JP2022501571A - ターゲットの挙動を識別する方法及び装置、並びにレーダーシステム - Google Patents

ターゲットの挙動を識別する方法及び装置、並びにレーダーシステム Download PDF

Info

Publication number
JP2022501571A
JP2022501571A JP2020568494A JP2020568494A JP2022501571A JP 2022501571 A JP2022501571 A JP 2022501571A JP 2020568494 A JP2020568494 A JP 2020568494A JP 2020568494 A JP2020568494 A JP 2020568494A JP 2022501571 A JP2022501571 A JP 2022501571A
Authority
JP
Japan
Prior art keywords
signal
feature data
target
data
frequency domain
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.)
Granted
Application number
JP2020568494A
Other languages
English (en)
Other versions
JP7111843B2 (ja
Inventor
フェン，シャンビン
ユィ，ユエチン
ペン，シュエミン
チェン，チィ
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of JP2022501571A publication Critical patent/JP2022501571A/ja
Application granted granted Critical
Publication of JP7111843B2 publication Critical patent/JP7111843B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G01S7/418—Theoretical aspects
    • 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
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • 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
    • 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
    • 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
    • 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
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • 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
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • G01S7/356—Receivers involving particularities of FFT processing

Landscapes

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

Abstract

本願の実施形態は、自動運転シナリオに適用可能である、ターゲットの挙動を識別する方法及び装置、並びにレーダーシステムを開示する。方法は、ターゲットによって反射されたレーダーエコー信号を受信することと、時間周波数領域データを取得するようレーダーエコー信号を処理することと、レーダーエコー信号の属性の特徴を表すために使用される信号属性特徴データ及びレーダーエコー信号の特徴を表すために使用される線形予測係数ＬＰＣ特徴データを取得するよう時間周波数領域データを処理することと、信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを挙動識別モデルに入力し、ターゲットの挙動情報を出力することとを含む。本願に基づいて、ターゲットの挙動を識別することの正確さは改善され得る。

