基于KAN的汽车雷达大目标检测
信号处理
2025-07-08 v3
摘要
本文提出一种新型雷达信号检测管线，专注于检测大目标（如汽车和SUV）。传统方法，如有序统计量常假警报率（OS-CFAR）方法，常用于汽车雷达，旨在针对点或各向同性目标模型进行设计，可能不足以捕捉大型目标在高分辨率雷达系统中的Range-Doppler（RD）散射模式。需要额外的关联和跟踪模块以在多个时隙中细化和整合检测结果。为此，我们提出一种基于RD段概率密度函数（pdf）的检测技术，利用Kolmogorov-Arnold神经网络（KAN）学习数据并生成用于二元假设的可解释符号表达式。Monte Carlo仿真结果表明，本文提出的KAN表达式在OS-CFAR检测中表现更佳。当使用现场数据进行迁移学习时，检测概率（PD）可达96%。误报率（PFA）与采用PFA=的OS-CFAR相当。此外，本研究还考察了表示RD段的pdf bin数量对KAN基于检测性能的影响。
关键词
引用
@article{arxiv.2502.19000,
title = {KAN-powered large-target detection for automotive radar},
author = {Vinay Kulkarni and V. V. Reddy and Neha Maheshwari},
journal= {arXiv preprint arXiv:2502.19000},
year = {2025}
}