利用运动扩展孔径来增加雷达角度分辨率制造技术

一种车辆以及操作该车辆的系统和方法。该系统包括扩展雷达阵列、处理器和控制器。扩展雷达阵列是通过将车辆的雷达阵列移动选择的距离而形成的。所述处理器被配置为从所述扩展雷达阵列接收对象的多个观测值，基于所述多个观测值操作神经网络以生成网络输出信号，并且从所述网络输出信号确定所述对象相对于所述车辆的对象参数。控制器基于对象的对象参数操作车辆。作车辆。作车辆。

【技术实现步骤摘要】
利用运动扩展孔径来增加雷达角度分辨率


[0001]本主题公开涉及车辆雷达系统，并且尤其涉及用于利用车辆的运动来增加车辆雷达阵列的角度分辨率的系统和方法。

技术介绍

[0002]自主车辆通过检测对象并确定避开对象的轨迹可以相对于其环境中的对象导航。检测可以由各种检测系统执行，其中之一是采用一个或多个雷达天线的雷达系统。雷达天线的角度分辨率因其孔径大小而受到限制，其通常为几厘米。角度分辨率可以通过使用跨越更宽孔径的天线阵列来提高。然而，车辆的尺寸限制了天线阵列的尺寸，从而限制了其角度分辨率。因此，期望提供一种用于操作车辆天线阵列的系统和方法，该系统和方法将其角度分辨率扩展(extend)到超出车辆的尺寸所施加的限制。

