Aug, 2024

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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • RADDet：基于距离-方位-多普勒的道路动态目标雷达检测

    本文提出了一种基于深度学习的 Range-Azimuth-Doppler 多类物体检测算法，并伴随着一个包含动态道路用户的弯曲区域、类别标签和 2D 边界框的 novel radar 数据集，并提出了一种实例化自动注释方法

    May, 2021

  • 多任务学习的原始高清雷达

    本文介绍了一种基于FFT-RadNet的新型高清雷达感知模型，该感知模型不需要计算范围-方位-多普勒3D张量，而使用范围-多普勒频谱进行角度恢复；通过该模型实现了车辆检测和驾驶空间分割。同时，文中还介绍了一组同步的汽车级传感器（相机、激光雷达、高清雷达）所采集且已经进行标注的数据集（RADIal）

    Dec, 2021

  • RIS-ADMM：基于ADMM的无源稀疏感知方法与干扰消除

    提出一种利用可重构智能表面 (RIS) 技术进行无线通信信号感知的方法，采用基于原子范数最小化 (ANM) 的迭代算法进行到达角 (DOA) 估计并抑制干扰信号，结果表明该方法具有更低的计算复杂度和更高的准确性。

    May, 2022

  • 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

  • 一种基于Vision Transformer的高效近场不规则SAR超分辨率方法

    本文介绍了一种移动友好的视觉变换（ViT）算法，称为Mobile-SRViT，用于在不规则采样几何下处理合成孔径雷达（SAR）图像。该算法采用ViT方法进行SAR图像超分辨率(SR)处理，并在模拟和经验研究中进行验证。

    May, 2023

  • 深度学习辅助下的鲁棒稀疏阵列雷达

    本文针对稀疏阵列感测器失效问题，在神经网络和数据驱动方法中使用两种机器学习方法以提高MRA的性能，实验结果表明两种方法均可显著改善阵列的性能。

    Jun, 2023

  • 无线通信的多模态变压器：波束预测案例研究

    本文介绍了一种多模态变压器深度学习框架，用于辅助感知的波束预测。通过使用卷积神经网络从一系列图像、点云和雷达原始数据中提取特征，并使用变压器编码器学习不同模态和时间实例之间的隐藏关系，生成下一级特征提取的编码向量。通过在不同模态的组合上进行监督学习来训练模型，实验结果表明，使用图像和GPS数据训练的解决方案在预测波束的距离准确率方面表现最佳，为78.44％，并具有有效的推广性。

    Sep, 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

  • 基于深度学习的综合感知与通信系统中的目标与用户关联

    本文研究了一种整合感知和通信系统中基于雷达的通信系统，其中基站配备MIMO雷达，通过目标用户关联和波束预测实现通信任务。提出了一种基于目标-用户关联的方法，通过修改YOLO模型实现多目标检测和波束推断，结果表明该方法在不同的移动场景下能够提供正确关联的概率，并展示了修改后的YOLO架构在雷达目标检测方面的效果。

    Jan, 2024

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

    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。

    Jul, 2024