Doppler-Resilient 802.11ad-Based Ultra-Short Range Automotive Joint Radar-Communications System
提出了一种基于IEEE 802. 11 ad的超短程汽车联合雷达通信（JRC）框架，通过在前导码中加入Prouhet-Thue-Morse序列，提高了雷达的多普勒抗干扰能力。所提出的处理揭示了详细的微观特征，通过扩展的散射中心模型的动画行人，自行车和汽车目标验证常见的汽车对象。数值实验表明，$2.5$在低信噪比下的虚警概率降低了%，并且在高达$\pm144$ km/hr的多普勒速度的峰值到旁瓣电平动态范围上比传统的802.11ad JRC有所改善。
2020-05-03 eess.SP
Signal Processing Challenges in Automotive Radar
本文针对汽车雷达普及下的性能提升需求与待解问题，综述了信号处理相关的调制方案、干扰规避、空间分辨率提升、深度学习应用等研究方向并附丰富参考文献，为该领域从业者提供入门参考。
2025-01-13 eess.SP
A point cloud processing method of mmWave radar over automotive scenario
本文提出一种利用毫米波雷达RA图和点云图进行综合目标判定的方法，能准确判定目标道路边界与相对坐标，避免信息过量导致的误差，并显著提升DBSCAN处理效率。
2024-03-23 eess.SP
Automotive Radar Performance in Environments with Multiple Interference Sources
General Motors, Technical Center - Israel（通用汽车以色列技术中心）
本文研究了高密度干扰环境下汽车雷达的性能，提出了一种端到端的仿真框架，评估了多种干扰场景对雷达性能的影响，并验证了传统干扰抑制技术的局限性，强调了未来需要协调和可扩展的干扰管理策略。
2026-05-21 eess.SP
Automotive Radar Multi-Frame Track-Before-Detect Algorithm Considering Self-Positioning Errors
针对汽车雷达弱目标检测跟踪中视场失准、坐标转换及自定位误差问题，提出自适应阈值MF-TBD架构与多帧能量积分策略，显著提升检测跟踪性能。
2025-04-24 eess.SP
A Deep Automotive Radar Detector using the RaDelft Dataset
本文提出一种数据驱动的汽车雷达检测方法，利用无标签激光雷达数据作为真值训练神经网络，仅输入雷达数据即可生成保留目标形状大小的类激光雷达点云，在 Chamfer 距离指标上显著优于传统 CFAR 和现有深度学习方法。
2024-11-13 eess.IV eess.SP
Sparse Reconstruction of Chirplets for Automotive FMCW Radar Interference Mitigation
随着道路上装有雷达传感器的车辆密度的增加，汽车雷达场景中的相互干扰将成为一个主要问题。本文研究调频连续波对调频连续波和连续波干扰的问题。在这种背景下，我们提出了一种信号处理技术，通过使用快速正交匹配追踪（OMP）算法来盲识别和去除干扰，以减少线调频基的干扰信号，并将其从目标信号中分离出来，以最小的信息损失。在模拟和测量数据中观察到噪声加干扰水平的显着降低，后者是用最先进的汽车传感器获得的。
2021-06-10 eess.SP
Multi-Carrier Wideband OCDM-Based THz Automotive Radar
太赫兹（THz）频段的汽车雷达具有紧凑和轻量化的潜力，同时提供高（接近光学）角分辨率。在本文中，我们提出了一个双基地太赫兹汽车雷达，采用最近提出的正交啁啾分割复用（OCDM）多载波波形。作为一种独立的通信波形，OCDM已经被研究用于对抗时频选择性信道中的干扰的鲁棒性。太赫兹波段的路径损耗，因此，雷达信号带宽，是范围相关的。我们通过利用太赫兹信道的相干带宽的多载波宽带OCDM传感收发器来解决这个独特的功能。我们开发了一个最佳方案，结合在不同的范围/带宽的范围和速度估计的Cramer-Rao下界的基础上分配权重的回报。数值实验表明，改进的目标估计，使用我们提出的组合估计从多个不同衰减的太赫兹频率。
2023-02-01 eess.SP
Mitigating Automotive Radar Interference using Onboard Intelligent Reflective Surface
研究提出利用车载智能反射面（IRS）增加车辆有效雷达截面积以缓解雷达干扰，发现有源IRS在15-35 dB反射增益下能有效对抗干扰，而无源IRS反而降低有效RCS。
2024-04-24 eess.SP
A C-Band Fully Polarimetric Automotive Synthetic Aperture Radar
