场景自适应雷达制造技术

本公开涉及场景自适应雷达。在一个实施例中，一种方法包括：从毫米波雷达传感器接收第一雷达数据；用雷达处理链接收超参数集合；基于第一雷达数据和超参数集合，使用雷达处理链生成第一雷达处理输出；使用超参数选择神经网络基于第一雷达处理输出更新超参数集合；从毫米波雷达传感器接收第二雷达数据；以及基于第二雷达数据和所更新的超参数集合使用雷达处理链生成第二雷达处理输出。理链生成第二雷达处理输出。理链生成第二雷达处理输出。

【技术实现步骤摘要】
场景自适应雷达


[0001]本公开总体上涉及一种电子系统和方法，并且在特定实施例中涉及一种场景自适应雷达。

技术介绍

[0002]近年来，由于诸如硅锗(SiGe)和精细几何互补金属氧化物半导体(CMOS)等低成本半导体技术的迅速发展，在毫米波频段的应用引起了人们的极大兴趣。高速双极和金属氧化物半导体(MOS)晶体管的出现导致了对用于毫米波应用的集成电路的日益增长的需求，例如24GHz、60GHz、77GHz、80GHz以及100GHz以上的毫米波应用。此类应用包括，例如，汽车雷达系统和多千兆位通信系统。
[0003]在一些雷达系统中，通过发射调频信号、接收调频信号的反射(也称为回波)和基于调频信号的发射和接收之间的时间延迟和/或频率差确定距离来确定雷达和目标之间的距离。因此，一些雷达系统包括用于发射射频(RF)信号的发射天线和用于接收反射RF信号的接收天线，以及用于产生发射信号和接收RF信号的相关RF电路。在某些雷达系统中，可以使用多个天线来实现使用相控阵技术的定向波束。具有多个芯片组的多输入多输出(MIMO)配置可用于执行相干和非相干信号处理。

