车辆雷达系统中基于神经网络的射频网络设计的制作方法

1.本主题公开涉及车辆雷达系统中基于神经网络的射频(rf)网络设计。


背景技术：

2.车辆(例如汽车、卡车、建筑设备、农业设备、自动化工厂设备)越来越多地包括传感器，以获得关于车辆及其周围环境的信息。例如，该信息有助于车辆的半自主和自主操作。示例性传感器包括照相机、光探测和测距(激光雷达)系统以及无线电探测和测距(雷达)系统。雷达系统可以包括具有多个贴片天线的射频网络，以接收由雷达系统视野中的一个或多个对象反射发射能量而产生的反射能量。射频网络还包括在附加处理之前处理反射能量的部件。因此，期望在车辆的雷达系统中提供基于神经网络的射频网络设计。


技术实现要素：

3.在一个示例性实施例中，一种设计雷达系统的方法包括实施神经网络的监督学习过程，以确定对应于雷达系统的多个贴片天线中的每一个的权重。所述多个贴片天线中的每一个都根据权重来确定尺寸。
4.除了本文描述的一个或多个特征之外，实施监督学习过程还确定与在雷达系统的射频网络内组合所述多个贴片天线的输出中所使用的多个射频馈线中的每一个相对应的馈线权重。根据馈线权重确定多个射频馈线中的每一个的相对厚度。
5.除了本文描述的一个或多个特征之外，实施监督学习过程包括基于与多个代表性贴片天线中的每一个相关联的选定权重，从代表雷达系统的所述多个贴片天线的多个代表性贴片天线中的每一个获得加权输出。监督学习过程的最后一次迭代的选定权重是对应于雷达系统的所述多个贴片天线中的每一个的权重。
6.除了本文描述的一个或多个特征之外，实施监督学习过程包括将来自所述多个代表性贴片天线中的两个或多个的加权输出相加，以获得所述多个代表性贴片天线中的每组两个或多个的和，对每个和执行非线性操作以获得非线性输出，在每个非线性操作的输出处基于与每个代表性射频馈线相关联的选定馈线权重，将每个非线性输出加权为加权非线性输出，用于监督学习过程的最后迭代的选定馈线权重是与雷达系统的射频网络的所述多个射频馈线中的每一个相对应的馈线权重。
7.除了本文描述的一个或多个特征之外，实施监督学习过程包括执行一个或多个附加组合级别，包括执行由两个或多个非线性操作产生的加权非线性输出的相加，对相加的结果执行下一个非线性操作，以及通过选择附加馈线权重来提供下一个非线性操作的加权结果，以最终提供射频网络的一个或多个输出。
8.除了本文描述的一个或多个特征之外，实施监督学习过程包括从一个或多个下变频器获得基带信号。所述一个或多个下变频器中的每一个获得射频网络的一个或多个输出中的一个。
9.除了本文描述的一个或多个特征之外，实施监督学习过程还包括进一步处理来自
一个或多个下变频器中的每一个的基带信号，以获得一个或多个对象的位置，所述一个或多个对象的反射能量是来自所述多个代表性贴片天线中的每一个的加权输出的一部分。
10.除了本文描述的一个或多个特征之外，作为监督学习过程的一部分，模拟来自所述多个代表性贴片天线中的每一个的加权输出，包括反射能量。
11.除了本文描述的一个或多个特征之外，进一步的处理包括使用模数转换器进行滤波、放大和转换。
12.除了本文描述的一个或多个特征之外，进一步的处理包括使用检测神经网络。
13.除了本文描述的一个或多个特征之外，实施监督学习过程包括获得指示所述一个或多个对象的实际位置的地面实况数据。
14.除了本文描述的一个或多个特征之外，实施监督学习过程包括通过将实际位置与基于进一步处理获得的位置进行比较来获得损失。
15.除了本文所述的一个或多个特征之外，实施监督学习过程包括在多次迭代的每次迭代中更新每个选定的权重和每个选定的馈线权重，迭代的次数基于损失。
16.在另一个示例性实施例中，雷达系统包括多个贴片天线，它们是雷达系统的射频网络的一部分。所述多个贴片天线中的每一个的相对尺寸是不均匀的，并且基于通过神经网络实施的监督学习过程。该雷达系统还包括处理电路，用于基于由所述多个贴片天线接收的反射信号来检测和定位一个或多个对象。
17.除了本文描述的一个或多个特征之外，雷达系统还包括作为射频网络和馈电模块的部分的多个射频馈线，以组合来自所述多个贴片天线中的两个或更多个的输出，从而最终提供一个或多个射频网络输出。所述多个射频馈线中的每一个的厚度是不均匀的，并且基于通过神经网络实施的监督学习过程。
