CN117872299A - 一种车载毫米波目标分类算法,系统,存储介质及雷达 - Google Patents
一种车载毫米波目标分类算法,系统,存储介质及雷达 Download PDFInfo
- Publication number
- CN117872299A CN117872299A CN202210836773.8A CN202210836773A CN117872299A CN 117872299 A CN117872299 A CN 117872299A CN 202210836773 A CN202210836773 A CN 202210836773A CN 117872299 A CN117872299 A CN 117872299A
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- time domain
- domain signal
- millimeter wave
- 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
Links
- 238000007635 classification algorithm Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 31
- 230000033001 locomotion Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 5
- 230000005672 electromagnetic field Effects 0.000 abstract description 4
- 238000012937 correction Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种车载毫米波目标分类算法,系统,存储介质及雷达,通过获取车载毫米波雷达在预设范围内所探测到目标反射波,对所探测到目标信息进行计算接收波场在tm时刻的时域信号进而计算差频时域信号ssR(t,tm),根据所述差频时域信号ssR(t,tm)建立距离‑多普勒空间系统模型,提取出能够代表目标在现实场景中的多普勒特征,建立起目标的物理特性与在电磁场中的电磁信号的一种映射关系,最后通过任意分类器进行分类训练,计算过程无需经过多次拟合和校正,可以快速获取到收敛结果,在明显提高了数据的计算能力和效率的同时,保证数据真实可靠。
Description
技术领域
本发明涉及车载雷达技术领域,尤其是涉及一种车载毫米波目标分类算法,系统,存储介质及雷达。
背景技术
雷达相对于摄像头和光探测测距,如激光雷达系统的一个重要优势在于:雷达发射的电磁波不受环境条件,如雨水、灰尘和烟雾的影响,可以在完全黑暗的环境下工作。另外,现代雷达可以精确测量障碍物和目标车辆的距离和相对速度;因此,雷达在辅助车辆安全驾驶中,如泊车辅助,变道辅助,自动刹车和避免碰撞等应用中,有效地提高了驾驶系统运行的安全性。未来自动驾驶或者无人驾驶中对周围环境的感知要求越来越高,因而除了传统雷达已经实现的目标检测和跟踪外,对目标进行分类是对未来车载雷达性能的更高要求。
传统雷达的距离,速度以及角度的分辨率较低,目标分类可实现的难度很大,因而在文献中目标分类的方法多数是基于超高分辨率的雷达或者成像雷达的数据,对训练数据数量的要求较高,且在数据迭代过程中,需要经过多次和较长时间的迭代训练才能达到一定的数据收敛,同时,对神经网络模型的算力都有较高的要求。就目前技术来说,视觉虽然可以提供丰富的图像信息,但是室外场景中的光照变化、遮挡、阴影等影响,导致视觉算法在复杂交通环境中鲁棒性较低。毫米波雷达作为无人驾驶中的重要传感器之一,已经被用于行人和车辆识别。与光学应用不同,毫米波雷达的使用不受光照条件限制。另外,雷达传感器可以嵌入到车辆内部,因此对设备的维护更容易,操作更稳定。
在实际场景中,行人和车辆所出现的比例相差较大,使得在训练分类器时,必须考虑样本不平衡性。这种样本不均衡特点往往会影响传统分类器的性能;类别“越不平衡”,效果越差。
发明内容
针对上述目标分类可实现难度大,训练模型和数据要求高的技术问题,本发明提出一种车载毫米波目标分类算法,系统,存储介质及雷达,根据基于电磁波的波动理论构建距离-多普勒空间系统模型,提取反映物体运动学和几何特性的有效多普勒特征,作为目标分类器的输入,由此可以采用常规的分类器,如神经网络模型进行训练,得到快速收敛的目标分类数据。
