Radar Interference Mitigation for Automated Driving
自动驾驶依赖于各种传感器，特别是雷达，在大雨/雾/雪和光线不足的情况下具有独特的鲁棒性。随着现代车辆上使用的雷达数量的快速增加，其中大多数雷达在相同的频段中操作，雷达干扰的风险成为迫切的问题。本文分析了汽车雷达干扰，并提出了几种结合工业和学术专业知识的新方法，以实现无干扰的自动驾驶。
2019-09-20 eess.SP
Quality of service based radar resource management for interference mitigation
智能雷达资源管理是任何现代雷达系统的重要组成部分。基于服务质量的资源分配模型（Q-RAM）提供了一个框架，深刻的和可量化的决策，但缺乏必要的灵活性，在干扰的存在下，最佳缓解策略。我们定义了一个扩展的Q-RAM为基础的雷达资源管理框架与智能干扰处理能力，使用各种缓解方法。该方法采用虚拟时间资源和替代任务配置来计算干扰存在下的接近最优的解决方案。所提供的实验结果表明，传统的策略有显着的改善。
2022-03-11 eess.SP
Towards Smarter Sensing: 2D Clutter Mitigation in RL-Driven Cognitive MIMO Radar
Institute of Digital Communication Systems, Ruhr University Bochum（鲁尔大学波鸿分校数字通信系统研究所）
本文提出一种RL增强的认知MIMO雷达系统，通过平面阵列自适应波形与波束形成，结合Wald检测器和SARSA算法抑制二维杂波，显著提升低信噪比多目标检测概率。
2025-02-07 cs.LG eess.SP
Performance Evaluation and Analysis of Thresholding-based Interference Mitigation for Automotive Radar Systems
本文针对汽车雷达干扰抑制问题，将干扰分为三类，并利用自研仿真器在密集交通场景下评估时域阈值法和时频域阈值法，结果表明时频域阈值法在干扰密度和相关性升高时性能更优。
2024-02-21 eess.SP
Aircraft Radar Altimeter Interference Mitigation Through a CNN-Layer Only Denoising Autoencoder Architecture
Virginia Tech National Security Institute（弗吉尼亚理工大学国家安全研究所）；The Boeing Company（波音公司）
针对射频通信信号干扰下FMCW雷达高度计测距精度下降的问题，提出纯CNN层去噪自编码器架构，可在强干扰环境下可靠重建雷达信号，显著提升干扰抑制性能与测距精度。
2024-10-04 cs.LG eess.SP
Prior-Guided Deep Interference Mitigation for FMCW Radars
针对调频连续波（FMCW）雷达，提出了一种基于先验引导深度学习（DL）的干扰抑制方法。在本文中，干扰缓解问题作为一个回归问题。考虑到雷达信号的复值特性，采用复值卷积神经网络作为实现结构，这与传统的实值卷积神经网络不同。同时，由于FMCW雷达和干扰的有用差拍信号在时频域中呈现不同的分布，该先验特征被用作正则化项，以避免学习表示的过拟合。我们提出的复值全卷积网络（CV-FCN）的干扰抑制方法的有效性和准确性进行了验证和分析，通过模拟和测量的雷达信号。与实值对应物相比，CV-FCN示出了更好的干扰抑制性能，在低信号干扰噪声比（SINR）场景中具有减少一半存储器的潜力。此外，仅使用模拟数据训练的CV-FCN可以直接用于各种测量雷达信号的干扰抑制，并显示出优越的泛化能力。此外，通过结合先验特征，仅在1/8的完整数据上训练的CV-FCN在低SINR场景中实现了与完整数据集相当的性能，并且训练过程收敛得更快。
2021-08-30 eess.SP
Automotive Radar Interference Mitigation with Unfolded Robust PCA based on Residual Overcomplete Auto-Encoder Blocks
University Politehnica of Bucharest（布加勒斯特理工大学）；University of Bucharest（布加勒斯特大学）；Weizmann Institute of Science（魏茨曼科学研究所）
在自动驾驶中，雷达系统在检测道路上的其他车辆等目标方面发挥着重要作用。安装在不同汽车上的雷达会相互干扰，降低检测性能。用于汽车雷达干扰抑制的深度学习方法可以成功地估计目标的幅度，但无法恢复相应目标的相位。在本文中，我们提出了一种高效和有效的技术展开的鲁棒主成分分析（RPCA）的基础上，能够估计的振幅和相位的干扰存在。我们的贡献在于将残差过完备自动编码器（ROC-AE）块引入到展开RPCA的递归架构中，从而产生了一个更深入的模型，其性能显著优于展开RPCA以及其他深度学习模型。