18.除了本文描述的一个或多个特征之外，雷达系统还包括一个或多个下变频器，所述一个或多个下变频器中的每一个基于一个或多个射频网络输出中的一个提供基带信号。
19.除了本文描述的一个或多个特征，雷达系统还包括一个或多个数字信道。所述一个或多个数字信道中的每一个包括功率放大器、滤波器和模数转换器，并且与所述一个或多个下变频器中的一个相对应，以基于由所述一个或多个下变频器中的一个输出的基带信号来提供数字信号。
20.除了本文描述的一个或多个特征之外，处理电路基于来自所述一个或多个数字信道中的每一个的数字信号获得所述一个或多个对象中的每一个的位置。
21.除了本文描述的一个或多个特征之外，处理电路实施第二神经网络来检测和定位所述一个或多个对象，并且第二神经网络的参数作为由神经网络实施的监督学习过程的一部分被更新。
22.除了本文描述的一个或多个特征之外，雷达系统设置在车辆中，并且由雷达系统提供的所述一个或多个对象中的每一个的位置用于控制车辆的操作。
23.当结合附图时，根据以下详细描述，本公开的上述特征和优点以及其他特征和优点将变得显而易见。
附图说明
24.其他特征、优点和细节仅作为示例出现在以下详细描述中，详细描述参考附图，其
中:
25.图1是具有雷达系统的车辆的框图，该雷达系统包括根据一个或多个实施例的基于神经网络的射频(rf)网络设计；
26.图2详细描述了根据一个或多个实施例由基于神经网络的射频网络设计产生的示例性雷达系统的各方面；
27.图3是根据一个或多个实施例的执行基于神经网络的射频网络设计的方法的过程流程；和
28.图4示出了图3所示方法的过程。
具体实施方式
29.以下描述本质上仅仅是示例性的，并不旨在限制本公开、其应用或用途。应当理解，在所有附图中，相应的附图标记表示相似或相应的部件和特征。
30.如前所述，雷达系统是可用于获取车辆信息的示例性传感器之一。一组贴片天线可用于接收来自一个或多个对象的反射能量，所述一个或多个对象反射从雷达系统发射的发射能量。贴片天线数量的增加提高了信噪比，并扩大了最大可探测范围。贴片天线数量的增加也提供了更大的天线阵列尺寸，因此增加了雷达系统的角度分辨率。然而，执行诸如将接收到的反射频率下变频到基带频率和模数转换等过程的接收机前端部件成本高，因此数量有限。这些部件的每一个组可以被称为接收信道。一个或多个接收信道的输出被提供给数字信道用于进一步处理。每个数字信道向同一个处理器提供输出，该处理器获取产生反射的对象的信息。
31.因为贴片天线的数量通常大于接收信道的数量，所以由一个以上的贴片天线接收的能量可以被组合并提供给一个接收信道。在现有方法中，在一组贴片天线处的信号的线性组合被提供给每个接收信道。然而，线性组合可能导致检测到的对象的角度分辨率较差。本文详述的系统和方法的实施例涉及基于神经网络的射频网络设计。射频网络是指贴片天线和用于在通过对应的数字信道进行附加处理之前组合从两个或多个贴片天线接收的能量的部件。神经网络用于雷达系统的设计。具体地，使用神经网络为每个贴片天线确定权重。该加权用于物理地确定贴片天线的尺寸(即，确定贴片天线的尺寸)，使得每个贴片天线接收的能量的线性组合将导致加权组合。另外，为用于组合贴片天线输出的射频馈线(即，射频线)确定权重。加权用于确定射频网络中馈线的物理厚度。
32.根据示例性实施例，图1是具有雷达系统110的车辆100的框图，雷达系统110包括基于神经网络的射频网络设计。图1所示的示例性车辆100是汽车101。车辆100包括雷达系统110，并且可以包括其他传感器130(例如，照相机、激光雷达系统)。通常，雷达系统110发出发射信号105。当发射信号105遇到一个或多个对象140(例如，汽车、行人、建筑物)时，所述一个或多个对象140将来自发射信号105的一些能量反射回作为反射能量115。雷达系统110和其他传感器130的数量和位置不受图1中的示例性图示的限制。控制器120从雷达系统110和一个或多个其他传感器130获得信息，以执行车辆100的半自主或自主操作。