由于近年来76 GHz汽车频谱使用的快速增长，无线干扰正成为一个值得关注的问题。然而，最近对自动驾驶汽车（AV）的兴趣的上升也刺激了5.8 GHz非授权频段内和周围的低频车联网（V2X）通信的新增长和采用，从而为联合雷达通信（JRC）形式的通信频谱重用提供了可能性。在这项工作中，我们提出了一个低频5.9 GHz的侧视极化合成孔径雷达（SAR）的汽车使用，利用一个常见的低频V2X通信波段的测距波形。采用合成孔径技术来解决通常与较低频率的雷达相关的角分辨率问题。三个侧视全极化SAR图像在不同的城市场景，并进行了讨论，突出了独特的机会，通过测量的共同和交叉极化散射的地标推理。
2021-12-22 eess.SP
Near-Field Low-WISL Unimodular Waveform Design for Terahertz Automotive Radar
传统的感测应用依赖于具有平面波传播的电磁远场信道模型。然而，最近在上毫米波或低太赫兹（THz）频率下的超短程汽车雷达应用设想在近场区域中操作，其中波前是球形的。与远场不同，近场波束图取决于范围和角度，因此需要不同的波形设计方法。在文献中，我们第一次采用波束匹配的方法来设计单模波形的太赫兹汽车雷达与低加权综合旁瓣电平（WISL）。我们制定这个问题作为一个么模双二次矩阵规划，并解决其组成的二次子问题，使用我们的循环幂法迭代（CyPMLI）算法。数值实验表明，CyPMLI的方法产生所需的波束与低自相关水平。
2023-03-08 eess.SP
Fusion of Inverse Synthetic Aperture Radar and Camera Images for Automotive Target Tracking
在道路交叉口转弯的汽车目标在短的停留时间内为汽车雷达提供了大的合成孔径，可以用于获得精细的横向分辨率。同样，汽车雷达信号的宽带宽产生高距离分辨率轮廓。它们一起被用来生成逆合成孔径雷达（ISAR）图像，提供丰富的信息，目标车辆的大小，形状和轨迹，这是有用的对象识别和分类。然而，对ISAR的一个关键要求是平移运动补偿和目标的转动速度的估计。用于运动补偿的最新算法在计算复杂度和精度之间进行权衡。另一种低复杂度的方法是使用附加的传感器来跟踪目标运动。在这项工作中，我们建议利用计算机视觉算法来识别雷达目标物体的传感器视场（FoV）具有高精度。此外，我们建议通过融合视觉和雷达数据来跟踪目标车辆的运动。视觉数据有助于准确估计目标的横向位置，这补充了雷达准确估计距离和径向速度的能力。通过模拟和实验评估与单目相机和德州仪器毫米波雷达，我们证明了有效的传感器融合的准确目标跟踪平移运动补偿和高品质的ISAR图像的生成。
2022-09-27 eess.SP
Fully Convolutional Neural Networks for Automotive Radar Interference Mitigation
汽车行业的兴趣逐渐集中在与驾驶员辅助系统以及自动驾驶汽车相关的主题上。汽车结合了各种传感器来强大地感知周围环境。其中，雷达传感器是必不可少的，因为它们不受照明条件的影响，并且可以直接测量速度。然而，雷达干扰是随着汽车场景中雷达系统数量的增加而变得普遍的问题。在本文中，我们使用全卷积神经网络（FCN）解决了调频连续波（FMCW）雷达的这个问题，这是一种最先进的深度学习技术。我们提出了两个FCNs，拍频信号的频谱图作为输入，并提供相应的干净的距离轮廓作为输出。我们提出了两种架构的干扰缓解优于经典的调零技术。此外，考虑到缺乏用于此任务的数据库，我们以开源方式发布了一个大规模数据集，该数据集可以密切复制单干扰情况下的真实汽车场景，从而使其他人能够客观地比较他们在该领域的未来工作。该数据集可在以下网址下载：www.example.com。
2020-07-21 eess.SP
RadChat: Spectrum Sharing for Automotive Radar Interference Mitigation
在汽车领域，雷达和无线通信都容易受到干扰。然而，将雷达和通信系统相结合，即，射频（RF）通信和感测融合具有减轻两个系统中的干扰的潜力。分析了频谱共存的调频连续波（FMCW）雷达与通信系统之间的相互干扰的发生概率和影响，并介绍了一种利用雷达通信抑制FMCW汽车雷达之间干扰（包括自干扰）的分布式组网协议RadChat。实验结果表明，RadChat能够在80 ms内显著降低单跳车载网络中的雷达互扰。
2020-01-13 cs.IT eess.SP math.IT
Concept for an Automatic Annotation of Automotive Radar Data Using AI-segmented Aerial Camera Images
本文提出利用无人机鸟瞰相机图像经AI全景分割后映射至雷达图像，实现自动标注汽车雷达数据，并在2分钟内成功标注589个行人，验证了方法的有效性与可扩展性。
2023-09-01 eess.SP
A Hybrid Approach for Extending Automotive Radar Operation to NLOS Urban Scenarios
针对城市环境中汽车雷达视距受限问题，提出一种结合物理传播模型与深度神经网络的混合方法，实现无需先验知识、多普勒信息或辅助传感器的非视距目标定位，提升自动驾驶安全性。
