Target Classification for Integrated Sensing and Communication in Industrial Deployments
Nokia Bell Labs（诺基亚贝尔实验室）；Politecnico di Milano（米兰理工大学）
本文提出利用深度学习进行工业部署中ISAC系统的目标分类，通过实验验证了蜂窝硬件在实际环境中的可行性。
2025-12-23 eess.SP
Achieving Efficient and Realistic Full-Radar Simulations and Automatic Data Annotation by exploiting Ray Meta Data of a Radar Ray Tracing Simulator
本文提出一种基于射线追踪模拟器元数据的雷达仿真方法，实现高效逼真的全雷达数据生成与自动标注，支持多径等特殊效应标注。
2023-05-23 eess.SP
A Dual-Polarization Feature Fusion Network for Radar Automatic Target Recognition Based On HRRP Sequence
针对极化HRRP序列的雷达自动目标识别，提出双极化特征融合网络DPFFN，采用两阶段融合策略和特定损失函数，显著提升识别性能。
2025-01-23 eess.SP
Automatic Arm Motion Recognition Based on Radar Micro-Doppler Signature Envelopes
针对智能环境中的人机接口问题，提出了一种简单有效的基于多普勒雷达传感器的手臂运动自动识别方法。手臂代替手，具有更强的雷达截面，可以从相对较远的距离被识别。一个基于能量的阈值算法应用于频谱图提取微多普勒（MD）签名信封。正和负频率包络被连接以形成特征向量。然后使用具有曼哈顿距离（L1）的最近邻（NN）分类器来识别手臂运动。结果表明，这种简单的方法产生的分类精度超过97%的六类手臂运动。尽管它的简单性，所提出的方法是优于手工制作的基于特征的分类和低维表示技术的基础上的主成分分析（PCA），并与卷积神经网络（CNN）。
2020-07-15 eess.SP
High-resolution and reliable automatic target recognition based on photonic ISAR imaging system with explainable deep learning
基于逆合成孔径雷达（ISAR）图像的自动目标识别（ATR）在军事和民用领域的环境监测中得到了广泛的应用，对目标识别的精度和可靠性提出了更高的要求。光子技术的宽带优势使得ISAR系统能够实现高分辨率成像，有利于实现高性能的ATR。深度学习（DL）算法已经实现了出色的识别精度。然而，DL算法缺乏可解释性导致令人挠头的可信度问题。本文利用光子ISAR成像系统与卷积神经网络（CNN）行为之间的内在联系，深入理解智能识别。具体而言，我们操纵成像的物理过程和分析网络输出，ISAR图像和网络输出之间的相关性，以及在网络输出层的功能可视化。因此，较宽的成像带宽和合适的成像角度可以使目标的结构和轮廓特征更加细致，不同目标的ISAR图像差异也更大，从而有助于CNN根据物理规律对目标进行识别和区分。然后，基于光子ISAR成像系统和可解释的CNN，实现了高精度和可靠的ATR。据我们所知，还没有通过探索数据生成的物理过程对网络行为的影响来解释DL算法的先例。预计这项工作不仅可以激发高性能ATR的实现，而且还可以为探索网络行为带来新的见解，从而实现更好的智能能力。
2022-12-03 eess.SP
A Novel Scheme of Digital Instantaneous Automatic Gain Control (DIAGC) for Pulse Radars
为了防止脉冲雷达接收机的饱和和数据处理机、跟踪器或显示器的过载，采用了几种增益控制方案。数字处理技术的使用为各种数字自动增益控制方案打开了大门，用于分析数字化的返回信号并仅在饱和杂波区域控制接收机增益，而不影响在其它区域的检测。本文提出了一种新的数字瞬时自动增益控制（DIAGC）方案，该方案基于数字存储基于驻留的杂波回波并导出增益控制。对应于前两个PRT在一个停留的返回被用来分析饱和杂波区的存在和饱和的深度。第三PRT向前适当的增益控制应用在IF级，以防止饱和的后续阶段。基于FPGA的方案用于数字数据处理、存储、阈值计算和增益控制产生。文中还讨论了DIAGC对脉冲压缩的影响。
2019-10-19 eess.SP
Automatic Radar Signal Detection and FFT Estimation using Deep Learning
