基于深度学习的多目标雷达检测估计
本文使用深度学习框架对 FMCW 雷达进行物体检测和 3D 估计,在处理雷达训练数据时,通过图像分析提供三维空间中物体方向的真实值,并提出归一化方法以确保成功训练完全卷积网络 (FCN),该系统能够在嘈杂环境中成功检测到汽车并进一步估计其 3D 位置。
Feb, 2019
本文提出了一种基于雷达的多类别检测方法,结合卷积神经网络和目标聚类,针对目标和对象级别提供低层雷达数据的类信息和目标提议,实验表明该方法表现优越。
Apr, 2020
通过提出一种数据驱动的神经网络方法,本研究展示了在雷达系统中准确目标定位的潜力,优于传统技术的目标方位与速度估计精度,为繁杂和动态环境中更准确的定位铺平了道路。
Jan, 2024
该论文介绍了一种基于深度神经网络的雷达数据处理方法,能够提供无混淆的雷达成像和超高分辨率,使用真实模拟数据进行了验证,证明了该方法性能优于现有的子空间算法和机器学习方案,为雷达信号处理提供了很有前途的解决方案。
Jun, 2023
本研究旨在解决越来越多的雷达传感器在街道上部署时,存在的共存干扰问题。为此,研究提出了使用卷积神经网络(CNN)对数据进行去噪的方法,实验结果证明了该方法的优越性。因此,CNN 可以作为传统信号处理方法之外的一种干扰抑制方法,用于自动驾驶领域的雷达信号处理中。
Jun, 2019
自动驾驶技术在公共道路和工业场景中越来越普遍,但传统摄像头或激光雷达在恶劣环境下的表现受到影响。我们提出了一种基于 4D 雷达的 CNN 架构 TMVA4D,用于语义分割,并且说明了构建数据集的过程。在工业环境的数据集上,我们使用 TMVA4D 获得了 78.2% 的平均交并比分数和 86.1% 的平均 Dice 分数。
Apr, 2024
本文提出了一种基于 RVA 热点图的雷达多透视卷积神经网络 (RAMP-CNN),该模型结合多个较低维度神经网络模型,能够有效地检测和定位多个不同种类的物体,并在夜间工作稳定,能够是纯光学传感器在恶劣条件下的潜在替代选择。
Nov, 2020
提出了用于地面运动目标指示器雷达中距离 - 多普勒图像的目标检测和不确定性估计的新型机器学习模型,通过使用这些模型的输出,显著提高了复杂多目标空对地跟踪场景中多假设跟踪器的性能。
Jul, 2024
通过开发深度学习重建方法,我们为实时近场多输入多输出(MIMO)雷达成像系统提供了一种新颖的非迭代重建方法,旨在在压缩设置下以较低的计算成本实现高质量图像。
Dec, 2023
在本文中,我们提出一种全卷积神经网络 (CNN) 架构,使用三阶卷积以在不同的入射角度下传递学习到的模式,并在汽车应用中的频率调制连续波雷达 (FMCW radar) 技术中进行干扰抑制和角度参数估计,该架构在性能上优于之前的工作。
Dec, 2023