2025-09-26 eess.SP
Self-Supervised Learning for Enhancing Angular Resolution in Automotive MIMO Radars
针对车载低成本 MIMO 雷达角分辨率受限问题，提出基于自监督学习的天线孔径外推框架，并通过百万级蒙特卡洛仿真和真实户外数据验证其目标分辨能力显著提升。
2023-04-25 eess.SP
Weighted SPICE Algorithms for Range-Doppler Imaging Using One-Bit Automotive Radar
我们考虑的距离多普勒成像的问题，使用一位汽车LFMCW 1或PMCW雷达，利用一位ADC采样与时变阈值在接收机。一位采样技术可以显著降低汽车雷达系统的成本和功耗。将LFMCW/PMCW雷达一维距离多普勒成像问题转化为一维稀疏参数估计问题。最近提出的超参数自由（因此用户友好）加权SPICE算法，包括SPICE，LIKES，SLIM和IAA，实现了出色的参数估计性能的数据采样精度高。然而，这些算法不能直接用于一位数据。在本文中，我们首先提出了一个正则化的最小化算法，称为1bSLIM，精确的距离多普勒成像使用onebit雷达系统。然后，我们描述了如何将SPICE、LIKES和IAA算法扩展到一位数据的情况，并将这些扩展称为1bSPICE、1bLIKES和1bIAA。这些一位超参数自由算法统一在一位加权SPICE框架内。此外，上述算法的有效实现的调查，在很大程度上依赖于使用FFT。最后，仿真和实验的例子来证明所提出的算法的有效性，距离多普勒成像使用一位汽车雷达系统。
2021-03-31 eess.SP
Probabilistic Oriented Object Detection in Automotive Radar
自动雷达由于其对恶劣天气和各种照明条件的鲁棒性而成为高级驾驶员辅助系统的组成部分。传统的汽车雷达使用数字信号处理（DSP）算法将原始数据处理成稀疏的雷达引脚，这些雷达引脚不提供关于物体的大小和方向的信息。本文提出了一种基于深度学习的雷达目标检测算法。该算法采用雷达数据在其原始张量表示和概率定向包围盒周围的鸟瞰图空间中检测到的对象。我们创建了一个新的多模态数据集，其中包含102544帧原始雷达和同步LiDAR数据。为了减少人工注释工作，我们开发了一个可扩展的管道，使用LiDAR作为参考自动注释地面实况。基于这个数据集，我们开发了一个使用原始雷达数据作为唯一输入的车辆检测管道。我们的最佳性能的雷达检测模型达到77.28\%的AP下定向IoU为0.3。据我们所知，这是第一次尝试调查目标检测与原始雷达数据的传统角落汽车雷达。
2020-04-18 cs.CV eess.SP
Efficient Gridless DoA Estimation Method of Non-uniform Linear Arrays with Applications in Automotive Radars
本文主要研究汽车应用中非均匀线阵（NLA）数据的无网格波达方向（DoA）估计。原子范数最小化（ANM）是Toeplitz模型下一种很有前途的无网格稀疏恢复算法，采用凸松弛法求解，但它只适用于阵列流形具有Vandermonde结构的均匀线阵。在汽车应用中，必须将无网格DoA估计高效地应用于具有任意几何形状的NLA。提出了一种基于ANM的非线性放大器无网格DOA快速估计算法，该算法采用了阵列流形分离技术和加速邻近梯度（APG）技术，使其在不损失效率的情况下适用于非线性放大器。汽车多输入多输出（MIMO）雷达的仿真和测量实验证明了该方法的优越性。
2023-03-08 eess.SP
A Deep Learning Approach for Automotive Radar Interference Mitigation
在汽车系统中，雷达是自动驾驶的关键部件。利用目标发射和反射的雷达信号，可以捕获目标的距离和速度。然而，当干扰信号存在时，噪声基底增加，严重影响目标物体的可探测性。由于这些原因，以前的研究已经提出了消除干扰或重建原始信号。然而，用于消除干扰或重构发射信号的常规信号处理方法是困难的任务，并且还具有许多限制。在这项工作中，我们提出了一种使用深度学习来减轻干扰的新方法。所提出的方法在各种干扰条件下提供高性能，并且具有低处理时间。此外，我们表明，我们提出的方法相比，现有的信号处理方法实现了更好的性能。
2019-11-12 eess.SP
Designing the Waveform Bandwidth and Time Duration of Automotive Radars for Better Collision Warning Performance
汽车雷达是ADAS中的关键部件。越来越多的雷达安装在车辆上，使得它们之间的干扰成为一个值得注意的问题。干扰抑制的一种方法是限制雷达波形的TBP。然而，需要多少TBP以及如何最佳地利用有限的TBP的问题尚未得到解决。以CWS为例，提出了一种面向CWS性能的雷达波形参数设计方法，提出了一种量化CWS性能的指标，并研究了雷达波形参数（带宽和持续时间）对该指标的影响。然后，波形参数的设计上的TBP的限制，以优化系统性能。数值结果表明，所提出的设计优于国家的最先进的参数设置的系统性能和资源或能源效率。
