背景技術(shù)：

1、許多交通工具(vehicle)使用雷達系統(tǒng)來檢測和跟蹤周圍環(huán)境中的對象。高級駕駛輔助系統(tǒng)(adas)(例如，自適應(yīng)巡航控制、車道改變輔助、以及緊急制動)依賴于雷達數(shù)據(jù)(包括與對象相關(guān)聯(lián)的距離和方位角)來監(jiān)測和響應(yīng)檢測到的對象。一些雷達系統(tǒng)根據(jù)同一距離-多普勒倉(bin)中的對象的數(shù)量使用不同的角度測定算法。例如，快速傅立葉變換(fft)用于確定與單個對象相關(guān)聯(lián)的方位角，該fft算法在計算上比許多其他角度測定算法更便宜。當多個對象位于同一距離-多普勒倉中時，可以使用其他在計算上更昂貴的算法(例如，超分辨率技術(shù))。用于確定特定距離-多普勒倉是包括單個對象還是多個對象的技術(shù)通常具有較低的分類準確度，并且因此可能導致計算效率低下和角度測定不準確，這可能會減少adas特征的響應(yīng)時間或功效。

技術(shù)實現(xiàn)思路

1、本文檔描述了與使用機器學習模型來標識檢測到的對象的數(shù)量的雷達系統(tǒng)相關(guān)的技術(shù)和系統(tǒng)。例如，雷達系統(tǒng)包括一個或多個處理器，一個或多個處理器獲得與反射雷達信號的對象相關(guān)聯(lián)的雷達數(shù)據(jù)，并且處理雷達數(shù)據(jù)以生成多個波束向量。處理器然后使用機器學習模型來使用波束向量的特征(例如，幅度變化、信噪比、子陣列波束向量相關(guān)性)來標識每個距離-多普勒倉內(nèi)的對象的數(shù)量。處理器然后基于在特定距離-多普勒倉內(nèi)檢測到單個對象還是多個對象來選擇特定的角度測定技術(shù)。以此方式，所描述的系統(tǒng)和技術(shù)可以更準確地標識每個距離-多普勒倉內(nèi)的對象的數(shù)量，從而提高后續(xù)角度測定的計算效率和穩(wěn)健性。

2、本文檔還描述了由以上總結(jié)的技術(shù)和組件以及在本文中闡述的雷達系統(tǒng)的其他配置來執(zhí)行的方法、以及用于執(zhí)行這些方法的裝置。

3、本
技術(shù)實現(xiàn)要素：
介紹了與使用機器學習模型以用于標識檢測到的對象的數(shù)量的雷達系統(tǒng)相關(guān)的簡化概念，該簡化概念在具體實施方式和附圖中被進一步描述。本發(fā)明內(nèi)容并非旨在標識出要求保護的主題的必要特征，也并非旨在確定要求保護的主題的范圍。

技術(shù)特征：

1.一種系統(tǒng)，所述系統(tǒng)包括：

2.如權(quán)利要求1所述的系統(tǒng)，其特征在于：

3.如權(quán)利要求2所述的系統(tǒng)，其特征在于，所述超分辨率技術(shù)包括多信號分類(music)技術(shù)、經(jīng)由旋轉(zhuǎn)不變技術(shù)的信號參數(shù)估計(esprit)、或迭代自適應(yīng)方法(iaa)中的至少一種。

4.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述機器學習模型是邏輯回歸模型，所述邏輯回歸模型具有與所述多個特征中的每個特征相關(guān)聯(lián)的權(quán)重和與所述多個特征中的多項式特征相關(guān)聯(lián)的其他權(quán)重。

5.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述機器學習模型是決策樹模型，所述決策樹模型在每個決策處將所述相應(yīng)的波束向量的特征值與條件值進行比較。

6.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述機器學習模型是多層感知機模型，所述多層感知機模型使用所述多個特征的線性組合和非線性激活函數(shù)。

7.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述多個特征包括所述多個波束向量的幅度變化、信噪比、第一子陣列波束向量相關(guān)性和第二子陣列波束向量相關(guān)性。

8.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述多個特征由所述機器學習模型提取。

9.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述機器學習模型是使用有效真值數(shù)據(jù)離線訓練的，所述有效真值數(shù)據(jù)包括單個對象場景和多個對象場景的波束向量。

10.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述角度是仰角或方位角中的至少一個。

11.如權(quán)利要求1所述的系統(tǒng)，其特征在于：

12.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述系統(tǒng)被配置為集成在交通工具中或安裝在交通工具中。

13.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述機器學習模型的類型和復雜度是基于所述雷達系統(tǒng)的所述一個或多個處理器的處理能力來確定的。

14.一種用于標識距離-多普勒圖的每個距離-多普勒倉內(nèi)的對象的數(shù)量的方法，所述方法包括：

15.如權(quán)利要求14所述的方法，其特征在于：

16.如權(quán)利要求14所述的方法，其特征在于，所述多個特征包括所述多個波束向量的幅度變化、信噪比、第一子陣列波束向量相關(guān)性和第二子陣列波束向量相關(guān)性。

17.如權(quán)利要求14所述的方法，其特征在于，所述方法進一步包括：

18.如權(quán)利要求14所述的系統(tǒng)，其特征在于，所述多個特征是通過對有效真值數(shù)據(jù)執(zhí)行特征工程來標識的，所述有效真值數(shù)據(jù)包括單個對象場景和多個對象場景的波束向量。

19.如權(quán)利要求14所述的方法，其特征在于，所述機器學習模型包括：

20.一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)包括計算機可執(zhí)行指令，所述計算機可執(zhí)行指令在被執(zhí)行時，使得雷達系統(tǒng)的處理器用于通過以下步驟標識距離-多普勒圖的每個距離-多普勒倉內(nèi)的對象的數(shù)量：

技術(shù)總結(jié)
本文檔描述了與使用機器學習模型來標識每個距離?多普勒倉內(nèi)的對象的數(shù)量的雷達系統(tǒng)相關(guān)的技術(shù)和系統(tǒng)。例如，雷達系統(tǒng)包括處理器，處理器獲得與對象相關(guān)聯(lián)的雷達數(shù)據(jù)，并且處理雷達數(shù)據(jù)以生成波束向量。處理器然后使用機器學習模型來使用波束向量的提取特征(例如，幅度變化、信噪比、子陣列波束向量相關(guān)性)來標識每個距離?多普勒倉內(nèi)的對象的數(shù)量。處理器基于標識出單個對象還是多個對象來選擇特定的角度測定技術(shù)。以此方式，所描述的系統(tǒng)和技術(shù)更準確地標識每個距離?多普勒倉中的對象的數(shù)量，從而提高后續(xù)角度測定的計算效率和穩(wěn)健性。

技術(shù)研發(fā)人員：劉保坤,蔡秀章,Y·馮,B·迪爾薩弗
受保護的技術(shù)使用者：安波福技術(shù)股份公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19