车载雷达间干扰抑制方法研究

随着自动驾驶技术的发展,毫米波雷达成为了自动驾驶的一个关键传感器,由于车载雷达数量的增加,雷达间相互干扰是不可避免的,干扰可能会导致雷达检测性能降低,产生漏检和虚警的情况。为了解决干扰带来的问题,文中采用了一种在时-频域中使用经验模态分解和卡尔曼滤波相结合的干扰抑制方法。首先将时域干扰信号通过短时傅里叶变换转换到时-频域;然后将时-频域信号进行经验模态分解,将干扰主导的本征模态函数中的干扰部分置零,并将干扰置零后的本征模态和目标信号主导的本征模态进行相加;最后通过卡尔曼滤波对信号进行重构。实验结果显示,该方法不仅能够降低频域中噪声,而且能够提高目标的信噪比,增加了目标被检测概率。

基于ResNet车载雷达干扰分类研究

随着自动驾驶技术的发展,毫米波雷达成为自动驾驶的一个关键传感器,由于汽车雷达数目增加,雷达与雷达间相互干扰是不可避免的问题,为了减轻雷达间的相互干扰,识别车辆中雷达发射的信号类型是很有必要的。针对不同干扰信号类型,本文提出了一种基于残差神经网络的车载雷达干扰分类的方法,首先建立不同类型的干扰数据模型,生成大量的干扰数据,然后应用残差神经网络对不同类型的干扰进行分类。结果显示,该网络不仅收敛速度快,而且在干扰分类方面取得了很好的效果。