Description

本願は、通信技術の分野に、特に、ターゲットの挙動を識別する方法及び装置、並びにレーダーシステムに関係がある。
近年出現している新しい技術として、人間行動識別は、映像監視、自動運転、インテリジェント・ヒューマン−コンピュータ・インタラクション、及びインテリジェント交通早期警戒のような分野で大きな注目を集めてきた。
現在、広く使用されている人間行動識別技術は、画像取得及び画像処理に基づいて実施されている。すなわち、歩行者の画像が画像捕捉デバイスによって捕捉され、ターゲット識別が、各歩行者のターゲット画像を得るために捕捉画像に対して行われ、そして、歩行者に対応する特徴データを取得するよう、特徴抽出が特徴抽出アルゴリズムに基づいて各ターゲット画像に対して行われる。最後に、各歩行者に対応する取得された特徴データは、事前に訓練された挙動識別モデルに入力され、挙動識別モデルの出力は、走る又は歩くといった歩行者の行動情報である。
本願の実施中、本発明者は、関連技術に少なくとも次の課題があると気付いた。
画像取得及び画像処理に基づく上記の人間行動識別技術は、光線、画像捕捉デバイスのライン・オブ・サイト、などによる影響を受けやすく、識別精度が低くなる可能性がある。
関連技術での挙動識別の低い程度の問題を解消すべく、本願の実施形態は、ターゲットの挙動を識別する方法及び装置、並びにレーダーシステムを提供する。技術的解決法は、次の通りである。
第１の態様に従って、ターゲットの挙動を識別する方法が提供され、方法は、
ターゲットによって反射されたレーダーエコー信号を受信することと、
時間周波数領域データを取得するようレーダーエコー信号を処理することと、
信号属性特徴データ及び線形予測係数（Linear Prediction Coefficient，ＬＰＣ）特徴データを取得するよう時間周波数領域データを処理することであり、信号属性特徴データは、レーダーエコー信号の属性の特徴を表すために使用され、ＬＰＣ特徴データは、レーダーエコー信号の特徴を表すために使用される、ことと、
信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを挙動識別モデルに入力し、ターゲットの挙動情報を出力することと
を含む。
本願のこの実施形態における解決法に従って、レーダーシステムの送信アンテナは、パルス繰り返し周期に基づいてレーダー信号を連続的に送信し、すなわち、レーダーシステムの送信アンテナは、各パルス繰り返し周期において、異なる周波数で、変調されたレーダー信号を連続的に送信し、ここで、パルス繰り返し周期は、周波数掃引周期とも呼ばれる。レーダー信号がターゲットによって反射された後、受信アンテナはレーダー信号を受信し、このとき、受信されるレーダー信号はレーダーエコー信号である。レーダーエコー信号を処理するとき、レーダーシステムは、所定の挙動識別周期で受信される全てのレーダーエコー信号を処理してよい。１つの挙動識別周期は、所定数のパルス繰り返し周期を含む。
ターゲットによって反射されたレーダーエコー信号を受信した後、レーダーシステムは、受信されたレーダーエコー信号を、レーダーエコー信号が受信されるときに送信されたレーダー信号と混合して、ビート信号を取得する。次いで、ビート信号のアナログ信号に対してＮ点サンプリングが実行され、Ｎ点サンプリングされたアナログ信号は、Ａ／Ｄコンバータを使用することによってデジタル信号に変換される。各パルス繰り返し周期について、Ｍ点高速フーリエ変換（Fast Fourier Transformation，ＦＦＴ）が、Ａ／Ｄ変換後のビート信号に対して実行されてよく、すなわち、Ｍ個の点の周波数領域データが取得され得る。各点について取得された周波数領域データは、複素数の形で表現され得る。Ｍ個の点の取得された周波数領域データについて、周波数領域データに対応するスペクトル領域での信号の振幅が所定の値よりも大きい場合には、その点の周波数領域データは、ターゲットによって反射されたレーダーエコー信号から取得される、と見なされる。その場合に、その点の周波数領域データは、ターゲットの周波数領域データとして使用されてよい。１つの挙動識別点での周波数領域データは、１つの挙動識別周期におけるターゲットの周波数領域データを取得するよう累積され、このとき、１つの挙動識別周期におけるターゲットの周波数領域データは１次元ベクトルである。次いで、短時間フーリエ変換が、１つの挙動識別周期におけるターゲットの時間周波数領域データを取得するために、１つの挙動識別周期におけるターゲットの周波数領域データに対して実行されてよく、１つの挙動識別周期におけるターゲットの時間周波数領域データは２次元行列である。
次いで、ターゲットの信号属性特徴データ及びＬＰＣ特徴データが、１つの挙動識別周期におけるターゲットの時間周波数領域データに基づいて計算され、信号属性特徴データは、レーダーエコー信号の属性の特徴を表すために使用され、ＬＰＣ特徴データは、レーダーエコー信号の特徴を表すために使用される。
最後に、ターゲットの取得された信号属性特徴データ及びＬＰＣ特徴データは、ターゲットの挙動情報を取得するよう挙動識別モデルに入力される。挙動情報は、走る、歩く、ジャンプする、などであってよい。挙動識別モデルは、大量の訓練サンプルに基づく訓練を通じて取得された機械学習モデルであることができる。
本願のこの実施形態で、レーダーは、ターゲットを検出するために使用される。レーダーによって送信される電磁波は、光及び天候などの要因によってほとんど影響を及ぼされないので、レーダーはより正確にターゲットを検出し、それにより、レーダーエコー信号に基づく解析を通じて取得されるターゲットの特徴データはより正確である。その場合に、ターゲットの最終的に決定された挙動情報はより正確である。
可能な実施において、信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを取得するよう時間周波数領域データを処理することは、
信号属性特徴データを取得するよう時間周波数領域データを処理することと、
ＬＰＣ特徴データを取得するよう時間周波数領域データをＬＰＣ関数に入力することと
を含む。
本願のこの実施形態で示される解決法に従って、レーダーシステムは、信号属性特徴データを取得するよう時間周波数領域データを処理することができる。次いで、ＬＰＣ特徴データは、ＬＰＣ関数を用いて取得され得る。ＬＰＣ関数は、次の通りであってよい：
Figure 2022501571
 ここで、ａｒは、ＬＰＣであり、ｕ（ｎ）は、入力シーケンス、すなわち、時間周波数領域データの振幅値であり、ｘ（ｎ）は、ＬＰＣ関数の出力シーケンスであり、ｘ（ｎ−ｒ）は、現在の挙動識別周期の前のＰ個の挙動識別周期で取得されるＬＰＣ関数の出力シーケンスであり、ｒ＝１，２，３・・・Ｐであり、
［外１］
Figure 2022501571
は、出力シーケンスの線形予測値
［外２］
Figure 2022501571
である。このＬＰＣ関数内の未知の係数はａｒである。最小平均二乗誤差基準がａｒを計算するために使用されてよい。求められたａｒはＬＰＣ特徴データである。
可能な実施において、信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを取得するよう時間周波数領域データを処理することの前に、方法は、時間周波数領域データに対して次元削減を実行することを更に含む。
本願のこの実施形態で示される解決法に従って、次元削減は、ターゲットの時間周波数領域データに対して実行されてよく、その場合に、特徴データは、次元削減された時間周波数領域データに基づいて計算され得る。このようにして、時間周波数領域データの量は削減可能であり、特徴データの計算は加速可能であり、ターゲットの挙動を識別する効率は改善され得る。
可能な実施において、時間周波数領域データに対して次元削減を実行することは、
主成分分析ＰＣＡアルゴリズムに基づいて各ターゲットの時間周波数領域データに対して次元削減を実行することを含む。
本願のこの実施形態で示される解決法では、次元削減は、主成分分析（Principal Component Analysis，ＰＣＡ）アルゴリズムに基づいて時間周波数領域データに対して実行される
可能な実施において、信号属性特徴データは、最大周波数値、振幅の平均値、振幅値の標準偏差、振幅値の平均絶対誤差、振幅値四分位数、振幅値四分位範囲、スペクトルエントロピー、振幅値歪度、及び振幅値尖度、のうちの１つ以上を含む。
本願のこの実施形態で示される解決法では、最大周波数値は、時間周波数領域データに対応する時間周波数スペクトログラムにおける最大ドップラー周波数値である。振幅の平均値は、時間周波数領域データに対応する全ての振幅値の平均値である。振幅値の標準偏差は、時間周波数領域データに対応する全ての振幅値の標準偏差である。振幅値の平均絶対誤差は、時間周波数領域データに対応する全ての振幅値の平均絶対誤差である。振幅値四分位数は、時間周波数領域データに対応する振幅値が小から大の順序で並べられて４つの等しい部分に分けられることを意味し、３つの区切り点での振幅値は夫々、２５％四分位数、５０％四分位数、及び７５％四分位数と呼ばれる。振幅値四分位範囲は、７５％四分位数と２５％四分位数との間の差を指す。振幅値歪度は、振幅値分布のひずみの方向及び程度の指標であり、振幅値分布の非対称性の程度のデジタル特徴である。振幅値尖度は、振幅値に対応する確率密度分布曲線の平均値の位置でのピーク値を反映するデジタル特徴である。スペクトルエントロピーは、時間周波数領域データに対応するパワースペクトルとエントロピーレートとの間の関係を表す。
可能な実施において、挙動識別モデルは、サポートベクトルマシンＳＶＭ分類器モデルである。
本願のこの実施形態で示される解決法では、挙動識別モデルは、サポートベクトルマシン（Support Vector Machine，ＳＶＭ）分類モデルであってよい。挙動情報の分類中、サポートベクトルマシン分類モデルは、挙動情報をただ２つのタイプに分類するために使用され得る。ターゲットの複数のタイプの挙動情報の組み合わせを最終的に得るために、複数のサポートベクトルマシン分類モデルが使用のために組み合わされ得る。すなわち、複数のタイプの挙動情報の組み合わせを得るように、第１サポートベクトルマシンは、ターゲットの挙動情報を最初に２つのタイプに分類することができ、第２サポートベクトルマシンは、各タイプに対応するサブタイプを得るよう２つのタイプの挙動情報を分類することができ、以降続く。ターゲットの複数のタイプの挙動情報の組み合わせは、複数のサポートベクトルマシン分類モデルを組み合わせることによって取得可能であり、すなわち、ターゲットの取得される挙動情報はより包括的であることが分かる。
第２の態様に従って、ターゲットの挙動を識別する装置が提供され、装置は、
ターゲットによって反射されたレーダーエコー信号を受信するよう構成される受信モジュールと、
時間周波数領域データを取得するようレーダーエコー信号を処理し、信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを取得するよう時間周波数領域データを処理するよう構成される処理モジュールであり、信号属性特徴データは、レーダーエコー信号の属性の特徴を表すために使用され、ＬＰＣ特徴データは、前記レーダーエコー信号の特徴を表すために使用される、処理モジュールと、
信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを挙動識別モデルに入力し、ターゲットの挙動情報を出力するよう構成される識別モジュールと
を含む。
可能な実施において、処理モジュールは、
信号属性特徴データを取得するよう時間周波数領域データを処理し、
ＬＰＣ特徴データを取得するよう時間周波数領域データをＬＰＣ関数に入力する
よう構成される。
可能な実施において、処理モジュールは、
時間周波数領域データに対して次元削減を実行するよう更に構成される。
可能な実施において、処理モジュールは、
主成分分析ＰＣＡアルゴリズムに基づいて各ターゲットの時間周波数領域データに対して次元削減を実行するよう構成される。
可能な実施において、信号属性特徴データは、最大周波数値、振幅の平均値、振幅値の標準偏差、振幅値の平均絶対誤差、振幅値四分位数、振幅値四分位範囲、スペクトルエントロピー、振幅値歪度、及び振幅値尖度、のうちの１つ以上を含む。