33.基于神经网络的射频网络设计可以由雷达系统110的控制器、外部控制器、控制器120或其组合来执行。每一个包括处理电路，该处理电路可以包括专用集成电路(asic)、电子电路、处理器(共享的、专用的或成组的)和执行一个或多个软件或固件程序的存储器、组
合逻辑电路和/或提供所述功能的其他合适的部件。
34.图2详细描述了根据一个或多个实施例的从基于神经网络的射频网络设计产生的示例性雷达系统110的各方面。图2中示出了多个贴片天线210。这些贴片天线210是雷达系统110的射频网络205的一部分。射频网络205还包括用于组合由两个或多个贴片天线210接收的反射能量115的附加部件c1、c2、c3。参考图4所示的示例性数学表示400进一步讨论这些。为了清楚起见，图4所示的示例性数学表示400不是图2所示的示例性雷达系统110的表示。图2所示的示例性雷达系统110和图4所示的示例性数学表示400之间的差异用于说明组合级别的数量可以不同。也就是说，对于图2中的示例性雷达系统110，示出了三级组合(即，三级求和模块217)，而对于图4中的示例性数学表示400，示出了两级组合(即，两级求和模块217)。
35.如图2所示，在示例性雷达系统110中，每个贴片天线210的尺寸不一致。此外，便于不同级别的组合的射频馈线215(即，馈入求和模块217的射频馈线215)具有不均匀的厚度。参考图3进一步讨论了用于确定每个贴片天线210的相对尺寸以及用于确定每个射频馈线215的相对厚度的基于神经网络的过程，该过程使用数学表示400，该数学表示400在各方面类似于图4所示的数学表示400，但是对应于图2所示的雷达系统110。如图2所示，不同尺寸的贴片天线210和不同厚度的射频馈线215是由根据一个或多个实施例的基于神经网络的射频网络设计迭代确定的权重的结果。
36.如示例性情况所示，十六个贴片天线210经历三级组合，以产生来自射频网络205的两个输出。根据替代实施例，贴片天线210的数量以及组合级别的数量和最终输出的数量可以不同。如前所述，数字信道230的数量通常是设计来自射频网络205的输出(即，下变频器220的输入si)数量的驱动因素。应该理解的是，当一个或多个附加的组合级别是射频网络205的一部分时，则需要一个或个附加组的射频馈线215和求和模块217。附加组的射频馈线215将具有反映根据基于神经网络的方法确定的权重的相对厚度。
37.如前所述，基于由雷达系统110发射的发射信号105，每个贴片天线210接收一些得到的反射能量115。较大的贴片天线210将比较小的贴片天线接收更多的反射能量115。每个贴片天线210的输出pi(在十六个个贴片天线210的示例性情况下为p0至p15)在三个不同的级或级别被组合，并作为输入si被提供给相应的下变频器220。输入s1和s2如图2所示。基于贴片天线210的不同尺寸和射频馈线215的不同厚度，每个分组中的反射能量115的组合实际上是加权组合。如参考图3所讨论的，基于神经网络的方法用于确定权重，并且与每个贴片天线210和每个射频馈线215相关联的相对权重用于确定每个贴片天线210的尺寸和每个射频馈线215的厚度。
38.每个下变频器220将对应输入si的频率转换成较低的基带频率。该输入si的频率与发射信号105的频率处于同一数量级，发射信号105产生在贴片天线210处接收的反射能量115(例如，在千兆赫(ghz)范围内)。根据示例性实施例，下转换需要将输入si与发射信号105或具有处于发射信号105的频率的数量级的频率的另一载波信号相乘。该相乘导致输入信号si的频率和发射信号105或载波信号的频率之间的差异。因为这些频率都在ghz范围内，所以差异(即相乘的结果)将很小(即基带频率)。
39.由每个下变频器220输出的基带信号bi由数字信道230进一步处理。在图2所示的示例性实施例中，两个数字信道230各自从两个下变频器220接收基带信号b1、b2中相应的