2021-04-17 cs.CV cs.LG eess.SP
On the Fractional Fourier Transform for FMCW Radar Interference Mitigation
Graz University of Technology（格拉茨工业大学）；Infineon Technologies Austria AG（英飞凌奥地利股份公司）
本文提出基于离散分数傅里叶变换的FMCW雷达干扰抑制方法，通过稀疏更新信号降低计算复杂度，并在实测数据中验证其有效性。
2026-04-30 eess.SP
BlueFMCW: Random Frequency Hopping Radar for Mitigation of Interference and Spoofing
交通安全是汽车雷达系统追求的首要价值。与移动通信系统不同，雷达系统的文献没有充分解决雷达间干扰和安全威胁，如干扰和欺骗，这反过来又威胁到交通安全。在这种情况下，我们介绍了一种新的调频连续波（FMCW）雷达方案（即，BlueFMCW），减轻干扰和欺骗信号。BlueFMCW随机跳频以避免干扰和欺骗信号。我们的相位对准算法是能够消除相位不连续性，同时结合拍频信号从随机跳变啁啾，从而雷达的分辨率不受影响。仿真结果表明，BlueFMCW在不降低分辨率的情况下，能够有效地抑制各种场景下的干扰和欺骗信号。
2020-08-03 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
1-bit Localization Scheme for Radar using Dithered Quantized Compressed Sensing
我们提出了一种新的方案，允许使用高度量化的1位测量从调频连续波（FMCW）雷达与两个接收天线的二维目标定位。雷达信号的量化会引入局部伪影，我们通过在非量化的观测值上插入抖动来消除这一限制。然后，我们适应的投影反投影算法估计抖动量化雷达观测的目标的范围和角度，可证明衰减重建误差时，观察的数量增加。进行仿真，以突出的抖动方案在无噪声条件下的准确性相比，非抖动和全32位分辨率下严重的比特率降低。最后，使用雷达传感器进行测量，以证明所提出的量化抖动方案在实际条件下的有效性和性能。
2018-06-15 eess.SP
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
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
Matrix-Pencil Approach-Based Interference Mitigation for FMCW Radar Systems
提出了一种基于矩阵变换的FMCW雷达干扰抑制方法。该方法首先将差拍信号中受干扰污染的部分切掉，然后通过将差拍信号建模为复指数和，并利用矩阵束方法估计其参数，重构出被切掉部分的信号样本。通过数值仿真研究了该方法对不同参数（干扰持续时间、信噪比和不同目标场景）干扰的有效性。所提出的干扰抑制方法在实验数据上得到了深入验证。所提出的方法与调零和其他拍频插值技术的比较。仿真结果表明，该方法具有广泛的适用性和优越性，特别是在低信噪比和长干扰持续时间的情况下。
2021-02-23 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
Reconfigurable Intelligent Surface for OFDM Radar Interference Mitigation
针对OFDM雷达干扰问题，提出利用RIS并通过神经网络与卷积方法优化单元配置，在干扰方向形成零陷以提升SINR和目标检测性能。
2025-02-20 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
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
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
RFI Mitigation for One-bit UWB Radar Systems
射频干扰（RFI）会严重降低超宽带（UWB）雷达的成像能力和目标检测性能，抑制RFI对UWB雷达系统的正常工作至关重要。在本文中，我们解决了一位UWB雷达系统的RFI缓解问题。一位UWB系统通过低成本和高速率的采样方案获得其带符号的测量，称为连续时间二进制值（CTBV）技术。该采样策略将信号与随慢时间变化的已知阈值进行比较，因此可以用于以相当简单和负担得起的硬件实现相当高的采样率和量化分辨率。本文针对RFI源建立了合适的数据模型，并提出了一种新的基于CTBV采样技术的一位超宽带雷达系统RFI抑制方法。具体而言，我们首先将RFI源建模为在相干处理间隔（CPI）期间具有固定频率的正弦曲线的总和，并且我们利用RFI频谱的稀疏性。我们扩展了一个基于优化最小化的1bRELAX算法，称为1bMMRELAX，估计RFI源参数从使用CTBV采样策略获得的有符号的测量。我们还设计了一种新的快速频率初始化方法的基础上的交替方向乘法器（ADMM）的方法，扩展的1bMMRELAX算法，以显着提高其计算效率。此外，基于ADMM的稀疏方法被引入到恢复所需的雷达回波使用的RFI参数估计。仿真和实验结果表明，我们提出的算法优于现有的数字积分方法，特别是对严重的RFI情况下。
