利用雷达与红外传感的全天候目标识别

自动驾驶汽车是一项有可能改变人类生活的新兴技术。当前感知能力最强的传感器系统基于光学传感器。例如，深度神经网络在处理来自相机和光探测与测距（LiDAR）传感器的数据时，在目标识别方面表现出卓越的结果。然而，由于传感器波长原因，这些传感器在雨、雾、雪等恶劣天气条件下表现不佳。本论文探索了基于长波偏振红外（IR）成像与成像雷达的新传感发展以识别目标。首先，我们开发了一种基于Stokes参数、利用偏振红外数据通过深度神经网络识别车辆的方法。其次，我们探索了在受控场景下仅利用低频太赫兹雷达传感器捕获的功率谱进行目标识别的潜力。后一项工作基于数据驱动方法，并开发了基于衰减、距离和散斑噪声的数据增强方法。最后，我们在“野外”创建了一个具有多种不同天气场景（晴天、阴天、夜间、雾、雨和雪）的新大规模数据集，显示了雷达在恶劣天气下检测车辆的鲁棒性。高分辨率雷达与偏振红外成像结合深度学习方法，被证明可作为当前基于可见光谱光学技术的汽车传感系统的潜在替代方案，因其在严峻天气和不利光照条件下更为鲁棒。