|
作者| 山丘
出品| 焉知
并不用大段文字介绍毫米波原理，日前比较主流的自动驾驶公开数据集NuScenes的真实数据为例就能够非常容易的理解这个道理。例如毫米波雷达在识别静态目的上就存在较多误判。实质上，问题不在于毫米波没法识别静态物体，而是在于传统2D、3D毫米波自己分辨率低，噪声多，没法正确识别静态物体的位置，亦很难结合前方车道几何形态正确判断是不是需要躲避。
按照同一场景的三幅可视化照片能够发掘，3D毫米波雷达在高度上是缺失的，况且目的点密度很低，远小于激光雷达，所有目的检测点是堆在一维线上的，因为毫米波雷达信息很少，通常在指点自动驾驶决策规划的之前要和视觉还有激光雷达进行融合。
如下图所示，和Lidar区别，毫米波检测点位置并不准确，亦非常稀疏，另一还有海量噪声，即使在自车坐标系下仍旧很难和视觉检测框正确相关。
图 1. 激光雷达和毫米波雷达的检测对比
高速上有非常多静止物体会触发毫米波回波形成检测点，例如桥洞，龙门架，地面的井盖，在前车经过这些静止物体的时候就很容易触发误匹配，从而导致幽灵刹车，严重乃至导致后车追尾。这是由于毫米波高度上无足够分辨率，当前车经过桥洞下时候，此时候分别属于前车和前方静止桥洞的毫米波检测被错误的匹配了视觉目的。因为毫米波雷达能够给出前车相对自车速度，那样这种状况下错误匹配成前车的桥洞点就会通知自车，前车忽然刹停，此时候最恰当的操作便是起始减速，导致所说的“幽灵刹车”。
为了减少幽灵刹车，针对L2辅助驾驶而言，车企只能选取降低对完全静止物体毫米波量测的置信度，且需求驾驶员时刻关注路况。这般当前显现静止阻碍物的时候，辅助驾驶就有可能忽略这一毫米波雷达检测，引起自车不误制动了。
然而，这种方式并非真正能处理问题的，思虑到运用的传感器是能够尽可能最大化的利用起来。
在实质应用中，雷达一般与相机和激光雷达融合进行目的检测。咱们将融合框架分为四类：输入融合需要轻量级预处理来显式处理雷达位置不精确；级联 ROI 融合对传感器故障的鲁棒性不强，而并行 ROI 融合则改善了这一点。特征图融合为网络供给了更大的灵活性来组合雷达和视觉语义，但需要特定的训练技术才可有效学习。决策融合利用模态冗余，因此呢在现实世界的应用中很受欢迎。位置信息能够在轨道到轨道架构中稳健地融合，或借助网络语义，类别信息能够与贝叶斯推理或证据理论融合。
Radar感知基本下的融合检测
区别的观察和暗示拥有区别特征的对象。传感器融合能够被视为将区别模态映射到公共潜在传感器空间，其中同一对象的区别特征可以相关在一块。针对基于神经网络的检测来讲，将融合架构传统归类为初期（输入）、中期（特征）和晚期（决策）融合是不知道的。例如，在晚期融合的定义中，没法区分ROI 级（无类别信息）融合和对象级（有类别信息）融合之间存在差异。因此呢，需要按照融合周期知道对融合的办法进行归类，这是有益的。即下图所示，由于区别的融合周期对应于区别级别的语义，将融合架构分为四类：输入融合、ROI融合、特征图融合和决策融合。针对 ROI 融合，咱们进一步科研了两种架构：级联融合（将雷达提案投影到图像视图）以及并行融合（融合雷达 ROI 和视觉 ROI）。
图 2. 雷达和摄像头融合框架概述
1. 输入融合
输入融合应用于雷达点云，它将雷达点投影成以距离、速度和RCS为通道的伪图像。而后，类似于RGB深度图像，雷达伪图像和视觉图像能够连接成一个整体，最后能够应用视觉检测器对这个多通道图像进行检测。输入融合并无独立利用雷达的检测能力，换句话说，假设模态之间良好对齐，那样雷达和视觉模态将是紧密结合的，此时，网络能够更容易地学习联合特征嵌入。然而，一个显著的缺点是该架构对传感器故障的鲁棒性不强。