可能な実施において、挙動識別モデルは、サポートベクトルマシンＳＶＭ分類器モデルである。
第３の態様に従って、レーダーシステムが提供され、レーダーシステムは、信号送信装置、信号受信装置、及び信号処理装置を含む。信号送信装置は、レーダー信号を送信するよう構成される。信号受信装置は、レーダー信号がターゲットに接触するときにターゲットによって反射されたレーダーエコー信号を受信するよう構成される。信号処理装置は、時間周波数領域データを取得するよう、信号受信装置によって受信されたレーダーエコー信号を処理し、レーダーエコー信号の属性の特徴を表すために使用される信号属性特徴データと、レーダーエコー信号の特徴を表すために使用される線形予測係数ＬＰＣ特徴データとを取得するよう時間周波数領域データを処理し、信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを挙動識別モデルに入力し、ターゲットの挙動情報を出力するよう構成される。
第４の態様に従って、コンピュータ可読記憶媒体が提供され、コンピュータ可読記憶媒体は命令を含み、コンピュータ可読記憶媒体がコンピュータで実行される場合に、コンピュータは、第１の態様に従う、ターゲットの挙動を識別する方法を実行することを可能にされる。
本願の実施形態で提供される技術的解決法は、次の有利な効果もたらす。
ターゲットによって反射されたレーダーエコー信号が受信され、レーダーエコー信号は、ターゲットの信号属性特徴データ及びＬＰＣ特徴データを取得するよう処理され、次いで、ターゲットの信号属性特徴データ及びＬＰＣ特徴データは、ターゲットの挙動情報を取得するよう挙動識別モデルに入力される。レーダーによって送信されるレーダー信号は光、天候などによってほとんど影響を及ぼされないので、レーダーエコー信号に基づいて取得されるターゲットの複数のタイプの特徴データはより正確であり、更には、最終的に得られる挙動情報はより正確である。
本願の実施形態に従うＦＭＣＷレーダーシステムの略アーキテクチャ図である。 本願の実施形態に従う、ターゲットの挙動を識別する方法のフローチャートである。 本願の実施形態に従うレーダーシステムによって送信されるレーダー信号の周波数変化パターンの概略図である。 本願の実施形態に従う、レーダーシステムによって送信されるレーダー信号、レーダーシステムによって受信されるレーダーエコー信号、及び混合を通じて取得されるビート信号の概略図である。 本願の実施形態に従うサポートベクトルマシン分類モデルの略構造図である。 本願の実施形態に従う、ターゲットの挙動を識別する装置の略構造図でわる。
本願の実施形態は、ターゲットの挙動を識別する方法を提供する。方法は、レーダーシステムによって実施可能であり、自動運転、インテリジェント・ヒューマン−コンピュータ・インタラクション、及びインテリジェント交通早期警戒のようなシナリオで適用される。例として自動運転を用いると、レーダーシステムは、車載レーダーシステムであってよく、レーダーシステムは、危険があるかどうかと、緊急ブレーキ及び減速プロセスが実行されるべきどうかとを決定するよう、車両の前で歩行者の行動を識別することができる。例えば、歩行者が車両の前でガードレールを横断し、車両に近づく場合に、車両は、衝突を回避するよう直ちに緊急ブレーキプロセスを実行し得る。
上記のレーダーシステムは、周波数変調連続波（Frequency Modulated Continuous Wave，ＦＭＣＷ）レーダーシステムであってよく、本願のこの実施形態におけるＦＭＣＷレーダーシステムによって送信されるレーダー信号は、のこぎり波、三角波、台形波、などであってよい。レーダーシステムは、レーダー信号を外側へ送信する。ターゲットに接触した後、レーダー信号はターゲットによって反射され、レーダーシステムによって受信される。一般に、ターゲットによって反射されたレーダー信号は、レーダーエコー信号と呼ばれ得る。レーダーエコー信号を受信した後、レーダーシステムは、レーダーエコー信号の特徴データを抽出するようレーダーエコー信号を解析し、次いで、特徴データに基づいて、走る、歩く、又は横断するといった、ターゲットの現在の挙動情報を決定し得る。図１は、ＦＭＣＷレーダーシステムの略アーキテクチャ図である。
ＦＭＣＷレーダーシステムは、信号送信装置、信号受信装置、及び信号処理装置を含んでよい。信号送信装置は、送信アンテナ１１０及び波形生成ユニット１６０を含んでよい。信号受信装置は、受信アンテナ１２０を含んでよい。信号処理装置は、ミキサ１３０、ローパスフィルタ１４０、アナログ−デジタル信号（Analog-to-Digital，Ａ／Ｄ）コンバータ１５０、及び信号処理ユニット１７０を含んでよい。送信アンテナ１１０は、レーダー信号を送信するよう構成される。受信アンテナ１２０は、レーダーエコー信号を受信するよう構成される。ミキサ１３０は、ビート信号を取得するように、受信されたレーダーエコー信号と送信されたレーダー信号とを混合するよう構成され、ここで、ビート信号は、差動周波数信号又は中間周波数信号とも呼ばれ得る。ローパスフィルタ１４０は、混合されたビート信号から不要な高周波信号を除去するよう構成される。Ａ／Ｄコンバータ１５０は、電磁波のアナログ信号をその後の処理のためにデジタル信号に変換するよう構成される。ＦＭＣＷ波形生成ユニット１６０は、送信されるべきレーダー信号を生成するよう構成され、ＦＭＣＷ波形生成ユニット１６０は、ＦＭＣＷ波形生成器及び発振器を含んでよい。信号処理ユニット１７０は、プロセッサ及びメモリを含んでよく、プロセッサは、ターゲットの特徴データを取得するようビート信号に対して特徴抽出を実行し、特徴データに基づいてターゲットの挙動情報を取得するよう構成され、メモリは、その後の表示のためにビート信号の処理中に生成された中間データ、結果データ、などを記憶するよう構成される。
本願の実施形態は、ターゲットの挙動を識別する方法を提供する。図２に示されるように、方法の処理プロシージャは次のステップを含んでよい。
ステップ２０１：ターゲットによって反射されたレーダーエコー信号を受信する。
実施中に、レーダーシステムは、パルス繰り返し周期に基づいてレーダー信号を送信してよく、すなわち、レーダーシステムの送信アンテナは、各パルス繰り返し周期において、異なる周波数で、変調されたレーダー信号を連続的に送信し、ここで、パルス繰り返し周期は、周波数掃引周期とも呼ばれ得る。送信されたレーダー信号の周波数変化パターンも、要件に従って変化し得る。図３は、レーダーシステムによって送信されるレーダー信号の周波数変化パターンの例を表す。ターゲットに接触した後、レーダー信号はターゲットによって反射され、レーダーシステムの受信アンテナによって受信される。ターゲットによって反射されて受信アンテナによって受信されるレーダー信号は、レーダーエコー信号と呼ばれ得る。
ステップ２０２：時間周波数領域データを取得するようレーダーエコー信号を処理する。
実施中に、レーダーシステムは、レーダーエコー信号に対応するビート信号を取得するよう、レーダーエコー信号が受信されるときに、受信されたレーダーエコー信号と、送信されるべきレーダー信号とを混合し得る。図４は、レーダーシステムによって送信されるレーダー信号、レーダーシステムによって受信されるエコー信号、及びパルス繰り返し周期において混合を通じて取得されるビート信号の概略図である。レーダーシステムが混合を通じて各パルス繰り返し周期に対応するビート信号を取得した後、Ｎ点サンプリングされたデジタル信号を取得するようビート信号に対してＡ／Ｄ変換が実行される。次いで、Ａ個のパルス繰り返し周期に対応するビート信号が、フレームのビート信号として使用されてよい。
単一のターゲットの挙動が識別される必要があるシナリオでは、各パルス繰り返し周期について、Ｍ点高速フーリエ変換（Fast Fourier Transformation，ＦＦＴ）が、Ａ／Ｄ変換後のビート信号に対して実行されてよく、すなわち、Ｍ個の点の周波数領域データが取得されてよく、各点で取得された周波数領域データは、複素数、例えば、ａｉ＋ｂの形で表現され得る。Ｍ個の点の取得された周波数領域データについて、周波数領域データに対応するスペクトル領域での信号の振幅が所定の値よりも大きい場合には、その点の周波数領域データは、ターゲットによって反射されたレーダーエコー信号から取得される、と見なされる。その場合に、その点の周波数領域データは、ターゲットの周波数領域データとして使用されてよい。
加えて、Ａ個のパルス繰り返し周期に対応するビート信号は、フレームのビート信号として使用されてよく、Ｂ個のフレームのビート信号は、挙動識別周期のビート信号として使用されてよい。その場合に、１つの挙動識別周期におけるターゲットの周波数領域データについて、その挙動識別周期における各パルス繰り返し周期から取得されたターゲットの周波数領域データは、その挙動識別周期におけるターゲットの周波数領域データＳｉを取得するよう累積され得る。ここで、Ｓｉは、１×ＡＢの１次元ベクトルであり、ベクトルの各要素は、ある点の周波数領域データの複素数を表す。
次いで、時間周波数領域解析が、対応する時間周波数領域データを取得するよう、１つの挙動識別周期におけるターゲットの周波数領域データＳｉに対して実行されてよい。時間周波数領域解析は、１つの挙動識別周期におけるターゲットの周波数領域データに対して短時間フーリエ変換（Short Time Fourier Transform，ＳＴＦＴ）を実行することであってよく、すなわち、所定の窓関数と周波数領域データとが乗算され、それから、Ｗ点ＦＦＴが周波数領域データに対して実行され、それにより、１つの挙動識別周期におけるターゲットの周波数領域データに対応する時間周波数領域データＱｉは取得され得る。Ｗ点ＦＦＴは、Ｃ回、ＡＢのサイズで、周波数領域データに対して実行され得るので、Ｑｉは、Ｗ×Ｃの２次元行列であり、行列内の各要素は、ある点の時間周波数領域データの複素数を表す。Ｃの値は、スライディング窓の長さによって決定され、Ｃ≦ＡＢ／Ｗである。
複数のターゲットの挙動が識別される必要があるシナリオでは、各パルス繰り返し周期について、Ｍ点ＦＦＴが、Ｍ点周波数領域データを取得するよう、Ａ／Ｄ変換後のビート信号に対して実行され、Ｍ点周波数領域データに対応するスペクトルダイアグラムにおける複数の信号振幅は所定の値よりも大きくなり、それにより、Ｍ点周波数領域データは、異なるターゲットによって反射されたレーダーエコー信号から取得される、と見なされる。次いで、パルス繰り返し周期について、ターゲットは異なるパルス繰り返し周期で現れることがあり、従って、ターゲット照合アルゴリズムが、同じターゲットの周波数領域データを決定するために、２つの異なったパルス繰り返し周期における周波数領域データに対して使用されてよい。一般的なターゲット照合アルゴリズムの例は、カルマンフィルタリング法である。１つの挙動識別周期における同じターゲットの周波数領域データを決定した後、単一のターゲットの挙動が識別される必要があるシナリオでターゲットの周波数領域データに対して実行された時間周波数領域解析が、各ターゲットの周波数領域データに対して実行されてよい。
Ｓ２０３：信号属性特徴データ及びＬＰＣ特徴データを取得するよう時間周波数領域データを処理する。
信号属性特徴データは、レーダーエコー信号の属性の特徴を表すために使用され、ＬＰＣ特徴データは、レーダーエコー信号の特徴を表すために使用される。
実施中に、対応する信号属性特徴データ及びＬＰＣ特徴データは、各ターゲットの時間周波数領域データについて決定され得る。信号属性特徴データ及びＬＰＣ特徴データの決定は、以下で記載される。
周波数特徴データの決定のために、周波数特徴データは、周波数領域データにおける最大周波数値、振幅の平均値、振幅値の標準偏差、振幅値の平均絶対誤差、振幅値四分位数、振幅値四分位範囲、スペクトルエントロピー、振幅値歪度、及び振幅値尖度のうちの１つ以上を含んでよい。周波数特徴データが計算される前に、時間周波数領域データＱｉは、１次元の行ベクトルＲｉに変換されてよく、次いで、変換された時間周波数領域データの振幅値が取得され、すなわち、モジュロ演算が、取得されるＲｉ内の各要素に対して実行され、モジュロ演算式は次の通りであってよい：