2021-03-26 eess.SP
Interference Mitigation for FMCW Radar With Sparse and Low-Rank Hankel Matrix Decomposition
本文研究了具有去调频接收机的调频连续波（FMCW）雷达系统的干扰抑制问题。在去线性调频操作之后，来自目标的散射信号导致拍频信号，即，当干扰导致啁啾状短脉冲时，复指数的和。利用有用信号和干扰之间的这些不同的时间和频率特征，干扰抑制被配制成一个优化问题：通过提升测量值构造的Hankel矩阵的稀疏和低秩分解。然后，提出了一种迭代优化算法来解决这个问题，利用交替方向的乘法器（ADMM）计划。与现有方法相比，该方法不需要检测干扰，也提高了分离出的有用信号的估计精度。点目标的数值模拟和分布式目标的实验结果（即，雨滴）来演示和验证其性能。仿真结果表明，该方法对静止和运动目标干扰抑制具有较好的适用性。
2022-01-28 eess.SP
Distortion Mitigation in Millimeter-Wave Interferometric Radar Angular Velocity Estimation Using Signal Response Decomposition
提出了一种新的毫米波雷达多目标干涉角速度估计失真抑制方法。通常，当存在多个目标时，相关干涉仪的响应被互调失真破坏，使得难以估计单个目标的角速度。我们提出了一种失真缓解方法，其工作原理是将每个天线元件的响应分解为来自各个目标的响应。执行数据关联以匹配每个天线处的个体目标响应，使得仅在相关联的目标之间执行互相关。因此，消除了来自相关不同目标的互调失真（交叉项），并且结果是频率响应，其各个频率与目标的角速度成比例。我们展示了一个自定义的40 GHz的干涉雷达，高精度的运动捕捉系统，提供地面实况位置测量，和两个机器人平台的方法。多目标实验包括三个方案，旨在代表容易，中等和困难的情况下，失真缓解技术。我们表明，减少失真产生角速度估计误差小于$0.008$ rad/s，$0.020$ rad/s，和$0.033$ rad/s的三种情况下，分别为容易，中等，和困难的情况下。
2021-12-17 eess.SP
Radar-STDA: A High-Performance Spatial-Temporal Denoising Autoencoder for Interference Mitigation of FMCW Radars
本文提出Radar-STDA，一种仅14万参数的纳米级时空去噪自编码器，用于FMCW雷达干扰抑制，在保证高SINR的同时实现高帧率推理，并发布了首个雷达干扰合成数据集Ra-inf。
2023-07-18 eess.SP
A Convex Hull Based Approach for MIMO Radar Waveform Design with Quantized Phases
本文主要研究在杂波和噪声同时存在的情况下，如何设计具有离散相位的恒模多输入多输出（MIMO）雷达波形，使信号与干扰噪声比（SINR）达到最大。鉴于NP-硬度的制定的问题，我们建议放松原来的优化作为一个序列的连续二次规划（QP）的子问题，通过使用的凸包的离散可行域，从而产生近似的解决方案，计算成本低得多。最后，我们评估所提出的波形设计方法的有效性，通过数值模拟。
2018-06-14 eess.SP
Variational Signal Separation for Automotive Radar Interference Mitigation
本文针对汽车FMCW雷达互干扰问题，提出基于稀疏贝叶斯学习和变分EM的信号分离方法，联合估计目标参数并逐次消除干扰，实验表明其精度可达CRLB并接近无干扰雷达性能。
2024-10-02 eess.SP
Automotive Radar Interference Mitigation Using Adaptive Noise Canceller
调频连续波汽车雷达之间的干扰可以增加噪声基底，这在大多数情况下发生，或在罕见的情况下产生鬼目标。为了解决干扰导致的本底噪声增加问题，提出了一种低计算代价的自适应噪声抵消方法来提高信号干扰比。在正交接收机中，频谱的正半部分中的干扰与频谱的负半部分中的干扰相关，而来自真实目标的拍频总是出现在正频率中。因此，我们估计负频率的功率作为干扰的指示，并将正频率和负频率分量分别馈送到自适应噪声消除器的主信道和参考信道中。采用最小均方算法求解最优滤波器解。仿真和实验结果表明，该方法具有良好的抗干扰性能.