融合性能取决于雷达探测与视觉像素的对齐，当然这儿的困难在于三个方面：首要，雷达点云高度稀疏，许多来自表面的反射因为镜面反射而被弹开。结果，检测到的点在物体上分布稀疏。除了稀疏性之外，雷达测绘的横向不精确性引起了进一步的困难。雷达点可能超出视觉边界框，不精确性来自区别方面，例如，外参标定不精确、多路径效应和低角分辨率。第三个限制是低分辨率雷达不可供给高度信息。为认识决这些困难，需要有些相关技术。依靠网络隐式学习相关是一项艰巨的任务，由于网络常常会简单地忽略如毫米波雷达这般的弱模态信息。因为目的检测不需要像这般严格的相关深度补全，所以有些扩展办法针对实时处理来讲成本太高。有有些办法能够实现利用轻量级高度扩展做为预处理机制，并在连接之前对雷达输入进行一层卷积，这个卷积层能够被认为是相关网络的轻量级版本，区别范围的雷达检测需要区别体积的感受野进行相关。因此呢，能够将雷达伪图像与多个尺度的图像特征图连接起来。
2.ROI融合
ROI融合改编自经典的两周期检测框架。感兴趣区域（ROI）能够被认为是一组无类别信息的目的候选者,融合架构能够进一步分为级联融合和并行融合。级联融合，直接利用雷达检测进行区域提议，将雷达点投影到图像视图中做为锚点anchor的候选位置，而后借助视觉语义确定ROI。这儿能够采用两种技术来加强锚点质量。首要，向锚点添加了偏移量来模拟雷达检测的位置不精确性。为了减轻图像视图中的尺度模糊性，按照检测到的范围测绘直接提出3D边界框，而后将这些框映射到图像视图。这般，能够避免重新缩放过程。亦能够在3D边界框上提出的区域运用视觉 ROI 的雷达点云。基于视锥体的相关，运用视觉边界框生成雷达 ROI 视锥体。
级联融合特别适合低分辨率雷达，其中雷达点云拥有较高的检测召回率，但非常稀疏。然而，级联结构存在两个潜在问题。首要，性能受到融合完整性的限制。在第1周期提出的ROI倘若一个目的丢失，将没法在第二周期恢复它。第二个问题是级联结构没法利用模态冗余。倘若雷达传感器不起功效，则级联结构没法利用模态冗余。全部传感系统就会失效，因此呢需要引入并行结构进行ROI融合，采用两分支结构进行ROI融合，雷达和视觉ROI独立生成，而后融合模块经过取集合合并合并雷达 ROI 和视觉 ROI，同期经过 NMS 删除冗余 ROI。为了实现模态的自适应融合，针对ROI 的门控感兴趣区域融合（GRIF）模块首要经过卷积 sigmoid 层预测每一个 ROI 的权重，而后将雷达和视觉的 ROI 乘以相应的权重并按元素相加。
3. 特征图融合
特征图融合利用了雷达和图像的语义，高分辨率雷达能够为归类供给足够的语义线索。因此呢，特征图融合利用两个编码器将雷达和图像映射到同一潜在空间拥有高级语义。检测框架很灵活，包含一周期办法和两周期办法。一周期方法利用神经网络的两个分支分别从雷达和图像中提取特征图，而后将特征图连接在一块。两周期融合办法中第1周期首要融合从雷达和图像中提出的 ROI。在第二周期，融合后的ROI 分别投影到雷达和视觉特征图。ROI 内的特征图被裁剪并调节为相同体积的特征，来自雷达和图像的特征裁剪成对后经过元素均值融合并发送到检测头。通常来讲，两周期办法拥有更好的性能，但比单周期办法慢得多。无锚办法进一步避免了与锚框关联的繁杂计算，例如计算IOU训练时期得分。
特征图融合准许网络灵活地结合雷达和视觉语义。然而，融合网络可能面临忽略弱模态和模态协同功效的问题，需要有些训练技术来迫使网络从雷达输入中学习。例如，采用一种模态丢弃方法，在训练过程中随机停用图像分支。在训练融合分支时运用权重冻结策略来固定预训练特征提取器的权重，显示仅冻结图像分支效果最好。然而，多种模态的融合并不可保准总是比运用单一模态更好。有时，倘若雷达分支给出噪声输入，咱们期盼网络降低雷达分支的权重。为了实现自适应融合，在融合网络中采用自重视力和全局通道重视力两种模式。自重视力用于加强真实目的点并削弱杂波点，而全局重视力模块为用于估计模态权重。将传感器熵估计为模态权重，针对每种模态，熵被逐像素评定为权重掩码。而后，这些权重掩码在融合层与每一个模态的相应特征图相乘。