具体地,本发明一方面提供一种车载毫米波目标分类算法,包括:分类前阶段和分类阶段,其中,分类前阶段用于对分类阶段输入数据进行预先处理,从而提高分类阶段中数据的收敛性和数据运行的效率。
(一)分类前阶段:
(1)向预设范围内发射目标检测信号p(t)。
通过安装于车辆上毫米波雷达系统周期性发射线性调频信号用于目标检测,其中,所述毫米波雷达系统包括雷达发射机、雷达接收机和混频器。雷达接收机接收目标散射的回波信号,混频器利用雷达发射的线性调频信号对接收到的回波信号进行混频处理,得到中频信号;再经过ADC转换成时域数据。
其中,所述目标检测信号为p(t),具体为:
上式中,A是FMCW的发射信号幅度;f0为载频;K为调频信号的啁啾率;j为虚数单位;t为在每个啁啾周期内的时间,也称为慢时间。
(2)计算反射波的接收时域信号
所述接收时域信号具体为:
上式中,S为雷达检测区域;wT和wR分别是发射天线和接收天线的增益,它随着角度θ而变化;r是目标与雷达之间的径向距离;θ是目标运动的运动方向与水平径向速度的夹角;φ目标与雷达间的俯仰角;ε(r,θ,φ)是目标的反射强度;u是目标和雷达的相对径向速度;v是目标沿着运动方向的速度;tm为在啁啾间的时间,也称慢时间;c为光速,等于3×108m/s。
其中,反射波是经预设范围内出现的目标反射回雷达接收机端的数据波经转成对应的时序数据后,根据一阶波恩近似计算接收波场在tm时刻的时域信号。其中所获取车载毫米波雷达所探测到目标信息,每个目标信息包括目标当前位置以及运动速度;针对所探测到的每个目标,根据与之对应的所述车载毫米波雷达的安装角度和目标位置,以及车速计算该目标的相对径向速度u,目标与雷达之间的径向距离r,以及目标运动的运动方向与水平径向速度的夹角θ;以及对于有一定高度的目标,计算目标与雷达间的俯仰角φ,所述相对径向速度u为将该目标虚拟为静止反射点时,该反射点相对与之对应的所述车载毫米波雷达的径向速度。根据接收的反射波测算不同目标的反射强度ε(r,θ,φ),以及各个目标沿着运动方向的速度v。
优选的,本发明中所指的目标至少包括出现在毫米波雷达检测范围内动目标,如机动车,如小汽车,巴士等,以及非机动车,如自行车和行人,均不限于此。
优选的,本发明所述的目标还可以是周围的静止目标,如建筑物,巴士车站,红绿灯等,均不限于此。
(3)进一步计算发射目标检测信号p(t)与接收时域信号之间的差频时域信号ssR(t,tm)。
优选的,在计算差频时域信号ssR(t,tm)前,将所述接收时域信号从三维关系转换为二维关系,得:
所述差频时域信号ssR(t,tm),具体为:
其中,p*(t)为目标检测信号p(t)的复数共轭转置,下标F表示该公式实际上是傅里叶变换的形式,F表示进行傅里叶变换;j为虚数单位;λ0为对应于载波频率的波长。
优选的,对所述差频时域信号ssR(t,tm),进行二维傅里叶变换得:
其中,t对应于信号ssR(t,tm)的t,分别对两个变量t和tm进行傅里叶变换。
其中,所述多普勒特征至少包括速度v,相对入射角度θ,目标的有效总反射能力ToRe和目标的反射面积Area,计算公式为,
其中,u1,u2是该目标在连续两帧时径向速度;和/>是在连续两帧下该目标的径向距离;fm1和fm2分别是在目标区域里多普勒频率的最大值和最小值。
优选的,还可以采用上述三维关系的接收时域信号计算出三维空间的多普勒特征,如高度信息的特征,但不限于此。
作为另一优选的,本发明还提供了一种车载毫米波目标分类系统,至少包括:数据采集单元,记录车载毫米波雷达向预设范围内发射目标检测信号p(t),以及经目标反射后获得反射波的接收时域信号并转换为时域数据。
优选的,本发明所述的数据采集单元至少包括雷达接收机,混频器和ADC转换器。雷达接收机接收目标散射的回波信号,混频器利用雷达发射的线性调频信号对接收到的回波信号进行混频处理,得到中频信号;再经过ADC转换成时域数据。
第一计算单元,用于计算所述发射目标检测信号p(t)和接收时域信号间的差频时域信号ssR(t,tm)。优选的,根据一阶波恩近似,对所获取车载毫米波雷达所探测到目标信息进行计算接收波场在tm时刻的时域信号。
第二计算单元,用于将所述接收时域信号或所述差频时域信号ssR(t,tm)从三维关系转换为二维关系。
训练单元,根据所述差频时域信号ssR(t,tm)建立距离-多普勒空间系统模型,提取所述目标的多普勒特征,将所述多普勒特征输入至分类器中进行分类训练,获得所述目标的最终分类结果;所述分类器为单一或混合分类模型。
