研究人员提出了一种新的、参数化雷达数据增强(RADIO)技术，从小数据集生成真实的雷达样本，用于发展雷达相关的深度学习模型。 无线电利用雷达信号的物理特性，如衰减、方位角波束发散和散斑噪声，来产生和增强数据。基于雷达的分类和检测的示例应用表明，无线电可以生成有意义的雷达样本，有效地提高分类的准确性和用小数据集训练的深度模型的通用性。

 相关论文以题为“     RADIO: Parameterized Generative Radar Data Augmentation for Small Datasets    ”发表在《     Applied Sciences    》上。

 目前大多数自动驾驶车辆依赖于光探测和测距(激光雷达)和相机技术来构建感知系统。 然而，光学技术的一个主要缺点是在恶劣的天气条件下，如雾，雨和雪失败。另一方面，24 GHz和79 GHz雷达系统被广泛应用于自适应巡航控制和避障。雷达系统可以穿透恶劣天气，但其主要缺点是分辨率较低(例如，在15米距离处的方位分辨率约为4米)，这使得目标分类和识别非常具有挑战性。

 最近在汽车雷达上的工作旨在提高300 GHz频率的方位和距离分辨率。 在之前的工作中，研究人员研究了应用于300ghz数据用于目标检测和分类的许多神经网络架构的性能，使用一个包含六个不同对象的原型对象集，在隔离和多对象设置中。研究人员的结果在很大程度上依赖于不同的场景和对象，在较简单的情况下获得的准确率要高得多，但在同一场景中存在许多容易混淆的对象时，检测和分类的成功率要低得多。

 虽然研究人员努力在野外收集和标记更大的数据集，但这是具有挑战性的，因为缺乏先进的、高分辨率的汽车雷达用于高帧率成像，以及雷达图像标记与视频序列相比的困难。 因此,创建更大的数据集训练深模型等任务,在本文中,研究人员提出一个新颖的雷达数据增强技术既可用于分类和检测(图1)。研究人员的实验的假设是这样的增加将提高标准基于成像数据增强源数据的准确性。因此，本文的主要贡献如下:

1.基于雷达信号的测量特性，研究人员提出了一种新的雷达数据增强技术(无线电)。该模型的信号衰减和分辨率变化的范围，散斑噪声和背景位移的雷达图像生成。

2.研究人员证明，这种数据增强可以提高目标分类和检测的深度模型的准确性和通用性，只训练了少量的源雷达数据，这验证了无线电方法的有效性。

 图1.无线电雷达数据增强是一种基于雷达数据物理特性的数据增强技术。该方法用于目标检测和分类。卷积神经网络。DBSCAN:基于密度的带有噪声的应用的空间聚类。

 300ghz FMCW雷达

目前商用车辆雷达使用多输入多输出(MIMO)技术，频率为77-79 GHz，最大带宽为5 GHz，射程非常有限(通常为35厘米)，方位分辨率通常为15°。这就等于在15米处的交叉距离分辨率≈4米，这意味着一辆汽车在雷达图像中只占一个单元。在本工作中，研究人员使用的是伯明翰大学设计的300ghz调频连续波(FMCW)扫描雷达。提高分辨率的假定优势是获得更好的雷达图像，从而可能导致更可靠的目标分类。300ghz雷达的带宽为20ghz，相当于0.75厘米的分辨率。方位角分辨率为1.2度，在10m处对应20cm。图2显示了不同带宽下的300 GHz雷达图像。可以看到，与目前的商业传感器相比，20ghz带宽提供了更好的分辨率。

 图2.来自不同雷达带宽的300 GHz雷达的图像。数据是在伯明翰大学使用中描述的系统收集的。

由300 GHz雷达捕获的原始数据包括在每个方位方向的时域信号。为了将原始信号转换成图像，应用快速傅里叶变换(FFT)在每个方位创建一个距离轮廓，然后转换为分贝(dB)。将原始极坐标图像转换为笛卡尔坐标，以保证在所有范围内物体的尺寸一致。

 斑点噪声和背景移位

 为了进一步模拟真实的雷达数据，研究人员包含了模拟不同程度的散斑噪声和背景位移的能力。 完整的散斑噪声建模需要对雷达系统和天线的特性有详细的了解，但是在之前的工作的基础上，研究人员通过施加乘法高斯噪声来进行近似，其中采样均匀地从0.01到0.15。图3给出了不同乘性噪声水平的散斑噪声增强的例子。最后，研究人员还添加了背景变换。这可以改变亮度，创建带有物体和不同背景级别的场景。这是一种简单的技术，在图像上应用恒定虚警率(CFAR)，将图像的区域分类为目标或背景。只在背景上/从背景上加/减一个定值。图4显示了应用背景移位的图像示例。

 图3.散斑噪声数据增强。

 图4.背景移位数据增强。

 结论

 在本文中，研究人员提出并研究了一种雷达数据增强方法(RADIO)，并将其与标准增强方法进行了比较，看看这种方法是否能在孤立目标和多目标场景中提高目标分类率。 研究人员能够证明，使用雷达数据增强确实能改善结果，这为训练神经网络提供了一个有用的途径，当源数据有限，网络不能在所有最终的测试和验证条件下训练。在没有增加的情况下，仅使用原始数据很可能会出现过拟合，网络无法进行泛化。

 在孤立对象的情况下，经过数据扩增，精度达到99.79%。RADIO创建了逼真的样本，这有助于神经网络实现近乎完美的识别。 在更具挑战性的多目标数据集中，研究人员完成了66.28%的完美检测场景和57.11%的易于检测和分类场景，其中多路径、近距离目标、天线耦合、杂波等可能产生的影响更具挑战性。与标准的基于摄像机的数据增强方法相比，无线电技术的数据增强效果更好。

为了进一步发展，有必要改进检测方法，因为与完全检测相比，这样会产生额外的误差;此外，有必要将这项工作扩展到“野外”收集数据的更具挑战性的场景。在后一种情况下，训练和测试/验证数据很可能都是在野外条件下收集的，因为实验室数据和外部数据的差异太大。  为此，研究人员目前正在收集和处理安装在一辆移动车辆上的79 GHz雷达系统的数据。