JP2003507716A - ニューラルネットワークレーダプロセッサ - Google Patents

ニューラルネットワークレーダプロセッサ

Info

Publication number
JP2003507716A
JP2003507716A JP2001517190A JP2001517190A JP2003507716A JP 2003507716 A JP2003507716 A JP 2003507716A JP 2001517190 A JP2001517190 A JP 2001517190A JP 2001517190 A JP2001517190 A JP 2001517190A JP 2003507716 A JP2003507716 A JP 2003507716A
Authority
JP
Japan
Prior art keywords
nodes
target
signal
neural network
output
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
JP2001517190A
Other languages
English (en)
Inventor
イー． ファーマー，マイケル
エス． ジャコブス，クレイグ
コング，シャン
Original Assignee
オートモーティブ システムズ ラボラトリー インコーポレーテッド
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 オートモーティブ システムズ ラボラトリー インコーポレーテッド filed Critical オートモーティブ システムズ ラボラトリー インコーポレーテッド
Publication of JP2003507716A publication Critical patent/JP2003507716A/ja
Pending legal-status Critical Current

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
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/583—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets
    • G01S13/584—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets adapted for simultaneous range and velocity measurements
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/08—Systems for measuring distance only
    • G01S13/32—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated
    • G01S13/34—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated using transmission of continuous, frequency-modulated waves while heterodyning the received signal, or a signal derived therefrom, with a locally-generated signal related to the contemporaneously transmitted signal
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0134—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to imminent contact with an obstacle, e.g. using radar systems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

(57)【要約】 ニューラルネットワークレーダプロセッサ（１０）は、入力層（１０２）と、第２の層（１２２）と、少なくとも１つの第３の層（１２４）とを含む多層パーセプトロンニューラルネットワーク（１００．１）を備え、各層は複数のノード（１０８）を有し、第２の層（１２２）および第３の層（１２４）のノード（１０８）の各サブセットは、互いに排他的なサブネットワーク（１２０）を形成するように互いに接続される。サンプリングされ、ダウンコンバートされたＦＭＣＷレーダ信号（１９）からの同相および直交位相時系列が入力層に適用され、ニューラルネットワーク（１００）は、出力層（１０６）のノードが対応する距離セル内の目標物に応答し、種々のサブネットワーク（１２０）がそれぞれ異なる重複しない組の目標物距離に応答するようにトレーニングされる。ニューラルネットワークは、広範な目標物シナリオとともに、漏れ信号、ＤＣバイアス信号および背景クラッタ信号を含む、ＦＭＣＷレーダに密接に関連する信号でトレーニングされる。

