Dec, 2023

用于汽车雷达中的干扰抑制的角度等变卷积神经网络

PDF
TL;DR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。
fmcw radarmutual interferenceneural networksconvolutional neural networkangle equivariance
发现论文，激发创造
  • 用于汽车雷达干扰抑制的全卷积神经网络

    本文提出了一种基于全卷积神经网络的 FMCW 雷达干扰抑制方法，改善了汽车场景下雷达传感器之间的干扰问题，同时开源了一个近似实际汽车场景的大规模数据集。

    Jul, 2020

  • 汽车雷达干扰抑制的神经网络端到端训练

    本文提出了一种用于频率调制连续波雷达相互干扰抑制的神经网络（NNs）训练方法，通过直接在目标检测地图上训练 NNs，以显著提高目标检测性能，并引入可分离卷积核来减少雷达应用中卷积 NN 架构的参数和计算复杂性。

    Dec, 2023

  • 使用卷积神经网络进行汽车雷达复杂信号去噪与干扰抑制

    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

  • 基于全卷积网络的 FMCW 雷达目标检测和三维估计

    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

  • 用于雷达干扰抑制的量化神经网络

    本文研究基于 CNN 的雷达信号去噪和抗干扰的量化技术，比较了不同网络结构和大小的量化潜力，并分析了​由于雷达频率带干扰而导致的环境感知问题。

    Nov, 2020

  • 汽车雷达干扰减轻的深度学习方法

    本研究提出了一种使用深度学习减少雷达信号干扰的新方法，该方法在各种干扰条件下表现良好，并且具有低的处理时间和比传统的信号处理方法更好的性能。

    Mar, 2019

  • RAMP-CNN：一种增强汽车雷达物体识别的新型神经网络

    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

  • 基于深度学习的多目标雷达检测估计

    本研究提出了一种基于卷积神经网络的方法，可直接从无线信号的距离 - 多普勒图中估算移动目标的范围和速度指数，并实验证明我们的模型相比现有方法在不同的信噪比下具有更好的范围和速度估算精度和更短的预测时间，并且在峰值信噪比方面表现的也更为优秀。

    May, 2023

  • 使用生成对抗网络生成逼真的合成原始雷达数据，用于自动驾驶应用

    该研究提出了一种使用生成对抗网络进行 FMCW 雷达模拟的更快方法，可以生成合成的原始雷达数据，用于进一步开发雷达数据处理算法（滤波和聚类），从而增加数据增强的潜力，减少模拟与现实之间的差距。

    Aug, 2023

  • 使用卷积神经网络识别无线干扰

    本文提出了基于深度卷积神经网络的无线干扰识别方法，该方法在信噪比至少为 - 5 dB 时具有大于 95％的分类准确性，适用于 IEEE 802.11 b /g，IEEE 802.15.4 和 IEEE 802.15.1 网络的重叠频率通道。

    Mar, 2017