时间k处的状态序列。参数数据是一个包含N个状态的序列向量。如果时间k处的特征参数s(k)属于i状态，则St(k)的状态序列可以表示为/>其中i个状态的序列值为1，而其他状态为O。可以计算出时间k+1的预测状态。在本发明中，序列中概率最高的状态被认为是下一时刻的以下状态。预测参数等于Bl中特征值的平均值/>
参考(8)，最终轨迹参数可以通过(16)计算：
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于仿真毫米波雷达的高速路侧感知识别方法，其特征在于，包括以下步骤：
构建仿真模拟场景与车辆数字模型，将车辆数字模型在仿真模拟场景下作为检测目标；
对检测目标的雷达散射截面进行计算和仿真，获得毫米波雷达的接收功率表达式；
将所述车辆数字模型与设定的扫频范围结合获得检测目标雷达散射截面的频率响应；基于所述频率响应与接收功率表达式获得获得回波信号的频域表达式，根据回波信号的频域表达式获得中频信号表达式；
将所述中频信号依次通过距离维度与多普勒维度的快速傅里叶变换获得距离-多普勒图；对雷达通道的角度进行快速傅里叶变换，获得检测目标的角度信息，结合目标距离获得点云图像；
基于距离-多普勒图与点云图像获取分类模型与轨迹预测模型，实现高速路侧感知识别。
2.根据权利要求1所述的基于仿真毫米波雷达的高速路侧感知识别方法，其特征在于，
采用双向解析射线跟踪仿真工具对目标车辆的雷达散射截面进行计算和仿真。
3.根据权利要求1所述的基于仿真毫米波雷达的高速路侧感知识别方法，其特征在于，
所述接收功率表达式由设备的输出功率、发射天线的天线增益、接收天线的天线增益、毫米波雷达的雷达散射截面、电磁波波长与检测目标到雷达的距离构成。
4.根据权利要求1所述的基于仿真毫米波雷达的高速路侧感知识别方法，其特征在于，
构建仿真模拟场景的过程包括：将毫米波雷达在地面上的投影点作为原点建立笛卡尔坐标系，根据雷达高度、道路宽度与车道宽度确定各方向位置，完成仿真模拟场景构建。
5.根据权利要求1所述的基于仿真毫米波雷达的高速路侧感知识别方法，其特征在于，
基于毫米波雷达探测到目标时的接收功率、所述频率响应获得所述回波信号的频域表达式。
6.根据权利要求1所述的基于仿真毫米波雷达的高速路侧感知识别方法，其特征在于，
获得中频信号表达式的过程包括：通过逆傅立叶变换将所述回波信号的频域表达式从频域的卷积运算转换为时间域的乘积后，将接收回波信号并与发射信号混合，结合转换后的表达式获得中频信号表达式。
7.根据权利要求1所述的基于仿真毫米波雷达的高速路侧感知识别方法，其特征在于，
所述点云图像的获取过程包括：计算检测目标在毫米波雷达一帧内全部线性调频时刻的位置，获得检测目标与雷达之间的方位角与俯仰角；对所述距离-多普勒图使用CA-CFAR算法进行恒定虚警率检测，获得目标兴趣点；对每个通道的角度进行快速傅立叶变换获得目标角度信息，结合距离和角度信息，获得目标点相对于雷达的位置信息，进而获得点云图像。
CN202311506933.3A 2023-11-13 2023-11-13 基于仿真毫米波雷达的高速路侧感知识别方法 Pending CN117558128A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311506933.3A CN117558128A (zh) 2023-11-13 2023-11-13 基于仿真毫米波雷达的高速路侧感知识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311506933.3A CN117558128A (zh) 2023-11-13 2023-11-13 基于仿真毫米波雷达的高速路侧感知识别方法

Publications (1)

Publication Number Publication Date
CN117558128A true CN117558128A (zh) 2024-02-13

Family

ID=89817879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311506933.3A Pending CN117558128A (zh) 2023-11-13 2023-11-13 基于仿真毫米波雷达的高速路侧感知识别方法

Country Status (1)

Country Link
CN (1) CN117558128A (zh)

Similar Documents

Publication Publication Date Title
CN110456343B (zh) 一种基于fmcw毫米波雷达的即时定位方法及系统
Patole et al. Automotive radars: A review of signal processing techniques
Sligar Machine learning-based radar perception for autonomous vehicles using full physics simulation
US11719811B2 (en) Method and device to improve radar data using reference data
Urazghildiiev et al. Vehicle classification based on the radar measurement of height profiles
CN110208793A (zh) 基于毫米波雷达的辅助驾驶系统、方法、终端和介质
KR20200144862A (ko) 레이더의 해상도 향상 방법 및 장치
Prophet et al. Semantic segmentation on 3D occupancy grids for automotive radar
CN105197108B (zh) 一种基于汽车辅助驾驶系统的多目标测向系统及其方法
Cui et al. 3D detection and tracking for on-road vehicles with a monovision camera and dual low-cost 4D mmWave radars
Pandey et al. Database of simulated inverse synthetic aperture radar images for short range automotive radar
Clarke et al. Synthetic aperture radar for lane boundary detection in driver assistance systems
Vriesman et al. An experimental analysis of rain interference on detection and ranging sensors
Zhu et al. Measurement and ray-tracing simulation for millimeter-wave automotive radar
Chipengo High fidelity physics-based simulation of a 512-channel 4D-radar sensor for automotive applications
Zong et al. A simulation method for millimeter-wave radar sensing in traffic intersection based on bidirectional analytical ray-tracing algorithm
Gao et al. Static background removal in vehicular radar: Filtering in azimuth-elevation-doppler domain
Hinz et al. Spaceborne traffic monitoring with dual channel synthetic aperture radar theory and experiments
Wengerter et al. Simulation of urban automotive radar measurements for deep learning target detection
Kuai et al. Velocity estimation for vehicle-mounted SAR based on deep-learning framework
WO2023025777A1 (en) Automotive sensor fusion of radar, lidar, camera systems with improved safety by use of machine learning
Belyaev et al. Object detection in an urban environment using 77GHz radar
CN117558128A (zh) 基于仿真毫米波雷达的高速路侧感知识别方法
da Silva et al. Novel post-Doppler STAP with a priori knowledge information for traffic monitoring applications: basic idea and first results
Barros Cardoso da Silva et al. Novel post-Doppler STAP with a priori knowledge information for traffic monitoring applications: basic idea and first results

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