Description

【発明の詳細な説明】
【０００１】 関連特許出願の相互参照 本明細書は、先行する１９９９年８月１２日出願の米国仮特許出願第６０／１
４８，５９７号の利益を主張する。その特許明細書はここで参照して本明細書に
援用している。
【０００２】 技術分野 本発明は全般に、レーダ信号から目標物を検出するためのシステムおよび方法
に関し、より詳細には、ニューラルネットワーク処理を用いて周波数変調持続波
（ＦＭＣＷ）自動車用レーダから目標物を検出するためのシステムおよび方法に
関する。
【０００３】 発明の背景 車両は、乗員の傷害を軽減するために、車両の衝突に応じて作動する自動安全
拘束アクチュエータを備える場合がある。そのような自動安全拘束アクチュエー
タの例には、エアバッグ、シートベルトプリテンショナ、展開可能なひざ当て（
deployable knee bolster）などがある。自動車用拘束システムの目的の１つは
、乗員の傷害を軽減し、それにより自動拘束システムが作動せずに衝突によって
引き起こされる場合よりも、自動拘束システムを用いて傷害を大きくしないよう
にすることである。一般に、安全拘束システムの関連する部品を交換するのに費
用がかかり、かつそのような装置が作動することにより乗員に危害を加える危険
性があるので、傷害を軽減するのに必要なときだけ、自動安全拘束アクチュエー
タを作動させることが望ましい。これは特にエアバッグ拘束システムに関して当
てはまり、エアバッグ拘束システムでは、展開時にエアバッグに乗員が近すぎる
、すなわち乗員が正規の位置にいない場合、関連する車両の衝突が比較的緩やか
であっても、展開するエアバッグから傷害を受けたり、あるいは死亡に至る場合
もある。背が低い乗員、あるいは子供、小柄な人、骨が脆い人のような体格的に
劣っている乗員は特に、エアバッグインフレータによって引き起こされる傷害を
受けやすい。さらに、前部座席のエアバッグに近接して、正常に配置された後向
きチャイルドシード（rear facing infant seat：ＲＦＩＳ）に適切に固定され
ている幼児も、チャイルドシートの背面がエアバッグインフレータモジュールに
非常に近いため、展開するエアバッグから傷害を受けたり、あるいは死亡に至る
場合もある。
【０００４】 エアバッグインフレータは、３０ＭＰＨ障害物の等価な衝突を受け、正規の位
置にいない乗員に危害が加わるようになる関連するエネルギーおよびパワーレベ
ルを生じるときに、シートベルトをしていない正常に着座した５０％の乗員を保
護できるような、所与の拘束能力で設計される。あまり頻繁には発生しないが、
エアバッグが展開しなければ乗員が比較的無傷で生存していたはずの衝突におい
て、エアバッグインフレータによって引き起こされる傷害および死亡が発生して
おり、それによって、エアバッグインフレータが保護することを意図している乗
員に危害を加える危険性を低減あるいは排除するための機運が高まってきた。
【０００５】 エアバッグのような車両安全装置に対して知られている展開システムは、展開
判定プロセスが始動する前に、乗員が乗っている車両が、実際に障害物あるいは
他の車両に衝突する必要がある。その時点で、センサが、乗員がいる車両の減速
度を検出し、１つあるいは複数の安全システムを展開する。従って、衝突は、加
速度対時間指標の特徴に基づいてのみ特定される。既存の衝突後検出システムの
欠点は、アクティブな安全装置を展開するために利用可能な時間が比較的短いこ
とから、特に乗員拘束システムが大きな安全面の利益を提供できる側面衝突ある
いは高速の正面衝突の場合に生じる。このように時間フレームが短いことによっ
て、エアバッグの膨張の速度が非常に速くなり、乗員がエアバッグに対して適切
に着座していない場合には、傷害あるいは死亡の危険性がある。
【０００６】 エアバッグは、正常に着座している乗員に相互作用が生じる前に、かつ正規の
位置に着座していない乗員が膨張するエアバッグによって傷害を受けないだけの
十分に遅い速度で膨張するのが理想的であろう。正規の位置にいない乗員が安全
であるほど十分に遅い膨張速度でエアバッグを膨張させるのにかかる時間は、乗
員が膨張したエアバッグと相互に作用し始めるように、あるいは乗員を安全に減
速させるように移動するのにかかる時間より長いので、激しい衝突の場合、衝突
検出システムは、内在する衝突を検出できる必要がある。
【０００７】 典型的には、予測衝突検出システムは、レーダを用いて、車両に対する目標物
の距離、そして場合によっては速度を検出する。レーダシステムは、目標物と、
連続した、あるいはパルス状のエネルギーの波のビームとの相互作用の影響を検
出することにより目標物の距離および／または速度を測定しており、レーダ信号
のトランジット時間を測定することにより目標物までの距離を、送信される信号
に対する受信される後方散乱信号のドップラ周波数シフトを測定することにより
目標物の速度を、それぞれ判定する。
【０００８】 周波数変調持続波（ＦＭＣＷ）レーダは一般に、時間にわたって周波数変調さ
れた定振幅の送信信号を、１つあるいは複数の目標物に放射することにより動作
する。線形ＦＭＣＷ（ＬＦＭＣＷ）レーダでは、周波数変調は時間に対して線形
である。すなわち、送信される信号は、上側クリッピング、下側クリッピング、
あるいはその２つの組み合わせでクリッピングされ、関連する方向は、時間に対
する周波数の変化を示す。送信される信号は、各目標物から関連する受信機に後
方散乱され、それにより、送信機および受信機に対する目標物の距離に比例する
伝搬遅延を受ける。各目標物上の各反射点に対して、対応して受信された信号は
、送信された波形に類似であるが、信号が送信機から目標物に、その後受信機に
伝搬するのにかかる時間に比例する時間遅延だけ時間的にシフトされた、時間変
動する周波数成分を有する。互いに対して相対的に固定された送信機と受信機と
を備えるシステムの場合、この時間遅延は、送受信機に対する目標物の距離にも
比例する。典型的には、送信機および受信機は共通のアンテナを共有するか、あ
るいは互いに非常に近接している個別のアンテナを有するかのいずれかである。
受信された信号は、送信された信号か、あるいは局部発振器によって生成される
送信信号の複製信号のいずれかと結合され、目標物距離に比例するビートあるい
は中間周波数を有する中間信号を生成する。別法では、受信された信号は、２つ
の異なる局部発振器信号と個別に結合される場合があり、その局部発振器のうち
の一方の位相は送信される信号と同相であり、他方の位相は送信される信号と直
交しており、いずれもサンプリングレートを有効に増加し、関連する目標物速度
に従って後方散乱された受信信号のドップラシフトの符号に関する区別を可能に
する。後方散乱された受信信号のシーケンスを用いて、目標物距離と目標物速度
との両方を明確に分析することができる。
【０００９】 ＦＭＣＷレーダの、他のタイプのレーダと比べた利点には、１）その変調が、
広範なソリッドステートの送信機との互換性があること、２）距離の測定のため
に必要とされる周波数の測定が、高速フーリエ変換（ＦＦＴ）を用いてデジタル
処理で実行できること、３）ＦＭＣＷ信号は、従来の盗聴受信機で検出するのが
比較的難しいことなどがある。
【００１０】 持続波（ＣＷ）レーダ信号の従来からの線形周波数変調（ＬＦＭ）信号処理は
、１）Ａ／Ｄコンバータを読み出し、その読み出された信号をフォーマットする
ステップと、２）漏れ、ＤＣバイアスおよび受信信号の同相／直交位相成分の偏
りを除去するステップと、３）フーリエ変換処理を実行するステップと、４）ピ
ーク検出および定誤警告率（Constant False Alarm Rate：ＣＦＡＲ）検出とを
実行するステップとを含む多数のステップを必要とする。
【００１１】 この処理は、ＬＦＭ掃引更新時間に応じて、要件全体を通して著しい処理を必
要とする時間的にパラレルな処理ではなく、時間的に固有にパイプライン化（シ
リアル処理）される。アルゴリズムを有効に並列化するための方法は、１つのタ
スクが必要とするのと同じ時間に４回動作する１つのプロセッサ上のタスク間を
状況に応じて切り替えるか、あるいは図１ａに示されるように、各タスクに対し
て、それぞれ専用のプロセッサを有するかのいずれかだけである。別法では、図
１ｂに示されるように、１つのタイムスライシングプロセッサが用いられる場合
には、１つのタスクを実行するために４倍のクロック速度を必要とし、それゆえ
コストがかかり、より大きな電力を必要とする。
【００１２】 信号が、ＦＦＴ処理を通して著しい振幅利得を受け（振幅のオーダ（Ｎ２）の
増加）、オーバフローを防ぎ、かつシステムの最終的な信号対雑音比に作用する
ようになる急激なデータのスケーリングを行う必要性を避けるために、処理用ハ
ードウエアは大きなデータワードサイズを有する必要があるため、その問題はさ
らに複雑になる。これは、ＦＦＴ振幅値はクリッピングされずに符号化するため
に３２ビットまでのビットを必要するようになるが、最終的な目標物検出値が、
５０〜１００ｍで、６〜７ビットに符号化可能であるシステムの最大距離に限定
されるため、非常に非効率的である。
【００１３】 一般に持続波レーダシステムでは、漏れ信号は常に、目標物によって後方散乱
される信号とともに存在する。さらに、漏れ信号は、目標物信号より非常に高い
振幅を有するため、漏れを差し引くことは、有用な目標物信号を抽出するために
ＣＷレーダの信号処理における重要なステップとなる場合が多い。カルマンフィ
ルタを用いて、漏れ振幅をトラッキングし、漏れを相殺するために各サンプルか
ら差し引かれることになる量を推定することもできる。
【００１４】 多数のアンテナビームを必要とするシステムの場合、各ビームに対する漏れ信
号は典型的には、コンピュータメモリに格納され、比較的メモリ集約的にするこ
とができる。漏れ信号は、目標物と最初に相互作用することなく、受信機内に漏
出した送信信号の成分に起因する。信号が漏れる量は全般に、個別の送信および
受信アンテナを有するシステムの場合より、送信および受信回路が１本のアンテ
ナを共有するシステムの場合に大きい。この漏れ信号は一般に、専用の較正プロ
セスを通して収集され、その際アンテナが空中に向けられ、各ビームに対してデ
ーが収集される。またこの較正は、アンテナアレイを開発するために用いられる
材料に応じて温度依存性も有するようになり、その結果、さらに多くの漏れ信号
が、この作用を補償するために収集され、格納される必要があろう。
【００１５】 信号は常に雑音と混合されるので、一群の潜在的な目標物距離は一般に、上記
の処理を全て行った後に現れる。真の目標物の距離を取得し、安定した誤警告率
を保持するために、検出プロセスは、定誤警告率検出のためのアプローチに基づ
く順序統計を用いる。
【００１６】 従来技術のＦＭＣＷ信号処理方法の主な欠点は、１）要件全体を通して大きな
ハードウエアを必要とすること、２）大きなコンピュータハードウエアデータワ
ードサイズを必要とすること、３）大量のメモリを必要とすること、４）過剰な
電力要件になること（高性能のチップを用いることに起因する）、５）アルゴリ
ズムの全ての観点から大量のソフトウエアを必要とすること、６）特に処理から
取り除かれない場合には、漏れ信号およびＤＣバイアス信号が小さな目標物を覆
い隠してしまうことを含む。
【００１７】 種々の関数を近似するために、汎用のロバストな構造を提供するためのニュー
ラルネットワークが知られている。例えば、ニューラルネットワークが、特にＦ
ＭＣＷレーダ信号処理の場合に、ＦＦＴ関数を近似できることが知られている。
また、例えば、特定の入力ベクトルによって表される点が特定の領域の内側にあ
るか、外側にあるかを判定する、分類あるいは判別問題を解決するためのニュー
ラルネットワークも知られている。
【００１８】 パーセプトロン、多層パーセプトロン、ＭＡＤＡＬＩＮＥ、円形基底関数ネッ
トワーク、連想メモリ、ジョーダン／エルマンネットワーク、ホップフィールド
ネットワーク、主成分分析ネットワーク、コーネン自己組織化マップ（ＳＯＦＭ
）、適応共鳴理論（ＡＲＴ）ネットワーク、フクシマネオコグニトロンネットワ