2020-09-03 eess.SP
Online Learning-based Waveform Selection for Improved Vehicle Recognition in Automotive Radar
本文介绍了与调频连续波（FMCW）汽车雷达系统中基于在线学习的波形选择目标识别相关的重要考虑因素和挑战。我们提出了一种新的学习方法的基础上满意汤普森采样，快速识别波形，预计将产生令人满意的分类性能。我们通过测量级仿真证明，即使在雷达必须从大量候选波形中进行选择的情况下，也可以快速学习有效的波形选择策略。雷达学习自适应地选择适当的分辨率的带宽和慢时间单模码的干扰缓解在感兴趣的场景中通过优化预期的分类度量。
2022-12-01 cs.LG eess.SP
Mutual Interference Mitigation in PMCW Automotive Radar
针对PMCW汽车雷达互干扰问题，提出协同波形设计方法，仿真验证可显著降低干扰、提升检测性能，且计算成本低、对现有系统影响小。
2023-06-16 cs.SY eess.SP eess.SY
Performance Analysis of Automotive SAR With Radar Based Motion Estimation
汽车合成孔径雷达（SAR）可以显著提高检测静态物体的角分辨率，这对自动驾驶至关重要。获得高分辨率的SAR图像需要精确的自我车辆速度估计。一个小的速度估计误差可能会导致一个聚焦的SAR图像与偏移角的对象。在本文中，我们考虑了一个汽车SAR系统，产生SAR图像的静态对象的基础上自我车辆的速度估计从雷达返回信号，而无需开销的复杂性和成本的辅助全球导航卫星系统（GNSS）和惯性测量单元（IMU）。我们推导出一种新的解析近似的汽车SAR角度估计误差方差时，速度估计的雷达。所开发的解析分析密切预测真实的SAR角度估计方差，并提供洞察雷达参数和环境条件对汽车SAR角度估计误差的影响。我们通过分析和仿真测试的雷达设置和环境条件下，汽车SAR获得了显着的性能增益的角分辨率的短孔径物理天线阵列的评估。我们表明，也许令人惊讶的是，当速度估计的雷达的性能优势的汽车合成孔径雷达只在有限的条件下实现。因此，由于它的实现伴随着计算和系统复杂性的增加以及检测延迟的增加，因此应该谨慎地和有选择地使用它。
2022-04-21 cs.NA eess.SP math.NA
MCRB on DOA Estimation for Automotive MIMO Radar in the Presence of Multipath
针对汽车雷达在多径影响下DOA估计性能下降问题，推导了误设定克拉美-罗界（MCRB），建立其与CRB的解析关系，验证其能可靠预测误设定最大似然估计器的渐近性能，为雷达评估与设计提供工具。
2023-05-11 eess.SP
Perception Through 2D-MIMO FMCW Automotive Radar Under Adverse Weather
毫米波（mmWave）雷达越来越多地集成在商用车辆中，以支持新的自适应驾驶员辅助系统（ADAS）功能，这些功能需要对物体进行准确的位置和多普勒速度估计，而不受环境条件的影响。为了探索基于雷达的ADAS应用，我们使用德州仪器的4芯片级联FMCW雷达（TIDEP-01012）更新了我们的测试平台，形成了一个非均匀的2D MIMO虚拟阵列。在本文中，我们开发了必要的接收信号模型，应用不同的波达方向（DoA）估计算法和实验验证其性能形成的虚拟阵列在受控的情况下。为了测试毫米波雷达在恶劣天气条件下的鲁棒性，我们通过车载平台收集了各种物体的原始雷达数据集（解调后的I-Q样本），特别是在相机基本无效的下雪和有雾的情况下。从雷达成像算法，这个数据集的初步结果。
2023-01-21 eess.SP
Transmit Beamspace DDMA Based Automotive MIMO Radar
时分多址接入（TDMA）技术已应用于汽车多输入多输出（MIMO）雷达中。然而，它遭受的发射能量损失，并作为结果的参数估计性能下降时，发射元件的数量增加。为了解决这些问题，提出了一种发射波束空间（TB）多普勒分多址接入（DDMA）方法。首先，引入空多普勒谱的相位调制矩阵。利用DDMA信号的空多普勒频谱，提出了一种基于序贯检测的DDMA信号多普勒模糊检测方法。该方法能够在多普勒域实现波形分集，并在慢时间内产生一个传输块，将发射功率集中在一个固定的空间区域，从而改善了汽车MIMO雷达的发射能量分布，在中/远程雷达（MRR/LRR）应用中具有良好的应用前景。与传统的TDMA技术相比，所提出的TB DDMA方法可以充分利用所有发射元件的传输能力，以确保发射功率被有效地使用，并且继承了容易的实现。此外，所提出的TB DDMA方法避免了每个发射天线的活动时间和帧时间之间的权衡。仿真结果验证了所提出的汽车MIMO雷达TB DDMA方法的有效性。
2021-03-25 eess.SP
Estimating the Magnitude and Phase of Automotive Radar Signals under Multiple Interference Sources with Fully Convolutional Networks