针对电子战中先验信息不足的雷达信号检测与带宽估计问题，提出结合时域定位、频段估计及复合损失的深度学习方法。
2024-02-29 eess.SP
Automatic Labelling & Semantic Segmentation with 4D Radar Tensors
TU Delft（代尔夫特理工大学）
本文提出利用LiDAR和相机互补信息自动标注汽车数据，并以4D雷达张量为输入训练语义分割网络，在RaDelft数据集上达到LiDAR检测性能的65%以上，显著提升车辆检测精度。
2025-01-20 cs.CV eess.SP
Automatic Mapping of the Indoor World with Personal Radars
University of Bologna（博洛尼亚大学）；CEA LETI（法国原子能和替代能源委员会电子信息技术实验室）
数字地图将彻底改变我们感知和导航室内环境的体验。虽然今天我们只依赖于室外的表示，但室内的映射主要是传统SLAM问题的一部分，其中机器人发现周围环境并执行自定位。尽管如此，机器人部署阻止了室内的大范围扩散和快速映射，此外，它们通常配备了激光和视觉技术，这些技术在能见度不足的情况下会失败。为此，一个可能的解决方案是将未来的个人设备变成个人雷达，作为使用毫米波大规模阵列技术自动生成室内地图的里程碑，这种技术已经用于通信。在这篇面向应用的论文中，我们将描述到目前为止所取得的主要成就，以发展个人雷达的概念，使用特设收集的实验数据，并讨论未来可能的调查方向。
2019-10-28 cs.RO eess.SP
Automatic Phase Calibration for High-resolution mmWave Sensing via Ambient Radio Anchors
针对高分辨率毫米波雷达阵列相位漂移导致需周期校准的问题，提出AutoCalib框架，利用环境无线电锚点自动校准，性能接近角反射器并优于现有方法。
2025-06-30 eess.SP
Multistatic-Radar RCS-Signature Recognition of Aerial Vehicles: A Bayesian Fusion Approach
Northeastern University（东北大学）；University of Pittsburgh（匹兹堡大学）；DEVCOM ARL（DEVCOM陆军研究实验室）
针对多基地雷达RATR中融合方法次优的问题，提出结合最优贝叶斯融合与递归贝叶斯分类的全贝叶斯框架，经7种无人机模拟轨迹实验验证，分类准确率显著优于单雷达及次优融合方法。
2024-08-16 cs.CV cs.LG eess.SP
Constrained Radar Waveform Design for Range Profiling
距离剖面测量是指沿雷达倾斜距离测量目标响应。它在自动目标识别中起着重要的作用。本文从发射波形设计的角度出发，研究了提高雷达距离像性能的方法。波形优化问题采用两个设计指标：一是最大化接收信号和目标脉冲响应（TIR）之间的互信息;二是最小化TIR估计的最小均方误差。此外，考虑了波形的实际约束，包括能量约束、峰均功率比约束和频谱约束。基于最小化-最大化，我们提出了一个统一的优化框架来解决约束波形设计问题。数值算例表明了该算法合成波形的优越性。
2021-03-18 eess.SP
Multi Antenna Radar System for American Sign Language (ASL) Recognition Using Deep Learning
本文研究了基于RF的美国手语（ASL）自动识别系统。我们认为，联合空时预处理的雷达回波，使用时频（TF）分析和高分辨率接收波束形成的ASL雷达。由使用多天线传感器的联合时间和空间处理提供的附加自由度可以帮助识别两个或更多个人之间的ASL对话。这是通过应用波束形成来收集空间图像，以试图解决通过手和手臂运动同时进行通信的个体。时空图像融合和分类的卷积神经网络（CNN），这是能够辨别由不同的个人执行的标志，即使当波束形成器不能完全分离的各个标志。焦点小组由具有不同手语专业知识的个人组成，并使用Texas Instruments（TI）级联雷达在77 GHz频率下进行实时测量。
2022-03-30 eess.SP
Hand Gesture Recognition based on Radar Micro-Doppler Signature Envelopes