ーク、タイムラグ反復ネットワーク（time lagged recurrent network）を含む
、種々のニューラルネットワークの多様なトポロジーが知られている。一般に、
ニューラルネットワークは、互いに接続された１組の処理要素を含み、各処理要
素は、少なくとも１つの重み付けされた入力および１つの出力を含み、出力の値
は、重み付けされた入力の線形な結合に関する全般に非線形な変換によって与え
られる。各処理要素のための重み値は、トレーニングプロセス、例えば逆伝搬を
通して確立され、１組の入力が与えられ、その結果生成されたニューラルネット
ワークの出力応答が所望の出力と比較され、１つあるいは複数の処理要素に対す
る１つあるいは複数の入力のための重み値が、出力応答が所望の応答に向かって
変更されるように調整される。
【００１９】 パーセプトロンは、線形に分離可能なクラス間を判別することができる、隠れ
処理要素を持たないフィードフォワードニューラルネットワークを含む。例えば
、入力ｘ１およびｘ２を有する２次元では、閾値関数ｙ＝Ｕ（ｘ１−ｘ２）を実
施する出力ｙを有する処理要素（ただしＵは単位ステップ関数である）は、ライ
ンｘ１＝ｘ２に対する位置に関して、点を分類する（上下）ことができる。
【００２０】 多層パーセプトロン（ＭＬＰ）は、入力層と出力層との間の処理要素からなる
１つあるいは複数の隠れ層を含み、入力層からの出力は最初の隠れ層への入力で
あり、最後の隠れ層からの出力は出力層への入力であり、１つの隠れ層からの出
力は次の対応する隠れ層への入力である。静的な分類の場合、２つの隠れ層を有
するＭＬＰは汎用のパターン分類器であり、判別関数は任意の形態をとることが
できる。
【００２１】 ホップフィールドネットワークは、隠れノードを持たず、対称な重みを有する
反復ニューラルネットワークであり、処理要素は加算器を含み、それに閾値非線
形性が後続し、それにより、ネットワークは、システムの状態が所与の１組の入
力のための最も近い平衡点に接近するように、リャプノフの意味において安定で
ある。予め選択された平衡点に対応する固定された重みを用いる場合、ホップフ
ィールドネットワークは、連想メモリとして動作し、同じ機構のいくつかがヒュ
ーマンメモリとして動作する。
【００２２】 知られているニューラルネットワークシステムは、ＦＭＣＷ衝突レーダを含ま
ないか、あるいは検出される後方散乱されたレーダ戻り信号から漏れおよびＤＣ
バイアスを除去するような、ＦＭＣＷ衝突レーダに特有の問題を解決するための
システムあるいは方法を教示あるいは示唆しないかのいずれかである。
【００２３】 発明の概要 本発明は、ＦＭＣＷレーダからの時間的にサンプリングされた中間周波数同相
および直交位相信号を処理するニューラルネットワークを用いて、関連するレー
ダ送信信号によって示される目標物の距離を検出するために、レーダ信号を処理
するシステムおよび方法を提供することにより上記の問題を解決し、ニューラル
ネットワークによる処理の結果は、ＤＣバイアス除去、漏れ除去、高速フーリエ
変換およびＣＦＡＲ検出からなる従来のＦＭＣＷ信号処理ステップからの結果と
類似している。関連するニューラルネットワークレーダプロセッサは、コストを
低減し、信頼性を高めるために、ニューラルネットワークプロセッサチップ上に
実装することができる。また本発明は、広範な目標物のシナリオ、および漏れ信
号、ＤＣバイアス信号並びに背景クラッタ信号を含む、ＦＭＣＷレーダに密接に
関連する信号で、ニューラルネットワークをトレーニングする方法も提供する。
【００２４】 第１の態様によれば、ニューラルネットワークレーダプロセッサは、入力層と
、第２の層と、少なくとも１つの第３の層とを含む多層パーセプトロンニューラ
ルネットワークを含み、各層は複数のノードを有する。入力層の各ノードは、第
２の層の全ノードに動作可能に接続される。第２の層および第３の層は、ノード
の複数のサブセットを含み、第３の層の１つのサブセットからのノードは、第２
の層の１つのサブセットのノードにのみ動作可能に接続され、第２の層のサブセ
ットと第３の層のサブセットとの間には一対一の対応関係がある。相互接続され
る各サブセットは、それぞれ互いに排他的なサブネットワークを構成する。第３
の層のノードの出力は、ニューラルネットワークの出力に動作可能に接続され、
ニューラルネットワークは、各出力ノードが特定の距離セル内にある目標物に応
答し、各サブネットワークが１組の目標物距離内の目標物に応答するようにトレ
ーニングされ、種々のサブネットワークは、それぞれ異なり、重複しない目標物
距離の組に応答する。
【００２５】 第２の態様によれば、レーダ信号を処理する方法は、ダウンコンバートされた
レーダ戻り信号の同相および直交位相成分を時間的にサンプリングすることによ
り時系列を形成するステップと、第１の複数の第１の重み付けされた和を形成す
るステップと、第２の複数の第２の重み付けされた和を形成するステップとを含
む。ダウンコンバートされたレーダ戻り信号の各成分は関連する波形を含み、時
系列は複数の要素を含む。各第１の重み付けされた和は、対応する１組の第１の
重みによって重み付けされた第１の値の和を含み、各第１の値は、時系列の異な
る要素の第１の関数である。各第２の重み付けされた和は、対応する１組の第２
の重みによって重み付けされた第２の値の和を含む。第１の複数の第１の重み付
けされた和は、第１の重み付けされた和の第３の複数の互いに排他的なサブセッ
トを含み、第２の複数の第２の重み付けされた和は、第２の重み付けされた和の
第４の複数の互いに排他的なサブセットを含む。第４の複数の互いに排他的なサ
ブセットのうちの１つの第２の重み付けされた和の各第２の値は、第１の重み付
けされた和の第３の複数の互いに排他的なサブセットのうちの１つのみの異なる
第１の重み付けされた和の第２の関数である。その方法はさらに、第４の複数の
互いに排他的なサブセットのうちの他方の第３の組の重み付けされた和が概ね、
第１の組の目標物距離内の目標物にのみ応答し、第４の複数の互いに排他的なサ
ブセットのうちの別サブセットの第３の組の重み付けされた和が概ね、第２の組
の目標物距離内の目標物にのみ応答し、それにより第１および第２の組の目標物
距離が重複しないように第１の組と第２の組の重みとを調整するステップを含む
。
【００２６】 第３の態様によれば、ニューラルネットワークレーダプロセッサ内のニューラ
ルネットワークをトレーニングする方法は、目標物空間からのダウンコンバート
されたレーダ戻り信号を表す同相および直交位相成分の少なくとも１つの第１の
時系列を形成するステップと、ニューラルネットワークの入力層にその少なくと
も１つの第１の時系列を適用するステップとを含む。各成分は関連する波形を含
み、少なくとも１つの第１の時系列は複数の要素を含む。入力層は、第１の複数
の第１のノードを含む。少なくとも１つの第１の時系列の要素のうちの１つは、
第１の複数の第１の各ノードに適用され、異なる要素が異なる第１のノードに適
用される。ニューラルネットワークはさらに、第２の複数のノードと、第２の複
数のノードにおいて機能する第３の複数の対応する重み値と、第４の複数の出力
ノードとを含む。その方法はさらに、第４の複数の各出力ノードの出力信号が、
目標物空間を表すように、第３の複数の対応する重み値を調整するステップを含
む。少なくとも１つの第１の時系列は、目標物空間を表す時系列と、漏れ信号を
有する時系列と、ＤＣバイアスを有する時系列とから選択される。目標物空間は
、目標物反射サイズの変化を有する目標物空間と、目標物変動を有する目標物空
間と、レーダに対する目標物位置の変化を有する目標物空間と、レーダに対する
目標物速度の変化を有する目標物空間と、目標物視認角の変化を有する目標物空
間と、目標物形状の変化を有する目標物空間と、目標物サイズの変化を有する目
標物空間と、アンテナビーム指示角の変化を有する目標物空間と、背景クラッタ
を有する目標物空間と、閃光を有する目標物空間とから選択される。漏れ信号を
有するが、目標物を含まない時系列、ＤＣバイアスを有するが、目標物を含まな
い時系列、および背景クラッタを有する目標物空間を表す時系列から選択される
少なくとも１つの第１の時系列の場合、第３の複数の対応する重み値は、第４の
複数の各出力ノードの出力信号が無効になるように調整される。
【００２７】 本発明のこれらの目的、特徴および利点、並びに他の目的、特徴および利点は
、添付の図面を参照しながら、以下に記載する好ましい実施形態の詳細な説明を
精読した後に、より十分に理解されるであろう。この説明は、ＬＦＭＣＷレーダ
を用いる予測衝突感知システムにおける本発明の応用形態を示しているが、本発
明が、１つあるいは複数の目標物の距離および速度を特定するための一般的なＦ
ＭＣＷレーダ信号処理にも適用できることは、当業者には理解されよう。
【００２８】 好ましい実施形態の詳細な説明 図２を参照すると、レーダシステム１０は、シグナルプロセッサ３０の制御下
で、特定の周波数のシーケンスを合成するためのダイレクトデジタルシンセサイ
ザ（ＤＤＳ）２４を組み込む。ダイレクトデジタルシンセサイザ２４は、例えば
、４０〜１００ｎｓｅｃの間隔で周波数を変化させることにより、生成された周
波数を比較的高速に変更する。ダイレクトデジタルシンセサイザ２４は、例えば
、１つのカスタマイズされた広帯域装置から開発するか、あるいは所望の全周波
数帯を網羅するコムフィルタネットワークを有する既製の狭帯域シンセサイザか
ら開発することができ、そのことは当業者には十分に理解されよう。中間周波数
（ＩＦ）源２６は、ミキサ１８．３によって、ダイレクトデジタルシンセサイザ
２４の出力と混合され、ミキサ１８．３からの出力はさらに、例えば約４７ＧＨ
ｚの周波数を有するＲＦ送信信号を生成するように、ミキサ１８．１によって、
ダイレクト基準発振器（ＤＲＯ）２０あるいはガンダイオードからの出力と混合
することによりアップコンバートされる。ＲＦ送信信号は、レーダシステム１０
が設置された車両の近くの対象の領域を示すように、シグナルプロセッサ３０の
制御下で、サーキュレータ１６を通ってアンテナビーム誘導装置１４に伝送され
、信号が１つあるいは複数のアンテナ１２．１、１２．２および１２．３の１つ
または複数によって送信されるようにする。アンテナシステム１２は、任意の１
つの特定の形状に限定されず、例えば、複数の固定されたアンテナ１２．１、１
２．２および１２．３、１本の可動式アンテナ、あるいはフェーズドアレイアン
テナを含むことができる。
【００２９】 送信される信号は、１つあるいは複数の固定された、あるいは移動している目
標物から後方散乱され、その後アンテナシステム１２によって受信される。その
後、受信された信号は、サーキュレータ１６によってミキサ１８．２に供給され
、ミキサ１８．２はダイレクト基準発振器２０からの出力と混合することにより
信号をダウンコンバートし、ダウンコンバートされた信号はミキサ１８．４によ
ってダイレクトデジタルシンセサイザ２４の出力と混合され、ダウンコンバート
されたレーダ信号１９としても知られる、変調されたＩＦレーダ信号を形成する
ようにさらにダウンコンバートされる。変調されたＩＦレーダ信号は、直交位相
シフタ２８によって位相シフトされ、変調されたＩＦレーダ信号の振幅および位
相（Ａ、φ）を含む複素指標をシグナルプロセッサ３０に供給するように、変調
されたＩＦレーダ信号とその直交位相シフトされた信号との両方がそれぞれＡ／
Ｄコンバータ２６．１および２６．２によってサンプリングされる。シグナルプ
ロセッサはレーダ１０の視界内にある目標物の距離および速度を検出し、衝突が
発生することになるか否かを予測し、衝突が発生するものと予測する場合には、
例えば、運転者に警告を発するか、衝突を回避するために回避動作をとるか、あ
るいは衝突が回避できない場合には、車両の乗員に対して保護を行うかのいずれ
かを行う別の装置あるいはシステムに信号を送出する。例えば、図２に示される
ように、レーダシステムは、乗員への傷害を軽減するように安全拘束システム３
２の起動を制御するために適切に刻時される信号を送出し、かつ／または障害物
との衝突を運転者に警告するために警告装置３４に信号を送出する。