｜｜Ｒｉ｜｜＝ａｂｓ（Ｒｉ）

例えば、時間周波数領域データに対応する２次元行列内の要素が複素数ａｉ＋ｂである場合に、要素のモジュロは√（ａ２＋ｂ２）である。
周波数特徴データの各片を計算する方法は、以下で記載される。
（１）最大周波数値、すなわち、時間周波数領域データに対応する時間周波数スペクトログラム内の最大ドップラー周波数値について、計算式は、次の通りであってよい：

ＦＴｉ，１＝ｆｉ，ｍａｘ＝ｍａｘ（ｆｄ，ｎ）

ここで、ＦＴｉ，１は、時間周波数領域データに対応する信号特徴データの第１片を表し、ｆｄ，ｎは、時間周波数領域データのｉ番目の片においてセットされたドップラー周波数を表す。
最大周波数値以外の信号属性特徴データの他の片は、モジュロ演算が実行された後に取得される時間周波数領域データ｜｜Ｒｉ｜｜に基づいて計算されてよく、計算方法は、以下で記載される。
（２）振幅の平均値について、計算式は、次の通りであってよい：
Figure 2022501571
 ここで、ＦＴｉ，２は、時間周波数領域データに対応する信号属性特徴データの第２片を表し、｜｜Ｒｉ，ｊ｜｜は、Ｒｉ内のｉ番目の要素の絶対値である。
（３）振幅値の標準偏差について、計算式は、次の通りであってよい：
Figure 2022501571
 ここで、ＦＴｉ，３は、時間周波数領域データに対応する信号属性特徴データの第３片を表す。
（４）振幅値の平均絶対誤差について、計算式は、次の通りであってよい：
Figure 2022501571
 ここで、ＦＴｉ，４は、時間周波数領域データに対応する信号属性特徴データの第４片を表す。
（５）振幅値四分位数は、振幅値が小から大の順序で並べられて４つの等しい部分に分けられることを意味し、３つの区切り点での振幅値が振幅値四分位数である。｜｜Ｒｉ｜｜は、ｓｏｒｔ（｜｜Ｒｉ｜｜）に基づいて小から大の順序で並べられ、｜｜Ｒｉ｜｜を４つの等しい部分に分けるために使用される位置は、ａ、ｂ、及びｃとして表され、これらは夫々、２５％四分位数、５０％四分位数、及び７５％四分位数と呼ばれ得る。２５％四分位数を計算する式は、次の通りであってよい：

ＦＴｉ，５＝Ｑｕａｉ＝ｓｏｒｔ（｜｜Ｒｉ｜｜）ａ

ここで、ＦＴｉ，５は、時間周波数領域データに対応する信号属性特徴データの第５片を表す。
（６）振幅値四分位範囲は、７５％四分位数ｃと２５％四分位数ａとの間の差を示し、計算式は、次の通りであってよい：

