Jul, 2024

RIMformer：一种用于FMCW雷达干扰抑制的端到端Transformer

HTML
PDF
TL;DR提出了一种名为RIMformer的新颖FMCW雷达干扰抑制方法，采用端到端的Transformer结构来捕捉中频信号中不同距离元素之间的相关性，并通过改进的卷积模块提取局部特征，从而有效减轻干扰和恢复目标信号。
发现论文，激发创造
  • 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

  • 毫米波汽车雷达测试床实验

    本文介绍了基于毫米波雷达的ADAS系统及FMCW雷达工作原理，利用实验数据和雷达成像算法进行目标识别，有效验证了其能力。

    Dec, 2019

  • 基于残差过完备自编码块展开鲁棒PCA的汽车雷达干扰抑制

    本研究提出了一种基于深度学习和展开式鲁棒主成分分析技术的自适应雷达干扰抑制方法，通过在递归式展开式鲁棒主成分分析技术中引入残余过完备自编码器块，实现了在干扰存在的情况下同时准确估计雷达目标的幅度和相位的效果。

    Oct, 2020

  • 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

  • RadarFormer：轻量级高精度实时雷达物体检测模型

    本文通过使用具有长波长的雷达数据集以及开发一种名为Radarformer的基于transformer的模型，解决了自动驾驶中在恶劣天气下雷达探测的问题，并在CRUW雷达数据集上进行了全面实验，表明Radarformer在速度和模型参数上具有优势。

    Apr, 2023

  • 基于深度学习的多波段信号融合用于三维SAR超分辨率

    提出一种深度学习方法kR-Net，使用混合的双域复值卷积神经网络(CV-CNN)融合多频段信号，以实现对复杂目标的高分辨率成像，从而在安全筛查和工业成像领域中具有广阔应用前景。

    May, 2023

  • 雷达信号特征化的多任务学习

    本文提出了一种多任务学习（MTL）方法，即IQ信号变换器（IQST），用于雷达信号分类和表征，并在合成雷达数据集上展示了我们提出的MTL模型的性能，同时也提供了雷达信号表征的首个基准。

    Jun, 2023

  • 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

  • 用于汽车雷达中的干扰抑制的角度等变卷积神经网络

    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

  • 使用变压器的到达角估计：一种稀疏无网格且具零-shot能力的方法

    本研究解决了当前汽车多输入多输出（MIMO）雷达在到达角（AOA）估计中性能不足的问题。提出的AAETR方法通过高效的稀疏无网格技术以及较少的可调超参数，实现了在多目标和不同信噪比场景中的优越性能，与传统的超分辨率AOA算法相比，展现出良好的零-shot转移能力和抑制旁瓣干扰的潜力，为实际系统的应用提供了新思路。

    Aug, 2024