【００３０】 図３を参照すると、線形周波数変調持続波（ＬＦＭＣＷ）レーダ信号が、所定
の周波数距離を通って、繰返し、線形に掃引される。アンテナシステム１２から
送信されるレーダ信号が目標物に放射されており、目標物によって後方散乱され
る。その後、レーダシステム１０と目標物との間の往復距離に対応する遅延を受
けた後、後方散乱された信号がアンテナシステム１２によって受信される。後方
散乱された受信信号は、送信された信号あるいはその複製信号と混合され、変調
されたＩＦレーダ信号を生成し、その変調されたＩＦレーダ信号の周波数が目標
物への距離に比例する。
【００３１】 図４を参照すると、ダイレクトデジタルシンセサイザ２４からの信号の周波数
変動の一例が示されており、線形周波数変調持続波（ＬＦＭＣＷ）レーダ信号は
、階段状周波数変調信号を用いることにより近似することができる。例えば、図
２のシグナルプロセッサ３０は、ダイレクトデジタルシンセサイザ２４の周波数
を階段状に変化させ、図４に従った信号を生成する。
【００３２】 所与の距離にある所与の目標物について図５を参照すると、各周波数ステップ
からの戻り信号の瞬時振幅は、種々の周波数ステップの場合に異なる。なぜなら
、目標物への距離は各周波数ステップの場合には異なる位相に対応し、その結果
、関連する正弦波とは異なる値になるためである。特定の距離にある目標物の場
合、ＬＦＭＣＷレーダ目標物検出システムは、目標物への距離に対応する周波数
を有するＩＦミキサ１８．４からの正弦波形のＩＦ変調信号を提供する。従って
、ニューラルネットワークプロセッサは、目標物に対応する非常に相関のある正
弦波信号のような、個別の周波数信号を、ランダムで相関の弱い雑音を含む背景
の中で検出するように動作する。それは、ニューラルネットワークに適したタス
クである。
【００３３】 目標物の距離は、受信された信号の周波数から推定することができる。送信さ
れる信号は以下のように表すことができる。
【数１】 ただしｆ０、ｆｍおよびφ０はそれぞれ、初期周波数、掃引周波数および初期位
相である。レーダによって受信される後方散乱された信号は以下の式により与え
られる。
【数２】 ただしｔｒは波が目標物から戻るのにかかる時間である。Ｒを目標物距離、ｃを
関連する送信信号および後方散乱される信号の伝搬速度とすると、ｔｒ＝２Ｒ／
ｃとなる。
【００３４】 ＳＲとＳＴとを比較すると、以下の式が成り立つ。
【数３】 ただしｆＴおよびｆＲはそれぞれ、現在の送信周波数および受信された信号周波
数である。それゆえ、以下の式が成り立つ。
【数４】
【００３５】 比較するために、従来のＦＭＣＷレーダプロセッサでは、ＦＭＣＷレーダ信号
は、１）ＤＣバイアス除去、２）漏れ除去、３）高速フーリエ変換、４）定誤警
告率（ＣＦＡＲ）検出という段階を経て、レーダシステムから見た後方散乱する
目標物への距離の指標を与えるように処理され、典型的には順序統計に基づく定
誤警告率検出を用いて、真の目標物の距離を取得し、安定した誤警告率を保持す
る。なぜなら、そのような処理は、戻りレーダ信号の複素雑音およびクラッタ特
性に比較的影響を受けないためである。
【００３６】 図６ａを参照すると、ここでは対照的に、レーダシステム１０は、変調ＩＦレ
ーダ信号からＡ／Ｄコンバータ２６．１および２６．２によってサンプリングさ
れた各時系列データから、目標物と関連する距離とを検出するための多層パーセ
プトロン（ＭＬＰ）ニューラルネットワーク１００を組み込む。ネットワークへ
の入力は、Ａ／Ｄコンバータ２６．１および２６．２から時間的にサンプリング
されたベクトル時系列から得られる振幅値であり、ベクトル値は、関連するＬＦ
ＭＣＷ掃引においてレーダの特定の周波数ステップの戻りに対応する、特定の時
間の点におけるレーダ信号の同相および直交位相振幅を含む。ニューラルネット
ワーク１００は、１つの入力層１０２と、１つあるいは複数の隠れ層１０４と、
１つの出力層１０６とを備え、各層は、複数のノード１０８（あるいはニューロ
ン）を含む。ノードはニューラルネットワーク１００の基本的な処理要素である
。
【００３７】 図６ｂを参照すると、ニューラルネットワーク１００の一般化されたノード１
０８は、複数の入力Ｘ１、Ｘ２、．．．Ｘｎと、対応する複数の重みｗ１、ｗ２ 、．．．ｗｎとを含む。関数Ｇβ（ ）は、１つの入力と１つの対応する重みと
の各積を生成し、関数Ｆα（ ）は、全入力にわたって関数Ｇβ（ ）からの値
の和を生成する。ここで、αおよびβは、各関数の１つあるいは複数のパラメー
タの各組を表す。ノード１０８の出力Ｙは、関数Ｆα（ ）からの値と１つの出
力重みｗ０との積によって与えられる。従って、各ノード１０８への各入力はそ
れぞれ重みを有し、ノード１０８は、出力として、そのノードへの入力の重み付
けされた和の変換を生成する。その変換は全般に非線形であり、典型的には双曲
正接（hyper tangent）関数、Ｓ字形関数、純粋な線形関数あるいはハードリミ
ット関数のうちのいずれかである。
【００３８】 各入力ノード対の一方に給送される同相変調ＩＦレーダ信号の異なるサンプル
に、かつ各入力ノード対の他方に給送される直交変調ＩＦレーダ信号の各異なる
サンプルに応じて、出力ノードの各出力は、各出力ノードに対応する各距離にお
ける目標物の存在に対応する。ニューラルネットワーク１００は、ニューラルネ
ットワークプロセッサチップ３６としても知られ、コストを低減し、信頼性を高
めるニューラルネットワークプロセッサ集積回路で実装することができる。
【００３９】 重みおよび伝達関数パラメータは、予想される信号の変動を相殺する標本を用
いて、逆伝搬のような標準的なネットワークトレーニングプロセスから得られる
。その標本の特定の選択は、ニューラルネットワークがトレーニングされた問題
のみを解決するものと予想することができるという点で、ニューラルネットワー
クの設計の重要な問題である。従って、ニューラルネットワークは、ＦＭＣＷレ
ーダ予測衝突検出システムに密接に関連する信号、特に、限定はしないが、以下
に記載する種類を含む、目標物戻り信号の変動に寄与する信号および作用を用い
てトレーニングされる。 １． 有効目標物反射サイズ ２． 目標物変動（その存在中の有効反射サイズの変化） ３． ホストレーダに対する目標物位置／距離 ４． ホストレーダに対する目標物速度 ５． 目標物視認角 ６． 目標物形状およびサイズ（例えば、小型車、高級車、トラック等） ７． アンテナビーム指示角 ８． 背景クラッタ（雨、雪等のような地面および大気の状態） ９． 閃光（すなわち、より近くの距離における、より強力な、種々の物体か
らの戻りの相互作用） １０． 漏れ １１． ＤＣバイアス
【００４０】 例えば、可能な各目標物距離に対応するデータサブセットが、ネットワークに
実際のレーダ背景クラッタ内で目標物を検出することを学ばせるために形成され
、用いられる。ニューラルネットワーク１００は、可能な各距離において、これ
らの目標物を検出するための方法を学習し、適切な重みおよび閾値が生成され、
図６ａに示されるネットワークの各ノードおよび各層において適用される。
【００４１】 例えば、種々の漏れ信号、背景クラッタ信号あるいはＤＣバイアス信号の時系
列が、ニューラルネットワーク１００の入力層１０２に適用され、ニューラルネ
ットワーク１００の重みおよびパラメータ（例えば、閾値）が、出力ノードから
の出力を無効にするように調整される。さらに、種々の距離に位置し、種々の速
度で移動し、種々の変動を呈する種々の目標物に対応する時系列がニューラルネ
ットワークの入力層１０２に適用され、出力ノードからの出力が、対応する１つ
あるいは複数の距離における入力データに対応する１つあるいは複数の目標物の
存在を指示するように、ニューラルネットワーク１００の重みおよびパラメータ
が調整される。
【００４２】 上記のファクタを含む目標物戻り信号のためのモデルは、以下のように書き表
すことができる。
【数５】 ただし、ＤはＤＣバイアス信号、Ｌは漏れ信号、Ｓｉは目標物ｉの戻り信号、Ｓ ｃｊ はクラッタｊの戻りである。さらにＤＣ、Ｌ、ＳｉおよびＳｃｊはランダム
な数またはプロセスとしてモデル化される。
【数６】 ただし、Ａ、ｆおよびφはそれぞれ、信号の振幅、周波数および位相である。よ
り具体的には、Ａｉ、ｆｉおよびφｉはそれぞれ、目標物有効反射サイズ、目標
物変動、および目標物−レーダ相対位置並びに目標物−レーダ相対速度の関数で
あり、Ａｃｊ、ｆｃｊおよびφｃｊは背景クラッタの性質の関数であり、ＡＬ、
ｆＬおよびφＬは漏れ信号の関数であり、Ｄ０およびσＤはレーダシステムに関
係する定数である。
【００４３】 図７を参照すると、ニューラルネットワーク１００を組み込むレーダシステム
１０は、入力としてレーダチャープシーケンスと、重みと、閾値とを含み、ニュ
ーラルネットワークへの入力においてサンプリングされたデータの所与の組に対
応する適切な目標物距離を出力するように設計される、市販の、あるいはカスタ
マイズされたニューラルネットワークプロセッサチップ３６において実装される
。
【００４４】 動作時に、１組の予め計算された重みおよびパラメータが、ニューラルネット
ワークプロセッサチップ３６に到来するデータストリームと並行して給送される
。Ａ／Ｄコンバータ２６．１および２６．２からの時間的にサンプリングされた
信号が、フィールドプログラマブルゲートアレイ３８（ＦＰＧＡ）を介して、ニ
ューラルネットワーク１００、ニューラルネットワークプロセッサチップ３６に
給送され、ニューラルネットワークプロセッサチップ３６は、ニューラルネット
ワーク１００の重み、伝達関数および相互接続に従って入力時系列を変換し、出
力ノードから生成される出力が、特定の距離において目標物が存在するか否かを
指示するように各距離セルに対して設定されるようにする。所与の時間に多数の
目標物が存在する場合には、多数の出力ビットが設定され、各出力ビットがその
目標物に対する特定の距離に対応し、その結果、目標物の数およびその距離（す
なわちレーダからの距離）がニューラルネットワーク１００によって自動的に与
えられる。インターフェースロジックは、個別の出力、例えば約５０個の出力を
、目標物の特定の数および位置が見出される一連の、例えば７ビットの目標物距
離ワードに結合する。ニューラルネットワーク１００の出力は、システムコント
ローラ４０によって処理され、例えばシステムコントローラは、ニューラルネッ
トワーク１００による目標物の検出に応じて、運転者警告装置３４および／また
は安全拘束システム３２を制御する。
【００４５】 ニューラルネットワーク１００は、各距離において１つあるいは複数の目標物
を検出するように設計される。時間領域信号がニューラルネットワーク１００に
入力されるが、ＦＭＣＷレーダ処理のための判別プロセスは、図８に示されるよ
うに、信号振幅Ａおよび周波数ｆを用いる周波数領域において、より明確に理解
される。その周波数軸は、時間的にサンプリングされた変調ＩＦ信号の周波数に
対応し、さらに、その変調ＩＦ信号は目標物距離に対応する。従って、周波数領
域におけるＦＭＣＷニューラルネットワーク１００レーダプロセッサは、クラッ
タの戻りおよび漏れの結果として概ね凹形の検出境界を示す。これは、この応用
形態の場合に少なくとも３層構造のＭＬＰニューラルネットワーク１００を用い
ることを必要とする。分類問題に関する凸形の分類境界の場合、２層構造のニュ
ーラルネットワーク１００を用いれば十分である。時間領域入力信号で動作する
ことにより、ニューラルネットワーク１００は、大きな振幅の漏れ信号と、小さ
な振幅の目標物後方散乱戻り信号との間を判別することができる。
【００４６】 ニューラルネットワーク１００は２つのステップで設計される。最初に、合成
した標本に基づくトレーニングによって、ネットワークパラメータの概ね最良の
設定値を与えることができ、フィールドの標本の収集にための必要とされる作業
を低減できるように、レーダ信号を生成するためのシミュレーションが設計され
る。次に、できるだけ多くのフィールドの標本が収集され、ネットワークはこれ
らのフィールドの標本でトレーニングされる。フィールドの標本は、レーダ戻り