ＦＴｉ，６＝ＩＱＲｉ＝ｓｏｒｔ（｜｜Ｒｉ｜｜）ｃ−Ｑｕａｉ

ここで、ＦＴｉ，６は、時間周波数領域データに対応する信号属性特徴データの第６片を表す。
（７）振幅値歪度は、振幅値分布のひずみの方向及び程度の指標であり、振幅値分布の非対称性の程度のデジタル特徴であり、計算式は、次の通りであってよい：
Figure 2022501571
 ここで、ＦＴｉ，７は、時間周波数領域データに対応する信号属性特徴データの第７片を表す。
（８）振幅値尖度は、振幅値に対応する確率密度分布曲線の平均値の位置でのピーク値を反映するデジタル特徴であり、計算式は、次の通りであってよい：
Figure 2022501571
 ここで、ＦＴｉ，８は、時間周波数領域データに対応する信号属性特徴データの第８片を表す。
（９）スペクトルエントロピーは、時間周波数領域データに対応するパワースペクトルとエントロピーレートとの間の関係を表し、計算式は、次の通りであってよい：
Figure 2022501571
 ここで、｜｜Ｒｉ｜｜（ω）＝ＦＦＴ（｜｜Ｒｉ｜｜）であり、ＦＴｉ，９は、時間周波数領域データに対応する信号属性特徴データの第９片を表す。
時間周波数領域データに対応するＬＰＣ特徴データは、ＬＰＣ関数に基づいて取得され得る。ＬＰＣ関数は、次の通りであってよい：
Figure 2022501571
 ここで、ａｒは、ＬＰＣであり、ｕ（ｎ）は、入力シーケンスであり、すなわち、時間周波数領域データに対応する｜｜Ｒｉ｜｜であり、ｘ（ｎ）は、ＬＰＣ関数の出力シーケンスであり、ｘ（ｎ−ｒ）は、現在の挙動識別周期の前のＰ個の挙動識別周期で取得されるＬＰＣ関数の出力シーケンスであり、ｒ＝１，２，及び３・・・Ｐであり、
［外３］
Figure 2022501571
は、出力シーケンスの線形予測値
［外４］
Figure 2022501571
である。このＬＰＣ関数内の未知の係数はａｒである。最小平均二乗誤差基準がａｒを計算するために使用されてよい。すなわち、出力シーケンスと線形予測値との間の差は、線形予測誤差として定義され、計算式は、次の通りであってよい：
Figure 2022501571
第２予測誤差Ｅが、計算により更に取得され得、計算式は、次の通りであってよい：
Figure 2022501571
上記の式の夫々で、Ｐの値は、実際の要件に基づいて決定され得る。最終の挙動識別がより正確であることを確かにするよう、Ｐの比較的に大きい値が使用され得、例えば、Ｐ＝６である。次いで、第２誤差Ｅを計算するために使用される式のために、Ｅを最小にするａ１乃至ａ６が計算され得、すなわち、６個のＬＰＣは、時間領域データに対応するＬＰＣ特徴データであり、６つのＬＰＣは、ＦＴｉ，１０乃至ＦＦＴｉ，１５として表され得る。
従って、あるターゲットについて、そのターゲットの信号の特徴データは、ＦＴｉ＝［ＦＴｉ，１，ＦＴｉ，２，・・・，ＦＴｉ，１５］と表され得る。
可能な実施において、特徴抽出中にデータの量を減らすよう、相応して、時間周波数領域データが処理される前に、次元削減が時間周波数領域データに対して実行されてよい。
実施中に、ステップ２０２での処理に基づいて、ターゲットの時間周波数領域データＱｉは、Ｗ×Ｃの２次元行列であることが分かり、次いで、次元削減は、データの量を減らすようＱｉの各片に対して実行されてよい。次元削減処理は、主成分分析Principal Component Analysis（ＰＣＡ）次元削減アルゴリズム、特異値分解アルゴリズム、多様体学習アルゴリズム、などに基づいて実行されてよい。ＰＣＡアルゴリズムに基づく次元削減は、以下で記載される。
ターゲットの時間周波数領域データＱｉについて、ｑ（ｌ）は、ｌ番目の行の１次元ベクトルであり、ここで、ｌ＝１，２・・・Ｗであり、ｑ（ｌ）の値は１×Ｃであり、共分散行列は、次の計算式に基づいて計算されてよい：
Figure 2022501571
 ここで、共分散行列Σは、Ｃ×Ｃの平方行列である。次いで、共分散行列の固有値及び固有ベクトルが計算され、最も大きいＫ個の固有値に対応する固有ベクトルが選択され、ここで、Ｋは、次元削減された時間周波数領域データの１つの次元であり、Ｗは、次元削減された時間周波数領域データの他の次元であり、Ｋ＜＜Ｃである。その場合に、次元削減された時間周波数領域データの量は、次元削減前の時間周波数領域データのそれよりもずっと少ない。マッピング行列Ｍｉは、Ｋ個の固有値に対応する固有ベクトルに基づいて構成され、Ｗ×Ｃの初期サイズを有する時間周波数領域データの行列は、マッピング行列Ｍｉに基づいてＷ×Ｋのサイズを有する行列に変換される。変換式は、Ｔｉ＝ＱｉＭｉであってよい。
ステップ２０３でターゲットの時間周波数領域データに対して実行される処理は、ターゲットの次元削減された時間周波数領域データＴｉに対して実行されてもよい、ことが留意されるべきである。
ステップ２０４：信号属性特徴データ及びＬＰＣ特徴データを挙動識別モデルに入力し、ターゲットの挙動情報を出力する。
挙動識別モデルは、（Support Vector Machine，ＳＶＭ）分類モデルであってよく、あるいは、ニューラルネットワークモデルであってよい。記載を簡単にするために、ターゲットの信号属性特徴データ及びＬＰＣ特徴データは、まとめて、ターゲットの特徴データと呼ばれる。
実施中に、上記の処理により取得されるターゲットの特徴データは、ターゲットの挙動情報、例えば、歩くこと、走ること、離れること、近づくこと、負荷を横断すること、又は道路を対角に横断すること、を取得するよう、予め訓練された挙動識別モデルに入力されてよい。上記の説明は、挙動識別モデルがサポートベクトルマシン分類モデルである例に基づく。
挙動情報の分類中、サポートベクトルマシン分類モデルは、挙動情報をただ２つのタイプに分類するために使用され得る。ターゲットの複数のタイプの挙動情報の組み合わせを最終的に得るために、複数のサポートベクトルマシン分類モデルが使用のために組み合わされ得る。すなわち、複数のタイプの挙動情報の組み合わせを得るように、第１サポートベクトルマシンは、ターゲットの挙動情報を最初に２つのタイプに分類することができ、第２サポートベクトルマシンは、各タイプに対応するサブタイプを得るよう２つのタイプの挙動情報を分類することができ、以降続く。図５は、複数のサポートベクトルマシン分類モデルの組み合わせの概略図である。図５で、挙動情報は、最初に、道路を横断すること及び道路を対角に横断することに分けられ、次いで、道路を対角に横断することは、走ること及び歩くことに分けられ、次いで、走ること及び歩くことは、近づくこと及び離れることに同様に分けられ、ここで、近づくこと及び離れることは両方とも、ターゲットとレーダーシステムとの間の位置関係を指す。図５に示される複数のサポートベクトルマシン分類モデルの組み合わせが、ターゲットの挙動を識別するために使用される場合に、上記のステップで取得されるターゲットの特徴データはＳＶＭ１へ入力され、取得された挙動情報が道路を対角に横断することである場合には、特徴データはＳＶＭ２へ入力され、取得された挙動情報は歩くこと又は走ることである。次いで、ＳＶＭ２に基づいて取得された挙動情報が走ることである場合には、特徴データはＳＶＭ３へ入力され、取得された挙動情報は近づくこと又離れることであり、あるいは、ＳＶＭ２に基づいて取得された挙動情報が歩くことである場合には、特徴データはＳＶＭ４へ入力され、取得された挙動情報は近づくこと又は離れることである。確かに、ＳＶＭ２が設けられた後に、ＳＶＭ３及びＳＶＭ４は設けられなくてもよく、ＳＶＭ５しか設けられなくてよく、すなわち、上記の特徴情報は、ＳＶＭ２に基づいて取得された挙動情報が走ること又は歩くことであるかどうかにかかわらず、ＳＶＭ５へ入力されてよく、取得された挙動情報は近づくこと又離れることである。より都合のよい表現のために、挙動情報の各組み合わせに番号が割り当てられてよく、それにより、複数のサポートベクトルマシン分類モデルの組み合わせによって取得されるターゲットの挙動情報の組み合わせは、番号によって表される。表１は、挙動情報の組み合わせと番号との間の対応を示す。
Figure 2022501571
ここで、挙動識別モデルに基づいて取得される挙動情報のほんの数例しか先に挙げられていない点が留意されるべきであり、挙動識別モデルは異なるサンプルを使用することによって訓練可能であるから、異なる挙動情報が挙動識別モデルに基づいて識別され得る。その上、ステップ２０１及びステップ２０３における処理プロシージャは、実際の用途ではターゲットの挙動を識別する過程でターゲットの特徴データを取得する方法として使用されてもよく、あるいは、訓練サンプル内のあるサンプルの特徴データを取得する方法として使用されてもよいことが留意されるべきである。ステップ２０１及びステップ２０３における処理プロシージャが訓練サンプル内のサンプルの特徴データを取得する方法として使用される場合に、挙動識別周期におけるターゲットの特徴データが取得された後、Ｘ個の挙動識別周期におけるＸ片の特徴データが、連続して取得され、サンプル特徴データセットとして、挙動識別モデルを訓練するために使用され得る。訓練された挙動識別モデルの正確さを改善するために、Ｘは、比較的に大きい値、例えば、数万、数十万、又は更により大きい値であることができる。
