奔袭的算法工程师

自动驾驶技术的快速发展推动了感知系统的不断创新，其中4D毫米波（mmWave）雷达是关键的传感设备之一。利用其全天候操作特性和在具有挑战性的环境中的强大感知能力，4D毫米波雷达在实现高度自动化驾驶方面发挥着至关重要的作用。本文系统总结了4D毫米波雷达在自动驾驶领域的最新进展和关键应用。首先，我们介绍了4D毫米波雷达的基本原理和技术特点，并深入探讨了其在距离、速度、角度和时间维度上的综合感知能力。随后，我们详细分析了4D毫米波雷达在复杂环境中与其他传感器相比的性能优势。

成像雷达是汽车和工业应用的关键感知技术。在高通道数系统方面已经取得了很大进展，例如，部署了12个发射通道和16个接收通道，采用级联单片微波集成电路解决方案。然而，在密集的城市驾驶场景中，完全自动驾驶需要更高的角分辨率来做出驾驶不足/行驶过度的决策，并精确预测物体的轨迹。这两个问题都可以通过增加天线尺寸和构建更大的雷达来解决。然而，可以放置在汽车前部的东西是有物理限制的，制造非常大的阵列是相当困难的。因此，相干汽车雷达网络是一种实现高空间分辨率并从单次测量中获得物体完整速度矢量的方法。

在代理方法中，通过评估训练样本与相应的类代表性代理向量之间的相似性来学习度量，在端到端方法中，将度量的学习集成到神经网络中，并直接输出分类结果。换句话说，只有一个类内距离，在每个三元组中表示，但有许多可能的类间距离，因为有许多不同的类，其中只表示许多可能性中的一种。锚点是实际的训练样本，正样本是同一类的另一个样本，负样本是来自任何其他类的样本。相似样本是同一类的样本，不同样本是不同类的样本。通过附加损失项，不仅可以确保正样本之间的类内距离小于到负样本的距离，而且可以确保类内距离小于任意类对之间的类间距离。

4. RMSprop [47]：Adagrad 的一个问题是，在DNN中经过几次迭代后，学习速率变得非常小，从而导致死神经元问题，并导致这些神经元没有更新。在RMSprop 中，学习率是梯度的指数平均值，而不是像 Adagrad 中那样的梯度平方和的累积和。这称为CE损失，在二元分类的情况下，在输出端配置为sigmoid激活，而对于多类分类，在输出端使用 softmax 激活。然而，早期的方法具有固定的学习率。其背后的直觉是，对于不频繁的参数，应该进行较大的更新，而对于频繁的参数，应该进行较小的更新。

例如，如果 n = 2，B = 600 Mbps，空闲时间 = 7 us，斜坡结束时间 = 44 us，numAdcSamples = 512，numRxChannels = 4，则违反了 7650 >= 8448，因此此配置将不起作用。创建/启动，是一次性活动任务，其主要功能是初始化驱动程序 （<driver>_init）、MMWave 模块 （MMWave_init）、DPM 模块 （DPM_init）、打开 UART 和其他驱动程序 （SPI） ，并创建/启动以下任务（有关详细信息，请参阅用户指南。

测试生成器的详细信息可以在这些测试的doxygen文档中看到，位于mmwave_mcuplus_sdk_<ver>\ti\datapath\dpc \objectdetection\chain_type>\test\docs\doxygen\html\index.html，并且可以通过mmwave_mcuplus_sdk_<ver>/docs/mmwave_sdk_module_document .html轻松浏览。关于Board /EVM的天线配置，请参考<sdk_path>\ti\ Board文件夹。

DPC可以将最终的处理结果(点云，跟踪对象等)提供给同一核心的应用程序代码，然后该代码可以使用DPM发送结果API将结果发送给运行在其他核心上的应用程序。从下图中可以看出，应用程序只需要调用各种DPM API来控制处理链(在下面的梯形图中看到“蓝色”的函数调用)，并在报告回调中对这些API的结果做出反应。另外，提供的级联demo必须在级联的硬件板上运行，由于AM2732开发板是和AWR2243一起使用，只有单个射频芯片，无法运行cascade模式的demo，下图是TI论坛的解释，也可以参考4.6节的内容。