2019-11-14 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
FMCW Radar Interference Mitigation based on the Fractional Fourier Transform
Graz University of Technology（格拉茨工业大学）；Signal Processing and Speech Communication Laboratory, Graz University of Technology（格拉茨工业大学信号处理与语音通信实验室）
本文提出基于离散分数傅里叶变换的FMCW雷达互干扰抑制方法，通过分数域压缩和零化检测并抑制干扰斜纹，采用多角度中心离散分数傅里叶变换提升效率，实现硬件快速实现。
2026-04-29 eess.SP
Leakage Mitigation in Heterodyne FMCW Radar For Small Drone Detection with Stationary Point Concentration Technique
针对外差式 FMCW 雷达检测小型无人机时发射泄漏导致相位噪声抬升、信噪比恶化的问题，提出无需额外硬件的驻留点集中技术，通过频率规划与数字信号处理显著降低目标距离域噪声基底。
2018-09-15 eess.SP
Quantity over Quality: Dithered Quantization for Compressive Radar Systems
在本文中，我们探讨了雷达观测（或测量）的数量和它们的分辨率在雷达距离估计的上下文中的权衡。为此，我们引入了一种新的估计方案，可以处理强量化的接收信号，低至1位每个信号样本。为此，我们利用抖动量化压缩感知框架，可以应用于经典的雷达处理和硬件。这使我们能够消除模糊的情况下，禁止正确的距离估计（无抖动）量化的基带雷达信号。研究了两种距离估计算法：投影反投影（PBP）和量化迭代硬消隐（QIHT）。通过蒙特卡罗模拟，证明了结合抖动策略的重建方法的有效性。此外，我们还证明了：（i）在抖动量化中，当比特率（即，测量的比特的总数）增加，而在这种情况下，其它非抖动方案的精度饱和;以及（i i）对于固定的低比特率情形，严重量化的抖动方案比它们的全分辨率对应方案表现出更好的性能。这些意见得到证实，使用在受控环境中获得的实际测量，证明了该方法在实际测距应用的可行性。
2018-11-28 eess.SP
Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation
Graz University of Technology（格拉茨技术大学）；Infineon Technologies Austria AG（英飞凌科技奥地利公司）
自动驾驶高度依赖于有能力的传感器来感知环境并向车辆的控制系统提供可靠的信息。为了提高其鲁棒性，使用了一组多样化的传感器，包括雷达传感器。雷达是传感信息的重要贡献，提供高分辨率的距离和速度测量。雷达传感器在道路交通中的使用越来越多，这带来了新的挑战。由于迄今为止不受管制的频段变得越来越拥挤，雷达传感器遭受多个雷达传感器之间的相互干扰。必须减轻这种干扰，以确保高和一致的检测灵敏度。在本文中，我们提出了使用复值卷积神经网络（CVCNN）来解决雷达传感器之间的相互干扰问题。我们将以前开发的方法扩展到复域，以便根据其物理特性处理雷达数据。这不仅提高了数据效率，而且改善了滤波期间相位信息的保存，这对于进一步处理（例如角度估计）至关重要。我们的实验表明，CVCNN的使用提高了数据效率，加快了网络训练速度，并大大提高了干扰消除过程中相位信息的保存。
2021-04-29 cs.CV eess.SP
Orthogonal Circular Polarized Transmitter and Receiver Antennas for Mitigation of Mutual Coupling in Monostatic Radars
Indraprastha Institute of Information Technology（印度帕拉萨塔信息技术学院）
本文提出使用正交圆极化发射和接收天线以减少单站雷达中发射机与接收机之间的互耦，同时保留目标的第一反射。
2026-02-10 eess.SP
Complex Signal Denoising and Interference Mitigation for Automotive Radar Using Convolutional Neural Networks