信号と、ＣＦＡＲ検出器の出力とを記録することにより取得される。各レーダビ
ームのトレーニングは、例えば、クラッタ分布の差を相殺することとは無関係で
ある。最後に、トレーニングを簡略化するために、例えば、一群の４〜１０個の
ニューラルネットワークが、各ビームが２００ｍの目標物距離を網羅するために
用いられるが、５０〜１５０ｍでも十分な場合がある。従って、図９を参照する
と、ニューラルネットワーク１００．１が複数のニューラルサブネットワーク１
２０を含み、それぞれが、ニューラルネットワーク１００の入力層に接続される
各第１の隠れ層の相互接続を除いて、互いに分離され、各ニューラルサブネット
ワーク１２０が、所与のレーダビームに出力距離のサブセットを与える。各サブ
ネットワーク１２０は１組の距離内の目標物に応答するようにトレーニングされ
、各組の距離のスパンを低減することにより、トレーニング作業が軽減される。
別法では、ニューラルネットワーク１００．１は１つのネットワークとして理解
することができ、第２の隠れ層への入力は、第１の隠れ層からの出力のサブセッ
トのみに接続され、後続の隠れ層は完全に相互接続される。ニューラルネットワ
ーク設計およびトレーニングへのこのアプローチは、いずれの場合にも、標本収
集の作業を簡略化し、トレーニング時間を低減し、ニューラルネットワークの性
能を高める。例として、約３２〜１２８入力サンプルが、ニューラルネットワー
ク１００．１の入力層への入力のための各走査から収集される。
【００４７】 いくつかの利点が、サブネットワーク１２０に対する関連する距離の値が増加
するのに従って、各サブネットワーク１２０の出力ノードの数を増加することか
ら引き出される。第１に、より遠隔の距離で、十分な検出確率を保持するために
、関連するサブネットワーク１２０において、より多くの距離セルが同時に考慮
される必要があるであろう。第２に、より近接した距離で、クラッタレベルが比
較的高く、変動する場合に、セルをまとめてグループ化することにより、クラッ
タ排除能力を保持することができる。１５０ｍの距離を有するレーダシステム１
０のためのネットワークアーキテクチャの一例は、以下の表に示すように構成さ
れる８個のサブネットワーク１２０を用いることである。
【表１】
【００４８】 言い換えると、図７および図９に示されるニューラルネットワーク１００．１
は、１つの入力層１０２と、１つの第２の層１２２と、少なくとも１つの第３の
層１２４とを含む。
【００４９】 入力層１０２は第１の複数のノード１２６を含み、第１の複数のノード１２６
の各ノード１０８は、少なくとも１つの入力と１つの出力とを有する。第１の複
数のノード１２６は、ノードの第１のサブセット１２８と、ノードの第２のサブ
セット１３０とを含む。ノードの第１のサブセット１２８それぞれからの入力は
、レーダデータの第１の時系列１３２の１つのサンプルに動作可能に接続され、
第１のサブセット１２８の各ノード１０８は、異なる時間サンプルに動作可能に
接続される。ノードの第２のサブセット１３０それぞれからの入力は、レーダデ
ータの第２の時系列１３４の１つのサンプルに動作可能に接続され、第２の時系
列１３４は、第１の時系列に対する直交位相からなる。第２のサブセット１３０
の各ノード１０８は、異なる時間サンプルに動作可能に接続され、第１の複数の
ノード１２６の第１のサブセット１２８および第２のサブセット１３０は時間に
おいて一致する。
【００５０】 第２の層は第２の複数のノード１３６を含み、第２の複数のノード１３６の各
ノード１０８は複数の入力と、１つの出力とを有し、第１の複数のノード１２６
からの各出力が、第２の複数のノード１３６の各入力に動作可能に接続され、第
２の複数のノード１３６のノード１０８の複数の入力の各入力は、第１の複数の
ノード１０８の異なるノード１０８に動作可能に接続される。
【００５１】 第３の層は第３の複数のノード１３８を含み、第３の複数のノード１３８の各
ノード１０８は複数の入力と、１つの出力とを有し、第３の複数の数は第２の複
数の数に等しく、第２の複数のノード１３６は、ノードの第４の複数の互いに排
他的なサブセット１４０を含み、第３の複数のノード１３８は、ノードの第５の
複数の互いに排他的なサブセット１４０を含み、第５の複数の数は第４の複数の
数に等しく、第５の複数のサブセットの１つのうちのノード１０８への任意の入
力は、第４の複数のサブセットの１つのうちのノード１０８の１つの出力にのみ
動作可能に接続される。
【００５２】 ニューラルネットワーク１００．１は第６の複数のノード１４２を含む１つの
出力層をさらに含み、第６の複数のノード１４２の各ノード１０８は複数の入力
と、１つの出力とを有し、第６の複数のノード１４２は、ノードの第７の複数の
互いに排他的なサブセット１４０を含み、第７の複数の数は第５の複数の数と等
しく、第７の複数のサブセットの１つのうちの任意のノード１０８は、第５の複
数のサブセットの１つのうちの１つのノード１０８にのみ動作可能に接続され、
第６の複数のノード１０８のノード１０８の出力は、特定の距離セル内の目標物
の指示を与え、第７の複数のサブセットの１つのうちのノード１０８の出力は、
第１の組の目標物距離のための距離セル内の目標物の指示を与え、第７の複数の
サブセットの別のサブセットのうちのノード１０８の出力は、第２の組の目標物
距離のための距離セル内の目標物の指示を与え、それにより第１および第２の組
の目標物距離は重複していない。
【００５３】 第２の態様に従えば、レーダ信号を処理する方法は、ダウンコンバートされた
レーダ戻り信号の同相および直交位相成分を時間的にサンプリングすることによ
り時系列を形成するステップと、第１の複数の第１の重み付けされた和を形成す
るステップと、第２の複数の第２の重み付けされた和を形成するステップとを含
む。ダウンコンバートされたレーダ戻り信号の各成分は関連する波形を含み、時
系列は複数の要素を含む。各第１の重み付けされた和は、対応する１組の第１の
重みによって重み付けされた第１の値の和を含み、各第１の値は時系列の異なる
要素の第１の関数である。各第２の重み付けされた和は、対応する１組の第２の
重みによって重み付けされた第２の値の和を含む。第１の複数の第１の重み付け
された和は、第１の重み付けされた和の第３の複数の互いに排他的なサブセット
を含み、第２の複数の第２の重み付けされた和は、第２の重み付けされた和の第
４の複数の互いに排他的なサブセットを含む。第４の複数の互いに排他的なサブ
セットの１つのうちの第２の重み付けされた和の各第２の値は、第１の重み付け
された和の第３の複数の互いに排他的なサブセットの１つのみの異なる第１の重
み付けされた和の第２の関数である。その方法は、第４の複数の互いに排他的な
サブセットの１つのうちの第３の組の重み付けされた和が第１の組の目標物距離
内の目標物にのみ概ね応答し、第４の複数の互いに排他的なサブセットの別のサ
ブセットの第３の組の重み付けされた和が第２の組の目標物距離内の目標物にの
み概ね応答し、それにより第１および第２の組の目標物距離が重複していないよ
うに、第１および第２の組の重みを調整するステップをさらに含む。
【００５４】 クラッタ戻りおよび漏れの線形検出境界で目標物距離を検出するように設計さ
れる典型的なニューラルネットワークでは、分類問題の形状は凸形になり、２層
構造のＭＬＰニューラルネットワーク１００を用いれば十分である。例えば、ニ
ューラルネットワークに適用される場合には、以下の制約によって、さらに問題
の大きさが低減される。１）目標物距離が１〜１２ｍの距離にある。２）この距
離内で、多くて５個の目標物しか存在しない。３）最小の目標物離隔は０．６ｍ
である。例えば、各走査から３２サンプルが収集され、ニューラルネットワーク
に給送される。
【００５５】 典型的なシステムでは、３２−１０−１２ＭＬＰニューラルネットワーク１０
０は、３２個の入力ノード１０８と、１０個の隠れニューロンと、１２個の出力
ニューロンとを有し、１組２０，０００個のトレーニング標本に限定された標本
のみでトレーニングされ、０．９０５７の検出速度と、０．００４６の誤警告率
とを与えられ、それは、従来のレーダシグナルプロセッサに互換性がある。付加
的なトレーニングによって、検出性能が改善されるものと予想することができる
。
【００５６】 図１０を参照すると、レーダシステム１０は、インターリーブされたチャープ
信号を含む、ＬＦＭＣＷレーダ信号を組み込むことにより、目標物速度を測定す
るように構成することができ、信号周波数は時間に対して増減を繰り返し、例え
ば、時間とともに増加する周波数のチャープ信号からの後方散乱された戻り信号
が、時間とともに減少する周波数の基準信号と混合しないように、交互に繰り返
すチャープ信号との間に休止時間をさらに含む。シグナルプロセッサ３０は、増
加する周波数チャープ信号を有する第１の組の目標物距離と、減少する周波数チ
ャープ信号を有する第２の組の目標物距離とを測定するように構成することがで
き、その後、第１および第２の組の目標物距離が、関連する１組の目標物速度と
、ニューラルネットワーク１００によって測定されるような個別の組の目標物距
離と一致する距離とを判定するように比較される。
【００５７】 本明細書に記載されるニューラルネットワークレーダプロセッサは、ダウンコ
ンバートされたＬＦＭＣＷレーダ戻り信号の同相および直交位相成分を処理する
ことに制限されない。一般に、ニューラルネットワークレーダプロセッサへの入
力は、時間的にサンプリングされたレーダ戻り信号である。例えば、ニューラル
ネットワーク１００の入力は、その同相および直交位相成分ではなく、時間的に
サンプリングされ、ダウンコンバートされたＦＭＣＷレーダ戻り信号を給送され
ることができる。
【００５８】 特定の実施形態が詳細に記載されてきたが、本開示の全教示に鑑みて、その細
部に対する種々の変更形態および代替形態を開発できることは、当業者には理解
されよう。従って、開示される特定の構成は、例示にすぎず、本発明の範囲に関
して制限することを意味していない。本発明の範囲は、添付の請求の全範囲、お
よびその任意の、および全ての等価物の範囲によって与えられる。
【図面の簡単な説明】
【図１ａ】 複数の並列なプロセッサによって実施されるようなＬＦＭＣＷレーダ処理動作
を示す図である。
【図１ｂ】 図１ａに示されるステップに等価なスループットを有するシグナルプロセッサ
によって実施されるようなＬＦＭＣＷレーダ処理動作を示す図である。
【図２】 ニューラルネットワークレーダシグナルプロセッサに対するフロントエンドの
ブロック図である。
【図３】 持続ＬＦＭＣＷレーダ信号を示す図である。
【図４】 階段状ＬＦＭＣＷレーダ信号を周波数対時間間隔で示す図である。
【図５】 いくつかの周波数ステップの場合に、階段状ＬＦＭＣＷレーダ信号を振幅対時
間間隔で示す図である。
【図６ａ】 １つの隠れ層を有する多層パーセプトロンニューラルネットワークを示す図で
ある。
【図６ｂ】 ニューラルネットワークの一般化したノードの一例を示す図である。
【図７】 ニューラルネットワークレーダプロセッサのブロック図である。
【図８】 レーダ信号の検出領域の境界を示す図である。
【図９】 複数の隠れ層と、互いに分離されたサブネットワークとを有する多層パーセプ
トロンニューラルネットワークを示す図である。
【図１０】 目標物速度を測定するために構成される持続ＬＦＭＣＷレーダ信号を示す図で
ある。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.7 識別記号 ＦＩ テーマコート゛(参考） Ｇ０６Ｎ 3/00 ５６０ Ｇ０６Ｎ 3/00 ５６０Ｚ 3/04 3/04 Ｆ (72)発明者 ジャコブス，クレイグ エス． アメリカ合衆国 ミシガン州48335、ファ ーミントン ヒルズ、ルーズベルト コー ト 24762 (72)発明者 コング，シャン アメリカ合衆国 ミシガン州48331、ファ ーミントン、メダリオン コート ＃６− 105、37300 Ｆターム(参考） 5J070 AA14 AB19 AB21 AC02 AC06 AD01 AD05 AK06 AK15 AK16 AK21 AK39

