用于汽车雷达干扰抑制的角度等变卷积神经网络

在汽车应用中，调频连续波雷达是确定车辆周围物体距离、速度和角度的成熟技术。如果雷达传感器之间发生相互干扰，预测质量可能会受到严重影响。先前的工作并行处理整个接收器阵列的数据，以利用神经网络提高干扰抑制质量。然而，这些架构在干扰和物体的不同到达角之间泛化能力较差。在本文中，我们引入了具有三阶卷积的全卷积神经网络，它能够在不同的到达角之间迁移学习到的模式。我们提出的架构优于先前的工作，同时具有更高的鲁棒性和更少的可训练参数。我们在多样化的数据集上评估了我们的网络，并证明了其角度等变性。