Graz University of Technology（格拉茨技术大学）；Infineon Technologies Austria AG（英飞凌科技奥地利股份公司）
驾驶员辅助系统以及自动驾驶汽车必须依赖传感器来感知其环境。一组异构的传感器被用来执行这项任务鲁棒。其中，雷达传感器是必不可少的，因为它们的距离分辨率和直接测量速度的可能性。由于越来越多的雷达传感器部署在街道上，必须处理相互干扰。在迄今为止未受管制的汽车雷达频段中，传感器必须能够检测或甚至减轻干扰的有害影响，其包括降低的检测灵敏度。在本文中，我们使用卷积神经网络（CNN）来解决这个问题，CNN是最先进的机器学习工具。我们证明了CNN在数据中找到结构化信息的能力，同时保留局部信息，从而实现了卓越的去噪性能。为了实现这一点，使用模拟数据进行训练来找到CNN参数，并将其集成到汽车雷达信号处理链中。所提出的方法进行了比较，与最先进的，突出其有前途的性能。因此，CNN可以用于干扰减轻，作为传统信号处理方法的替代。代码和预训练模型可在https://github.com/johanna-rock/imRICnn上获得。
2019-06-25 cs.CV eess.SP
LiQuiD-MIMO Radar: Distributed MIMO Radar with Low-Bit Quantization
分布式MIMO雷达通过采用间隔很大的天线实现了优越的检测性能。然而，由于接收机和融合中心的复杂操作，实现低复杂度的分布式MIMO雷达具有挑战性。提出了一种低比特量化分布式MIMO（LiQuiD-MIMO）雷达，以显著降低信号捕获和数据传输的负担。在LiQuiD-MIMO雷达中，广泛分离的接收机被限制为与低分辨率ADC一起操作，并将低比特量化数据传送到融合中心。在融合中心，通过数字处理明确补偿所引起的量化失真。通过利用我们的问题的固有结构，一个量化版本的鲁棒主成分分析（RPCA）问题，制定同时恢复低秩目标信息矩阵以及稀疏的数据传输错误。然后利用最小二乘法从恢复的目标信息矩阵中估计出目标的位置和速度。数值实验表明，采用该算法配置的LiQuiD-MIMO雷达能够实现目标参数的精确估计。
2023-02-16 eess.SP
Leakage Mitigation and Internal Delay Compensation in FMCW Radar for Small Drone Detection
调频连续波（FMCW）雷达的一个臭名昭著的问题是发射机和接收机之间的泄漏。泄漏信号的相位噪声在功率谱上表现为泄漏信号周围的一个边缘。它导致动态范围的恶化，特别是在近距离区域。因此，尽管FMCW雷达由于其工作方式而在近距离目标检测方面比脉冲雷达具有优势，但FMCW雷达的优势可能会因为泄漏而丧失。FMCW雷达的另一个问题是雷达系统中的内部延迟。它导致最大可探测距离的减小。本文提出了一种新的下变频技术，解决了这些问题。详细的理论和程序来实现所提出的技术进行解释。最后通过实验结果验证了该算法的有效性。所提出的技术可以通过频率规划和数字信号处理来实现，而无需额外的部件。结果表明，该技术在近距离区域和2.1 dB，即使在远距离区域降低噪声本底约7.0 dB。此外，结果表明，所提出的技术通过补偿内部延迟来恢复减小的最大可检测范围。
2018-07-17 eess.SP
Resource-efficient Deep Neural Networks for Automotive Radar Interference Mitigation
Graz University of Technology（格拉茨理工大学）；Infineon Technologies Austria AG（英飞凌科技奥地利股份公司）
雷达传感器对于驾驶员辅助系统和自动驾驶汽车的环境感知至关重要。随着雷达传感器数量的不断增加和汽车雷达频段的不规范，相互干扰是不可避免的，必须加以处理。在雷达数据上运行的算法和模型需要在专用雷达传感器硬件上运行早期处理步骤。这种专用硬件通常具有严格的资源约束，即低存储器容量和低计算能力。基于卷积神经网络（CNN）的去噪和干扰抑制方法在性能方面为雷达处理带来了有希望的结果。然而，关于资源限制，CNN通常远远超过硬件的能力。在本文中，我们研究基于CNN的去噪和雷达信号的干扰减轻量化技术。我们分析了（i）权重和（ii）不同基于CNN的模型架构的激活的量化。这种量化导致模型存储和推理过程中的内存需求减少。我们比较了具有固定和学习位宽的模型，并对比了两种不同的训练量化CNN的方法，即直通梯度估计器和离散权重上的训练分布。我们说明了结构上小的实值基础模型的量化的重要性，并表明，学习位宽产生最小的模型。与实值基线相比，我们实现了约80%的内存减少。然而，由于实际原因，我们建议使用8位的权重和激活，这导致模型只需要0.2 MB的内存。