4.决策融合
决策融合假设对象经过区别的模态独立检测，并按照它们的时空关系将它们进行融合。这种结构实现了系统级的传感冗余，因此呢对模态错误拥有鲁棒性。因为雷达分辨率较低，现有科研大多无知道思虑雷达估计的类别信息。换句话说，它们仅融合来自雷达和视觉分支的位置信息，同期保存视觉估计的类别信息。因为下一代4D雷达能够供给归类能力，因此呢预计将来的融合框架应同期思虑位置和类别信息。
位置能够在跟踪框架中得到最佳融合。区别的对象首要基于位置信息被相关起来，而后发送到贝叶斯跟踪模块进行融合。因为雷达分辨率较低，在某些场景下很难实现相关，例如卡车分成两辆车或两个近距离物体合并为一辆车。这种相关模糊性能够运用轨迹到轨迹的融合架构来减轻。经过估计轨迹，能够利用时间信息来过滤错误警报并插进遗漏的检测。有些科研人员利用深度学习在雷达和其他模式之间创立更好的相关。例如，RadarNet基于重视力的后期融合来优化估计速度。首要，运用 softmax 训练了一个五层 MLP，以估计每一个边界框与其周边雷达检测之间的归一化相关分数。而后，运用相关分数对雷达测绘的速度进行加权平均来预测速度。AssociationNet尝试将雷达检测映射到对比学习框架中以便更好的暗示空间信息。首要将雷达目的和视觉边界框做为伪图像投影到图像平面。为了利用视觉语义，将这些伪图像与原始图像连接起来。接下来，连接的图像被发送到编码器-解码器网络以输出特征图。按照雷达检测的位置从特征图中提取暗示向量。对比损失旨在将正样本的暗示向量拉在一块并推开负样本的暗示向量。在推理过程中，计算所有可能的雷达视觉对的暗示向量之间的欧几里德距离，距离小于阈值的对被认为是相关的。
类别信息，尤其是类别预测中的冲突，在传感器融合中很难处理的。这儿介绍一种将边界框与类别融合进行处理的概率框架，其中，边界框的位置由高斯分布建模，而类别先验被建模为狄利克雷分布，从而准许以封闭形式计算狄利克雷后验。而后，拥有最高归类得分的边界框被视为聚类中心，而其他边界框被视为测绘值。最后，运用贝叶斯推理来优化融合这些边界框的位置和类别信息。
实质上，概率办法在建模知识方面有其固有的缺陷。例如，倘若网络对其预测无自信心或输入针对归类确实不知道，则均匀分布会带来混乱。相比之下，基于集合的办法则无这般的问题。利用证据理论融合激光雷达、摄像头和雷达。思虑辨别框架，即一组相互排斥的假设，如，并分配每一个可能的假设，即的子集。在物体检测的状况下，按照传感器特性选取可能的假设。例如，汽车有时会被误认为是卡车的一部分。因此呢，倘若检测到汽车，其相应的证据亦应该放入集合以及无明的集合。将置信度 m 分配给汽车检测：
这儿是对误检测的不确定性进行建模的折扣因子，是准确度，即汽车检测中预测的正确率。假设有两个证据源自S1和S2来自区别的方式。每一个源自都供给检测列表，如和。
而后，能够定义关于两个检测的可能相关的三个命题aj 和bj分别如下：
{1} 暗示假设aj 和bj 是同一个对象；
{0} 暗示假设aj 和bj 不是同一个对象
{0,1} 暗示没法判断aj和bj是不是为同一个对象，即未知假设。
相关置信度能够按照位置和类别类似度来确定。位置类似性的证据按照马哈拉诺比斯距离可定义为：
其中测绘马氏距离的类似度λ 和缩放因子α，和α是一个证据折扣因子。
针对类别类似性，属于同一类别的两个检测太弱，没法供给它们是同一对象的证据。然而，倘若两个检测属于区别类别，则将证据分配给它们不是同一对象的命题是恰当的。因此呢，类别类似性的证据由下式给出
倘若无共享公共类别假设，则融合海量证据，即。其余的证据将置于无知假设中。最后，针对每一个检测对，按照 Yager 的组合规则融合类别类似度和位置类似度。证据融合为信息融合供给了靠谱的框架。然而，它不可直接应用于基于单一假设进行预测的神经网络检测器。为认识决这个问题，能够运用保形预测来运用少量校准数据从经过训练的网络生成置信集。