其中,用于计算差频时域信号ssR(t,tm),并进行二维傅里叶变换,获得距离-多普勒空间系统模型,其中,幅度值则为距离多普勒图,根据距离-多普勒矩阵进一步计算出目标在现实场景中与雷达的相对位置关系,相对径向速度。以及在距离-多普勒矩阵中,相应于每个目标点,其幅度也与目标的雷达反射能力以及与雷达的入射角度有着直接的关系。本发明主要以波动理论为基础,采用特征提取单元对距离-多普勒矩阵提取出能够代表目标在现实场景中的多普勒特征。优选的,多普勒特征至少包括速度v,相对入射角度θ,目标的有效总反射能力ToRe和目标的反射面积Area。
优选的,本发明还可以计算出三维空间的多普勒特征,提取出目标在现实场景中三维的多普勒特征,如高度信息的特征,但不限于此。
通过本发明所述方法建立起目标的物理特性与在电磁场中的电磁信号的一种映射关系,可以有效增训练单元的精确度和快速收敛的效果,故在选用分类器进行分类训练时,可满足任一种分类器的模型作为目标分类训练器。
作为优选的,本发明所述的分类器可选为:逻辑回归、K最近邻、朴素贝叶斯、决策树和SVM支持向量机、LDA线性判别分析、随机森林或深度神经网络学习中的一种,但不限于此。
作为又另一优选的,本发明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如上所述一种车载毫米波目标分类算法的每一步骤。
作为又另一优选的,本发明还提供了一种雷达,为车载毫米波雷达中的一种,安装于汽车任一处,所述雷达至少包括:
所述雷达至少包括:
用于向预设范围内发射目标检测信号的发射端,和获取对应反射波的接收时域信号的接收端;
及用于记录并传输所述发射目标检测信号和接收时域信号至车载MCU或SoC端的计算机可读存储介质的传输电路;所述计算机可读存储介质上存储有计算机程序;
当所述车载MCU或SoC端控制一个或者多个处理器单独地或共同地根据预设处理模式执行所述计算机可读存储介质中的计算机程序时实现如上所述一种车载毫米波目标分类算法的步骤。
优选的,所述毫米波雷达还包括:
天线装置,用于发射毫米波信号以及接收反射信号;以及信号处理电路,与所述天线装置电连接,用于处理所述反射信号,并转换为数据信号,其中,所述处理器与所述信号处理电路通讯连接,用于处理所述信号处理电路发送的数据信号。
综上所述,本发明提供一种车载毫米波目标分类算法,系统,存储介质及雷达,通过获取车载毫米波雷达在预设范围内所探测到目标反射波,根据一阶波恩近似,对所探测到目标信息进行计算接收波场在tm时刻的时域信号进而计算差频时域信号ssR(t,tm),并进行二维傅里叶变换,获得距离-多普勒矩阵,再采用特征提取单元对距离-多普勒矩阵提取出能够代表目标在现实场景中的多普勒特征,建立起目标的物理特性与在电磁场中的电磁信号的一种映射关系,最后通过任意种分类器进行分类训练。
本发明的有益效果在于,可以基于常规的毫米波雷数据进行有效的数据处理,和目标分类,不但可以建立起目标在现实世界和电磁信号间三维关系或二维关系,针对不同的运动目标,根据其特征获取到不一样的多普勒特征,也就是说,在进行数据分类之前输入至分类器中的待测数据已经具有很好的数据真实性,此时无需再通过大量训练数据来训练模型寻找合适的参数,也可以快速获取到分类结果,且计算过程无需经过多次拟合和校正,可以快速获取到收敛结果,在明显提高了数据的计算能力和效率的同时,保证数据真实可靠。
附图说明
图1为本发明一个实施例中的车载毫米波目标分类算法的示意性流程图。
图2为本发明一个实施例中的动目标的三维运动参数分析示意图。
图3为本发明一个实施例中的动目标的二维运动参数分析示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明一方面提供一种车载毫米波目标分类算法,具体包括:
步骤1:向预设范围内发射目标检测信号p(t),经目标反射并获取反射波的接收时域信号后,计算二者间的差频时域信号ssR(t,tm);
步骤2:根据所述差频时域信号ssR(t,tm)建立距离-多普勒空间系统模型,提取所述目标的多普勒特征,将所述多普勒特征输入至分类器中进行分类训练,获得所述目标的最终分类结果。
其中,所述目标检测信号为p(t),具体为:
上式中,A是FMCW的发射信号幅度;f0为载频;K为调频信号的啁啾率;j为虚数单位;t为在每个啁啾周期内的时间,也称为快时间。
计算反射波的接收时域信号具体为:
所述接收时域信号具体为:
其中,τ是时间延迟,计算公式为:
上式中,S为雷达检测区域;wT和wR分别是发射天线和接收天线的增益;r是目标与雷达之间的径向距离;θ是目标运动的运动方向与水平径向速度的夹角;φ目标与雷达间的俯仰角;ε(r,θ,φ)是目标的反射强度;u是目标和雷达的相对径向速度;v是目标沿着运动方向的速度;tm为在啁啾间的时间,也称慢时间;c为光速,等于3×108m/s。
