使用机器学习模型用于标识对象的数量的雷达系统的制作方法

背景技术：

1、许多交通工具(vehicle)使用雷达系统来检测和跟踪周围环境中的对象。高级驾驶辅助系统(adas)(例如，自适应巡航控制、车道改变辅助、以及紧急制动)依赖于雷达数据(包括与对象相关联的距离和方位角)来监测和响应检测到的对象。一些雷达系统根据同一距离-多普勒仓(bin)中的对象的数量使用不同的角度测定算法。例如，快速傅立叶变换(fft)用于确定与单个对象相关联的方位角，该fft算法在计算上比许多其他角度测定算法更便宜。当多个对象位于同一距离-多普勒仓中时，可以使用其他在计算上更昂贵的算法(例如，超分辨率技术)。用于确定特定距离-多普勒仓是包括单个对象还是多个对象的技术通常具有较低的分类准确度，并且因此可能导致计算效率低下和角度测定不准确，这可能会减少adas特征的响应时间或功效。

技术实现思路

1、本文档描述了与使用机器学习模型来标识检测到的对象的数量的雷达系统相关的技术和系统。例如，雷达系统包括一个或多个处理器，一个或多个处理器获得与反射雷达信号的对象相关联的雷达数据，并且处理雷达数据以生成多个波束向量。处理器然后使用机器学习模型来使用波束向量的特征(例如，幅度变化、信噪比、子阵列波束向量相关性)来标识每个距离-多普勒仓内的对象的数量。处理器然后基于在特定距离-多普勒仓内检测到单个对象还是多个对象来选择特定的角度测定技术。以此方式，所描述的系统和技术可以更准确地标识每个距离-多普勒仓内的对象的数量，从而提高后续角度测定的计算效率和稳健性。

2、本文档还描述了由以上总结的技术和组件以及在本文中阐述的雷达系统的其他配置来执行的方法、以及用于执行这些方法的装置。

3、本
技术实现要素：
介绍了与使用机器学习模型以用于标识检测到的对象的数量的雷达系统相关的简化概念，该简化概念在具体实施方式和附图中被进一步描述。本发明内容并非旨在标识出要求保护的主题的必要特征，也并非旨在确定要求保护的主题的范围。

技术特征：

1.一种系统，所述系统包括：

2.如权利要求1所述的系统，其特征在于：

3.如权利要求2所述的系统，其特征在于，所述超分辨率技术包括多信号分类(music)技术、经由旋转不变技术的信号参数估计(esprit)、或迭代自适应方法(iaa)中的至少一种。

4.如权利要求1所述的系统，其特征在于，所述机器学习模型是逻辑回归模型，所述逻辑回归模型具有与所述多个特征中的每个特征相关联的权重和与所述多个特征中的多项式特征相关联的其他权重。

5.如权利要求1所述的系统，其特征在于，所述机器学习模型是决策树模型，所述决策树模型在每个决策处将所述相应的波束向量的特征值与条件值进行比较。

6.如权利要求1所述的系统，其特征在于，所述机器学习模型是多层感知机模型，所述多层感知机模型使用所述多个特征的线性组合和非线性激活函数。

7.如权利要求1所述的系统，其特征在于，所述多个特征包括所述多个波束向量的幅度变化、信噪比、第一子阵列波束向量相关性和第二子阵列波束向量相关性。

8.如权利要求1所述的系统，其特征在于，所述多个特征由所述机器学习模型提取。

9.如权利要求1所述的系统，其特征在于，所述机器学习模型是使用有效真值数据离线训练的，所述有效真值数据包括单个对象场景和多个对象场景的波束向量。

10.如权利要求1所述的系统，其特征在于，所述角度是仰角或方位角中的至少一个。

11.如权利要求1所述的系统，其特征在于：

12.如权利要求1所述的系统，其特征在于，所述系统被配置为集成在交通工具中或安装在交通工具中。

13.如权利要求1所述的系统，其特征在于，所述机器学习模型的类型和复杂度是基于所述雷达系统的所述一个或多个处理器的处理能力来确定的。

14.一种用于标识距离-多普勒图的每个距离-多普勒仓内的对象的数量的方法，所述方法包括：

15.如权利要求14所述的方法，其特征在于：

16.如权利要求14所述的方法，其特征在于，所述多个特征包括所述多个波束向量的幅度变化、信噪比、第一子阵列波束向量相关性和第二子阵列波束向量相关性。

17.如权利要求14所述的方法，其特征在于，所述方法进一步包括：

18.如权利要求14所述的系统，其特征在于，所述多个特征是通过对有效真值数据执行特征工程来标识的，所述有效真值数据包括单个对象场景和多个对象场景的波束向量。

19.如权利要求14所述的方法，其特征在于，所述机器学习模型包括：

20.一种计算机可读存储介质，所述计算机可读存储介质包括计算机可执行指令，所述计算机可执行指令在被执行时，使得雷达系统的处理器用于通过以下步骤标识距离-多普勒图的每个距离-多普勒仓内的对象的数量：

技术总结
本文档描述了与使用机器学习模型来标识每个距离‑多普勒仓内的对象的数量的雷达系统相关的技术和系统。例如，雷达系统包括处理器，处理器获得与对象相关联的雷达数据，并且处理雷达数据以生成波束向量。处理器然后使用机器学习模型来使用波束向量的提取特征(例如，幅度变化、信噪比、子阵列波束向量相关性)来标识每个距离‑多普勒仓内的对象的数量。处理器基于标识出单个对象还是多个对象来选择特定的角度测定技术。以此方式，所描述的系统和技术更准确地标识每个距离‑多普勒仓中的对象的数量，从而提高后续角度测定的计算效率和稳健性。

技术研发人员：刘保坤,蔡秀章,Y·冯,B·迪尔萨弗
受保护的技术使用者：安波福技术股份公司
技术研发日：
技术公布日：2024/12/19