介绍
在我们之前的博客（人工智能的汽车雷达进步-第1部分）中，我们为理解人工智能对雷达信号处理的变革性影响奠定了基础。现在，在第二部分中，我们将重点转移到人工智能，特别是深度学习模型，如何彻底改变车辆感知与动态环境交互的方式。本博客还展示了驾驶安全的进步如何增强自动驾驶的能力。
在汽车中使用雷达的好处
与相机相比，雷达在具有挑战性的环境条件下更可靠。调频连续波（FMCW）雷达工作在毫米波（MMW）波段，具有更大的穿透雾、烟雾和灰尘的能力。这归因于其巨大的带宽和高频率，从而提供了稳健的距离检测。
使用雷达的几种方法包括：
- 利用支持向量机（SVM）对雷达目标进行分类，目的是区分汽车和行人。
- 神经网络方法用于从雷达信号的瞬时傅立叶变换（STFT）热图中提取特征。
- 统计恒定虚警率（CFAR）检测算法可以与基于CNN的VGG-16分类器一起使用。
然而，上述方法侧重于分类任务，该任务仅假设场景中的已知对象数量有限。这些方法可能不适用于具有噪声背景反射的复杂驾驶场景，例如来自树木、建筑物和交通标志的背景反射，因为这些方法容易产生误报。
智能物体检测与分类
物体检测和分类是自动驾驶系统的关键功能，使车辆能够理解其环境并做出明智的决策。之前，我们讨论了雷达在汽车应用中的独特优势。在本节中，我们将探索人工智能驱动的创新解决方案，这些解决方案正在通过雷达塑造物体检测和分类的演变。
RODNet–用于智能对象检测和跟踪
RODNet是一个创新且稳健的雷达目标检测网络，旨在识别不同驾驶条件下的目标。该技术用于实现自动驾驶或辅助驾驶，无需摄像头或其他传感器。它包括以下内容：
- CNN的定制模块：这些模块的实现是为了有效地利用射频（RF）图像的特殊特性。
- RF图像（距离-方位热图）：这项技术利用RF图像而不是雷达数据点（如点云），因为RF图像能够提供有关物体纹理、角度等的全面信息。
- 相机-雷达融合（CRF）监督框架：该框架用于训练RODNet，利用了基于相机的目标检测和3D定位方法，便于对雷达RF图像进行统计检测和推断。
RODNet体系结构:
- RF图像首先被传递到M-Net，该M-Net被提议将线性调频级别的特征组合成帧级别，参见图2（d），其中C是用于时间卷积的滤波器的数量，H是高度，W是帧的宽度，n是线性调频的数量。
- 第二阶段是时间可变形卷积（TDC），由于雷达和物体之间的相对运动导致雷达反射随时间变化，经典的3D卷积无法有效地提取时间特征。因此，使用TDC，参见图2（e），其中T是RF帧的数量。
- 对于基于hourglass 架构的RODNet 3D卷积神经网络（3D CNN），具有用于从RF图像中提取特征的跳过连接。
为什么有老师和学生结构？
RODNet的创新之处之一是它的师生的体系架构。给雷达射频图像增加注释，对人类来说是一项复杂的任务，尤其是与具有注释的相机数据相比。为了应对这一挑战，一个类似于教师作用的管道被用来根据摄像机的图像对RF图像进行注释，为有效地训练RODNet提供必要的地面实况数据。
上图（图3）显示了类似于老师的管线结合相机和雷达数据进行RF图像对象估计的管道。学生管道在老师的指导下仅使用RF图像，并应用L-NMS获得精确的物体检测结果。
RODNet技术的优点：
- RODNet使用相机-雷达融合（CRF）模型进行训练，结合雷达和相机数据以提高精度，从而实现了更高的精度。
- RODNet在嘈杂的环境中表现出色，确保在大雨或雪等具有挑战性的场景中具有可靠的性能。
- 在不利条件下，RODNet最大限度地减少了物体检测的不确定性，优于传统的基于相机的系统，并提高了安全性。
结论
人工智能与汽车雷达技术的融合为更安全、更智能的自动驾驶铺平了道路。当我们通过RODNet等创新探索增强的物体检测和分类能力时，我们看到了未来车辆可以以前所未有的精度和安全性导航。MulticoreWare的专业知识是这一转变的指导力量。
MulticoreWare在汽车雷达方面的优势
- 专注于开发先进的算法和模型，用于实时准确检测和分类物体，这对自动驾驶汽车至关重要。
- 创造人工智能解决方案的记录，提高自动驾驶系统的安全性和智能性，减少事故并提高效率。
- 深入了解并熟练掌握雷达系统，包括硬件和软件方面，使我们能够制定创新的解决方案。
- 根据雷达数据量身定制的信号处理技术专业知识，确保在各种驾驶条件下具有稳健可靠的性能。
- 强大的机器学习基础，使我们能够开发用于自动驾驶汽车感知和决策的尖端算法。
欲了解更多信息，请联系我们 info@multicorewareinc.com