2022-01-25 cs.CV eess.SP
Advanced Stationary Point Concentration Technique for Leakage Mitigation and Small Drone Detection with FMCW Radar
针对小型无人机检测需求，本文指出前期提出的FMCW雷达泄漏抑制SPC技术的实现缺陷，提出可保留其优势且克服不足的A-SPC技术，实验验证了该技术的鲁棒性与实用性。
2020-07-14 eess.SP
Multipath Identification and Mitigation with FDA-MIMO Radar
本研究提出一种基于FDA-MIMO雷达的多径识别与抑制策略，通过将多径抑制转化为多径识别问题，在无先验知识下从单帧回波分离多径分量，并联合优化阵列发射加权与频率增量以抑制高阶多径，显著提升了目标检测性能。
2024-07-25 eess.SP
Model-Based Deep Learning Tuning of Reconfigurable Intelligent Surface for OFDM Radar Interference Mitigation
本文提出一种基于深度学习的RIS配置优化框架，结合改进MUSIC算法与MLP模型，在多子载波下抑制OFDM雷达干扰，显著提升了SINR与定位精度。
2025-04-06 eess.SP
M3R: Localized Rainfall Nowcasting with Meteorology-Informed MultiModal Attention
University of Louisiana at Lafayette, Lafayette, LA, USA（路易斯安那州立大学拉斐特分校）；University of Delaware, Newark, DE, USA（德克萨斯大学达勒姆分校）
M3R结合NEXRAD雷达图像与气象站数据，通过多模态注意力机制提升降雨预测精度与效率，实现更准确的降雨现在预测。
2026-04-15 cs.CV cs.LG cs.MM
Mitigation of Radar Range Deception Jamming Using Random Finite Sets
Northeastern University（东北大学）
本文提出利用随机有限集缓解雷达距离欺骗干扰，通过多假设跟踪处理虚假距离信息，并提供自适应与非自适应解决方案以提高跟踪精度和干扰检测能力。
2024-08-21 eess.SP
Radar Altimeter Redesign for Multi-Stage Interference Risk Mitigation in 5G and Beyond
针对5G及未来信号对雷达高度计的干扰风险，提出并验证了系统设计更改策略，涵盖认证流程，以保障飞行安全。
2023-05-09 eess.SP
Mitigation of Through-Wall Distortions of Frontal Radar Images using Denoising Autoencoders
本文提出利用去噪自编码器在无需墙体参数和房间几何先验信息的情况下缓解穿墙雷达图像失真，并通过仿真与实测验证其对静态和动态人体目标的有效性。
2019-03-22 eess.SP
Mutual Interference Mitigation for MIMO-FMCW Automotive Radar
本文研究MIMO-FMCW汽车雷达间的相互干扰抑制，首次推导了全面考虑时频与慢时间码非相干性的通用干扰信号模型，将其转化为空域目标检测问题并提出恒虚警率检测器，仿真验证了其优于基线方法的有效性。
2023-04-06 cs.IT cs.SY eess.SP
Clutter Mitigation for Joint RadCom Systems Based On Spatial Modulation
针对联合雷达通信系统中通信信息嵌入引起的杂波调制问题，提出基于空间调制的降维空时自适应处理方法，通过子空间投影和基于幂法的特征分解抑制杂波，仿真验证了其有效性。