University Politehnica of Bucharest（布加勒斯特理工大学）；University of Bucharest（布加勒斯特大学）
雷达传感器正逐渐成为道路车辆广泛使用的设备，在自动驾驶和道路安全方面发挥着至关重要的作用。雷达传感器的广泛采用增加了来自不同车辆的传感器之间相互干扰的机会，产生了损坏的距离剖面图和距离-多普勒图。为了从距离-多普勒图中提取多个目标的距离和速度，需要消除影响各目标距离像的干扰。在本文中，我们提出了一种用于汽车雷达干扰缓解的全卷积神经网络。为了在真实世界的场景中训练我们的网络，我们引入了一个新的数据集的现实汽车雷达信号与多个目标和多个发射器。据我们所知，我们是第一个在汽车雷达领域应用权重修剪的人，与广泛使用的dropout相比，我们获得了更好的结果。虽然之前的大多数工作都成功地估计了汽车雷达信号的幅度，但我们提出了一个可以准确估计相位的深度学习模型。例如，我们的新方法将相位估计误差相对于通常采用的调零技术减少了一半，从12.55度到6.58度。考虑到汽车雷达干扰缓解数据库的缺乏，我们将我们的大规模数据集作为开源发布，该数据集密切复制了多个干扰情况下的真实汽车场景，允许其他人客观地比较他们在该领域的未来工作。我们的数据集可在http://github.com/ristea/arim-v2下载。
2021-11-06 cs.CV cs.LG eess.SP
Automotive Radar Mutual Interference Mitigation Based on Hough Transform in Time-Frequency Domain
本文针对汽车雷达互干扰问题，提出基于功率加权霍夫变换的时频域干扰抑制方法，通过直线检测定位干扰并用自回归模型恢复目标回波，在低信噪比下具有更好的鲁棒性和信号保留能力。
2023-07-10 eess.SP
Automotive Radar Online Channel Imbalance Estimation via NLMS
针对车载雷达通道不平衡影响可靠性的问题，提出基于NLMS算法的在线估计方法，利用雷达检测目标无需角度先验，支持多目标场景、计算量低，经仿真和实测验证有效。
2025-06-12 eess.SP
Automotive Radar Sensing with Sparse Linear Arrays Using One-Bit Hankel Matrix Completion
本文针对稀疏线阵车载雷达的粗量化测量问题，提出基于一位汉克尔矩阵补全的奇异值阈值算法，可仅用一位数据准确估计方位角，为低成本高分辨率车载雷达提供了有效方案。
2024-03-05 eess.SP
MadRadar: A Black-Box Physical Layer Attack Framework on mmWave Automotive FMCW Radars
本文提出MadRadar，一个针对汽车毫米波FMCW雷达的黑盒攻击框架，能实时估计受害雷达配置并执行添加、移除或移动目标检测的攻击，实验验证了其可行性。
2023-11-27 eess.SP
Constrained optimal design of automotive radar arrays using the Weiss-Weinstein Bound
提出了一种优化配置MIMO雷达线阵天线位置的设计策略，用于窄带信源的远场波达方向（DoA）估计。我们的方法允许考虑任何空间约束和天线的数量，作为优化函数的Weiss-Weinstein界制定的观察模型与随机目标相位和已知的SNR，在一个预先确定的视场（FoV）。最后以77 GHz MIMO雷达为例，计算了3 Tx和4 Rx信道的优化阵列。仿真结果表明，所提出的阵列相比，相应的均匀和最小冗余阵列的SNR值的广泛制度的性能改善。
2018-04-23 eess.SP
Collaborative Automotive Radar Sensing via Mixed-Precision Distributed Array Completion
针对协同汽车雷达感知的稀疏线性阵列测量，提出利用混合精度量化Hankel矩阵低秩特性的方位角恢复方法，通过拟等距嵌入分析性能，数值验证其高效重构效果。
2024-03-13 eess.SP
Deep Open Space Segmentation using Automotive Radar
University of Ottawa（渥太华大学）；Sensor Cortek Inc.（Sensor Cortek公司）；Valeo（法雷奥）
在这项工作中，我们提出了使用雷达与先进的深度分割模型，以确定停车场的情况下开放的空间。收集了一个称为SCORP的雷达观测数据集。用各种雷达输入表示来评估深度模型。我们提出的方法实现了低内存使用率和实时处理速度，因此非常适合嵌入式部署。
2020-03-18 cs.CV cs.LG eess.SP
Cognitive Radar Using Reinforcement Learning in Automotive Applications