一个。作为每个数字信道230的一部分的部件可以包括功率放大器、滤波器和模数转换器。该滤波器是用于消除基带信号bi中的噪声的低通滤波器。对导致贴片天线210接收的反射能量115的一个或多个对象140的检测由处理器240执行，处理器240接收每个数字信道230的输出(即，数字信号di)。例如，处理器240可以是雷达系统110或控制器120的一部分。处理器240可以实施另一个神经网络，以基于数字信号di执行检测。
40.图3是根据一个或多个实施例的执行基于神经网络的射频网络设计的方法300的过程流程。方法300包括监督学习，以确定施加到每个贴片天线210的输出pi的权重和施加到射频网络205中的每个射频馈线215的权重。这些权重然后确定物理雷达系统110的射频网络205中贴片天线210和射频馈线215的相对尺寸。在车辆100中安装雷达系统110之前，可以离线执行监督学习。在实施图3所示的方法300之前，确定贴片天线210的数量和组合级别的数量(即，包括求和模块217的级别数)。
41.在框310处，根据示例性实施例，可以模拟从每个贴片天线210生成加权输出信号pi*wi。应用于每个贴片天线210的输出pi的权重wi在迭代中被细化，如本文所详述的。在框320处，使用加权射频馈线215组合加权输出信号pi*wi导致向下变频器220提供输入si，如参考图4所详述的。如同施加到每个贴片天线210的输出pi的权重一样，根据方法300，施加到每个射频馈线215的输出ri的权重也随着迭代而改进，如下所述。
42.图4示出了块310和320处的过程，因此，结合它们的描述来讨论。也就是说，图4是由示例性射频网络205执行的向下变频器220提供输入si的过程的数学表示400。继续参考图1和图2，但是要重申，数学表示400不是图2所示的示例性射频网络205的数学表示，其包括一个以上的组合级别。根据示例性数学表示400，示出了四个示例性子阵列410-1、410-2、410-3和410-4(整体称为410)，每个子阵列具有四个贴片天线210。贴片天线210提供分别由权重w0至w15加权的输出信号p0至p15。如上所述，基于神经网络的方法可以包括在框310处模拟加权输出pi*wi。在框320处，该过程包括使用加权射频馈线215组合加权输出信号pi*wi(来自框310)。
43.在图4所示的示例性情况下，每个子阵列410的四个贴片天线210的加权输出pi*wi首先在四个求和模块217处求和，以获得sumi(即，在图4所示的示例性情况下的sum1、sum2、sum3、sum4)。例如，sum1是第一子阵列410-1的贴片天线210的加权输出之和(p0*w0+p1*w1+p2*w2+p3*w3)。每个sumi被提供给整流线性单元(relu)420。如果输入为正，relu 420输出ri与其输入相同，或者如果输入为负，relu 420输出ri为零。因此，relu 420对sumi执行非线性处理以输出ri。图4中所示四个示例性relu420输出r0、r1、r2和r3。这些被实现为在第一组合级别实现的附加部件c1，如图2所示。
44.如图所示，这些输出ri分别用权重w16、w17、w18和w19加权，以反映对应物理雷达系统110中射频馈线215的相对厚度。在两个求和模块217处，将对应于每对relu 410的加权输出ri*wi相加，以产生sum5和sum6。这些和，sum5和sum6，代表第二组合级别。总和sum5和sum6中的每一个被提供给另一个relu 420，如图所示。这两个relu 420代表在第二组合级别实施的附加部件c2。在示例性情况下，没有更多的组合级别，并且两个relu 420的输出将输入si提供给下变频器220。例如，如图4所示，(r0*w16+r1*w17)被提供给relu 420以获得s1。如前所述，输出被组合的级别数以及每个组合中涉及的贴片天线210的数量不受这里的示例的限制。例如，图2中的示例性雷达系统110的表示将包括每个子阵列410中的两个贴片
天线210和对应于图2中所示的附加部件c1、c2、c3的三级relu 410。如图4所示，加权输入在每个组合级别处被提供给每个求和模块217。也就是说，贴片天线210的加权输出pi*wi或加权射频馈线215在每一级被输入到每个求和模块217。