Radar检测中的挑战
尽管基于深度学习的雷达感知在数据集上表现出良好的性能，但很少有科研调查这些办法的泛化性。事实上，有些拥有挑战性的状况可能被忽略，但可能会禁止在现实场景中运用这些办法。例如，繁杂场景下，多路径传播导致的鬼影现象很平常。过度自信是神经网络的一个广泛问题。因为雷达始终用于安全关键型应用，因此呢校准检测网络并输出预测不确定性非常重要。尽管咱们总是将雷达叫作为全天候传感器，但许多雷达融合办法并未很好地测试卑劣天气下的鲁棒性。在本文中，咱们将提出这三个挑战，并总结有些近期试图处理这些挑战的工作。
1.幽灵物体检测
多路径是波理学学中的一种现象，其中来自目的的波经过两个或多个路径传播到探测器。因为多径传播，雷达既接收目的的直接反射，亦接收目的的间接时移反射。倘若目的反射和多径反射占据相同的RD单元，则影响DOA估计的性能。否则，倘若它们占据区别的单元格，则可能会在多路径方向上产生鬼目的。在后一种状况下，因为鬼影检测与真实目的拥有类似的动态，因此呢很难在传统的检测流程中消除它们。
多径效应能够分为三种类型。第1类是自车与目的之间的反射。因此呢，杂波的距离和速度应是真实测绘的数倍。第二种是车身底部反射。它一般出现在卡车下方，引起点距离较长。这种透视效果有时是有益的，由于能够检测到被遮挡的车辆。第三种类型是由于反射表面导致的镜面重影检测。因为汽车77GHz雷达的波长很强，许多平坦的设备，如混凝土墙、护栏、消噪墙等都能够视为反射面。如下图所示，按照最后反射是出现在目的还是表面上，这种多径效应能够进一步分为类型1和类型2。反射的次数叫作为多路径的阶数。一般，仅需要思虑小于 3 的阶数，由于高阶反射因为信号扩散而返回很少的能量。
图3. 多路径效果：橙色实心框是真实对象。虚线框是由于多路径传播导致的鬼物体
鬼影检测的性能评定需要高质量的数据集。然而，鬼物体的标记是一项艰巨的任务，需要专业知识。有学者科研了一种经过与LiDAR点云比较来自动识别雷达鬼物体的办法。然而，激光雷达测绘并不完美。它们有其固有的缺陷，例如稀疏性、范围有限以及无反射的孔洞。因此呢，运用激光雷达做为真值系统有时可能会显现问题。在雷达幽灵数据集中，幽灵对象是在辅助工具的帮忙下手动注释的。该工具能够按照真实物体和反射表面自动计算潜在鬼影的位置。结果，注释了四种类型的多路径效应，包含类型1二阶反弹、类型2二阶反弹、类型2三阶反弹和其他高阶反弹。另外，它们还经过叠加同一场景中区别帧的对象来供给合成数据集。
与杂波区别，幽灵对象没法经过时间跟踪进行过滤，由于它们拥有与真实目的相同的运动学属性。相反，它们能够经过几何办法检测。利用雷达鬼数据集，还能够训练用于鬼检测的神经网络，例如基于 PointNet 的办法和基于 PointNet++ 的办法。因为信号扩散，能够安全地忽略高阶反射。因此呢，鬼物体一般出此刻与真实目的距离类似的环形区域中。因此呢，后面经过设计一种环形分组来代替PointNet++中的多尺度分组。场景结构和检测之间的关系是识别鬼物体的重要线索，因此呢，能够运用占用网格图能够供给场景结构的信息。过程中，运用占用网格图和移动物体列表做为 FCN 的输入，来预测移动鬼影检测的热图。倘若以LiDAR为参考，运用多模态转换器来捕捉鬼物体和真实物体之间的语义相关度亦能够是一种不错的办法。其中，经过设计一个多模态重视力模块，由两个模块构成。第1个是雷达点云的自重视力模块。它有望对真实物体和镜像物体的类似性进行建模。而后，第二个多模态重视力模块融合雷达和激光雷达分支的特征图。该融合模块能够看作是计算LiDAR检测和真实雷达检测之间的关联性。
2.雷达探测的不确定性
