基于全卷积网络在多干扰源下估计汽车雷达信号的幅度与相位

雷达传感器正逐渐成为道路车辆的普及设备，在自动驾驶与道路安全中发挥着关键作用。雷达传感器的广泛采用增加了不同车辆传感器之间发生干扰的可能性，从而产生受损的距离剖面与距离-多普勒图。为了从距离-多普勒图中提取多个目标的距离与速度，需要抑制影响各距离剖面的干扰。本文提出一种用于汽车雷达干扰抑制的全卷积神经网络。为了在真实场景中训练我们的网络，我们引入了一个包含多目标与多干扰源的逼真汽车雷达信号新数据集。据我们所知，我们是首个在汽车雷达领域应用权重剪枝的，取得了优于广泛使用的 dropout 的结果。虽然以往多数工作成功估计了汽车雷达信号的幅度，我们提出了一种能够精确估计相位的深度学习模型。例如，相较于常用的置零技术，我们的新方法将相位估计误差降低了一半，从 12.55 度降至 6.58 度。考虑到汽车雷达干扰抑制数据库的匮乏，我们将紧密复现多干扰情形真实世界汽车场景的大规模数据集开源，以便他人在该领域客观比较其未来工作。我们的数据集可于以下地址下载：http://github.com/ristea/arim-v2。