认知雷达（CR）的概念使雷达系统能够通过接收机到发射机的反馈功能实现对多变环境的智能适应。然而，在快速变化的环境中实施CR通常需要一个众所周知的环境模型。在我们的工作中，我们强调CR在未知环境中的学习能力，使用CR和强化学习（RL）的组合，称为RL-CR。不需要或需要更少的环境模型。我们还将一般RL-CR应用于汽车雷达频谱分配的具体问题，以减轻相互干扰。使用RL-CR，每个车辆可以根据自己对环境的观察自主选择频率子带。由于雷达的单个观测与环境的整体信息相比非常有限，因此利用长短期记忆（LSTM）网络，以便雷达可以通过随时间聚合其观测来决定下一个发送的子带。与集中式频谱分配方法相比，该方法具有减少车辆与控制中心之间通信的优点。在某些情况下，它在降低干扰方面也优于其他一些分布式频率子带选择策略。
2020-07-16 eess.SP
Ambiguity Function Shaping in FMCW Automotive Radar
针对FMCW汽车雷达模糊函数高旁瓣导致目标掩蔽和漏检问题，提出一种通过模糊函数整形设计发射序列的编码优化方法，将四次优化重构为单模二次问题并用类幂法迭代求解，有效抑制感兴趣区域旁瓣。
2024-02-26 eess.SP math.OC
Waveform Design for Mutual Interference Mitigation in Automotive Radar
相似雷达系统之间的相互干扰会导致雷达灵敏度降低和虚警率增加。为了解决类似雷达系统中的同步和异步干扰抑制问题，本文首先提出了两种慢时间编码方案，用于在单输入单输出（SISO）场景下在相干处理间隔（CPI）内调制脉冲。具体地，第一编码方案依赖于多普勒频移，并且第二编码方案基于优化方法来设计。我们进一步扩展我们的讨论更一般的情况下，多输入多输出（MIMO）雷达，并提出了一种有效的算法来设计波形，以减轻在这样的系统中的相互干扰。所提出的编码方案在实践中是计算高效的，并且编码方案的并入仅需要对现有系统进行轻微修改。我们的数值例子表明，所提出的编码方案可以降低干扰功率电平在一个期望的区域的交叉模糊函数显着。
2022-08-08 eess.SP
Spatial Angular Pseudo-Derivative Search Algorithm: A Real-Time Single-Snapshot Super-Resolution Sparse DOA Scheme for Automotive Radar
School of Electronics and Information Engineering, Harbin Institute of Technology（哈尔滨工业大学电子与信息工程学院）
本文提出一种基于空间角伪导数的稀疏DOA估计方案，适用于汽车雷达的单快门和资源受限环境，实现高精度和实时性。
2026-07-28 eess.SP
CFAR-Based Interference Mitigation for FMCW Automotive Radar Systems
针对调频连续波（FMCW）雷达干扰抑制问题，提出了基于恒虚警（CFAR）检测器的方法。所提出的方法利用了这样一个事实，即经过去线性调频和低通滤波操作后，FMCW雷达的目标的差拍信号由指数正弦分量组成，而干扰在扫描内呈现短线性调频波。在时频域（$t$ - $f$）中利用一维恒虚警检测器检测出干扰信号的频谱，然后将检测到的频谱图作为干扰抑制的掩模进行扩张。它们适用于存在多个干扰的场景。与现有的方法相比，所提出的方法减少了有用信号的功率损耗，并且计算效率非常高。通过数值模拟和实验结果证明了它们的干扰抑制性能。
2021-01-04 eess.SP
A Track-Before-Detect Approach to Multi-Target Tracking on Automotive Radar Sensor Data
近年来，贝叶斯滤波方法在标记随机有限集公式在多目标跟踪领域变得越来越强大。广义标记多伯努利（GLMB）滤波器是最新的研究成果之一，它可以在统一的框架内实现稳定的基数、目标状态估计和目标识别。与GLMB滤波器的初始上下文相比，本文将其用于检测前跟踪（TBD）方案中，从而避免了由于阈值处理和其他数据预处理步骤而导致的信息丢失。本文提供了一个TBD GLMB滤波器设计下的可分离的似然假设，可应用于现实世界的场景和数据中的汽车雷达背景。它的适用性，以真实的传感器数据证明在一个示例性的情况下。据作者所知，GLMB滤波器应用于实际雷达数据中的TBD框架的第一次。
2020-07-09 eess.SP
Fine Grained Analysis and Optimization of Large Scale Automotive Radar Networks
针对车载雷达在密集环境中的互干扰问题，基于随机几何的PLCP和BLCP模型引入元分布框架区分检测指标变异性来源，优化波束宽度和传输概率并采用CM界方法提升精度，为自适应雷达系统开发提供实用见解。
2024-11-30 cs.IT eess.SP math.IT
Experiments with mmWave Automotive Radar Test-bed
University of Washington（华盛顿大学）；Silkwave Holdings（矽控控股）