2023-11-11 eess.SP
Reconfigurable Intelligent Surface-Enabled Array Radar for Interference Mitigation
本文研究RIS辅助阵列雷达的干扰抑制问题，通过联合优化发射、接收波束成形与RIS反射系数最大化SINR，并提出基于交替最小化和二阶RNM的算法，显著提升性能。
2024-01-28 eess.SP
Fundamental Trade-offs in Quantized Hybrid Radar Fusion: A CRB-Rate Perspective
Engineering Division, New York University (NYU) Abu Dhabi（纽约大学阿布扎比分校工程部）
本文从CRB-速率视角出发，研究了量化混合雷达融合中的根本性感知-通信权衡，通过推导CRB和可实现速率，分析了ADC分辨率、动态范围和系统配置对性能的影响，并提出了设计指导。
2026-01-29 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
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
Mainlobe Jamming Suppression Using MIMO-STCA Radar
本文提出 MIMO-STCA 雷达框架及 CS-NHSS、NSJM 与 RJNS 算法，通过距离域自由度、样本筛选、噪声子空间正交性和自适应波束控制，显著提升主瓣干扰抑制性能与鲁棒性。
2025-05-14 eess.SP
Enhanced Automotive Radar Collaborative Sensing By Exploiting Constructive Interference
本文提出利用相长干涉的多雷达协同感知方案，通过优化权重矩阵对齐干扰信号与自回波，增强目标检测并降低数据共享带宽需求。
2024-05-27 eess.SP
Monostatic Sensing with OFDM under Phase Noise: From Mitigation to Exploitation
研究了在振荡器缺陷引起的相位噪声（PN）存在的情况下，单基地雷达与正交频分复用（OFDM）联合雷达通信（JRC）系统的感知问题。首先，我们提供了一个严格的统计特性的PN在雷达接收机在多个OFDM符号的自激振荡器（FRO）和锁相环（PLL）。基于时延相关PN协方差矩阵，推导了确定性时延多普勒参数和随机PN的混合最大似然（ML）/最大后验（MAP）估计，从而得到了一个具有挑战性的高维非线性优化问题.为了规避PN的非线性，然后我们开发了一种迭代小角度近似（ISAA）算法，通过PN作为延迟多普勒的函数在每次迭代的封闭形式更新逐步细化延迟多普勒PN估计。此外，与PN被认为是必须减轻的纯粹损害的现有方法不同，我们提出利用PN通过利用其延迟相关统计来解决距离模糊（即，距离相关效应），通过制定一个参数的Toeplitz块Toeplitz协方差矩阵重建问题。仿真结果表明ISAA快速收敛到混合Cramér-Rao界（CRB），以及其显着的性能增益超过最先进的基准，在各种操作条件下的FRO和PLL，同时表明PN的不利影响可以转化为传感的优势。
2022-09-28 eess.SP
Hybrid Precoding and Combining for mmWave Full-Duplex Joint Radar and Communication Systems under Self-Interference
本文针对毫米波全双工联合雷达与通信系统，提出基于广义特征值的混合预编码与模拟合并设计，在保证雷达增益和通信速率的同时有效抑制自干扰，并通过OFDM雷达实现高精度目标距离与速度估计。
2024-04-01 cs.IT eess.SP math.IT
Few-bit Quantization of Neural Networks for Nonlinearity Mitigation in a Fiber Transmission Experiment
在16-QAM 9 × 50 km双偏振光纤传输实验中，对神经网络进行了量化，以减小非线性失真和分量失真。在6比特处的训练后加性二次幂量化引起可忽略的Q因子惩罚。在5比特时，模型大小减少了85%，损失为0.8 dB。
2022-05-25 eess.SP
