- 博客(138)
- 收藏
- 关注
RSS订阅原创 论文解读--4D mmWave Radar for Autonomous Driving Perception：A Comprehensive Survey
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。
2024-07-13 16:17:40
1008
原创 论文解读--Coherent Automotive Radar Networks：The Next Generation of Radar-Based Imaging and Mapping
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。
2024-07-12 11:16:04
829
原创 毫米波雷达深度学习技术-2.1~2.2深度度量学习和成对方法
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。
2024-07-01 16:54:32
588
原创 毫米波雷达深度学习技术-1.7训练一个神经网络
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。
2024-07-01 16:49:37
938
原创 AM273X毫米波演示
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。
2024-06-12 16:33:37
762
原创 毫米波SDK使用2
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。
2024-06-08 16:24:33
772
原创 毫米波SDK使用1
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。
2024-06-08 11:10:12
730
原创 毫米波雷达深度学习技术-1.6目标识别2
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。
2024-06-07 17:49:14
1262
1
原创 毫米波雷达深度学习技术-1.6目标识别1
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。
2024-06-07 15:11:20
851
转载 NP难问题求解综述（转载）
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。
2024-06-03 19:16:13
64
原创 毫米波雷达阵列天线设计综合1（MATLAB仿真）
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。
2024-06-03 16:16:32
2379
8
原创 毫米波雷达深度学习方法和技术-概述
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。
2024-05-24 11:00:29
1078
原创 论文解读--Resolving Target Ambiguities in Automotive Radar Using DDMA Techniques
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。
2024-05-11 17:53:06
1067
1
原创 4D 成像毫米波雷达：新型传感器助力自动驾驶
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。
2024-05-10 22:51:44
1118
1
原创 论文解读--High-resolution Automotive Radar Point Cloud Imaging and Processing
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。
2024-05-10 11:08:24
1046
原创 DDM-MIMO-FMCW雷达MATLAB仿真
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。
2024-05-08 15:00:46
1320
原创 TDM(BPM)-MIMO-FMCW雷达MATLAB仿真
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。
2024-05-06 15:16:20
1939
5
原创 确定性最大似然（DML）估计测角
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。
2024-04-30 12:32:17
1272
原创 RadarScenes数据集详细说明
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。
2024-04-18 09:28:26