毫米波（mmW）雷达越来越多地集成在商用车辆中，以支持新的自适应驾驶员辅助系统（ADAS），因为它能够提供物体的高精度位置，速度和角度估计，在很大程度上独立于环境条件。这种雷达传感器不仅执行检测和测距/角度定位等基本功能，而且还通过物体识别和分类为环境感知提供关键输入。为了探索基于雷达的ADAS应用，我们基于德州仪器（TI）汽车芯片组系列组装了一个实验室规模的调频连续波（FMCW）雷达测试台（https：//depts.washington.edu/funlab/research）。在这项工作中，我们描述了测试台组件，并提供了FMCW雷达的工作原理的总结。到目前为止，我们已经为受控场景下的各种对象创建了一个大型原始雷达数据集。此后，我们将一些雷达成像算法应用于收集的数据集，并提出了一些初步的结果，验证其在目标识别方面的能力。我们的代码可在https://github.com/Xiangyu-Gao/mmWave-radar-signal-processing-and-microDoppler-classification上获得。
2022-10-07 cs.LG eess.SP
Fusion of Sensors Data in Automotive Radar Systems: A Spectral Estimation Approach
准确估计周围目标（汽车）的位置和速度对于基于雷达传感器的高级驾驶员辅助系统至关重要。在本文中，我们得出的方法融合数据从多个雷达传感器，以提高这种估计的准确性和鲁棒性。首先，我们提出的目标估计问题作为一个多元多维谱估计问题。这个问题是多变量的，因为每个雷达传感器产生一个测量通道。然后，我们研究如何使用的交叉谱影响目标估计。我们看到，使用的幅度的互谱显着提高了目标估计的准确性，而试图补偿的相位滞后的互谱只给出边际改善。本文可被视为第一步，应用高分辨率的方法，建立在多维多变量谱估计传感器融合。
2019-08-07 eess.SP
Tangential Velocity Estimation Using Near-Field Automotive Radar Model
针对传统远场车载雷达无法估计目标切向速度的问题，本文引入近场雷达模型，利用目标偏移效应，结合分离阵列和高效最大似然算法实现切向速度估计，同时缓解似然模糊，提升雷达感知可靠性。
2025-09-04 eess.SP
Optimal Precoder Design for MIMO-OFDM-based Joint Automotive Radar-Communication Networks
大规模部署具有协作感知技术的互联车辆增加了对5.9 GHz车联网（V2X）通信频谱的需求，该频谱主要用于交换安全消息。为了补充V2X通信并支持宽带应用所需的高数据速率，可以利用76-81 GHz的毫米波（mmWave）汽车雷达频谱。为此目的，在文献中已经提出了联合雷达-通信系统，以使用相同的波形和硬件来执行这两种功能。虽然多用户的多输入多输出（MIMO）通信能够实现独立的数据流传输，以实现高吞吐量，但MIMO雷达处理可提供对安全关键系统至关重要的高分辨率成像。然而，采用为通信设计的传统预编码方法会产生定向波束，这会损害数据流传输期间的MIMO雷达成像和目标跟踪能力。提出了一种基于正交频分复用（OFDM）波形的MIMO汽车雷达通信（JARC）联合框架。首先，我们表明，MIMO-OFDM前导码可以利用MIMO雷达处理和估计的通信信道。然后，我们提出了一个最佳的预编码器的设计方法，使高精度的目标跟踪，同时发送独立的数据流到多个接收器。所提出的方法为MIMO JARC网络提供高分辨率雷达成像和高吞吐量能力。最后，我们通过数值模拟评估所提出的方法的有效性。
2021-09-25 cs.NI eess.SP
Deep Instance Segmentation with Automotive Radar Detection Points
Vitalent Consulting；Beihang University（北京航空航天大学）；Chalmers University of Technology（查尔姆斯理工大学）；The University of Sydney（悉尼大学）
汽车雷达以低廉的成本提供全天候可靠的环境感知，但由于雷达探测点的稀疏性，难以提供语义和几何信息。随着近年来汽车雷达技术的发展，利用汽车雷达进行实例分割成为可能。它的数据包含雷达截面和微多普勒效应等背景，有时可以在视场被遮挡时提供检测。实例分割的结果可以潜在地用作跟踪器的输入以用于跟踪目标。现有的方法通常使用基于聚类的分类框架，这适合实时处理的需要，但由于稀疏的雷达检测点提供的信息最少，因此性能有限。提出了一种基于语义信息聚类的稀疏雷达探测点实例分割方法。此外，我们表明，所提出的方法的性能可以进一步提高，将视觉多层感知器。在流行的RadarScenes数据集上的实验结果验证了该方法的有效性，在IoU阈值为0.5的情况下，平均覆盖率达到89.53%，平均准确率达到86.97%，优于文献中的其他方法.更重要的是，所消耗的内存约为1 MB，推理时间小于40 ms，表明我们提出的算法是存储和时间有效的。这两个标准确保了所提出的方法在现实世界中的系统的实用性。
2023-02-05 cs.CV eess.SP
ERASE-Net: Efficient Segmentation Networks for Automotive Radar Signals