基于学习的雷达检测表示了其对区别道路运用者进行归类的潜能。然而，因为类别不平衡和简单的场景，在科研数据集上评定的性能可能会显现偏差。例如在VoD 数据集中雷达检测就有有些失败案例：两个靠近的行人能够被检测为一个骑自动车的人。一个大型物体，例如一辆卡车或一辆公共汽车，能够分成两个较小的物体。探测器可能会错失反射很少的远处物体。金属杆和高路缘的剧烈反射可能会掩盖真实物体。这些故障大都数是因为雷达传感器在方向分辨率和动态范围方面的缺陷导致的。更糟糕的是，神经网络常常对其错误预测过于自信。针对自动驾驶来讲，错误的感知自信心可能会泄漏到传感器融合和决策等下游任务，从而可能引起劫难性的失败。
这儿的不确定性有两种：其一是数据不确定性，亦叫作为任意不确定性，是由于噪声输入导致的。其二是模型不确定性，亦叫作为认知不确定性，是由于网络训练不足或不适当导致的。模型不确定性的源自包含三种状况：协变量偏移p(x)，标签移位p(y)和开集识别（unseen y）。数据不确定性和模型不确定性的总和叫作为预测不确定性。针对概率对象检测的任务，两个参数的不确定性是令人感兴趣的：类别不确定性，它编码归类的置信度，以及空间不确定性，它暗示边界框的靠谱性。类不确定性能够看作是模型不确定性，而空间不确定性与噪声输入引入的数据不确定性更关联。
针对归类任务，最简单的办法是学习一个函数，将softmax层输出的伪概率映射为真实概率，而真实概率定义为训练集上的归类准确度，这个过程一般叫作为网络校准。因为它是后处理办法，因此呢模型体积和推理时间均不受影响。校准办法重点关注总体不确定度的任意部分。为了校准雷达归类器，经过比较区别的后处理技术，包含温度缩放、潜在高斯过程（GP）和互信息最大化。互信息最大化实现了性能和推理时间之间的最佳平衡。近期的有些科研显示，软标签加强技术，例如标签平滑和混合，能够有效缓解过度自信问题，从而有助于网络校准。能够在雷达归类中运用标签平滑正则化。核心思想是归类器应该对接收功率较低的远处物体给予较低的置信度。这是两种标签平滑技术，即分别按照距离和接收功率生成软标签。
除了校准类不确定性之外，针对估计边界框回归中的空间不确定性感兴趣。蒙特卡罗 dropout 和深度集成在估计预测不确定性方面很流行。然而，这些办法仅在目的检测方面供给了边际改进，但成本很高。因此呢，能够直接建模能够被广泛用于估计边界框回归中的任意不确定性。这个想法是让网络估计预测的均值和方差。损失被构造为
这儿是估计方差，减少了对高方差的处罚，同期对高方差进行了处罚。
3.卑劣天气下的融合
大雨、大雪、大雾等卑劣天气要求可能对安全驾驶形成重大威胁。区别的传感器工作在区别的电磁波段，因此呢对环境的鲁棒性亦区别。视觉感知容易受到模糊、噪声和亮度失真的影响。在卑劣天气下，LiDAR 在粉雪、大雨和强雾中会显现检测范围缩小和视野受阻的状况。相比之下，雷达在卑劣天气下的鲁棒性更强，天气对雷达的影响可分为衰减和后向散射。衰减效应降低了信号的接收功率，而反向散射效应则增多了接收器处的干扰。灰尘、雾和小雨下的衰减和后向散射针对雷达来讲能够忽略不计，而在大雨下雷达的性能则会很强程度的下降。基于降雨衰减和后向散射效应的数学模型暗示，在强降雨要求下（150 毫米/小时），雷达的探测范围最多可减少45%。针对 RCS 较小的近距离目的，反向散射效应更为严重，并可能引起额外的性能下降。
在卑劣天气下驾驶能够被视为自动驾驶的一个极端状况。定义自动驾驶车辆设计安全运行的要求是经过设计运行域（ODD）来定义的。倘若监控系统检测到违反OOD需求，掌控权将移交给驾驶员。然而，操作环境的变化一般是快速且不可预测的。因此呢，切换机制在安全性方面存在争议。将来，全自动驾驶汽车（SAE 5 级）有望在所有环境和天气要求下工作。然而，大都数融合办法并不是为了知道思虑天气影响而设计的。在好天气下训练的网络在卑劣天气下可能会显现性能下降。