其中,反射波是经预设范围内出现的目标反射回雷达接收机端的数据波经转成对应的时序数据后,根据一阶波恩近似计算接收波场在tm时刻的时域信号。其中所获取车载毫米波雷达所探测到目标信息,每个目标信息包括目标当前位置以及运动速度;针对所探测到的每个目标,根据与之对应的所述车载毫米波雷达的安装角度和目标位置,以及车速计算该目标的相对径向速度u,目标与雷达之间的径向距离r,以及目标运动的运动方向与水平径向速度的夹角θ;以及对于有一定高度的目标,计算目标与雷达间的俯仰角φ,所述相对径向速度u为将该目标虚拟为静止反射点时,该反射点相对与之对应的所述车载毫米波雷达的径向速度。根据接收的反射波测算不同目标的反射强度ε(r,θ,φ),以及各个目标沿着运动方向的速度v。
进一步计算目标检测信号为p(t)和接收时域信号间的差频时域信号ssR(t,tm),具体为:
在计算差频时域信号ssR(t,tm)前,将所述接收时域信号从三维关系转换为二维关系,得:
所述差频时域信号ssR(t,tm),具体为:
其中,p*(t)为目标检测信号p(t)的复数共轭转置,下标F表示该公式实际上是傅里叶变换的形式,F代表的是傅里叶变换公式;j为虚数单位;λ0为对应于载波频率的波长。
对所述差频时域信号ssR(t,tm),进行二维傅里叶变换得:
其中,t对应于信号ssR(t,tm)的t,分别对两个变量t和tm进行傅里叶变换。
建立了目标的物理空间与距离-多普勒频率之间的映射关系,它是提取雷达目标多普勒特征的重要基础,给出了目标在电磁波波动理论下的模型在距离多普勒域谱中的描述。
优选的,提取出具有物理意义的特征进行描述,如图2-3所示,所述多普勒特征至少包括速度v,相对入射角度θ,目标的有效总反射能力ToRe和目标的反射面积Area,具体为:
(1)速度v;
检测到的目标,即机动车如小汽车,巴士等,或者非机动车如自行车和行人,通常都有其大致的速度范围。而这些目标在正常道路交通中其速度范围都有显着差异,因此选取目标速度作为一个特征。对于现代车载雷达中常用的MIMO系统,即多入多出(multiple-input-multiple-output),来说,速度可以表达为:
v=u·cosθ;
其中,u是目标的径向速度,θ是目标的水平方位角,也即相对入射角度,在下一个特征描述时会具体说明。
对于SISO,即单入单出(single-input-single-output)系统来说,速度v也可以从相邻的两帧的位置变化及径向速度的变化获得,即:
其中u1,u2是该目标在连续两帧时径向速度,同样,和/>是在连续两帧下该目标的径向距离。
(2)相对入射角度θ;
当目标在运动时,目标的运动速度与其径向速度之间的夹角定义为相对入射角。对于MIMO系统,该相对入射角可以从各种DoA(Direction-of-arrival)方法,比如谱分析法,或者子空间法等获得。而对于SISO系统来说,这个相对入射角则可从相邻的两帧计算如下:
其中fm1和fm2是在目标区域里多普勒频率的最大最小值。
(3)目标的有效总反射能力(ToRe)
根据所述差频时域信号ssR(t,tm)公式,推导出目标的有效总反射能力,如下:
其中,
定义的ToRe一般代表目标的后向散射(back-scattering)的能力,它的单位为m2,通过选择相应的雷达检测区域S进行积分获得。
(4)目标的反射面积(Area)
当目标在运动时,目标的反射面积计算公式如下:
优选的,还可以采用上述三维关系的接收时域信号计算出三维空间的多普勒特征,如高度信息的特征,但不限于此。
根据上述多普勒特征,就可以选用合适的分类器进行目标分类。值得注意的是,由于经过本发明处理后的数据作为分类器的输入数据,已经是有一定物理意义的信息,因而无需大量训练数据来训练模型寻找合适的参数,因此分类器可以选择简单的。
作为优选的,本发明所述的分类器可选为:逻辑回归、K最近邻、朴素贝叶斯、决策树和SVM支持向量机、LDA线性判别分析、随机森林或深度神经网络学习中的一种,但不限于此。
作为另一优选的,本发明还提供了一种车载毫米波目标分类系统,至少包括:
数据采集单元,用于车载毫米波雷达在预设范围内所探测到目标反射波,并转换为时域数据。
优选的,本发明所述的数据采集单元至少包括雷达接收机,混频器和ADC转换器。雷达接收机接收目标散射的回波信号,混频器利用雷达发射的线性调频信号对接收到的回波信号进行混频处理,得到中频信号;再经过ADC转换成时域数据。
第一计算单元,用于计算反射波的接收时域信号