鉴别器试图最大化评论家损失D(x) - D(G(z))，其中D(x)是评论家对真实实例的输出，G(z)是给定z的生成器的输出。D(G(z))是评论家对假数据的输出。从概念上讲，在潜空间中学习分布的VAE架构使空间连续，这意味着潜空间中两个间隔较近的点比两个间隔较远的点产生更多相似的内容，并且是完整的，这意味着从潜空间中采样的任何点都会在VAE的解码器处产生有意义的输出。值得注意的是，与VAEs中使用的KL散度不同，JS散度是对称的，在两个分布不相交的情况下，无论两个分布如何，都会导致log(2)的最大值。

在CNN中，图像分类是通过结合不同的层进行的，即卷积层、池化层和具有交叉熵(CE)损失的密集层。其中i，f，o和c分别为输入门，忘记门，输出门和单元激活向量，它们的大小都与定义隐藏值的向量h相同。因此，随着时间的推移，通过RNN的梯度流很容易变为零，这意味着没有进一步的信息传播。LSTM使用门控的概念扩展带有记忆单元的RNN:门控是一种基于输入的组件乘法的机制，它定义了每个单独记忆单元的行为。步幅定义了移动的步长，例如，如果步幅是1，那么过滤器移动一个像素，如果步幅是2，那么它移动两个像素，以此类推。

上世纪70年代开始,诞生了一种许多数学家及电子计算器学家所关心的大问题—NP难问题, “P=NP?”这个问题，作为理论计算机科学的核心问题，其声名早已经超越了这个领域。它是Clay研究所的七个百万美元大奖问题之一，在2006国际数学家大会上，它是某个1小时讲座的主题。[关键词]: NP难问题,NP完全问题，计算复杂性,多项式函数NP难问题，不确定性图灵机在P时间内能解决的问题,是世界七大数学难题之一。NP问题排在百万美元大奖的首位，足见他的显赫地位和无穷魅力。

综合来看，毫米波雷达使用阵列天线的目标是获得增益高、波束窄、旁瓣低的空间方向图，比较理想的天线辐射方向图如下图1-1所示，而图1-2所示的方向图则比较一般，因为出现较高的旁瓣和栅瓣。图2-1和2-2是32阵元等间距排布，但激励幅度（馈电）分布不同的仿真结果，可以看到，相比馈电均匀分布的情况，图2-1中的四种馈电分布形成的波束旁瓣均有明显的降低。因此，阵列天线设计的目标是通过空间布局、激励幅度、激励相位的优化设计，获得理想的辐射特性，包括阵列天线方向图、半功率波束宽度、增益和效率、旁瓣电平等。

雷达已经从复杂的高端军事技术演变为相对简单的低端解决方案，渗透到工业、汽车和消费市场领域。这种快速发展是由硅的进步和使用深度学习算法来利用传感器数据的全部潜力所驱动的。雷达传感器的使用已经增长了许多倍，渗透到汽车、工业和消费市场，提供了大量的应用。深度学习的出现改变了许多领域，并在计算机视觉、自然语言处理、语音处理等领域产生了最先进的解决方案。然而，深度学习算法在雷达上的应用总体上仍处于起步阶段。本书试图介绍几个高级深度学习概念背后的理论概念，并强调这些技术如何使这些应用成为可能，否则这是不可能的。

多普勒分多址(DDMA)是一种慢时相位编码技术，可以使用传统相控阵硬件实现多输入多输出(MIMO)雷达。然而，众所周知，DDMA会在接收到的多普勒频谱中引起模糊。虽然非对称DDMA已经被提出来缓解目标模糊问题，但它可能导致不同发射天线关联的不同目标反射之间的碰撞。本文介绍了一种基于DDMA的汽车MIMO雷达中目标模糊度的解决方法。除一个发射天线外，推荐的方法中所有天线均采用传统的DDMA。同时，使用独立于DDMA编码的单一慢时信道来解决目标模糊。

