一种针对分布式雷达的自校准方法技术

本发明专利技术公开了雷达探测领域内的一种针对分布式雷达的自校准方法，包括以下步骤：S1:创建自校准神经网络模型，包括特征提取层和全连接层，用以提取距离

【技术实现步骤摘要】
一种针对分布式雷达的自校准方法


[0001]本专利技术涉及雷达
，特别涉及一种针对分布式雷达的自校准方法。

技术介绍

[0002]FMCW(Frequency Modulated Continuous Wave，调频连续波)雷达具有结构简单，体积小、易于使用的优点，被广泛应用在物体检测、动作识别、自动驾驶等领域。受制于政策和工艺的限制，FMCW雷达的发射功率往往比较小，这导致单个雷达的探测范围有限，对部分雷达波反射能力较弱的目标，往往探测效果不佳。通过多部FMCW雷达组成的分布式雷达系统能够实现探测区域的增大和目标探测性能的提升。组成分布式雷达系统的每个雷达节点的空间位置互不相同，每个雷达节点的数据无法被直接利用。因此，实现对分布式雷达网络的数据进行校准具有重要意义。
[0003]专利号为202111586447.8的专利，它提出一种分布式雷达网络，通过将控制模块连接到多个雷达收发器中的通信总线，并结合时钟信号实现对每个雷达节点的数据同步。但这种方法会限制分布式雷达系统的布置方式和范围，同时增加硬件成本。
[0004]专利号为202110832937.5的专利，它提出一种分布式雷达目标定位方法，通过将目标位置估计转化为非线性约束优化问题，进行实现目标位置参数的求解。但这种方法需要事先获取不同雷达节点的位置参数，但是在部分情况下，位置参数的测量难度较大。