New York University（纽约大学）；NXP Semiconductors（恩智浦半导体）
在用于辅助和自动驾驶系统的各种传感器中，汽车雷达被认为是一种强大且低成本的解决方案，即使在恶劣的天气或照明条件下也是如此。随着雷达技术和开源标注数据集的发展，雷达信号的语义分割变得非常有前途。然而，现有的方法要么计算昂贵，要么通过平均将原始3D雷达信号减少到2D平面来丢弃大量有价值的信息。在这项工作中，我们介绍了ERASE网络，一个有效的雷达分割网络分割的原始雷达信号的语义。我们的方法的核心是新的检测，然后段方法的原始雷达信号。该方法首先检测出目标的中心点，然后提取出一个紧凑的雷达信号表示，最后进行语义分割。我们表明，我们的方法可以实现优越的性能雷达语义分割任务相比，国家的最先进的（SOTA）技术。此外，我们的方法需要少20倍的计算资源。最后，我们表明，所提出的ERASE网络可以压缩40%，而不会显着损失性能，显着超过SOTA网络，这使其成为一个更有前途的候选人，为实际的汽车应用。
2023-02-24 cs.CV cs.LG cs.RO
A Novel Approach to Vehicle Pose Estimation using Automotive Radar
本文提出了一套新的扫描匹配技术的车辆姿态估计使用汽车雷达测量。所提出的方法修改了正态分布变换（NDT）-一种最先进的扫描匹配SLAM技术，广泛用于基于激光雷达的定位-以考虑雷达环境感知的特定方面。首先，极坐标无损检测（PNDT）是通过解决在极坐标系，自然雷达测量的无损检测问题。测量不确定度和它们在扫描匹配算法中的表示之间实现了更好的协议。其次，扩展PNDT考虑到多普勒测量-多普勒极无损检测（DPNDT）-提出。第三，在优化过程中加入检测目标的信噪比，以减小RCS起伏的影响。在数值模拟和实际数据处理中证明了对传统NDT的改进，显示出根据情况将定位误差降低3至5倍的能力，计算复杂性的增加可以忽略不计。最后，提出了一种具有补偿阵列波束形成中角偏差能力的DPNDT扩展。仿真结果和实际资料处理表明，该方法可以达到$0.1^\circ$的实时校正精度。
2021-07-20 eess.SP
Impact of Urban Street Geometry on the Detection Probability of Automotive Radars
本文提出用泊松线 Cox 过程刻画城市道路与车辆分布，并基于随机几何分析道路密度、车辆密度及雷达参数对干扰数量和检测性能的影响。
2023-12-09 cs.IT eess.SP math.IT
Automotive-Radar-Based 50-cm Urban Positioning
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
在阳光充足和干燥的气候范围之外部署自动地面车辆（AGV）将需要基于无线电波而不是近可见光辐射的子车道级定位技术。与人类视觉一样，激光雷达和相机在低能见度条件下表现不佳。本文开发并演示了一种基于商用低成本汽车雷达的强大的50厘米精度的城市地面定位的新技术。该技术计算效率高，但获得了全局最优的平移和航向解，避免了城市雷达环境中重复模式引起的局部最小值。性能评估广泛和现实的城市数据集。与地面实况的比较表明，当加上稳定的短期里程计，该技术保持95百分位误差低于50厘米的水平位置和1度的航向。
2020-05-02 cs.RO eess.SP
Multi-Beam Automotive SAR Imaging in Urban Scenarios
汽车合成孔径雷达（SAR）系统正迅速成为一种候选技术解决方案，以实现自动驾驶的高分辨率环境映射。与激光雷达和摄像头相比，传统汽车雷达可以在任何天气条件下工作，无需外部照明源，但范围或角度分辨率有限。SAR提供了一个相关的角分辨率的增加，提供了沿合成孔径的雷达平台的自我运动是已知的。在本文中，我们提出了一个实验活动的结果，旨在评估在城市场景中的多波束SAR成像的潜力，由各种目标（建筑物，汽车，行人等），采用基于大众市场可用的汽车级技术的77 GHz多输入多输出（MIMO）雷达平台。结果突出了厘米级精度的SAR图像在现实的驾驶条件下，显示使用多角度聚焦的方法来检测和区分不同的目标的角度散射响应的基础上的可能性。
2021-10-28 eess.SP
Redefining Automotive Radar Imaging: A Domain-Informed 1D Deep Learning Approach for High-Resolution and Efficient Performance
The University of Alabama（阿拉巴马大学）；Delft University of Technology（代尔夫特理工大学）；Mathworks, Inc（Mathworks公司）；University of Florida（佛罗里达大学）
本文将汽车雷达超分辨率重构为一维信号谱估计问题，提出结合归一化与SNR引导损失的SR-SPECNet，在多种配置下高效实现更优高分辨率距离-方位成像。
2024-06-11 cs.LG eess.SP