同じ技術概念に基づいて、本願の実施形態は、挙動識別装置を更に提供する。図６に示されるように、装置は、受信モジュール６１０、決定モジュール６２０、及び識別モジュール６３０を含む。
受信モジュール６１０は、ターゲットによって反射されたレーダーエコー信号を受信するよう構成される。具体的に、受信モジュール６１０は、ステップ２０１でレーダーエコー信号を受信する機能、及び他の潜在的なステップを実施することができる。
処理モジュール６２０は、時間周波数領域データを取得するレーダーエコー信号を処理し、信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを取得するよう時間周波数領域データを処理するよう構成され、信号属性特徴データは、レーダーエコー信号の属性の特徴を表すために使用され、ＬＰＣ特徴データは、レーダーエコー信号の特徴を表すために使用される。具体的に、処理モジュール６２０は、ステップ２０２でレーダーエコー信号を処理する機能、ステップ２０３で時間周波数領域データを処理する機能、及び他の潜在的なステップを実施することができる。
識別モジュール６３０は、信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを挙動識別モデルに入力し、ターゲットの挙動情報を出力するよう構成される。具体的に、識別モジュール６３０は、ステップ２０４でターゲットの挙動情報を決定する機能、及び他の潜在的なステップを実施することができる。
可能な実施において、処理モジュール６２０は、
信号属性特徴データを取得するよう時間周波数領域データを処理し、
ＬＰＣ特徴データを取得する時間周波数領域データをＬＰＣ関数に入力する
よう構成される。
可能な実施において、処理モジュール６２０は、
時間周波数領域データに対して次元削減を実行する
よう更に構成される。
可能な実施において、処理モジュール６２０は、
主成分分析ＰＣＡアルゴリズムに基づいて各ターゲットの時間周波数領域データに対して次元削減を実行する
よう構成される。
可能な実施において、信号属性特徴データは、最大周波数値、振幅の平均値、振幅値の標準偏差、振幅値の平均絶対誤差、振幅値四分位数、振幅値四分位範囲、スペクトルエントロピー、振幅値歪度、及び振幅値尖度、のうちの１つ以上を含む。
可能な実施において、挙動識別モデルは、サポートベクトルマシンＳＶＭ分類器モデルである。
上記の実施形態で提供される、ターゲットの挙動を識別する装置が、ターゲットの挙動を識別しているとき、上記の機能モジュールの分割は、単に説明のための例として理解されることが知られ得る。実際の適用では、上記の機能は、異なる機能モジュールに割り当てられ、要件に従って実施され得、すなわち、レーダーシステムの内部構造は、上記の機能の全て又は一部を実施するよう、異なる機能モジュールに分けられる。その上、上記の実施形態で提供される、ターゲットの挙動を識別する装置と、ターゲットの挙動を識別する方法の実施形態とは、同じ概念に属する。装置の詳細な実施プロセスについては、方法の実施形態を参照されたく、詳細はここで再び記載されない。
上記の実施形態の全て又は一部は、ソフトウェア、ハードウェア、ファームウェア、又はそれらの任意の組み合わせによって実施されてよい。ソフトウェアが実施形態を実施するために使用される場合に、実施形態は、完全に又は部分的にコンピュータプログラム製品の形で実施されてよい。コンピュータプログラム製品は、１つ以上のコンピュータ命令を含む。コンピュータプログラム命令がコンピュータでロード及び実行される場合に、本願の上記の実施形態に従うプロシージャ又は機能は、全て又は部分的に生成される。コンピュータ命令は、コンピュータ可読記憶媒体に記憶されてよい。コンピュータ可読記憶媒体は、デバイスによってアクセス可能な任意の使用可能な媒体、又は１つ以上の使用可能な媒体を組み込むデータ記憶デバイスであってよい。使用可能な媒体は、磁気媒体（例えば、フロッピーディスク、ハードディスク、磁気テープ、など）、光学媒体（例えば、デジタル・ビデオ・ディスク（Digital Video Disk，ＤＶＤ）など）、半導体媒体（例えば、ソリッド・ステート・ドライブ、など）であってよい。
当業者であれば、実施形態のステップの全て又は一部が、ハードウェア又は関連するハードウェアに命令するプログラムによって実施されてよい、と理解し得る。プログラムは、コンピュータ可読記憶媒体に記憶されてよい。記憶媒体は、リード・オンリー・メモリ、磁気ディスク、又は光ディスクを含んでよい。
上記の説明は、本願の具体的な実施形態にすぎず、本願を制限する意図はない。本願の精神及び原理から外れずに行われる如何なる変更、等価な置換、又は改良も、本願の保護範囲内に入るべきである。
本願は、２０１９年８月３０日付けで「METHOD AND APPRATUS FOR IDENTIFYING BEHAVIOR OF TARGET, AND RADAR SYSTEM」と題されて中国国家知識産権局に出願された中国特許出願第２０１９１０８１７０８９．３号の優先権を主張する。なお、先の中国出願は、その全文を参照により本願に援用される。
実施中に、ステップ２０２での処理に基づいて、ターゲットの時間周波数領域データＱｉは、Ｗ×Ｃの２次元行列であることが分かり、次いで、次元削減は、データの量を減らすようＱｉの各片に対して実行されてよい。次元削減処理は、主成分分析（Principal Component Analysis，ＰＣＡ）次元削減アルゴリズム、特異値分解アルゴリズム、多様体学習アルゴリズム、などに基づいて実行されてよい。ＰＣＡアルゴリズムに基づく次元削減は、以下で記載される。
実施中に、上記の処理により取得されるターゲットの特徴データは、ターゲットの挙動情報、例えば、歩くこと、走ること、離れること、近づくこと、道路を横断すること、又は道路を対角に横断すること、を取得するよう、予め訓練された挙動識別モデルに入力されてよい。上記の説明は、挙動識別モデルがサポートベクトルマシン分類モデルである例に基づく。
挙動情報の分類中、サポートベクトルマシン分類モデルは、挙動情報をただ２つのタイプに分類するために使用され得る。ターゲットの複数のタイプの挙動情報の組み合わせを最終的に得るために、複数のサポートベクトルマシン分類モデルが使用のために組み合わされ得る。すなわち、複数のタイプの挙動情報の組み合わせを得るように、第１サポートベクトルマシンは、ターゲットの挙動情報を最初に２つのタイプに分類することができ、第２サポートベクトルマシンは、各タイプに対応するサブタイプを得るよう２つのタイプの挙動情報を分類することができ、以降続く。図５は、複数のサポートベクトルマシン分類モデルの組み合わせの概略図である。図５で、挙動情報は、最初に、道路を横断すること及び道路を対角に横断することに分けられ、次いで、道路を対角に横断することは、走ること及び歩くことに分けられ、次いで、走ること及び歩くことは、近づくこと及び離れることに同様に分けられ、ここで、近づくこと及び離れることは両方とも、ターゲットとレーダーシステムとの間の位置関係を指す。図５に示される複数のサポートベクトルマシン分類モデルの組み合わせが、ターゲットの挙動を識別するために使用される場合に、上記のステップで取得されるターゲットの特徴データはＳＶＭ１へ入力され、取得された挙動情報が道路を対角に横断することである場合には、特徴データはＳＶＭ２へ入力され、取得された挙動情報は歩くこと又は走ることである。次いで、ＳＶＭ２に基づいて取得された挙動情報が走ることである場合には、特徴データはＳＶＭ３へ入力され、取得された挙動情報は近づくこと又離れることであり、あるいは、ＳＶＭ２に基づいて取得された挙動情報が歩くことである場合には、特徴データはＳＶＭ４へ入力され、取得された挙動情報は近づくこと又は離れることである。確かに、ＳＶＭ２が設けられた後に、ＳＶＭ３及びＳＶＭ４は設けられなくてもよく、ＳＶＭ５しか設けられなくてよく、すなわち、上記の特徴情報は、ＳＶＭ２に基づいて取得された挙動情報が走ること又は歩くことであるかどうかにかかわらず、ＳＶＭ５へ入力されてよく、取得された挙動情報は近づくこと又離れることである。より都合のよい表現のために、挙動情報の各組み合わせに番号が割り当てられてよく、それにより、複数のサポートベクトルマシン分類モデルの組み合わせによって取得されるターゲットの挙動情報の組み合わせは、番号によって表される。表１は、挙動情報の組み合わせと番号との間の対応を示す。
Figure 2022501571
同じ技術概念に基づいて、本願の実施形態は、挙動識別装置を更に提供する。図６に示されるように、装置は、受信モジュール６１０、処理モジュール６２０、及び識別モジュール６３０を含む。