技术实现思路

[0005]本申请通过提供一种针对分布式雷达的自校准方法，以解决现有技术中分布式雷达系统之间校准较难的问题，实现了自适应估计和校准每部雷达的位置。
[0006]本申请实施例提供了一种针对分布式雷达的自校准方法，包括以下步骤：
[0007]S1:创建分布式雷达的自校准神经网络模型，所述自校准神经网络模型包括特征提取层和全连接层，所述特征提取层用以提取距离
‑
角度二维图的对应特征数据并输入至所述全连接层，所述全连接层用以根据所述特征数据输出位置估计值；
[0008]S2：基于分布式雷达探测数据构建所述距离
‑
角度二维图，并构建数据集，使用所述数据集训练所述自校准网络模型；
[0009]S3：将待校准雷达的所述距离
‑
角度二维图输入至训练后的所述自校准网络模型中，所述自校准网络模型输出校准参数，实现分布式雷达的自适应估计与校准。
[0010]上述实施例的有益效果在于：预建立自校准神经网络模型，将待校准雷达的所述距离
‑
角度二维图输入至训练后的所述自校准网络模型中，所述自校准网络模型快速输出校准参数，实现分布式雷达的自适应校准，该自校准方法可快速自适应估计和校准每部雷达的位置，提高分布式雷达的探测精度。
[0011]在上述实施例基础上，本申请可进一步改进，具体如下：
[0012]在本申请其中一个实施例中，所述特征提取层包含卷积层、池化层、批归一化层和激活层一，所述全连接层包括展平层、线性层和激活层二，所述卷积层和池化层用以提取所
述特征数据，所述批归一化层用以对所述特征数据进行归一化处理，所述激活层一、激活层二用以对所述特征数据施加非线性特征，所述展平层用以将所述特征数据化为一维数据，所述线性层用以对所述一维数据进行线性变换处理。距离
‑
角度二维图经过卷积层和池化层提取特征，再经批归一化层，实现特征图的批归一化，经过激活层一的非线性处理后输入全连接层中，最终经过展平层、线性层和激活层二，输出每部雷达相对位置的估计值。
[0013]在本申请其中一个实施例中，所述卷积层由C个卷积核组成，每个卷积核的尺寸为N*N，卷积核每次移动的步长为S，输入数据边缘使用0填充的数量为P，则经过卷积层处理后的特征图尺寸为
[0014][0015]其中，Input表示输入数据的尺寸，Output表示输出数据的尺寸，输出数据的通道数为C。卷积层用以快速准确提取每部雷达中距离
‑
角度二维图所对应的特征数据。
[0016]在本申请其中一个实施例中，所述批归一化层的归一化处理公式如下：
[0017][0018][0019][0020]其中，X为输入的所有样本，X
i
表示样本中的一个数据，m表示神经网络每一次读取的样本数，E(X)表示样本均值，Var(X)表示样本方差，X
input
表示批归一化层的输入数据，X
output
表示批归一化层的输出数据，ε为设定值。ε为一个很小的常量，避免分母为0的异常，批归一化层通过计算输入数据的均值和方差，对输入数据进行归一化，以解决自校准网络中数值不稳定的问题，提高自校准网络的稳定性和收敛速度。
[0021]在本申请其中一个实施例中，所述自校准神经网络模型包括三个所述特征提取层和一个所述全连接层。第三层特征提取层的输出结果作为全连接层的输入，从而提高特征提取精度。
[0022]在本申请其中一个实施例中，所述步骤S2中，使用所述数据集训练所述自校准网络模型，具体如下：
[0023]将所述数据集划分为训练集和验证集，基于所述训练集，计算所述自校准网络模型的损失函数，公式如下：
[0024][0025]其中，Loss表示所述损失函数，output表示所述神经网络模型对训练集的预测后输出的校准参数，所述校准参数为雷达之间的距离，label表示所述训练集的真实值，n表示一次性输入到网络中的样本数量，∑表示求和，||表示取绝对值；
[0026]再基于梯度反向传播算法和所述损失函数，优化自校准网络参数，经所述验证集
验证后得到训练后的所述自校准网络模型。
[0027]在本申请其中一个实施例中，所述步骤S2中，所述数据集构建方式如下：
[0028]分别确定多个目标相对于一部雷达的距离、角度；
[0029]分别计算出多个所述目标相对于另一部雷达的距离和角度；
[0030]将所有所述目标的距离、角度叠加，获得每一部雷达的距离
‑
角度图；
[0031]不同雷达的距离
‑
角度图和与其对应的雷达之间的真实距离共同构成训练网络所需的数据集；
[0032]其中，目标相对于不同雷达的距离和角度通过以下公式计算：
[0033][0034][0035]其中，R和R1表示目标与不同雷达之间的距离，θ和θ1表示目标与不同雷达之间的角度，L表示雷达之间的距离。
附图说明
[0036]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0037]图1为本专利技术提供的针对分布式雷达的自校准方法的流程；
[0038]图2为本专利技术提供的自校准神经网络模型的结构示意图；
[0039]图3为实例中使用的距离本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对分布式雷达的自校准方法，其特征在于，包括以下步骤：S1:创建分布式雷达的自校准神经网络模型，所述自校准神经网络模型包括特征提取层和全连接层，所述特征提取层用以提取距离
‑
角度二维图的对应特征数据并输入至所述全连接层，所述全连接层用以根据所述特征数据输出位置估计值；S2：基于分布式雷达探测数据构建所述距离
‑
角度二维图，并构建数据集，使用所述数据集训练所述自校准网络模型；S3：将待校准雷达的所述距离
‑
角度二维图输入至训练后的所述自校准网络模型中，所述自校准网络模型输出校准参数，实现分布式雷达的自适应估计与校准。2.根据权利要求1所述的自校准方法，其特征在于：所述特征提取层包含卷积层、池化层、批归一化层和激活层一，所述全连接层包括展平层、线性层和激活层二，所述卷积层和池化层用以提取所述特征数据，所述批归一化层用以对所述特征数据进行归一化处理，所述激活层一、激活层二用以对所述特征数据施加非线性特征，所述展平层用以将所述特征数据化为一维数据，所述线性层用以对所述一维数据进行线性变换处理。3.根据权利要求2所述的自校准方法，其特征在于：所述卷积层由C个卷积核组成，每个卷积核的尺寸为N*N，卷积核每次移动的步长为S，输入数据边缘使用0填充的数量为P，则经过卷积层处理后的特征图尺寸为其中，Input表示输入数据的尺寸，Output表示输出数据的尺寸，输出数据的通道数为C。4.根据权利要求3所述的自校准方法，其特征在于：所述批归一化层的归一化处理公式如下：如下：如下：其中，X为输入的所有样本，X
i
表示样本中的一个数据，m表示神经网络...

【专利技术属性】
技术研发人员：陈鹏，李夏雨，赵熠明，
申请(专利权)人：中电科技扬州宝军电子有限公司，
类型：发明
国别省市：