Claims (18)

    【特許請求の範囲】
  1. 【請求項１】 ニューラルネットワークレーダプロセッサであって、 ａ．第１の複数のノードを含む入力層であって、第１の複数のノードの各ノー
    ドは、少なくとも１つの入力と１つの出力とを有し、第１の複数のノードの各ノ
    ードからの１つの入力は、レーダデータの時系列のサンプルに動作可能に接続さ
    れ、第１の複数のノードの各ノードは異なる時系列のサンプルに動作可能に接続
    される、前記入力層と、 ｂ．第２の複数のノードを含む第２の層であって、第２の複数のノードの各ノ
    ードは複数の入力と１つの出力とを有し、第１の複数のノードからの各出力は、
    第２の複数のノードの各ノードの１つの入力に動作可能に接続され、第２の複数
    のノードの１つのノードの複数の入力の各入力は、第１の複数のノードの異なる
    ノードに動作可能に接続される、前記第２の層と、 ｃ．第３の複数のノードを含む第３の層であって、第３の複数のノードの各ノ
    ードは複数の入力と１つの出力とを有し、第３の複数の数は第２の複数の数に等
    しく、第２の複数のノードはノードの第４の複数の互いに排他的なサブセットを
    含み、第３の複数のノードはノードの第５の複数の互いに排他的なサブセットを
    含み、第５の複数の数は第４の複数の数に等しく、第５の複数のサブセットの１
    つのうちの１つのノードへの任意の入力は、第４の複数のサブセットの１つのう
    ちの１つのノードの出力にのみ動作可能に接続される、前記第３の層と、 ｄ．第６の複数のノードを含む出力層であって、第６の複数のノードの各ノー
    ドは複数の入力と１つの出力とを有し、第６の複数のノードはノードの第７の複
    数の互いに排他的なサブセットを含み、第７の複数の数は第５の複数の数に等し
    く、第７の複数のサブセットの１つの任意のノードは、第５の複数のサブセット
    の１つのうちの１つのノードにのみ動作可能に接続され、第６の複数のノードの
    １つのノードの出力は、特定の距離セル内の目標物の指示を与え、第７の複数の
    サブセットの１つのサブセットのノードの出力は、第１の組の目標物距離のため
    の距離セル内で目標物の指示を与え、第７の複数のサブセットの別のサブセット
    のノードの出力は、第２の組の目標物距離のための距離セル内で目標物の指示を
    与え、それにより、第１および第２の組の目標物距離は重複していない、前記出
    力層とを含むニューラルネットワークレーダプロセッサ。
  2. 【請求項２】 第１の複数のノードはノードの第１のサブセットおよび第２
    のサブセットを含み、ノードの第１の各サブセットからの入力は、レーダデータ
    の第１の時系列のサンプルに動作可能に接続され、第１のサブセットの各ノード
    は異なる時間的なサンプルに動作可能に接続され、ノードの第２の各サブセット
    からの入力はレーダデータの第２の時系列のサンプルに動作可能に接続され、第
    ２の時系列は第１の時系列に対する直交位相からなり、第２のサブセットの各ノ
    ードは異なる時間サンプルに動作可能に接続され、第１の複数のノードの第１お
    よび第２のサブセットは時間的に対応する、請求項１に記載のニューラルネット
    ワークレーダプロセッサ。
  3. 【請求項３】 出力層は、第３の層と同じであり、第６の複数のノードは、
    第３の複数のノードと同じである、請求項１または２に記載のニューラルネット
    ワークレーダプロセッサ。
  4. 【請求項４】 出力層は、第３の層とは異なる層を含み、第６の複数のノー
    ドは、第３の複数のノードとは異なる、請求項１または２に記載のニューラルネ
    ットワークレーダプロセッサ。
  5. 【請求項５】 ａ．第１の周波数の振動を有する第１の振動信号を生成する
    ためのダイレクトデジタルシンセサイザと、 ｂ．第１の周波数の振動を有する第２の振動信号を生成するための中間周波数
    源と、 ｃ．ダイレクトデジタルシンセサイザと、中間周波数源とに動作可能に接続さ
    れ、第１および第２の振動信号から第３の周波数の振動を有する第３の振動信号
    を生成するための第１のミキサと、 ｄ．第４の周波数の振動を有する第４の振動信号を生成するためのダイレクト
    基準発振器と、 ｅ．ダイレクト基準発振器と第１のミキサの出力とに動作可能に接続され、第
    ３および第４の振動信号から第５の周波数の振動を有する第５の振動信号を生成
    するための第２のミキサと、 ｆ．第２のミキサの出力に動作可能に接続されるサーキュレータと、 ｇ．送信されるＲＦ信号を物体に放射するための少なくとも１つの送信アンテ
    ナであって、それにより少なくとも１つの送信アンテナは、サーキュレータに動
    作可能に接続され、サーキュレータは、第５の振動信号を少なくとも１つの送信
    アンテナに結合し、少なくとも１つの送信アンテナは第５の振動信号を放射する
    、送信アンテナと、 ｈ．物体によって反射される送信されるＲＦ信号の成分を受信されるＲＦ信号
    として受信するための少なくとも１つの受信アンテナであって、それにより、少
    なくとも１つの受信アンテナは、サーキュレータに動作可能に接続され、少なく
    とも１つの受信アンテナは反射される成分を受信する、受信アンテナと、 ｉ．サーキュレータとダイレクト基準発振器とに動作可能に接続される第３の
    ミキサであって、それによりサーキュレータは受信されるＲＦ信号を第３のミキ
    サに結合し、第３のミキサは、受信されるＲＦ信号と、第４の振動信号とから中
    間ＲＦ信号を生成する、第３のミキサと、 ｊ．ダイレクトデジタルシンセサイザと第３のミキサの出力とに動作可能に接
    続され、第１の振動信号と中間ＲＦ信号とから、検出ＲＦ信号を生成するための
    第４のミキサと、 ｋ．第４のミキサの出力に動作可能に接続され、位相シフトされた検出ＲＦ信
    号を生成するように、９０°だけ検出ＲＦ信号の位相をシフトするための直交位
    相シフタと、 ｌ．第１の時系列を生成するように、検出ＲＦ信号をサンプリングするための
    第１のアナログ／デジタルコンバータと、 ｍ．第２の時系列を生成するように、位相シフトされた検出ＲＦ信号をサンプ
    リングするための第２のアナログ／デジタルコンバータと、 ｎ．第１および第２のアナログ／デジタルコンバータとダイレクトデジタルシ
    ンセサイザとに動作可能に接続されるシグナルプロセッサであって、それにより
    シグナルプロセッサは、シグナルプロセッサからのコードに応じてダイレクトデ
    ジタルシンセサイザの動作周波数を制御し、コードは複数のレベルを含み、各レ
    ベルは所定の時間保持され、複数のレベルは実質的に一様な間隔で配置され、所
    定の時間は送信アンテナから受信アンテナに対する目標物に送信されるＲＦ信号
    を伝搬するのに十分な時間であり、コードは反復性のシーケンスとして繰り返さ
    れる、シグナルプロセッサとをさらに含む、請求項１ないし４のいずれかに記載
    のニューラルネットワークレーダプロセッサ。
  6. 【請求項６】 コードは増加する周波数の第１の複数のステップと減少する
    周波数の第２の複数のステップとが後続する、請求項５に記載のニューラルネッ
    トワークレーダプロセッサ。
  7. 【請求項７】 コードはさらに、第１の複数のステップと第２の複数のステ
    ップとの間に休止時間を含む、請求項６に記載のニューラルネットワークレーダ
    プロセッサ。
  8. 【請求項８】 ニューラルネットワークでレーダ信号を処理する方法であっ
    て、 ａ．レーダ戻り信号を時間的にサンプリングすることにより時系列を形成する
    ステップであって、時系列は複数のサンプルを含む、該時系列を形成するステッ
    プと、 ｂ．第１の複数の第１の重み付けされた和を形成するステップであって、各第
    １の重み付けされた和は対応する１組の第１の重みによって重み付けされた第１
    の値の和を含み、各第１の値は時系列の異なるサンプルの第１の関数である、和
    を形成するステップと、 ｃ．第２の複数の第２の重み付けされた和を形成するステップであって、各第
    ２の重み付けされた和は対応する１組の第２の重みによって重み付けされた第２
    の値の和を含み、第１の複数の第１の重み付けされた和は第１の重み付けされた
    和の第３の複数の互いに排他的なサブセットを含み、第２の複数の第２の重み付
    けされた和は第２の重み付けされた和の第４の複数の互いに排他的なサブセット
    を含み、第４の複数の互いに排他的なサブセットの１つのうちの１つの第２の重
    み付けされた和の各第２の値は第１の重み付けされた和の第３の複数の互いに排
    他的なサブセットの１つのみの異なる第１の重み付けされた和の第２の関数であ
    る、和を形成するステップと、 ｄ．第４の複数の互いに排他的なサブセットの１つのうちの第３の組の重み付
    けされた和は第１の組の目標物距離内の目標物に対してのみ実質的に応答し、第
    ４の複数の互いに排他的なサブセットの別のサブセットのうちの第３の組の重み
    付けされた和は第２の組の目標物距離内の目標物に対してのみ実質的に応答し、
    それにより第１および第２の組の目標物距離が重複していないように、第１およ
    び第２の組の重みを調整するステップとを有するニューラルネットワークでレー
    ダ信号を処理する方法。
  9. 【請求項９】 時系列を形成する操作は、ダウンコンバートされたレーダ戻
    り信号の同相および直交位相成分を時間的にサンプリングするステップを含む、
    請求項８に記載のニューラルネットワークでレーダ信号を処理する方法。
  10. 【請求項１０】 第１の関数は少なくとも１つの第１のパラメータを含み、
    第２の関数は少なくとも１つの第２のパラメータを含み、第４の複数の互いに排
    他的なサブセットの１つのうちの第３の組の重み付けされた和は第１の組の目標
    物距離内の目標物に対してのみ実質的に応答し、第４の複数の互いに排他的なサ
    ブセットの別のサブセットのうちの第３の組の重み付けされた和は第２の組の目
    標物距離内の目標物に対してのみ実質的に応答し、それにより第１および第２の
    組の目標物距離が重複していないように、少なくとも１つの第１のパラメータと
    少なくとも１つの第２のパラメータとを調整するステップをさらに含む、請求項
    ８または９に記載のニューラルネットワークでレーダ信号を処理する方法。
  11. 【請求項１１】 ニューラルネットワークレーダプロセッサにおいてニュー
    ラルネットワークをトレーニングする方法であって、 ａ．目標物空間からのレーダ戻り信号を表す少なくとも１つの第１の時系列を
    形成するステップであって、各レーダ戻り信号の成分は関連する波形を含み、少
    なくとも１つの第１の時系列は複数のサンプルを含む、時系列を形成するステッ
    プと、 ｂ．ニューラルネットワークの入力層に少なくとも１つの第１の時系列を適用
    するステップであって、入力層は第１の複数の第１のノードを含み、複数のサン
    プルの１つが第１の複数の第１のノードそれぞれに適用され、複数のサンプルの
    うちの異なるサンプルは異なる第１のノードに適用され、ニューラルネットワー
    クは第２の複数のノードと第２の複数のノードにおいて機能する第３の複数の対
    応する重み値と第４の複数の出力ノードとを含む、時系列を適用するステップと
    、 ｃ．第４の複数の出力ノードそれぞれにおける出力信号が目標物空間を表すよ
    うに第３の複数の対応する重み値を調整するステップであって、少なくとも１つ
    の第１の時系列は１つの目標物空間を表す１つの時系列と、漏れ信号を有する１
    つの時系列とＤＣバイアスを有する１つの時系列とから選択され、目標物空間は
    目標物反射サイズの変化を有する目標物空間と、目標物変動を有する目標物空間
    と、レーダに対する目標物位置の変化を有する目標物空間と、レーダに対する目
    標物速度の変化を有する目標物空間と、目標物視認角の変化を有する目標物空間
    と、目標物形状の変化を有する目標物空間と、目標物サイズの変化を有する目標
    物空間と、アンテナビーム指示角の変化を有する目標物空間と、背景クラッタを
    有する目標物空間と、閃光を有する目標物空間とから選択され、漏れ信号を有す
    るが、目標物を有さない時系列、ＤＣバイアスを有するが、目標物を含まない時
    系列、および背景クラッタを有する目標物空間を表す時系列から選択される少な
    くとも１つの第１の時系列の場合、第３の複数の対応する重み値は第４の複数の
    出力ノードそれぞれの出力信号が無効になるように調整される、該調整するステ
    ップと含むニューラルネットワークレーダプロセッサにおいてニューラルネット
    ワークをトレーニングする方法。
  12. 【請求項１２】 少なくとも１つの第１の時系列を形成するステップは目標
    物空間からのダウンコンバートされたレーダ戻り信号を表す同相および直交位相
    成分の少なくとも１つの第１の時系列を形成するステップを含む、請求項１１に
    記載のニューラルネットワークレーダプロセッサにおいてニューラルネットワー
    クをトレーニングする方法。
  13. 【請求項１３】 第３の複数の対応する重み値を調整するステップは逆伝搬
    プロセスを含む、請求項１１または１２に記載のニューラルネットワークレーダ
    プロセッサにおいてニューラルネットワークをトレーニングする方法。
  14. 【請求項１４】 第３の複数の対応する重み値を調整するステップは漏れ信
    号を有するが、目標物を含まない時系列、ＤＣバイアスを有するが、目標物を含
    まない時系列および背景クラッタを有する目標物空間を表す時系列から選択され
    る少なくとも１つの第１の時系列の場合、第４の複数の出力ノードそれぞれの出
    力信号が無効になるように、第３の複数の対応する重み値を調整するステップを
    含む、請求項１１ないし１３のいずれかに記載のニューラルネットワークレーダ
    プロセッサにおいてニューラルネットワークをトレーニングする方法。
  15. 【請求項１５】 ニューラルネットワークはさらに少なくとも１つのパラメ
    ータを有する少なくとも１つの関数を含み、漏れ信号を有するが、目標物を含ま
    ない時系列、ＤＣバイアスを有するが、目標物を含まない時系列および背景クラ
    ッタを有する目標物空間を表す時系列から選択される少なくとも１つの第１の時
    系列の場合、第４の複数の出力ノードそれぞれの出力信号が無効になるように、
    少なくとも１つのパラメータを調整するステップをさらに含む、請求項１１ない
    し１４のいずれかに記載のニューラルネットワークレーダプロセッサにおいてニ
    ューラルネットワークをトレーニングする方法。
  16. 【請求項１６】 １つの距離において１つの目標物を有する目標物空間を表
    す少なくとも１つの時系列の場合に、第３の複数の対応する重み値を調整するス
    テップはさらに、目標物の距離に対応する第４の複数の出力ノードのうちの１つ
    の出力ノードの出力信号が距離における目標物を指示する値になり、他の出力ノ
    ードに対応する距離に目標物が存在しない場合には、第４の複数の出力ノードの
    他の出力ノードのための出力信号は無効になるように、第３の複数の対応する重
    み値を調整するステップを含む、請求項１１ないし１５のいずれかに記載のニュ
    ーラルネットワークレーダプロセッサにおいてニューラルネットワークをトレー
    ニングする方法。
  17. 【請求項１７】 ニューラルネットワークはさらに少なくとも１つのパラメ
    ータを有する少なくとも１つの関数を含み、１つの距離において１つの目標物を
    有する目標物空間を表す少なくとも１つの時系列の場合に、少なくとも１つのパ
    ラメータを調整するステップはさらに、目標物の距離に対応する第４の複数の出
    力ノードのうちの１つの出力ノードの出力信号が距離における目標物を指示する
    値になり、他の出力ノードに対応する距離に目標物が存在しない場合には、第４
    の複数の出力ノードの他の出力ノードのための出力信号は無効になるように、少
    なくとも１つのパラメータを調整するステップを含むように、少なくとも１つの
    パラメータを調整するステップをさらに含む、請求項１１ないし１６のいずれか
    に記載のニューラルネットワークレーダプロセッサにおいてニューラルネットワ
    ークをトレーニングする方法。
  18. 【請求項１８】 少なくとも１つの第１の時系列を形成するステップは、１
    ）レーダシステムからのレーダ戻り信号の記録を再生するステップと、２）少な
    くとも１つの第１の時系列からシミュレートされたレーダ戻り信号を形成するス
    テップとから選択されるステップを含む、請求項１１ないし１７のいずれかに記
    載のニューラルネットワークレーダプロセッサにおいてニューラルネットワーク
    をトレーニングする方法。
JP2001517190A 1999-08-12 2000-08-11 ニューラルネットワークレーダプロセッサ Pending JP2003507716A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14859799P 1999-08-12 1999-08-12
US60/148,597 1999-08-12
PCT/US2000/022007 WO2001013141A2 (en) 1999-08-12 2000-08-11 Neural network radar processor

