如果可以在 ADC 数据级别使用人工智能对物体进行分类和特征提取，这将有助于缩短计算时间，那会怎样呢？在本博客中，我们将探讨人工智能如何改变汽车雷达、提高其性能并实现更安全的自动驾驶。

雷达信号处理中的人工智能进步

利用无线电波探测和定位物体的雷达技术从人工智能和机器学习技术的应用中受益匪浅。以下是人工智能在雷达信号处理领域取得重大进展的一些应用案例：

• 增强目标跟踪
  • 粒子过滤器适用于非线性和高斯跟踪场景。
  • 基于深度学习的跟踪算法利用了 RNN（循环神经网络）和 LSTM（长短期记忆）网络。
• 自适应波束成形
  • 强化学习用于实时采用波束模式。
  • 利用波束成形的深度学习来拒绝干扰，我们采用了一种基于 CNN 的方法，该方法依赖于信号的 DOA（到达方向）。它通过验证来自特定方向的接收信号，学习传输下一组信号。
• 异常检测
  • 单类 SVM 可用于识别雷达数据中的不规则或异常情况。其优点是在模型训练阶段不需要目标标签。
  • 自动编码器用于无监督异常检测。
  • 检测幽灵图像
• 利用深度学习选择认知雷达天线
  • 雷达的分辨率取决于雷达中虚拟天线的数量。
  • 天线数量越多，成本、体积和功耗就越大。这个问题可以通过使用 DNN 来解决，DNN 可根据环境使用少量虚拟天线发送自适应相位调制波形，从而提高分辨率。

现在我们将研究雷达信号分类，这是利用人工智能进行的重大改进之一，有助于在雷达数据处理的早期阶段解决多个问题。

雷达信号特征的多任务学习

传统的射频波形分类是使用基于似然法和基于特征的方法来实现的，这些方法需要有关信号特征的先验知识，因此无法有效地适应新信号。由于基于神经网络的方法不需要任何先验知识，因此一旦经过训练，就能以最小的计算能力完成特征描述。

用于无线电信号识别的深度神经网络（多任务学习器）可用于估算雷达传输的脉宽（TPW）、脉冲重复间隔（TPRI）、脉冲数（NP）和脉冲时延（TD），这有助于雷达信号的分类。

数据流和架构：

多任务学习器（MTL）框架用于解决雷达信号特征描述（RSC）这一联合优化问题。所提出的 IQST 与其他架构一样，可同时优化分类和回归任务。这将有助于从 IQ 数据中提取特征，尤其是在信噪比（SNR）较低的情况下。