1130
原创 High Performance Automotive Radar:A review of signal processing algorithms and modulation schemes
随着汽车驾驶功能的不断自动化，高级驾驶辅助系统(ADAS)将演变为能够高度自动化驾驶的系统，而这将进一步发展为完全自动驾驶的自动驾驶汽车。为了正常工作，这些功能首先必须能够通过雷达、激光雷达、摄像头和超声波传感器等手段感知汽车周围的环境。随着这些系统的复杂性随着自动化水平的提高而增加，对包括雷达在内的环境传感器的需求也在增长。为了使雷达性能满足自动驾驶汽车的要求，直接缩放雷达参数是不够的。为了改进雷达能力以满足更严格的要求，可能需要从根本上不同的方法，包括。
2024-03-15 20:22:23
950
7
原创 Uhnder数字（PMCW）雷达
由一系列chirp组成的扩展码(例如，+1，+1，-1，+1，-1，…受影响的DCM雷达将接收到的信号以恒定的本地振荡器频率在公共载波频率(𝑓1=𝑓c)下转换，并使用DCM双相码的延迟副本解调接收到的信号(芯片速率Δ𝑓i =1⁄𝑇c，带宽Δ𝑓v =1⁄𝑇c，假设与所示示例中的DCM干扰雷达的相应参数相同)。然而，在FMCW/FCM到FMCW/FCM干扰的情况下，干扰下变频到基带后在受害雷达中的频率扩展，以及基带的功率谱密度，取决于受害雷达和干扰雷达的相对调频扫描速率(调频斜率)(反映在参数𝐾中)。
2024-03-15 10:08:38
1261
原创 论文解读--Mutual Interference Mitigation in PMCW Automotive Radar
对先进驾驶辅助系统(ADAS)的需求日益增长，导致配备在同一频段工作的毫米波雷达系统的车辆激增，导致相互干扰，可能会降低雷达性能，从而产生安全隐患。虽然研究已经解决了FMCW和PMCW雷达之间的相互干扰问题(参见[12]-[15]以及其中的参考文献)，但在PMCW系统的波形设计方面存在研究空白，特别是当雷达系统具有相似的物理参数时。如图1所示，在ADC中，时间分为快时间t′和慢时间索引n，时间间隔t为t = t′+ nT, t′∈[0,t]，在快时间中，信号可以间隔Tc采样，即在t′= mTc处，得到。
2024-03-01 20:35:54
1252
原创 传感器为智能化基础，L3车规落地打开激光雷达新空间（下）
L3是区分辅助驾驶与智能驾驶的关键节点，L0-L2“人为主、车为辅”，L3之后“车为主、人为辅”。随着技术持续升级，智能驾驶功能有望持续落地。跟据《汽车驾驶自动化分级》标准，智能驾驶技术可划分为L0-L5共六个级别。从实现功能来看，L0级别主要完成向驾驶员发出警告信息的任务；L1实现了行驶过程中可以完成定速巡航等功能；L2方案的主要功能是自适应巡航、自动紧急制动、自动泊车辅助等；L3方案可以完成高速引导驾驶和自动变道辅助等功能；L4的代表功能是领航驾驶辅助和自主代客泊车，实现更多智能驾驶场景的覆盖；
2024-02-29 18:17:00
929
原创 传感器为智能化基础，L3车规落地打开激光雷达新空间（上）
颠覆性体验感打通消费者消费升级感受空间，用户对智能化功能需求度变高。未来车只分为“能自动驾驶”，和“不能自动驾驶”的。跟车辅助类和主动安全类功能的需求度变高，超过20%的用户认为这些功能是"必须有"的。对特定场景下的功能也有一定期待，比如在拥堵路段提供驾驶辅助功能。 颠覆性体验感打通消费者科技感想象空间，智能化带来汽车定位的差异。智能汽车属性更加多元更为广泛，油车的定位就是交通工具，从A到B。当电车作为一个移动生活空间的存在，才有那么多智能化属性的想象空间。
2024-02-29 16:58:16
967
原创 自动驾驶加速落地，激光雷达放量可期（下）
激光雷达是自动驾驶系统中一项关键技术，近年全球智能网联汽车产业进入加速发展新阶段，推动着激光雷达市场规模高速增长。2022 年全球激光雷达解决方案市场规模为120 亿元，近五年CAGR 达63%，根据中商产业研究院预测，2023 年全球激光雷达解决方案市场规模将达到227 亿元，2024 增至512 亿元。
2024-02-28 13:42:29
1147
原创 自动驾驶加速落地，激光雷达放量可期（上）
激光雷达（LiDAR）是一种主动遥感技术，通过测定传感器发出的激光在传感器与目标物体之间的传播距离，来分析目标地物表面的反射能量大小、反射波谱的幅度、频率和相位等信息，进而实现对目标物体的精确定位、识别以及一些特性的检测，主要可以用于自动驾驶、智慧城市等领域。激光雷达的工作原理是利用激光发射器发射激光束，然后通过接收器接收从目标物体反射回来的激光信号，从而测量出目标物体的距离、方向、高度等信息。激光雷达可以用于自动驾驶、机器人、测绘等领域，具有高精度、高分辨率、高可靠性等优点。
2024-02-28 11:09:51
1737
原创 天线阵列车载应用——第2章 典型阵列几何形状和基本波束控制方法 2.6~2.7节