Publications (1)

Publication Number Publication Date
JP2003507716A true JP2003507716A (ja) 2003-02-25

Family

ID=22526468

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2001517190A Pending JP2003507716A (ja) 1999-08-12 2000-08-11 ニューラルネットワークレーダプロセッサ

Country Status (5)

Country Link
US (1) US6366236B1 (ja)
EP (1) EP1121608B1 (ja)
JP (1) JP2003507716A (ja)
DE (1) DE60032573T2 (ja)
WO (1) WO2001013141A2 (ja)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004239644A (ja) * 2003-02-03 2004-08-26 Denso Corp レーダ装置
CN105487070A (zh) * 2014-10-06 2016-04-13 日本电产艾莱希斯株式会社 雷达系统、雷达信号处理装置、车辆行驶控制装置以及方法及电脑程序
JP2016142526A (ja) * 2015-01-29 2016-08-08 日本電産エレシス株式会社 レーダシステム、レーダ信号処理装置、車両走行制御装置および方法、ならびにコンピュータプログラム
JP2018538539A (ja) * 2015-12-18 2018-12-27 日本テキサス・インスツルメンツ株式会社 Ｆｍｃｗレーダーのチャープ信号線形性及び位相ノイズを判定するための回路及び方法
JP2019015606A (ja) * 2017-07-06 2019-01-31 本田技研工業株式会社 情報処理方法及び情報処理装置
KR20190091817A (ko) * 2018-01-29 2019-08-07 (주)스마트레이더시스템 길쌈 신경회로망을 이용한 레이더 신호 처리 장치 및 방법
KR20190091818A (ko) * 2018-01-29 2019-08-07 (주)스마트레이더시스템 순환신경회로망을 이용한 레이더 신호 처리 장치 및 방법
JP2020537140A (ja) * 2017-10-10 2020-12-17 ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ 逆センサモデルを生成する方法および装置、ならびに障害物を検出するための方法
US11835649B2 (en) 2019-06-28 2023-12-05 Smart Radar System, Inc. Method and apparatus for radar signal processing using convolutional neural network
US11852750B2 (en) 2019-06-28 2023-12-26 Smart Radar System, Inc. Method and apparatus for radar signal processing using recurrent neural network
US12044797B2 (en) 2018-12-31 2024-07-23 Atai Labs Pvt Ltd. Object classification using machine learning

Families Citing this family (67)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6822563B2 (en) 1997-09-22 2004-11-23 Donnelly Corporation Vehicle imaging system with accessory control
US5877897A (en) 1993-02-26 1999-03-02 Donnelly Corporation Automatic rearview mirror, vehicle lighting control and vehicle interior monitoring system using a photosensor array
US6891563B2 (en) 1996-05-22 2005-05-10 Donnelly Corporation Vehicular vision system
US7655894B2 (en) 1996-03-25 2010-02-02 Donnelly Corporation Vehicular image sensing system
US6882287B2 (en) 2001-07-31 2005-04-19 Donnelly Corporation Automotive lane change aid
US6693557B2 (en) 2001-09-27 2004-02-17 Wavetronix Llc Vehicular traffic sensor
EP1504276B1 (en) 2002-05-03 2012-08-08 Donnelly Corporation Object detection system for vehicle
US20040052412A1 (en) * 2002-05-10 2004-03-18 Large Scale Biology Corporation Satellite image enhancement and feature identification using information theory radial-basis bio-marker filter
WO2003096269A1 (fr) * 2002-05-10 2003-11-20 Sony Corporation Dispositif et procede de traitement d'informations
US20040130482A1 (en) * 2003-01-02 2004-07-08 Yu-Shan Lin Digital controlled linear sweep frequency mode for FMCW radar altimeter
SG116513A1 (en) * 2003-07-25 2005-11-28 Sony Corp A localpositioning system which operates based on reflected wireless signals.
US6859160B1 (en) 2003-09-09 2005-02-22 Lockheed Martin Corporation System for estimating receiver utilization
US6859161B1 (en) 2003-09-09 2005-02-22 Lockheed Martin Corporation System for time thresholding
US7400291B2 (en) * 2003-12-04 2008-07-15 Sony Corporation Local positioning system which operates based on reflected wireless signals
DE10360485B4 (de) * 2003-12-22 2005-11-24 Airbus Deutschland Gmbh Verfahren und Vorrichtung zur Temperaturüberwachung entlang einer Messleitung
US7526103B2 (en) 2004-04-15 2009-04-28 Donnelly Corporation Imaging system for vehicle
US20060003204A1 (en) * 2004-07-01 2006-01-05 Callahan Christopher W Controlling fuel cell fuel purge in response to recycle fuel blower operating conditions
US7881496B2 (en) 2004-09-30 2011-02-01 Donnelly Corporation Vision system for vehicle
US8665113B2 (en) 2005-10-31 2014-03-04 Wavetronix Llc Detecting roadway targets across beams including filtering computed positions
US7972045B2 (en) 2006-08-11 2011-07-05 Donnelly Corporation Automatic headlamp control system
EP2017593B1 (en) * 2007-07-20 2013-09-04 LIOS Technology GmbH Method and system for determining a physical property as a function of position
KR100780470B1 (ko) 2007-08-21 2007-11-28 (주)미래시스템 탐색 레이더의 적응적 표적 탐지장치
US7612707B2 (en) * 2007-09-28 2009-11-03 Banner Engineering Corporation Configurable radar sensor
US20090259609A1 (en) * 2008-04-15 2009-10-15 Honeywell International Inc. Method and system for providing a linear signal from a magnetoresistive position sensor
US7646334B1 (en) 2008-09-11 2010-01-12 Chow Ivan K Radar signal processing system and method for analyzing downhole oil and gas well environments
US8305261B2 (en) * 2010-04-02 2012-11-06 Raytheon Company Adaptive mainlobe clutter method for range-Doppler maps
US8525724B2 (en) * 2010-10-08 2013-09-03 University Of Massachusetts System and method for generating derived products in a radar network
US10457209B2 (en) 2012-02-22 2019-10-29 Magna Electronics Inc. Vehicle vision system with multi-paned view
US9319637B2 (en) 2012-03-27 2016-04-19 Magna Electronics Inc. Vehicle vision system with lens pollution detection
US9707896B2 (en) 2012-10-15 2017-07-18 Magna Electronics Inc. Vehicle camera lens dirt protection via air flow
US9412271B2 (en) 2013-01-30 2016-08-09 Wavetronix Llc Traffic flow through an intersection by reducing platoon interference
US9445057B2 (en) 2013-02-20 2016-09-13 Magna Electronics Inc. Vehicle vision system with dirt detection
US9261590B1 (en) 2013-02-27 2016-02-16 Google Inc. Adaptive algorithms for interrogating the viewable scene of an automotive radar
US10222462B2 (en) 2013-02-27 2019-03-05 Waymo Llc Adaptive algorithms for interrogating the viewable scene of an automotive radar
DE102013212664A1 (de) * 2013-06-28 2014-12-31 Robert Bosch Gmbh Radarsensor und Verfahren zum Betrieb eines Radarsensors
US9449272B2 (en) 2013-10-29 2016-09-20 Qualcomm Incorporated Doppler effect processing in a neural network model
US9470782B2 (en) 2014-11-26 2016-10-18 Valeo Radar Systems, Inc. Method and apparatus for increasing angular resolution in an automotive radar system
US9400325B2 (en) * 2014-11-26 2016-07-26 Valeo Radar Systems, Inc. Method and apparatus for increasing angular resolution in an automotive radar system
CN106027117B (zh) * 2016-05-04 2018-04-10 大连理工大学 一种时延与多普勒频移联合估计方法
DE102016216973A1 (de) 2016-09-07 2018-03-08 Robert Bosch Gmbh Steuervorrichtung und Verfahren zum Steigern mindestens eines Bremsdrucks in mindestens einem Radbremszylinder eines Bremssystems eines Fahrzeugs
US11544545B2 (en) 2017-04-04 2023-01-03 Hailo Technologies Ltd. Structured activation based sparsity in an artificial neural network
US11551028B2 (en) 2017-04-04 2023-01-10 Hailo Technologies Ltd. Structured weight based sparsity in an artificial neural network
US11238334B2 (en) 2017-04-04 2022-02-01 Hailo Technologies Ltd. System and method of input alignment for efficient vector operations in an artificial neural network
US10387298B2 (en) 2017-04-04 2019-08-20 Hailo Technologies Ltd Artificial neural network incorporating emphasis and focus techniques
US11615297B2 (en) 2017-04-04 2023-03-28 Hailo Technologies Ltd. Structured weight based sparsity in an artificial neural network compiler
CN111264033B (zh) 2017-05-03 2021-07-20 弗吉尼亚科技知识产权有限公司 用无线电信号变换器学习无线电信号的方法、系统和装置
DE102017117729A1 (de) * 2017-08-04 2019-02-07 Infineon Technologies Ag Verteiltes Radarssystem
US10732260B2 (en) * 2017-09-05 2020-08-04 GM Global Technology Operations LLC Radar calibration systems and methods
US10866305B1 (en) 2017-12-29 2020-12-15 Waymo Llc Signal processing for near-field radar
WO2019153016A1 (en) * 2018-02-05 2019-08-08 Metawave Corporation Method and apparatus for object detection using a beam steering radar and convolutional neural network system
DE102018202903A1 (de) * 2018-02-27 2019-08-29 Zf Friedrichshafen Ag Verfahren zur Auswertung von Messdaten eines Radar Messsystems mithilfe eines neuronalen Netzwerks
US11372086B2 (en) * 2018-05-11 2022-06-28 Qualcomm Incorporated Radio frequency (RF) object detection using radar and machine learning
US11927668B2 (en) * 2018-11-30 2024-03-12 Qualcomm Incorporated Radar deep learning
DE102018222800A1 (de) * 2018-12-21 2020-06-25 Robert Bosch Gmbh Ortung und/oder Klassifikation von Objekten aus Radardaten mit verbesserter Verlässlichkeit bei unterschiedlichen Entfernungen
EP3731203B1 (en) * 2019-04-24 2023-05-31 Carrier Corporation Alarm system
US20220244354A1 (en) * 2019-05-31 2022-08-04 Nolimits Enterprises, Inc. Artificial intelligence for the classification of signals for radar detectors
EP3748392A1 (en) * 2019-06-03 2020-12-09 NXP USA, Inc. System and method to classify objects using radar data
WO2021091882A1 (en) * 2019-11-04 2021-05-14 Nolimits Enterprises, Inc. Radar detector utilizing complex data for processing of signal information
TWI734252B (zh) * 2019-11-08 2021-07-21 立積電子股份有限公司 雷達及雷達回波訊號的背景成分更新方法
CN110850400B (zh) * 2019-11-13 2022-10-14 南京理工大学 基于干涉仪测向的lfmcw雷达多目标检测方法
US11481916B2 (en) 2019-12-12 2022-10-25 Motorola Solutions, Inc. Method, system and computer program product for emulating depth data of a three-dimensional camera device
US11874900B2 (en) 2020-09-29 2024-01-16 Hailo Technologies Ltd. Cluster interlayer safety mechanism in an artificial neural network processor
US11221929B1 (en) 2020-09-29 2022-01-11 Hailo Technologies Ltd. Data stream fault detection mechanism in an artificial neural network processor
US11811421B2 (en) 2020-09-29 2023-11-07 Hailo Technologies Ltd. Weights safety mechanism in an artificial neural network processor
US11263077B1 (en) 2020-09-29 2022-03-01 Hailo Technologies Ltd. Neural network intermediate results safety mechanism in an artificial neural network processor
US11237894B1 (en) 2020-09-29 2022-02-01 Hailo Technologies Ltd. Layer control unit instruction addressing safety mechanism in an artificial neural network processor
CN112257566B (zh) * 2020-10-20 2023-05-23 陕西合友网络科技有限公司 一种基于大数据的人工智能目标识别测距方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5345539A (en) * 1990-11-02 1994-09-06 The Secretary Of State For Defence In Her Britannic Majesty's Government Of The United Kingdom Of Great Britain And Northern Ireland Radar apparatus using neural network for azimuth and elevation detection
WO1999019744A1 (en) * 1997-10-16 1999-04-22 Automotive Systems Laboratory, Inc. Radar system
JP2001506011A (ja) * 1997-10-16 2001-05-08 オートモーティブ システムズ ラボラトリー インコーポレーテッド レーダシステム

