真实世界 FMCW 雷达信号的深度干扰抑制与去噪
信号处理
2020-12-07 v1 机器学习
摘要
雷达传感器对于驾驶辅助系统以及自动驾驶汽车的环境感知至关重要。关键性能因素包括精细的距离分辨率和直接测量速度的可能性。随着雷达传感器数量的增多以及迄今为止未受管制的车载雷达频带，相互干扰不可避免且必须加以处理。传感器必须能够检测甚至抑制干扰的有害影响，其中包括检测灵敏度的下降。在本文中，我们评估了一种基于卷积神经网络（CNN）的真实世界雷达测量干扰抑制方法。我们将真实测量与仿真干扰相结合，以创建适合训练模型的输入输出数据。基于广泛的参数搜索，我们分析了在仿真和测量数据上模型复杂度与性能的关系。此外，有限样本量性能比较显示了在仿真或真实数据上训练的模型以及用于迁移学习的模型的有效性。与当前最优水平（SOTA）的对比性能分析强调了基于 CNN 的模型在真实世界测量的干扰抑制与去噪方面的潜力，同时也考虑了硬件的资源约束。
引用
@article{arxiv.2012.02529,
title = {Deep Interference Mitigation and Denoising of Real-World FMCW Radar Signals},
author = {Johanna Rock and Mate Toth and Paul Meissner and Franz Pernkopf},
journal= {arXiv preprint arXiv:2012.02529},
year = {2020}
}
备注
2020 IEEE International Radar Conference (RADAR)