In(tr)=A(tr)*cos(k*d*(n-1)*sinθ1+ε(tr))和Qn(tr)= A(tr)*sin(k*d*(n-1)*sinθ1 + ε(tr))。图2.12a显示了一个微带有限天线阵列模型的示例，该模型用于估计被许多端接到50欧姆的相同散热器包围的阵列阵元的辐射方向图。图2.14给出了具有理想阵元的32元线性阵列(阵元方向图为cosθ)的两种辐射方向图:第一个是参考，它是通过提供-28 dB旁瓣的馈电网络获得的，而第二个辐射方向图是具有相位和幅度误差的辐射方向图的准随机实现(
2024-02-07 09:49:45
1092
原创 天线阵列车载应用——第2章 典型阵列几何形状和基本波束控制方法 2.5节 电子控制相控阵的阵列因子
例如，为了获得180°相移，所需的物理长度差ΔL=L2-L1应该是λ/2，为了提供等于90°的相移，需要有λ/4的物理长度差，并且对于45°相位ΔL=λ/8。例如，一个1位(q=1)数字移相器只能产生0°和180°两个相位，一个2位数字移相器可以实现0、π/2、π、3π/2四个相位，一个3位数字移相器可以实现0、π/4、π/2、3π/4、π、5π/4、π/2、7π/4。正如我们所看到的，在0°到9°的扫描角度范围内，所有的阵列阵元都是同相的，并且在这个角度范围内没有波束转向。(d)随机化的2位移相器。
2024-02-06 10:21:03
1064
原创 天线阵列车载应用——第2章 典型阵列几何形状和基本波束控制方法 2.1~2.4节
式(2.13)将平面阵列的方向图表示为两个相乘组合的正交线性阵列的天线方向图[22,23]。图2.4为阵元数量N = 8，阵元间距为波长的一半，不同的非均匀振幅分布函数(垂直于阵列(方向z)对应角度为0°)的线性阵列因子仿真结果示例。所有图均为均匀振幅分布，归一化为主瓣值，(与阵列法向(方向z)对应的角度为0°)图2.2a-d为阵元间距等于半波长时的图，图2.2e-h为阵元间距等于一个波长时的阵列因子。其中In=第n个阵元的幅度激励，φn=2*π*n/N=第n个阵元的角度位置，δn=第n个阵元的相位激励。
2024-02-06 10:12:53
1353
原创 天线阵列车载应用——第1章 介绍 1.2节 天线阵列:从简单配置到高级设计
阵列的每个天线单元[39,40]都与自适应更新的权值(图1.8a)相关联，从而使阵列在特定观照方向上的增益最大化，而对干扰信号的增益最小化。图1.6b所示的具有Butler矩阵馈电网络的线性阵列，如果每个输出阵列端口与自己的接收器/发射器连接，则生成多波束设计，或者生成具有单个接收器/发射器和电子可控开关的转向系统，该开关依次将每个输出端口与单个接收器/发射器连接。例如，两个单独的贴片，每个贴片的输出阻抗为50欧姆，如果每个贴片都连接一个阻抗为71欧姆的四分之一波微带变压器，则可以组合在一起。
2024-02-05 09:55:03
1078
原创 天线阵列车载应用——第1章 介绍 1.1节 汽车工业中的天线阵列:应用和频率范围
1.1 汽车工业中的天线阵列:应用和频率范围无线通信系统的发展需要新的技术来支持更高质量的通信、新的服务和应用。近年来，汽车无线通信市场得到了极大的扩展。现代汽车使用不同的服务:AM/FM收音机、卫星广播(SDARS)、移动电话通信、数字音频广播(DAB)、远程无钥匙进入(RKE)、胎压监测(TPMS)和远程启动发动机(RSE)系统、电视、无处不在的智能交通系统(ITS)，其中包括全球定位系统(GPS)数据、电子收费(ETC)、车辆信息和通信服务(VICS)、碰撞安全雷达装置等[1]。
2024-02-05 09:50:16
1547
原创 天线阵列车载应用——前言
例如，智能车辆公路系统(IVHS)包括车对车通信、汽车到路边系统、防撞雷达天线阵列和用于自动巡航控制应用的智能天线阵列，为车辆乘客提供了更安全的旅行。因此，简化的方法，如巴特勒矩阵系统，扇形小阵列，部分自适应和简化的两位数字移相器相阵列将在本章中描述。这些例子包括用于收费应用的固定波束定向阵列，用于汽车通过互联网项目的电子控制波束阵列，以及用于大型停车场，多层停车场，购物或机场中心以及靠近音乐或体育赛事的车辆定位阵列。第1章向读者介绍了不同的汽车天线阵列应用，其中系统目前正在使用，并可以在不久的将来使用。
2024-02-01 19:01:08
525
原创 二维平面阵列波束赋形原理和Matlab仿真
阵面左下角天线位于坐标原点，将坐标原点阵元设为参考阵元，计算每个阵元相对于该参考阵元的入射波程差，从而来计算每个阵元接收的回波信号。实现波束赋形的最基本的方法是对各个天线阵元的信号进行适当延迟后相加，使目标方向的信号同相叠加得到增强，而其他方向均有不同程度的削弱，该方法通常用于模拟信号.根据上述理论推导可以仿真任意平面阵列的方向图，这里对两种典型的阵列（矩形平面阵列和圆形阵列）进行Matlab仿真，其余类型的阵列在此基础上修改即可。根据上述圆形阵列公式做仿真，得到下述的三维空间方向图。
2024-01-31 15:44:10
4921
14
原创 雷达DoA估计的跨行业应用--麦克风阵列声源定位（Matlab仿真）