技术实现思路

[0003]在一个示例性实施例中，公开了一种操作车辆的方法。在通过将车辆的雷达阵列移动通过选择距离而形成的扩展雷达阵列处接收对象的多个观测值(observation)。多个观测值被输入到神经网络以生成网络输出信号。从网络输出信号确定对象相对于车辆的对象参数。车辆基于对象的对象参数进行操作。
[0004]除了本文描述的一个或多个特征之外，该方法还包括当雷达阵列移动通过所选择距离时，在雷达阵列的多个位置的每个位置处获得多个观测值。该方法还包括将多个观测值输入到神经网络以生成多个特征，并组合该多个特征以获得网络输出信号。神经网络包括多个卷积网络，每个卷积网络从多个观测值接收相应的观测值，并生成多个特征的相应特征。该方法还包括通过确定神经网络的加权(weights)值来训练神经网络，该加权值最小化包括网络输出信号和参考信号的损失函数。基于在车辆和对象之间的相对运动期间的雷达阵列和对象之间的已知相对距离，通过随时间相干地组合多个观测值来生成参考信号。参考信号包括从扩展雷达阵列接收的观测值和基于为观测值记录的角度和距离(range)的合成响应的乘积。
[0005]在另一个示例性实施例中，公开了一种用于操作车辆的系统。该系统包括扩展雷达阵列、处理器和控制器。扩展雷达阵列是通过将车辆的雷达阵列移动选择距离而形成的。所述处理器被配置为从所述扩展雷达阵列接收对象的多个观测值，基于所述多个观测值操作神经网络以生成网络输出信号，并且从所述网络输出信号确定所述对象相对于所述车辆的对象参数。控制器基于对象的对象参数操作车辆。
[0006]除了本文所述的一个或多个特征之外，当雷达阵列移动通过选择距离时，扩展雷达阵列在雷达阵列的多个位置中的每个位置处获得多个观测值。处理器还被配置为操作神经网络以基于多个观测值生成多个特征，并操作级联(concatenation)模块以组合多个特征来获得网络输出信号。该神经网络包括多个卷积网络，每个卷积网络被配置为从多个观测值接收相应的观测值，并生成多个特征的相应特征。处理器还被配置为通过确定神经网
络的加权值来训练神经网络，所述加权值最小化包括网络输出信号和参考信号的损失函数。处理器还被配置为通过基于车辆和对象之间的相对运动期间的雷达阵列和对象之间的已知相对距离随时间相干地组合多个观测值来生成参考信号。处理器还被配置成从从扩展雷达阵列接收的观测值和基于为观测值记录的角度和范围的合成响应的乘积中生成参考信号。
[0007]在又一示例性实施例中，公开了一种车辆。该车辆包括扩展雷达阵列、处理器和控制器。扩展雷达阵列是通过将车辆的雷达阵列移动选择距离而形成的。处理器被配置成从扩展雷达阵列接收对象的多个观测值，操作神经网络以产生网络输出信号，并从网络输出信号确定对象相对于车辆的对象参数。控制器基于对象的对象参数操作车辆。
[0008]除了本文所述的一个或多个特征之外，当雷达阵列移动通过选择距离时，扩展雷达阵列在雷达阵列的多个位置中的每个位置处获得多个观测值。所述处理器还被配置为基于输入所述多个观测值来操作所述神经网络以生成多个特征，并且操作级联模块以组合所述多个特征以获得所述网络输出信号。处理器还被配置为通过确定神经网络的加权值来训练神经网络，所述加权值最小化包括网络输出信号和参考信号的损失函数。处理器还被配置为通过基于车辆和对象之间的相对运动期间的雷达阵列和对象之间的已知相对距离随时间相干地组合多个观测值来生成参考信号。处理器还被配置成从从扩展雷达阵列接收的观测值和基于为观测值记录的角度和范围的合成响应的乘积中生成参考信号。
[0009]当结合附图时，根据以下详细描述，本公开的上述特征和优点以及其他特征和优点将变得显而易见。
附图说明
[0010]其他特征、优点和细节仅作为示例出现在以下详细描述中，详细描述参考附图，在附图中:
[0011]图1示出了一实施例中的自主车辆；
[0012]图2示出了图1的自主车辆，其包括适于探测其环境内的对象的雷达系统的雷达阵列；
[0013]图3示出了通过将图2的雷达阵列移动通过选择距离而生成的扩展雷达阵列；
[0014]图4示出了说明当自主车辆向前移动以产生扩展雷达阵列时的侧向(side
‑
to
‑
side)运动的示意图；
[0015]图5示出了说明训练神经网络以确定角度位置的方法的示意图，该角度位置的分辨率对车辆的横向或侧向运动不敏感；
[0016]图6示出了说明根据一实施例的用于训练深度神经网络的方法的框图；
[0017]图7示出了对应于图6的特征生成过程的神经网络架构；
[0018]图8示出了说明使用训练的深度神经网络来确定对象的角度位置的方法的框图；
[0019]图9示出了使用本文公开的方法获得的角度分辨率的曲线图；和
[0020]图10示出了自主车辆的俯视图，其说明三雷达阵列在相对于车辆的不同角度下的角度分辨率。
具体实施方式
[0021]以下描述本质上仅仅是示例性的，并不旨在限制本公开、其应用或用途。应当理解，在所有附图中，相应的附图标记表示相似或相应的部件和特征。如本文所使用的，术语模块指的是处理电路，其可以包括专用集成电路、电子电路、处理器(共享的、专用的或成组的)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能的其他合适的组件。
[0022]根据示例性实施例，图1示出了自主车辆10。在示例性实施例中，自主车辆10是所谓的四级或五级自动化系统。四级系统表示“高度自动化”，指的是自动驾驶系统对动态驾驶任务的所有方面的特定驾驶模式表现，即使驾驶员没有对干预请求做出适当响应。五级系统表示“完全自动化”，指的是自动驾驶系统在驾驶员可以管理的所有道路和环境条件下，对动态驾驶任务的所有方面的全时表现。应当理解，本文公开的系统和方法也可以用于在1至5级中的任何一级操作的自主车辆。
[0023]自主车辆10通常至少包括导航系统20、推进系统22、传动系统24、转向系统26、制动系统28、传感器系统30、致动器系统32和控制器34。导航系统20确定用于自主车辆10的自动驾驶的轨迹计划。推进系统22提供用于为自主车辆10产生推动力的动力，并且在各种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种操作车辆的方法，包括：在通过将车辆的雷达阵列移动通过选择距离而形成的扩展雷达阵列处接收对象的多个观测值；将多个观测值输入到神经网络以生成网络输出信号；从网络输出信号确定对象相对于车辆的对象参数；和基于对象的对象参数操作车辆。2.根据权利要求1所述的方法，还包括当雷达阵列移动通过所选择距离时，在雷达阵列的多个位置的每个位置处获得多个观测值。3.根据权利要求1所述的方法，还包括将所述多个观测值输入到所述神经网络以生成多个特征，并且组合该多个特征以获得所述网络输出信号。4.根据权利要求3所述的方法，其中，所述神经网络包括多个卷积网络，每个卷积网络从所述多个观测值中接收相应的观测值，并生成所述多个特征中的相应特征。5.根据权利要求3所述的方法，还包括通过确定神经网络的加权值来训练神经网络，该加权值最小化包括网络输出信号和参考信号的损失函数。6.一种用于操作车辆的系统，包括：扩展雷达阵列，该扩展雷达阵列由...

【专利技术属性】
技术研发人员：O比亚勒，A乔纳斯，
申请(专利权)人：通用汽车环球科技运作有限责任公司，
类型：发明
国别省市：