介绍了一种简单而有效的雷达手势自动识别技术。所提出的技术分类的基础上，他们的微多普勒签名的包络的手势。这些包络捕获不同的手运动之间的区别和它们相应的正和负的多普勒频率期间产生的每个手势动作。我们分别检测正负包络，并形成一个特征向量的增强。我们使用$k$ -最近邻（$k$ NN）分类器和曼哈顿距离（L1）度量代替欧几里得距离（L2），以便不减少小但关键的包络值。实验结果表明，该方法优于基于主成分分析（PCA）的低维表示技术和基于高斯窗傅立叶字典的稀疏重构技术，能够获得很高的分类率。
2019-02-07 eess.SP
Under the Sand: Navigation and Localization of a Micro Aerial Vehicle for Landmine Detection with Ground Penetrating Synthetic Aperture Radar
ETH Zurich（苏黎世联邦理工学院）；Ulm University（乌尔姆大学）
搭载于微型飞行器上的探地雷达是一种很有前途的人道主义扫雷工具。然而，合成孔径雷达图像的质量取决于准确和精确的运动估计的雷达天线，以及与微型飞行器产生信息的观点。介绍了一种完整的、自动化的机载探地合成孔径雷达（GPSAR）系统。该系统由空间校准和时间同步的工业级传感器套件组成，可实现地面以上导航、雷达成像和光学成像。自定义任务规划框架允许生成和自动执行地面以上控制的条带和圆形（GPSAR）轨迹以及航空成像测量飞行。基于因子图的状态估计器融合来自双接收器实时动态（RTK）全球导航卫星系统（GNSS）和惯性测量单元（IMU）的测量，以获得精确的、高速率的平台位置和定向。地面实况实验表明，传感器定时准确度为0.8 us，精确度为0.1 us，定位率为1 kHz。双位置因子配方提高了在线定位精度高达40%和批量定位精度高达59%相比，一个单一的位置因子与不确定的航向初始化。我们的现场试验验证了定位精度和精度，使相干雷达测量添加和探测埋在沙子里的雷达目标。这证实了作为空中地雷探测系统的潜力。
2021-12-05 cs.RO eess.SP
Radar-Based Recognition of Static Hand Gestures in American Sign Language
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
本文研究基于成像雷达空间信息的美式手语静态手势识别，提出仅用可调材料模型的射线追踪模拟器生成合成数据训练神经网络，并在真实测量数据上验证了其有效性，为解决雷达手势识别中训练数据稀缺问题提供了实用方法。
2024-02-20 cs.CV eess.SP
Focus3D: A Practical Method to Adaptively Focus ISAR Data and Provide 3-D Information for Automatic Target Recognition
Bennett Radar Software（班尼特雷达软件公司）
本文提出Focus3D方法，结合聚焦算法与舰船相对雷达角度建模，通过方位角和倾斜角确定舰船姿态，为ATR提供三维信息，缩小识别范围，扩展了Melendez和Bennett的单一角度研究。
2025-04-17 cs.CV eess.SP
Efficient 4D Radar Data Auto-labeling Method using LiDAR-based Object Detection Network
Graduate School of Mobility, Korea Advanced Institute of Science and Technology(KAIST)（韩国科学技术院移动性研究生院）
本文提出一种利用LiDAR目标检测网络为K-Radar数据集的4D雷达张量自动生成真值标签的方法，实验证明自动标签训练的RTNH性能与人工标注相当，有效降低标注成本。
2024-05-13 cs.AI cs.CV eess.SP
Automated Ground Truth Estimation of Vulnerable Road Users in Automotive Radar Data Using GNSS
Daimler AG（戴姆勒股份公司）；University of Kassel（卡塞尔大学）
注释汽车雷达数据是一项艰巨的任务。本文介绍了一种自动获取数据标签的方法，它使用一个高精度和便携式全球导航卫星系统（GNSS）。建议的系统进行了讨论，除了其他标签采集技术和手动数据注释的问题描述的修订。文章最后系统地比较了传统的手工标记和自动数据采集。结果表明，所提出的方法没有相关的标签精度损失的明显优势。在测量的雷达数据中可以观察到微小的变化，但由此引入的GNSS参考偏差显然被无可争议的时间节省所抵消。除了数据注释之外，所提出的系统还可以提供用于验证对象跟踪或其他自动驾驶系统应用的真值。
2019-05-27 cs.LG eess.SP stat.ML