45.现在回到图3所示的处理流程，在框330处，下变频来自射频网络205的输入si的频率(在框320获得)可以包括模拟下变频器220。在通过模拟数学表示400接收两个输入s1和s2的示例性情况下(图4所示)，涉及两个下变频器220。如前所述，下变频输入si的频率可以包括将每个输入si与发射信号105相乘。在模拟贴片天线210的加权输出pi*wi的示例性实施例中，发射信号105是导致模拟输出pi的对应模拟发射信号105。如前所述，框330处的下变频结果是基带信号bi。在至两个下变频器220的两个输入s1和s2的示例性情况下，输出两个基带信号b1和b2。
46.在框340处，实施(例如，模拟)数字信道230。如前所述，每个数字信道230可以包括功率放大器、滤波器和模数转换器，以处理相应的基带信号bi。然后，在框350处，处理器240处理输出数字信号di。也就是说，在框350处，该过程包括检测一个或多个对象140并估计每个检测到的对象140的位置(例如，到达角度、范围)。该处理可以包括机器学习(即，另一个神经网络的实施)。重申一下，该设计过程可以包括模拟发射信号105和反射能量115，以模拟贴片天线210的输出pi。因此，也可以模拟对象140。
47.在框310处，确定物理雷达系统110的每个贴片天线210的尺寸的过程包括确定应用于每个贴片天线210的输出pi的正确权重，以获得加权输出pi*wi。然后，每个贴片天线210的相对尺寸被设计成与其相对权重相匹配。也就是说，例如，具有较低权重的贴片天线210的尺寸将小于具有较高权重的贴片天线210。确定物理雷达系统110的射频馈线215(在每个组合级别处)的厚度的过程包括在框320确定应用于每个relu 420的输出ri的正确权重，以获得加权输出ri*wi。如前所述，在框320处，射频网络205中的附加组合级别将导致附加的加权输出ri*wi。然后，每个射频馈线215的相对厚度被设计成与其相对权重相匹配。
48.为了确定正确的权重，在框360处，通过基于地面实况实现损失函数来执行迭代过程(即，监督学习)。地面实况指的是(多个)对象140的(多个)已知位置。如前所述，可以模拟(多个)对象140。监督学习要求必须知道每个对象140的实际位置。然后，在框360处，将地面实况与在框350处获得的每个检测到的对象140的估计位置(具有在框310和320处分配的权重wi)进行比较，以获得损失。将此损失与前一次迭代的损失进行比较，以确定损失是否稳定。这将表明基于附加迭代的权重的改进或细化是可以忽略的。根据其中每个对象140的检测和位置估计(在框350处)使用神经网络的示例性实施例，除了更新应用于贴片天线210的输出pi(在框310处)和relu420的输出ri(即，到射频馈线215)的权重之外，迭代过程还可以包括更新该神经网络的参数(在框320处)。
49.具体地，在框370处，确定损失是否稳定。在框370处，可以使用任何已知的神经网络训练方法。根据示例性实施例，迭代过程可以使用随机梯度下降算法。根据替代实施例，可以从在前一次迭代中获得的损失(在框360处)中减去(来自框360的)损失，以获得差值。可以将该差值与预定义的(接近零的)值进行比较，以确定不需要附加的迭代。如框370处的检查所示，重复在框310处开始的更新贴片天线210的输出pi的权重(pi*wi)并继续更新relu 420的输出ri的权重(ri*wi)(根据示例性实施例，也在框350处)的迭代，直到确定在框360处确定的损失足够稳定。然后，在框380处，作为物理雷达系统110的制造的一部分，在
最后一次迭代期间，根据在框310和320设置的权重来确定贴片天线210的尺寸并形成射频馈线215。车辆100中雷达系统110的布置也可以是框380处的过程的一部分。
50.虽然已经参考示例性实施例描述了上述公开，但是本领域技术人员将理解，在不脱离本发明的范围的情况下，可以进行各种改变，并且等同物可以替代其元件。此外，在不脱离本公开的基本范围的情况下，可以进行许多修改以使特定情况或材料适应本公开的教导。因此，意图是本公开不限于所公开的特定实施例，而是将包括落入其范围内的所有实施例。