优选的,根据一阶波恩近似,对所获取车载毫米波雷达所探测到目标信息进行计算接收波场在tm时刻的时域信号。
第二计算单元,用于计算差频时域信号ssR(t,tm),并进行二维傅里叶变换,获得距离-多普勒矩阵,其幅度则为距离多普勒图,根据距离-多普勒矩阵进一步计算出目标在现实场景中与雷达的相对位置关系,相对径向速度。以及在距离-多普勒矩阵中,相应于每个目标点,其幅度也与目标的雷达反射能力以及与雷达的入射角度有着直接的关系。本发明主要以波动理论为基础,采用特征提取单元对距离-多普勒矩阵提取出能够代表目标在现实场景中的多普勒特征。
特征提取单元,用于提取目标的二维空间的多普勒特征,所述多普勒特征至少包括速度v,相对入射角度θ,目标的有效总反射能力ToRe和目标的反射面积Area。
优选的,本发明还可以计算出三维空间的多普勒特征,提取出目标在现实场景中三维的多普勒特征,如高度信息的特征,但不限于此。
训练单元,将所述多普勒特征输入至分类器中进行分类训练。
通过本发明所述方法建立起目标的物理特性与在电磁场中的电磁信号的一种映射关系,可以有效增训练单元的精确度和快速收敛的效果,故在选用分类器进行分类训练时,可满足任一种分类器的模型作为目标分类训练器。
作为又另一优选的,本发明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如上所述一种车载毫米波目标分类算法的每一步骤。
例如,所述计算机存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器可以运行存储器存储的所述程序指令,以实现本文所述的本发明实施例中(由处理器实现)的功能以及/或者其它期望的功能,例如以执行根据本发明实施例的微波雷达检测栅栏附近静止物体的方法的相应步骤。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
作为又另一优选的,本发明还提供了一种雷达,为车载毫米波雷达中的一种,安装于汽车任一处,至少包括:
用于向预设范围内发射目标检测信号p(t)的发射端,和获取对应反射波的接收时域信号的接收端;
及用于记录并传输所述发射目标检测信号p(t)和接收时域信号至车载MCU或SoC端的计算机可读存储介质的传输电路;所述计算机可读存储介质上存储有计算机程序;当所述车载MCU或SoC端控制一个或者多个处理器单独地或共同地根据预设处理模式执行所述计算机可读存储介质中的计算机程序时实现如上所述一种车载毫米波目标分类算法的步骤。
优选的,所述处理器可用于与汽车端,或ECU的MCU或SoC端进行通讯连接,用于及时上报数据结果。
优选的,所述雷达还包括:
天线装置,用于发射毫米波信号以及接收反射信号;以及信号处理电路,与所述天线装置电连接,用于处理所述反射信号,并转换为数据信号,其中,所述处理器与所述信号处理电路通讯连接,用于处理所述信号处理电路发送的数据信号。
作为优选的,本发明还可以请求保护一种车辆,该车辆包括前述实施例中的毫米波雷达。该车辆可以包括自动驾驶车辆,或者其他类型的车辆。
具体地,车辆包括车身,毫米波雷达可以设置在车身的前方和/或后方,或者,其他适合的位置。其中,可以在车身上设置一个或者多个毫米波雷达。基于该毫米波雷达可实现前述的毫米波雷达的跟踪检测方法,从而准确有效的确定检测运动目标,提高整个ADAS的安全性和鲁棒性,能够更有效的对横向穿梭障碍物(例如横穿行人)进行保护,有效避免驾驶过程中由于横向运动物体而导致的事故发生,提升用户体验。
优选的,本发明中所指的目标至少包括出现在毫米波雷达检测范围内动目标,如机动车,如小汽车,巴士等,以及非机动车,如自行车和行人,均不限于此。
优选的,本发明所述的目标还可以是周围的静止目标,如建筑物,巴士车站,红绿灯等,均不限于此。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车载毫米波目标分类算法,其特征在于,包括:
向预设范围内发射目标检测信号p(t),经目标反射并获取反射波的接收时域信号后,计算二者间的差频时域信号ssR(t,tm);
根据所述差频时域信号ssR(t,tm)建立距离-多普勒空间系统模型,提取所述目标的多普勒特征,将所述多普勒特征输入至分类器中进行分类训练,获得所述目标的最终分类结果。
2.根据权利要求1所述的一种车载毫米波目标分类算法,其特征在于,所述目标检测信号p(t),具体为:
其中A是FMCW的发射信号幅度;f0为载频;K为调频信号的啁啾率;j为虚数单位;t为在每个啁啾周期内的时间。