感知环节负责对侦测、识别、跟踪目标，是自动驾驶实现的第一步。自动驾驶的实现，首先要能够准确理解驾驶环境信息，需要对交通主体、交通信号、环境物体等信息进行有效捕捉，根据实时感知的环境信息，自动驾驶系统得以完成接下来的决策、规划与控制等环节。传感器的性能会直接影响到感知信息的质量，目前广泛搭载的传感器有摄像头、激光雷达、毫米波雷达、超声波雷达等。图1 传感器在自动驾驶实现过程中发挥基础性作用特斯拉的视觉感知方案推动自动驾驶行业进入新的篇章。

汽车雷达具有体积小、硬件成本低、全天候工作、高分辨率等公认的优点，是高级驾驶辅助系统(ADAS)必不可少的一类重要传感器。然而，低角度分辨率和低成像性能的限制很难满足下一阶段ADAS的需要。新兴的4D成像雷达采用多芯片级联多输入多输出(MIMO)技术，可以在方位角和仰角尺寸上实现高分辨率，提供高质量的三维点云图像。本文提出了一种集成高分辨率MIMO雷达点云成像与处理的新算法。首先，我们对称地研究了MIMO雷达技术，将其分为三种主要模式:TDM-MIMO，相位编码MIMO, DDM-MIMO。

本文在前期TDM和BPM体制的基础上，仿真DDM体制下的调制解调和信号处理测距、测速、测角流程。TDM和BPM相关可以看这两篇博文。DDM体制下所有发射天线同时发射，但是每个发射天线的信号都偏移一个特定的频率，通过这个人为偏移的频率使不同发射天线的信号在 Doppler 域上能分离开来。使用DDM 波形，一个目标在不同发射天线的信号辐射下所形成的回波中检测到的速度值是不同的，利用这种速度的不同，对一个目标我们可以把不同发射天线的信号在接收端分离出来。

本文通过对车载毫米波雷达信号流程和链路的仿真，建立基本的算法框架，可用于算法性能的验证。车载毫米波雷达广泛使用线性调频连续波雷达，也即发射信号频率随时间线性变化(1)其中，fc为载波频率，k是调频斜率。发射信号可以表示为(2)其中，A为信号幅度。接收信号经过延迟后得到(3)其中，α为信号衰减系数，τ为信号延迟。将(3)式展开，可得(4)再和发射机本振进行混频滤波后得到拍频信号（5）这里，Ar为混频滤波后的信号幅度，最后得到的拍频信号进行后续的处理，（5）中的t即为快时间维度。

在信号处理中，最著名和最常用的建模方法是最大似然法。根据源信号（输入序列）模型假设的不同，基于最大似然的波达方向估计方法分为确定性最大似然算法DML和随机性最大似然算法SML两大类型。随机性最大似然算法也称统计最大似然法。(1) 确定性最大似然算法：源信号或输入序列{s(k)}假定为确定性信号，待估计的未知参数是输入序列和信道向量，即θ= (h, {s(k)})，虽然可能只对估计信道向量h感兴趣。在这种情况下，未知参数的维数随观测数据量的增多而增大。

每个场景给出了不同雷达测量的四个时间戳:同一传感器测量的下一个和上一个时间戳以及任何雷达传感器测量的下一个和上一个时间戳。对于与里程表信息的关联，给出了最近里程表测量的时间戳，以及hdf5文件中里程表中可以找到该测量值的索引。由于汽车雷达传感器在方位角方向上的精度相当低，特别是在较远的距离上，物体的轮廓不能准确捕获。这种可选的类定义可以用于需要更平衡的标签分布的任务，例如在神经网络的训练期间。序列的名称在顶层字典中列出，该序列的组(训练或验证)以及雷达传感器在该序列中执行测量的第一次和最后一次的时间戳。