Claims (14)

  1. ターゲットの挙動を識別する方法であって、
    ターゲットによって反射されたレーダーエコー信号を受信することと、
    時間周波数領域データを取得するよう前記レーダーエコー信号を処理することと、
    信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを取得するよう前記時間周波数領域データを処理することであり、前記信号属性特徴データは、前記レーダーエコー信号の属性の特徴を表すために使用され、前記ＬＰＣ特徴データは、前記レーダーエコー信号の特徴を表すために使用される、ことと、
    前記信号属性特徴データ及び前記線形予測係数ＬＰＣ特徴データを挙動識別モデルに入力し、前記ターゲットの挙動情報を出力することと
    を有する方法。
  2. 信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを取得するよう前記時間周波数領域データを処理することは、
    前記信号属性特徴データを取得するよう前記時間周波数領域データを処理することと、
    前記ＬＰＣ特徴データを取得するよう前記時間周波数領域データをＬＰＣ関数に入力することと
    を有する、
    請求項１に記載の方法。
  3. 信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを取得するよう前記時間周波数領域データを処理することの前に、前記方法は、
    前記時間周波数領域データに対して次元削減を実行することを更に有する、
    請求項１又は２に記載の方法。
  4. 前記時間周波数領域データに対して次元削減を実行することは、
    主成分分析ＰＣＡアルゴリズムに基づいて前記時間周波数領域データに対して次元削減を実行することを有する、
    請求項３に記載の方法。
  5. 前記信号属性特徴データは、最大周波数値、振幅の平均値、振幅値の標準偏差、振幅値の平均絶対誤差、振幅値四分位数、振幅値四分位範囲、スペクトルエントロピー、振幅値歪度、及び振幅値尖度、のうちの１つ以上を有する、
    請求項１乃至４のうちいずれか一項に記載の方法。
  6. 前記挙動識別モデルは、サポートベクトルマシンＳＶＭ分類器モデルである、
    請求項１乃至５のうちいずれか一項に記載の方法。
  7. ターゲットの挙動を識別する装置であって、
    ターゲットによって反射されたレーダーエコー信号を受信するよう構成される受信モジュールと、
    時間周波数領域データを取得するよう前記レーダーエコー信号を処理し、信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを取得するよう前記時間周波数領域データを処理するよう構成される処理モジュールであり、前記信号属性特徴データは、前記レーダーエコー信号の属性の特徴を表すために使用され、前記ＬＰＣ特徴データは、前記レーダーエコー信号の特徴を表すために使用される、前記処理モジュールと、
    前記信号属性特徴データ及び前記線形予測係数ＬＰＣ特徴データを挙動識別モデルに入力し、前記ターゲットの挙動情報を出力するよう構成される識別モジュールと
    を有する装置。
  8. 前記処理モジュールは、
    前記信号属性特徴データを取得するよう前記時間周波数領域データを処理し、
    前記ＬＰＣ特徴データを取得するよう前記時間周波数領域データをＬＰＣ関数に入力する
    よう構成される、
    請求項７に記載の装置。
  9. 前記処理モジュールは、
    前記時間周波数領域データに対して次元削減を実行するよう更に構成される、
    請求項７又は８に記載の装置。
  10. 前記処理モジュールは、
    主成分分析ＰＣＡアルゴリズムに基づいて各ターゲットの前記時間周波数領域データに対して次元削減を実行するよう構成される、
    請求項９に記載の装置。
  11. 前記信号属性特徴データは、最大周波数値、振幅の平均値、振幅値の標準偏差、振幅値の平均絶対誤差、振幅値四分位数、振幅値四分位範囲、スペクトルエントロピー、振幅値歪度、及び振幅値尖度、のうちの１つ以上を有する、
    請求項７乃至１０のうちいずれか一項に記載の装置。
  12. 前記挙動識別モデルは、サポートベクトルマシンＳＶＭ分類器モデルである、
    請求項７乃至１１のうちいずれか一項に記載の装置。
  13. レーダーシステムであって、
    信号送信装置、信号受信装置、及び信号処理装置を有し、
    前記信号送信装置は、レーダー信号を送信するよう構成され、
    前記信号受信装置は、前記レーダー信号がターゲットに接触するときに該ターゲットによって反射されたレーダーエコー信号を受信するよう構成され、
    前記信号処理装置は、
    時間周波数領域データを取得するよう、前記信号受信装置によって受信された前記レーダーエコー信号を処理し、
    信号属性特徴データ及び線形予測係数ＬＰＣ特徴データを取得するよう前記時間周波数領域データを処理し、前記信号属性特徴データは、前記レーダーエコー信号の属性の特徴を表すために使用され、前記ＬＰＣ特徴データは、前記レーダーエコー信号の特徴を表すために使用され、
    前記信号属性特徴データ及び前記線形予測係数ＬＰＣ特徴データを挙動識別モデルに入力し、前記ターゲットの挙動情報を出力する
    よう構成される、
    レーダーシステム。
  14. 命令を有するコンピュータ可読記憶媒体であって、
    前記コンピュータ可読記憶媒体がコンピュータで実行される場合に、該コンピュータは、請求項１乃至６のうちいずれか一項に記載の、ターゲットの挙動を識別する方法を実行することを可能にされる、
    コンピュータ可読記憶媒体。
JP2020568494A 2019-08-30 2020-04-16 ターゲットの挙動を識別する方法及び装置、並びにレーダーシステム Active JP7111843B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201910817089.3 2019-08-30
CN201910817089.3A CN112444785B (zh) 2019-08-30 2019-08-30 一种目标行为识别的方法、装置和雷达系统
PCT/CN2020/085139 WO2021036286A1 (zh) 2019-08-30 2020-04-16 一种目标行为识别的方法、装置和雷达系统

Publications (2)

Publication Number Publication Date
JP2022501571A true JP2022501571A (ja) 2022-01-06
JP7111843B2 JP7111843B2 (ja) 2022-08-02

Family

ID=74175591

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020568494A Active JP7111843B2 (ja) 2019-08-30 2020-04-16 ターゲットの挙動を識別する方法及び装置、並びにレーダーシステム

Country Status (5)

Country Link
US (1) US20210190912A1 (ja)
EP (1) EP3805786A1 (ja)
JP (1) JP7111843B2 (ja)
CN (1) CN112444785B (ja)
WO (1) WO2021036286A1 (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11237246B1 (en) * 2020-07-13 2022-02-01 Dbtsystems Llc Pulsed radar with multispectral modulation to reduce interference, increase PRF, and improve doppler velocity measurement
CN113281811A (zh) * 2021-05-14 2021-08-20 曲卫 电磁目标行为层级模型及其应用方法
CN113534065B (zh) * 2021-07-20 2024-02-02 中国人民解放军海军航空大学 一种雷达目标微动特征提取与智能分类方法及系统
CN113705415B (zh) * 2021-08-23 2023-10-27 中国电子科技集团公司第十五研究所 基于雷达情报的空情目标特征提取方法及装置
CN114429585A (zh) * 2021-12-26 2022-05-03 西北工业大学 一种海面目标多特征智能辨识方法
CN114519372B (zh) * 2022-01-28 2023-06-20 西安电子科技大学 基于支持向量机的一维距离像目标识别方法
CN114943252B (zh) * 2022-05-20 2023-04-07 电子科技大学 一种多旋翼无人机识别中的多型子块组合特征提取方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0464080A (ja) * 1990-07-02 1992-02-28 Oki Electric Ind Co Ltd ドップラー偏移周波数分析方法
US5999118A (en) * 1996-07-05 1999-12-07 Thomson-Csf Method of spectral analysis, FM/CW type radio altimeter with digital processing
US20110257536A1 (en) * 2008-09-15 2011-10-20 Wee Ser method for detecting heartbeat and/or respiration
JP2012163403A (ja) * 2011-02-04 2012-08-30 Honda Elesys Co Ltd 電子走査型レーダ装置、受信波方向推定方法及び受信波方向推定プログラム
JP2016070701A (ja) * 2014-09-26 2016-05-09 パナソニックＩｐマネジメント株式会社 信号処理装置、検出装置、およびプログラム
CN106127110A (zh) * 2016-06-15 2016-11-16 中国人民解放军第四军医大学 一种基于uwb雷达和最优svm的人体细粒度运动识别方法
JP2017026475A (ja) * 2015-07-23 2017-02-02 沖電気工業株式会社 判別装置、判別方法、プログラム、モデル生成装置、及びモデル生成方法
CN108388850A (zh) * 2018-02-08 2018-08-10 天津大学 一种基于k最近邻及微多普勒特征的人体动作识别方法