3.根据权利要求2所述的一种车载毫米波目标分类算法,其特征在于,所述接收时域信号具体为:
其中,S为雷达检测区域;wT和wR分别是发射天线和接收天线的增益;r是目标与雷达之间的径向距离;θ是目标运动的运动方向与水平径向速度的夹角;φ目标与雷达间的俯仰角;ε(r,θ,φ)是目标的反射强度;u是目标和雷达的相对径向速度;v是目标沿着运动方向的速度;tm为啁啾间的时间;c为光速。
4.根据权利要求3所述的一种车载毫米波目标分类算法,其特征在于,还包括:在计算差频时域信号ssR(t,tm)前,将所述接收时域信号从三维关系转换为二维关系,得:/>
5.根据权利要求4所述的一种车载毫米波目标分类算法,其特征在于,所述差频时域信号ssR(t,tm),具体为:
其中,p*(t)为目标检测信号p(t)的复数共轭转置,F表示进行傅里叶变换;j为虚数单位;λ0为对应于载波频率的波长。
6.根据权利要求5所述的一种车载毫米波目标分类算法,其特征在于,所述建立距离-多普勒空间系统模型,具体为:
7.根据权利要求6所述的一种车载毫米波目标分类算法,其特征在于,所述多普勒特征至少包括速度v,相对入射角度θ,目标的有效总反射能力ToRe和目标的反射面积Area,根据所述距离-多普勒空间系统模型,计算得:
其中,u1,u2是该目标在连续两帧时径向速度;R1和R2是在连续两帧下该目标的径向距离;fm1和fm2分别是在目标区域里多普勒频率的最大值和最小值。
8.用于权利要求1-7任一所述一种车载毫米波目标分类算法的目标分类系统,其特征在于,至少包括:
数据采集单元,记录车载毫米波雷达向预设范围内发射目标检测信号p(t),以及经目标反射后获得反射波的接收时域信号并转换为时域数据;
第一计算单元,用于计算所述发射目标检测信号p(t)和接收时域信号间的差频时域信号ssR(t,tm);
第二计算单元,用于将所述接收时域信号或所述差频时域信号ssR(t,tm)从三维关系转换为二维关系;
训练单元,根据所述差频时域信号ssR(t,tm)建立距离-多普勒空间系统模型,提取所述目标的多普勒特征,将所述多普勒特征输入至分类器中进行分类训练,获得所述目标的最终分类结果;所述分类器为单一或混合分类模型。
9.一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权利要求1至7任一项所述一种车载毫米波目标分类算法的步骤。
10.一种雷达,为车载毫米波雷达中的一种,安装于汽车任一处,其特征在于,所述雷达至少包括:
用于向预设范围内发射目标检测信号p(t)的发射端,和获取对应反射波的接收时域信号的接收端;
及用于记录并传输所述发射目标检测信号p(t)和接收时域信号至车载MCU或SoC端的计算机可读存储介质的传输电路;所述计算机可读存储介质上存储有计算机程序;
当所述车载MCU或SoC端控制一个或者多个处理器单独地或共同地根据预设处理模式执行所述计算机可读存储介质中的计算机程序时实现如权利要求1-7任一所述一种车载毫米波目标分类算法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210836773.8A CN117872299A (zh) | 2022-07-15 | 2022-07-15 | 一种车载毫米波目标分类算法,系统,存储介质及雷达 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210836773.8A CN117872299A (zh) | 2022-07-15 | 2022-07-15 | 一种车载毫米波目标分类算法,系统,存储介质及雷达 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117872299A true CN117872299A (zh) | 2024-04-12 |
Family
ID=90579778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210836773.8A Pending CN117872299A (zh) | 2022-07-15 | 2022-07-15 | 一种车载毫米波目标分类算法,系统,存储介质及雷达 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117872299A (zh) |
-
2022