有有些可能的办法能够使网络适应区别的天气要求。一种办法是添加场景切换模块，而后针对区别的天气运用区别的网络。这种办法很简单，但会带来额外的计算和内存成本。另一种选取是在网络中添加有些动态机制。
首要，能够在融合模块中添加了两周期重视力模块。对每种模态应用自重视力，而后经过交叉重视力将其混合。同期，进一步科研行业泛化问题，即运用良好的天气数据集进行训练并在雾天进行推理。
其次，亦有一种门控策略，对每种模态进行排名，并选取前三个靠谱的模态进行融合。经过比较三种类型的门控办法：基于知识的门控、基于 CNN 的门控和基于重视力的门控。基于知识的门控针对每种天气要求运用一组预定义的模态权重，而基于 CNN 和基于重视力的门控则从数据中学习权重。在卑劣天气下，门控办法优于融合办法，并且基于重视力的门控能够实现最佳性能。
另外，还有一种熵引导的融合网络，它运用传感器熵做为模态权重。详细来讲，运用了深度融合架构，持续融合来自区别模式的特征图。像素熵用作每一个传感器分支的重视力图，因为熵图仅以传感器输入为要求，因此呢融合网络能够在看不见的卑劣天气下稳健地执行。按照不确定性理论，传感器熵能够被视为数据不确定性的度量。
最后，为了利用数据和模型的不确定性，提出一种不确定性感知融合框架。利用决策级融合架构，并期望每一个分支输出数据不确定性和模型不确定性。门函数用于按照预测的不确定性对每种模态应用加权平均值。而后，设计两个模块来处理拥有高度不确定性的数据。一种用于故障检测，另一个用于连续学习。故障检测中，需求数据不确定性始终高于阈值的传感器被认为出现故障。连续性学习中，模型不确定性高于阈值的数据将被添加到训练集中以进行连续学习。
总结
在本文中，咱们总结了深度雷达感知的最新发展。正如咱们所看到的，许多科研工作都集中在研发检测任务的模型上。然而，还有有些尚未探索的科研课题或需要处理的基本问题。例如，高质量的数据集、雷达行业知识、不确定性量化、运动预测、干扰缓解等方面还有非常多能够被科研的行业和方向。
首要，在缺乏高质量数据集的状况下，需要避免将雷达中的人工智能应用于数据拟合。从数据的方向来看，利用行业知识来研发可推广的感知模型至关重要，这需要利用专业知识来标记幽灵对象。例如能够设计一个重视力模块或利用图卷积来建模真实对象和幽灵对象之间的关系。
其次，雷达行业知识需要在许多周期予以思虑，例如标记、数据加强、模型结构、训练技术和评定指标。深度学习革命始于 ImageNet 数据集的引入。然而，雷达感知还无看到它的 ImageNet 时刻。尽管存在许都数据集，但它们在规模、分辨率、数据暗示、场景和标签粒度方面有所区别。标签的粒度和质量亦是雷达数据集的关键问题。因此呢，很难公平地比较在区别数据集上训练的区别模型。自从 4D 影像雷达引入市场败兴，迫切需要拥有高质量注释和多样化场景的数据集。
同期，不确定性量化针对在安全关键型应用中应用人工智能非常重要。因为雷达数据的信噪比较低且雷达数据集规模较小，因此呢基于 CNN 的雷达探测器预计会显现较高的数据和模型不确定性。这亦是需要被重点关注的问题。
另外，雷达的一个被忽略的特征是多普勒速度。除了做为移动道路运用者的一个特征之外，多普勒速度针对运动预测亦特别有价值。运动预测是自动驾驶行业的一个热门科研课题。经过准确估计道路运用者的运动，下游路径规划模块能够更好地对将来的交互做出反应。
最后，针对 FMCW 雷达来讲，相互干扰是一项拥有挑战性的任务。将来的科研应该将干扰缓解和下游任务（例如检测）做为一个整体来思虑，并构建一个端到端的学习框架来一起优化它们。
欢迎扫下面二维码加入智能交通技术群！
扫描加入免费的「智慧城市之智慧交通」知识星球可认识更加多行业新闻和资料。
欢迎加入智能交通技术群！
联系方式：微X号18515441838返回外链论坛：www.fok120.com，查看更加多
责任编辑：网友投稿
| 
发表于 2024-9-4 14:11:44
楼主