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4803736A (en) * 1985-11-27 1989-02-07 The Trustees Of Boston University Neural networks for machine vision
EP0468229A3 (en) 1990-07-27 1994-01-26 Hnc Inc A neural network with expert system functionality
US5613039A (en) 1991-01-31 1997-03-18 Ail Systems, Inc. Apparatus and method for motion detection and tracking of objects in a region for collision avoidance utilizing a real-time adaptive probabilistic neural network
JPH04315254A (ja) 1991-04-15 1992-11-06 Mitsubishi Electric Corp 信号識別装置
US5684701A (en) 1995-06-07 1997-11-04 Automotive Technologies International, Inc. Method and apparatus for sensing a vehicle crash
US5943661A (en) * 1991-07-11 1999-08-24 Texas Instruments Incorporated Hybrid neural network classifier, systems and methods
US5377108A (en) 1992-04-28 1994-12-27 Takata Corporation Method for predicting impact and an impact prediction system for realizing the same by using neural networks
US5694320A (en) 1995-06-07 1997-12-02 Automotive Technologies Intl, Inc. Rear impact occupant protection apparatus
DE4223346C2 (de) * 1992-07-16 1996-05-02 Grieshaber Vega Kg Anordnung und Verfahren zur berührungslosen Füllstandmessung
US5247303A (en) * 1992-07-20 1993-09-21 University Corporation For Atmospheric Research Data quality and ambiguity resolution in a doppler radar system
JPH0785280B2 (ja) 1992-08-04 1995-09-13 タカタ株式会社 神経回路網による衝突予測判定システム
US5235339A (en) 1992-11-13 1993-08-10 The United States Of America As Represented By The Secretary Of The Navy Radar target discrimination systems using artificial neural network topology
EP0694855B1 (en) * 1994-07-28 2002-05-02 International Business Machines Corporation Search/sort circuit for neural networks
US5812083A (en) * 1996-02-23 1998-09-22 Raytheon Ti Systems, Inc. Non-cooperative target identification using antenna pattern shape
DE19706576A1 (de) * 1997-02-20 1998-08-27 Alsthom Cge Alcatel Vorrichtung und Verfahren zur umgebungsadaptiven Klassifikation von Objekten
US6236942B1 (en) * 1998-09-15 2001-05-22 Scientific Prediction Incorporated System and method for delineating spatially dependent objects, such as hydrocarbon accumulations from seismic data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5345539A (en) * 1990-11-02 1994-09-06 The Secretary Of State For Defence In Her Britannic Majesty's Government Of The United Kingdom Of Great Britain And Northern Ireland Radar apparatus using neural network for azimuth and elevation detection
WO1999019744A1 (en) * 1997-10-16 1999-04-22 Automotive Systems Laboratory, Inc. Radar system
JP2001506011A (ja) * 1997-10-16 2001-05-08 オートモーティブ システムズ ラボラトリー インコーポレーテッド レーダシステム

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004239644A (ja) * 2003-02-03 2004-08-26 Denso Corp レーダ装置
CN105487070A (zh) * 2014-10-06 2016-04-13 日本电产艾莱希斯株式会社 雷达系统、雷达信号处理装置、车辆行驶控制装置以及方法及电脑程序
JP2016075558A (ja) * 2014-10-06 2016-05-12 日本電産エレシス株式会社 レーダシステム、レーダ信号処理装置、車両走行制御装置および方法、ならびにコンピュータプログラム
JP2016142526A (ja) * 2015-01-29 2016-08-08 日本電産エレシス株式会社 レーダシステム、レーダ信号処理装置、車両走行制御装置および方法、ならびにコンピュータプログラム
US10365350B2 (en) 2015-01-29 2019-07-30 Nidec Corporation Neural network-based radar system having independent multibeam antenna
JP2018538539A (ja) * 2015-12-18 2018-12-27 日本テキサス・インスツルメンツ株式会社 Ｆｍｃｗレーダーのチャープ信号線形性及び位相ノイズを判定するための回路及び方法
JP2019015606A (ja) * 2017-07-06 2019-01-31 本田技研工業株式会社 情報処理方法及び情報処理装置
JP7042905B2 (ja) 2017-10-10 2022-03-28 ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング 逆センサモデルを生成する方法および装置、ならびに障害物を検出するための方法
JP2020537140A (ja) * 2017-10-10 2020-12-17 ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ 逆センサモデルを生成する方法および装置、ならびに障害物を検出するための方法
KR20190091818A (ko) * 2018-01-29 2019-08-07 (주)스마트레이더시스템 순환신경회로망을 이용한 레이더 신호 처리 장치 및 방법
KR102074372B1 (ko) * 2018-01-29 2020-02-06 (주)스마트레이더시스템 길쌈 신경회로망을 이용한 레이더 신호 처리 장치 및 방법
KR102074373B1 (ko) * 2018-01-29 2020-02-06 (주)스마트레이더시스템 순환신경망회로를 이용한 레이더 신호 처리 장치 및 방법
KR20190091817A (ko) * 2018-01-29 2019-08-07 (주)스마트레이더시스템 길쌈 신경회로망을 이용한 레이더 신호 처리 장치 및 방법
US12044797B2 (en) 2018-12-31 2024-07-23 Atai Labs Pvt Ltd. Object classification using machine learning
US11835649B2 (en) 2019-06-28 2023-12-05 Smart Radar System, Inc. Method and apparatus for radar signal processing using convolutional neural network
US11852750B2 (en) 2019-06-28 2023-12-26 Smart Radar System, Inc. Method and apparatus for radar signal processing using recurrent neural network

Also Published As

Publication number Publication date
US6366236B1 (en) 2002-04-02
EP1121608A1 (en) 2001-08-08
WO2001013141A2 (en) 2001-02-22
DE60032573T2 (de) 2007-10-04
EP1121608A4 (en) 2005-09-14
WO2001013141A3 (en) 2001-08-23
DE60032573D1 (de) 2007-02-08
EP1121608B1 (en) 2006-12-27

Similar Documents

Publication Publication Date Title
JP2003507716A (ja) ニューラルネットワークレーダプロセッサ
CN109606357B (zh) 用于使用毫米波雷达传感器控制车辆的操作的系统和方法
EP3546979B1 (en) System and method for controlling access to a trunk of a vehicle using a radar sensor
US6028548A (en) Vehicle collision radar with randomized FSK waveform
JP3357078B2 (ja) 衝突予測センサシステム
US6085151A (en) Predictive collision sensing system
US6087928A (en) Predictive impact sensing system for vehicular safety restraint systems
JP2642294B2 (ja) マルチスロープ周波数変調波形レーダシステムの距離測定、検知、および解像方法
JP3236025B2 (ja) マルチセンサ型対象物予測検出システム
EP0954758B1 (en) Predictive collision sensing system
CN112272779A (zh) 通过生命体征监测进行稳健的车辆占用检测的方法
EP4020009A1 (en) System and method for classification of objects in vehicle using feature vectors
WO1998032030A9 (en) Predictive collision sensing system
US20220252714A1 (en) Radar signal processing device, radar sensor system, and signal processing method
Lim et al. DNN-based human face classification using 61 GHz FMCW radar sensor
US6434461B1 (en) Airbag sensor system
US20230227045A1 (en) Physique estimation device, physique estimation method, seatbelt reminder system, and airbag control system
임소희 RADAR SENSOR BASED SIGNAL PROCESSING TECHNIQUES FOR INDOOR AND OUTDOOR AUTONOMOUS DRIVING
Kamann et al. Radar-based Environment Perception for Pre-Crash Safety Systems
Zuther et al. 360°-Environment sensing and signal processing for an automotive pre-crash application

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20070810

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20100427

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20100511

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20101109