技术实现思路

[0004]根据一个实施例，一种方法包括：从毫米波雷达传感器接收第一雷达数据；用雷达处理链接收超参数集合；基于第一雷达数据和超参数集合，使用雷达处理链生成第一雷达处理输出；使用超参数选择神经网络基于第一雷达处理输出更新超参数集合；从毫米波雷达传感器接收第二雷达数据；以及基于第二雷达数据和所更新的超参数集合使用雷达处理链生成第二雷达处理输出。
[0005]根据一个实施例，一种方法包括：从毫米波雷达传感器接收第一雷达数据；用包括跟踪器的雷达处理链接收超参数集合；基于第一雷达数据和超参数集合，使用雷达处理链生成第一雷达图像；使用跟踪器基于第一雷达图像和超参数集合跟踪目标；使用超参数选择神经网络基于第一雷达图像更新超参数集合；从毫米波雷达传感器接收第二雷达数据；以及基于第二雷达数据和所更新的超参数集合使用雷达处理链生成第二雷达图像。
[0006]根据一个实施例，一种毫米波雷达系统包括：毫米波雷达传感器，被配置为发射雷达信号和接收反射雷达信号，并基于反射雷达信号生成雷达数据；以及处理系统，包括：雷达处理链，被配置为基于雷达数据和超参数集合生成第一雷达处理输出；以及超参数选择神经网络，被配置为基于第一雷达处理输出更新超参数集合，其中雷达处理链被配置为基于雷达数据和所更新的超参数集合生成第二雷达处理输出。
附图说明
[0007]为了更完整地理解本专利技术及其优点，现在结合附图参考以下描述，其中：
[0008]图1示出了根据本专利技术实施例的雷达处理系统的框图；
[0009]图2A示出了根据本专利技术实施例的图1的雷达处理系统的可能实现的框图；
[0010]图2B示出了根据本专利技术实施例的可由图2A的协处理器用于更新提供给图2A的雷达预处理模块和/或跟踪模块的超参数的雷达图像；
[0011]图3A示出了根据本专利技术实施例的图1的雷达处理系统的可能实现的框图；
[0012]图3B示出了根据本专利技术实施例的热图；
[0013]图4示出了根据本专利技术实施例的图1的雷达处理系统的可能实现的框图；
[0014]图5至图8示出了根据本专利技术实施例的图2A的雷达处理系统的可能实现；
[0015]图9A和图9B分别示出了根据本专利技术实施例的用于训练超参数选择神经网络的实施例方法的框图和流程图；
[0016]图9C示出了根据本专利技术实施例的用于训练超参数选择神经网络的实施例方法的框图；
[0017]图10示出了根据本专利技术实施例的用于训练超参数选择神经网络的方法的实施例的流程图；
[0018]图11A和图11B示出了根据本专利技术实施例的使用图10的方法与基线方法训练超参数选择神经网络之间的比较；
[0019]图12示出了根据本专利技术实施例的毫米波雷达系统的示意图；以及
[0020]图13示出了根据本专利技术实施例的由图12的发射天线发射的啁啾序列。
[0021]不同图中对应的数字和符号，除非另有说明，一般指对应的部分。绘制这些图是为了清楚地说明优选实施例的相关方面，并且不必按比例绘制。
具体实施方式
[0022]下面将详细讨论所公开的实施例的制作和使用。然而，应当理解的是，本专利技术提供了许多可应用的专利技术构思，其可体现在广泛的各种特定上下文中。所讨论的特定实施例仅仅是说明制造和使用本专利技术的特定方式，并且不限制本专利技术的范围。
[0023]下面的描述示出了各种特定细节，以提供对根据描述的几个示例实施例的深入理解。可以在没有一个或多个具体细节的情况下，或者利用其他方法、组件、材料等来获得实施例。在其他情况下，未详细示出或描述已知结构、材料或操作，以便不模糊实施例的不同方面。在本说明书中对“实施例”的引用指示在至少一个实施例中包括关于该实施例描述的特定配置、结构或特征。因此，可能出现在本说明书的不同点的诸如“在一个实施例中”的短语不一定完全指代相同的实施例。此外，在一个或多个实施例中，可以以任何适当的方式组合特定的构造、结构或特征。
[0024]本专利技术的实施例将在使用场景自适应超参数跟踪目标(例如，诸如人类目标)的毫米波雷达系统的特定上下文中描述。一些实施例可以实现不执行目标跟踪的雷达处理链。一些实施例可以在不同于毫米波的机制中实现。
[0025]在本专利技术的实施例中，场景自适应雷达系统基于雷达处理链感测到的场景动态更新雷达处理链的一个或多个超参数。包括超参数选择神经网络的协处理器向雷达处理链提供更新的超参数。通过动态更新雷达处理链的超参数，一些实施例有利地能够在任何给定场景下适应和获得最佳(或更好)雷达性能(例如，跟踪性能、定位精度等)。
[0026]雷达应用通常包括接收几个(例如，强烈地)影响雷达性能的超参数的雷达处理链。超参数可以理解为影响雷达系统的雷达性能的配置变量。
[0027]传统上，雷达系统的超参数是基于人工整定或通过采用离线优化方法(如网格搜索、贝叶斯搜索的随机搜索)选择的，并在超参数值选定后进行固定。因此，传统上，一旦雷达系统部署，雷达系统的超参数是恒定的。
[0028]应用于雷达处理链的几个超参数可能对部署雷达传感器的场景(例如，由雷达传感器感测的环境)敏感。例如，一些超参数可能对目标相对于雷达传感器的角度、距离和方位、存在于雷达传感器视场中的目标的数量、存在于雷达传感器视场中的杂波、目标的特性(例如，大小、运动速度等)等敏感。例如，当目标离雷达传感器更近(较低距离)时，可以使用比当目标离雷达传感器更远(较高距离)时更高的检测阈值。因此，所选择的(固定的)超参数通常针对与将要部署雷达传感器的环境(例如，小房间中的一个或两个目标)相关联的场景的子集进行优化。
[0029]在本专利技术的实施例中，雷达处理链包括产生雷达预处理输出(例如，雷达图像)的雷达预处理模块，基于雷达预处理输出跟踪一个或多个目标的跟踪模块，以及向雷达预处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：从毫米波雷达传感器接收第一雷达数据；用雷达处理链接收超参数集合；基于所述第一雷达数据和所述超参数集合，使用所述雷达处理链生成第一雷达处理输出；使用超参数选择神经网络，基于所述第一雷达处理输出来更新所述超参数集合；从所述毫米波雷达传感器接收第二雷达数据；以及基于所述第二雷达数据和所更新的超参数集合，使用所述雷达处理链生成第二雷达处理输出。2.根据权利要求1所述的方法，其中所述第一雷达处理输出包括第一雷达图像。3.根据权利要求2所述的方法，还包括：基于所述第一雷达数据的最后m帧的聚合，使用所述雷达处理链生成所述第一雷达图像，其中m是大于1且小于或等于32的正整数。4.根据权利要求2所述的方法，还包括：通过基于顺序统计(OS)恒虚警率(CFAR)OS
‑
CFAR检测器的输出而掩码距离角图像(RAI)或距离多普勒图像(RDI)，来生成所述第一雷达图像。5.根据权利要求4所述的方法，其中所述超参数集合包括虚警概率超参数、参考神经元数目超参数和保护神经元数目超参数，其中接收所述超参数集合包括用所述OS
‑
CFAR检测器接收所述虚警概率超参数、所述参考神经元数目超参数和所述保护神经元数目超参数。6.根据权利要求1所述的方法，还包括：用所述雷达处理链的跟踪器生成热图，并且其中所述第一雷达处理输出包括所述热图。7.根据权利要求1所述的方法，其中所述雷达处理链包括跟踪器，其中所述超参数集合包括门控阈值超参数，并且其中接收所述超参数集合包括用所述跟踪器接收所述门控阈值超参数。8.根据权利要求7所述的方法，其中所述跟踪器包括无迹卡尔曼滤波器。9.根据权利要求1所述的方法，还包括训练所述超参数选择神经网络。10.根据权利要求9所述的方法，其中训练所述超参数选择神经网络包括：使用模仿学习训练所述超参数选择神经网络。11.根据权利要求10所述的方法，其中训练所述超参数选择神经网络还包括：在使用模仿学习训练所述超参数选择神经网络之后，使用强化学习训练所述超参数选择神经网络。12.根据权利要求11所述的方法，其中使用强化学习训练所述超参数选择神经网络包括：使用用于提供值函数的值神经网络和用于提供下三角矩阵的下三角神经网络，其中Q函数基于所述值函数和所述下三角矩阵。1...

【专利技术属性】
技术研发人员：L，
申请(专利权)人：英飞凌科技股份有限公司，
类型：发明
国别省市：