Family Cites Families (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4954963A (en) * 1989-03-02 1990-09-04 Texas Instruments Incorporated Neural network and system
US5638281A (en) * 1991-01-31 1997-06-10 Ail Systems, Inc. Target prediction and collision warning system
JP4787482B2 (ja) * 2004-10-15 2011-10-05 古野電気株式会社 レーダ装置および画像データ生成装置
US7924212B2 (en) * 2009-08-10 2011-04-12 Robert Bosch Gmbh Method for human only activity detection based on radar signals
US8223589B2 (en) * 2010-10-28 2012-07-17 Hon Hai Precision Industry Co., Ltd. Gesture recognition apparatus and method
US8682821B2 (en) * 2011-08-08 2014-03-25 Robert Bosch Gmbh Method for detection of movement of a specific type of object or animal based on radar signals
US10495725B2 (en) * 2012-12-05 2019-12-03 Origin Wireless, Inc. Method, apparatus, server and system for real-time vital sign detection and monitoring
US20140266860A1 (en) * 2013-03-14 2014-09-18 Gaddi BLUMROSEN Method and system for activity detection and classification
US9733350B2 (en) * 2014-07-03 2017-08-15 GM Global Technology Operations LLC Vehicle radar control
JP6567832B2 (ja) * 2015-01-29 2019-08-28 日本電産株式会社 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
US9576468B2 (en) * 2015-06-29 2017-02-21 Echocare Technologies Ltd. Human motion feature extraction in personal emergency response systems and methods
US10037671B2 (en) * 2015-06-29 2018-07-31 Echocare Technologies Ltd. Human respiration feature extraction in personal emergency response systems and methods
US9568595B2 (en) * 2015-06-29 2017-02-14 Echocare Technologies Ltd. Ultra-wide band antenna arrays and related methods in personal emergency response systems
US9568594B2 (en) * 2015-06-29 2017-02-14 Echocare Technologies Ltd. Human posture feature extraction in personal emergency response systems and methods
US9520051B1 (en) * 2015-06-29 2016-12-13 Echocare Technologies Ltd. System and method for implementing personal emergency response system based on UWB interferometer
US10192552B2 (en) * 2016-06-10 2019-01-29 Apple Inc. Digital assistant providing whispered speech
US10473756B2 (en) * 2016-07-05 2019-11-12 Panasonic Intellectual Property Management Co., Ltd. Sensor and estimating method
US10934764B2 (en) * 2016-09-08 2021-03-02 Magna Closures Inc. Radar detection system for non-contact human activation of powered closure member
US11067667B2 (en) * 2016-09-08 2021-07-20 Magna Closures Inc. Radar detection system for non-contact human activation of powered closure member
US20190162821A1 (en) * 2016-09-08 2019-05-30 Magna Closures Inc. Radar detection system for non-contact human activation of powered closure member
US10838057B2 (en) * 2016-10-14 2020-11-17 Lockheed Martin Corporation Radar system and method for determining a rotational state of a moving object
US20180106889A1 (en) * 2016-10-14 2018-04-19 Lockheed Martin Corporation System and method for radar based threat determination and classification
CN106814351B (zh) * 2017-01-10 2019-04-19 西安电子科技大学 基于三阶lpc技术的飞机目标分类方法
JP7150292B2 (ja) * 2017-03-31 2022-10-11 慶應義塾 行動認識システム、及び行動認識方法
US10310087B2 (en) * 2017-05-31 2019-06-04 Uber Technologies, Inc. Range-view LIDAR-based object detection
US11651326B2 (en) * 2017-11-22 2023-05-16 United Parcel Service Of America, Inc. Automatically predicting shipper behavior using machine learning models
US10108903B1 (en) * 2017-12-08 2018-10-23 Cognitive Systems Corp. Motion detection based on machine learning of wireless signal properties
GB201804129D0 (en) * 2017-12-15 2018-05-02 Cirrus Logic Int Semiconductor Ltd Proximity sensing
US10576328B2 (en) * 2018-02-06 2020-03-03 Infineon Technologies Ag System and method for contactless sensing on a treadmill
US10310073B1 (en) * 2018-02-07 2019-06-04 Infineon Technologies Ag System and method for determining engagement level of a human being using a millimeter-wave radar sensor
WO2019182974A2 (en) * 2018-03-21 2019-09-26 Nvidia Corporation Stereo depth estimation using deep neural networks
CN108614993A (zh) * 2018-03-23 2018-10-02 武汉雷博合创电子科技有限公司 一种基于雷达及模式识别的行人姿态识别方法及系统
CN108920993B (zh) * 2018-03-23 2022-08-16 武汉雷博合创电子科技有限公司 一种基于雷达及多网络融合的行人姿态识别方法及系统
US11391819B2 (en) * 2018-07-18 2022-07-19 Qualcomm Incorporate Object verification using radar images
CN109065070B (zh) * 2018-08-29 2022-07-19 昆明理工大学 一种基于核函数的音频特征信号的降维方法
CN109188414A (zh) * 2018-09-12 2019-01-11 北京工业大学 一种基于毫米波雷达的手势运动探测方法
US11734472B2 (en) * 2018-12-07 2023-08-22 Zoox, Inc. System and method for modeling physical objects in a simulation
CN109765539B (zh) * 2019-01-28 2021-06-04 珠海格力电器股份有限公司 室内用户行为监测方法和装置、电器设备和家居监控系统
CN111771141B (zh) * 2019-01-30 2024-04-09 百度时代网络技术（北京）有限公司 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位
US11594011B2 (en) * 2019-01-30 2023-02-28 Baidu Usa Llc Deep learning-based feature extraction for LiDAR localization of autonomous driving vehicles
EP3714285B1 (en) * 2019-01-30 2022-07-27 Baidu.com Times Technology (Beijing) Co., Ltd. Lidar localization using rnn and lstm for temporal smoothness in autonomous driving vehicles
TWI761671B (zh) * 2019-04-02 2022-04-21 緯創資通股份有限公司 活體偵測方法與活體偵測系統
CN109917347B (zh) * 2019-04-10 2021-09-24 电子科技大学 一种基于时频域稀疏重构的雷达行人检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0464080A (ja) * 1990-07-02 1992-02-28 Oki Electric Ind Co Ltd ドップラー偏移周波数分析方法
US5999118A (en) * 1996-07-05 1999-12-07 Thomson-Csf Method of spectral analysis, FM/CW type radio altimeter with digital processing
US20110257536A1 (en) * 2008-09-15 2011-10-20 Wee Ser method for detecting heartbeat and/or respiration
JP2012163403A (ja) * 2011-02-04 2012-08-30 Honda Elesys Co Ltd 電子走査型レーダ装置、受信波方向推定方法及び受信波方向推定プログラム
JP2016070701A (ja) * 2014-09-26 2016-05-09 パナソニックＩｐマネジメント株式会社 信号処理装置、検出装置、およびプログラム
JP2017026475A (ja) * 2015-07-23 2017-02-02 沖電気工業株式会社 判別装置、判別方法、プログラム、モデル生成装置、及びモデル生成方法
CN106127110A (zh) * 2016-06-15 2016-11-16 中国人民解放军第四军医大学 一种基于uwb雷达和最优svm的人体细粒度运动识别方法
CN108388850A (zh) * 2018-02-08 2018-08-10 天津大学 一种基于k最近邻及微多普勒特征的人体动作识别方法

Also Published As

Publication number Publication date
WO2021036286A1 (zh) 2021-03-04
US20210190912A1 (en) 2021-06-24
JP7111843B2 (ja) 2022-08-02
CN112444785A (zh) 2021-03-05
EP3805786A4 (en) 2021-04-14
EP3805786A1 (en) 2021-04-14
CN112444785B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
JP2022501571A (ja) ターゲットの挙動を識別する方法及び装置、並びにレーダーシステム
US11054913B2 (en) Hidden markov model-based gesture recognition with FMCW radar
Liu et al. Deep learning and recognition of radar jamming based on CNN
WO2021134449A1 (zh) 一种强杂波下fmcw阵列雷达运动多目标弱信号检测方法、装置、计算机设备及存储介质
CN111175718B (zh) 联合时频域的地面雷达自动目标识别方法及系统
Cain et al. Convolutional neural networks for radar emitter classification
WO2023029390A1 (zh) 一种毫米波雷达手势检测识别方法
CN112241003A (zh) 用于对象检测的方法和系统
CN115061113B (zh) 用于雷达的目标检测模型训练方法、装置及存储介质
JP2024514618A (ja) Ｄｎｎ基盤の人の顔分類
US9866422B1 (en) Methods of blind source separation filter resource management
Shapero et al. Identifying agile waveforms with neural networks
CN113640768A (zh) 一种基于小波变换的低分辨雷达目标识别方法
CN112213697B (zh) 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法
Mokhtari et al. RF-based drone detection and classification system using convolutional neural network
Yang et al. Sparsity aware dynamic gesture classification using dual-band radar
CN114859297A (zh) 桥梁振动目标检测方法及装置
JP5933346B2 (ja) 発振器同定装置及び発振器同定方法
CN110880012A (zh) 多侦察平台脉间捷变雷达辐射源频率信息关联方法
CN118050740B (zh) 一种调频连续波激光雷达信号分析方法及系统
CN115494496B (zh) 单比特雷达成像系统、方法及相关设备
WO2023226388A1 (zh) 数据处理方法与处理装置
Fang et al. Tree structure network: A learning-based deep network for classification of cpu instruction through em signal
Liu et al. Radar-STDA: A High-Performance Spatial-Temporal Denoising Autoencoder for Interference Mitigation of FMCW Radars
Zhou et al. CAU-Net: A Convolutional Attention U-Network For Radar Signal Deinterleaving

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201209

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201209

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220104

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220322

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220705

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220721

R150 Certificate of patent or registration of utility model

Ref document number: 7111843

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150