麦克风阵列： 麦克风阵列是由一定数目的声学传感器（麦克风）按照一定规则排列的多麦克风系统，而基于麦克风阵列的声源定位是指用麦克风拾取声音信号，通过对麦克风阵列的各路输出信号进行分析和处理，得到一个或者多个声源的位置信息。 麦克风阵列系统的声源定位技术研究意义在于： 输入的信息只有两个方向难以确定声源的位置，人类的听觉系统主要取决于头和外耳气压差声波实现声源定位。假使没有这个压力差，只能定位在平面上声源的位置，但就无法知道声音是从前面，或从后面传来的。因此，由人的听觉系统，科技研发人员得到了灵感
2024-01-31 14:46:50
2517
1
原创 4D毫米波雷达分类和工程实现
总体来看，128线激光标注的真值可靠性较高，但仍存在一些小问题，会对4D雷达分类结果造成一定影响，如果要求更高的标注准确度和精度，则需要提升128线激光雷达目标检测的性能，或者人工辅助标注。实验使用了距离、朝向、点云数、最大rcs、最大snr做训练，使用了9000多组数据，80%用做训练集，20%用做测试集，验证两轮车和一般车辆的分类准确率。从统计结果可以发现，不同目标的特征有明显差异，比如点云数量、RCS等，通过对这些特征数据的训练，则能对毫米波目标进行分类。最后得到可以运行的C语言代码。
2024-01-30 10:28:09
1535
原创 适用于汽车 4D 成像雷达的双器件毫米波级联参考设计(TI文档)
电池电源连接到 12V 输入端子 J10。宽输入电压降压转换器 LM62460-Q1 用于将此 12V 输入转换为 3.3V 输出。然后，LP876242-Q1 接受 3.3V 输入并生成 1.8V、1.2V 和 1.0V 电源轨。为了维持低噪声电源，会对 1V 电源轨进行滤波，以便为雷达的射频 (RF) 部分生成干净的输入电源轨。
2024-01-30 10:22:19
1577
原创 使用毫米波雷达传感器的功能安全兼容系统设计指南1（TI文档）
功能安全标准规定了在系统中实施安全的要求，并有助于概括该系统要达到的安全目标。包括功能安全的系统设计不仅要降低操作不当的风险，还要检测故障并将其影响降到最低。随着汽车和工业系统的自主性越来越强，严格的功能安全要求被强制执行，以最大限度地减少系统和随机故障导致的设备故障和人员伤害。ISO 26262和IEC 61508等综合安全标准分别概述和定义了汽车和工业领域各种应用所需的过程、工件和合规性。安全性是TI毫米波雷达传感器产品不可或缺的一部分，它们使客户能够满足其应用的严格和关键安全认证;简单而全面。
2024-01-29 08:00:00
1098
原创 使用毫米波雷达传感器的功能安全兼容系统设计指南2（TI文档）
以类似的方式，必须将系统的其余模块与系统需求进行比较，并明智地做出选择平台的决定。这一步是全面的，重要的，并且可能是所提出的FuSa设计生命周期中耗时的一部分，因为系统设计在这里进行了适当的分析，并通过解决故障来改进，以满足FuSa认证级别的基准。同样，对于根据工业FuSa标准IEC 61508进行的更安全的人存在检测的智能机器人传感系统的FuSa认证，客户必须向认证机构提供必要的资料、版本、系统设计日志、安全计划和随后的系统开发过程，以评估系统并向系统认证安全完整性等级(SIL-1/2/3/4)。
2024-01-29 08:00:00
1977
原创 激光雷达3D目标检测模型调研
PointPillars,采用Pillar编码方式编码PointCloud：在点云的俯视图的平面进行投影使之变成伪2D图，对这种投影进行编码用的是Pillar方法，即在投影幕上划分为 H * W 的网格，然后对于每个网格所对应的柱子中的每一个点取原特征（x,y,z,r,x_c,y_c,z_c,x_p,y_p）共9个，再然后每个柱子中点多于N的进行采样，少于N的进行填充0，形成了（9，N，H * W）的特征图。SE-SSD是在CIA-SSD基础上做的提升，整体网络基本接近，整体检测效果和推理时间也比较接近。
2024-01-25 16:08:31
1165
原创 论文解读--Impact of ADC clipping and quantization of phase-modulated 79GHz CMOS radar
宽带调相连续波雷达具有吸引人的特性，但需要非常高速的模数转换器(ADC)。为了保持这些ADC的功耗可接受，它们的分辨率必须保持尽可能低。我们研究了典型的79 GHz人员检测场景所需的ADC分辨率。该分析基于端到端的Matlab仿真链进行的仿真，考虑到波形特性、芯片实现、传播效果、目标和环境。我们得出结论，在考虑的场景中，4位ADC是足够的。这一结果表明，在先进的CMOS节点上实现完整的79 GHz雷达系统芯片是可行的，可以在汽车、工业和消费产品中实现广泛的新应用。
2024-01-25 15:55:29
1080
RadarScenes数据集第一组数据
2024-04-16
天线阵列波束赋形基本原理和仿真
2024-02-05
Wheel extraction based on micro doppler distribution
2024-01-14
声源定位和校园防欺凌论文
2024-01-02
Modern Radar for Automotive Applications
2023-12-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人