雷达算法相关技术栈和关键技术点

        作为一名雷达算法工程师,总结一下相关的技术栈和关键技术。

一、数学基础

        信号与系统、数字信号处理、概率论与数理统计、随机信号分析、随机过程、矩阵论

二、雷达算法

        1.雷达基本原理(测距、测速、测角)

        2.波形设计对雷达测量的影响

        3.距离模糊、速度模糊、角度模糊产生的原因和解决办法

        4.调频连续波的测距、测速、测角原理(多维FFT累加)

        5.波束形成和滤波器设计,以及对于波束的影响

        6.检测门限、概率与奈-皮尔逊准则

        7.不同恒虚警检测的原理

        8.MIMO雷达的体制和相关算法

        9.角度超分辨算法MUSIC等

        10.抗干扰算法设计

        11.目标运动模型

        12.点云聚类DBSACN等

        13.多目标关联PDA、JPDA、MHT等

        14.最优滤波估计KF、EKF、UKF等

        15.道路环境建模(路沿拟合和自车轨迹估计)

        16.多源信息融合(摄像头、激光)

        17.辅助驾驶功能(AEB、ACC、LCA、RCTA等)和实现原理

        18.数据分析和机器学习算法(KNN、决策树、贝叶斯、boosting等)

三、工程实现

        1.MATLAB仿真

        2.python仿真

        3.C/C++开发和调试

        4.嵌入式(MCU、Linux)开发和调试

        5.代码规范(QAC)和各级测试(UT、ST、IT)

        6.法规和功能安全(26262等)

四、关键技术点

        1.多发多收通道间的频率补偿,天线间的幅相补偿(所有角度还是最优补偿),互藕补偿,温度补偿。

        2.移相器的温度补偿,校准参数表。

        3.抗干扰(稳定干扰及随机干扰,以及干扰去除手段)

        4.天线通道分离(DDMA,TDMA等)

        5.天线阵列(稀疏阵,均匀阵,互斥阵,形成最终面阵并进行相应角度解模糊)

        6.波束扫描

        7.pi-null 窗函数或者常规窗函数

        8. 插值算法

        9.全局CFAR或者Zone-CFAR

        10.全局SNR

        11.测量方差计算

        12.RCS计算

        13.FOV计算

        14.探测概率计算

        15.各种虚假点迹概率计算

        16.虚警合成

        17.BP算法

        18.提高分离度引入跳频波形

        19.速度接模糊基于跟踪,chirp delay,帧与帧,重叠天线,最大似然等方法

        20.推断距离

        21.CAPON及DML,NORM等超分辨算法

        22.基于GNN或者MHT的点跟踪

        23.点的合理性判断

        24.点的模糊性判断

        25.雷达自校准及方差计算

        25.点的高低属性(符合在object的高度信息,上穿,下穿,不可穿越)

        26.点与点关联(PDA、JPDA、MHT)

        27.点与object之间的关联

        28.点间聚类(DBSCAN、K-means)

        29.聚类后target分割

        30.跟踪模型

        31.R,Q 矩阵的自适应,P的发散

        32.航向角更新

        33.目标几何尺寸

        34.object 存在概率

        34.object合理性

        34.object跟踪点位置

        34.object遮挡合并,分离

        34.object ghost probality(mirror)

        34.object quality

        34. 动静态,停止

        35.基于几何尺寸,几何形状,微多普勒,rcs,长度宽度,速度信息,结合分类器的类别判断

        36.目标轨迹预测(横向运动、曲线运动)

        37.基于静止点grid map(证据理论融合),单点滤波,rcs权重,方差

        38.freespace(聚类,fov)

        39.形状检测器(凹检测,凸检测,矩形检测等)

        40.radar-detection map

        41. road 点分类

        42. road 拟合(clothoid)

        43. road 分类

        44.object高度属性计算(限高门,铁路等)

        45.Si

        45.桥梁,隧道检测

        46.雷达的检测性能

        47.雷达定位(slam)

        48.运动平台曲率,yawrate,速度,加速度等计算及补偿

        49.雷达监控

        50.雷达的软件系统—autosar

        51.雷达预功能安全模块

        52.雷达板的低rcs

        53.级联同步,功分器,本振驱动

  • 7
    点赞
  • 56
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 8
    评论
相机和毫米波雷达融合的关键技术包括以下几个方面: 1. 数据融合算法:相机和毫米波雷达的数据具有不同的特和表示方式,需要设计合适的算法将它们进行融合。常见的融合算法包括卡尔曼滤波、粒子滤波、扩展卡尔曼滤波等。这些算法能够将相机和雷达的数据进行权衡和整合,提供更准确的目标检测和跟踪结果。 2. 目标关联与匹配:相机和毫米波雷达在感知目标时可能存在不一致或模糊的情况,需要进行目标关联与匹配,将相机和雷达的观测结果进行匹配。这可以通过特征提取、目标识别、运动估计等技术来实现。 3. 坐标转换与校准:相机和毫米波雷达在物理上位置和朝向可能不同,需要进行坐标转换和校准,使它们在同一坐标系下进行数据融合。这可以通过使用外部传感器(如GPS、惯性测量单元)或者利用特定的校准算法来实现。 4. 异常检测与冲突解决:相机和毫米波雷达融合的过程中,可能会出现异常数据或冲突情况。需要设计相应的异常检测和冲突解决方法,以保证融合结果的准确性和可靠性。 综上所述,相机和毫米波雷达融合的关键技术主要包括数据融合算法、目标关联与匹配、坐标转换与校准以及异常检测与冲突解决等方面。这些技术的应用能够提高目标检测和跟踪的准确性,增强系统的感知能力和鲁棒性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

奔袭的算法工程师

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值