- 2022-07-15 CN CN202210836773.8A patent/CN117872299A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107202983B (zh) | 基于图像识别和毫米波雷达融合的自动刹车方法和系统 | |
JP2020091281A (ja) | レーダーデータを処理する装置及び方法 | |
Ogawa et al. | Pedestrian detection and tracking using in-vehicle lidar for automotive application | |
US10168425B2 (en) | Centralized vehicle radar methods and systems | |
US11208085B2 (en) | Automotive braking control system, apparatus, and method considering weather condition | |
US20190271765A1 (en) | Polarimetric radar system and method for classifying objects ahead of a vehicle | |
KR20200144862A (ko) | 레이더의 해상도 향상 방법 및 장치 | |
CN111679266B (zh) | 汽车毫米波雷达稀疏阵列栅瓣虚假目标识别方法及系统 | |
US11396282B2 (en) | Autonomous emergency braking system and method of controlling same | |
US11531108B2 (en) | Apparatus and method for detecting target | |
Pandey et al. | Classification of automotive targets using inverse synthetic aperture radar images | |
Stolz et al. | A new antenna array and signal processing concept for an automotive 4D radar | |
CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
WO2019153016A1 (en) | Method and apparatus for object detection using a beam steering radar and convolutional neural network system | |
CN114212045A (zh) | 一种车内乘员检测方法及系统 | |
CN115343713A (zh) | 一种车载毫米波雷达障碍物探测方法,系统,雷达和汽车 | |
Kim et al. | Target classification using combined YOLO-SVM in high-resolution automotive FMCW radar | |
CN115524666A (zh) | 用于检测和缓解汽车雷达干扰的方法和系统 | |
Lim et al. | Radar sensor-based estimation of vehicle orientation for autonomous driving | |
CN111175715B (zh) | 可抑制雷达近距离谐波的辅助驾驶系统、方法 | |
CN117872299A (zh) | 一种车载毫米波目标分类算法,系统,存储介质及雷达 | |
CN111175714A (zh) | 可抑制雷达近距离谐波的辅助驾驶方法和存储介质 | |
Kruse et al. | Target classification based on near-distance radar sensors | |
Bialer et al. | Performance evaluation of wide aperture radar for automotive applications | |
Park et al. | Ground reflection-based misalignment detection of automotive radar sensors |
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 |