用于高效雷达预处理的方法与流程

本公开总体涉及对数据进行预处理，以用于高效自动目标识别。更具体地，但不排他地，涉及用于对接收到的雷达信号进行预处理，以供使用具有时间动态性的机器学习模型进行物体、人或姿势检测或识别的系统和方法。

背景技术：

1、雷达使用无线电波来确定物体相对于雷达系统站点的距离(测距)、角度(方位角和仰角)以及径向速度。雷达通常用以检测和追踪飞行中的飞机、飞行器、导弹等，以及绘制天气形成和地形。最近，小型雷达系统也用以检测物体移动，例如用于诸如电视等设备的免持控制的手势。

2、雷达系统包括在无线电或微波域中产生电磁波的发射器、发射天线、接收天线(常常同一天线用于发射和接收)和接收器以及用于确定物体的性质的处理器。来自发射器的无线电波(脉冲式或连续式)从物体反射并返回接收器，从而给出关于物体的位置和速度的信息。

3、使用机器学习模型的自动化目标识别已经用于姿势识别，以用于设备的免持控制。在先前提出的系统中，对数据进行预处理以用于输入到此类机器学习模型涉及：生成从接收到的雷达信号导出的数据的频谱图。用于这些应用的频谱图的示例包括距离-多普勒(doppler)、微-多普勒、距离-角度和角度-多普勒。这些频谱图包括相关特征关于时间轴的矩形图。

4、在距离-多普勒的情况下，创建频谱图需要计算距离像(profile)和多普勒(径向速度)像，以生成距离-多普勒表面，该表面包括表示诸如距离和速度等特征随时间变化的大量数据。这涉及：存储恒定数量的样本，并将其处理为选定特征的联合2d表示。该基于频谱图的方法需要大量的计算负荷和存储器负荷，无论输入数据如何，负荷保持不变，从而不断汲取数据预处理系统的存储器和功率。同样的限制也适用于当自2d扩展到多维表示(例如，距离-多普勒-角)时。

技术实现思路

1、为了解决以上讨论的先前技术的缺点，本发明提供了一种“注意”机制，该机制允许对数据预处理参数进行智能调整，以专注于感兴趣数据，并节省存储器和功率需求。

2、所提出的创新解开通常对应于以往系统中所使用的频谱图的轴的特征。在频谱图方法中，为所有样本数据计算选定特征(例如，检测、距离、角度、速度)。在所提出的方法中，每个特征是在单独选择的样本数据上计算的，为样本的第一子集计算一个特征，为样本的第二子集计算另一特征。选定样本可以但不一定是连续的，这允许按特征微调距离仓采样分辨率和处理成本。此外，可以在任何时间点灵活地改变用于特征的选定样本的数量，从而允许在任何给定时间处，响应于预期益处而动态地调整处理成本。

3、在一方面中，提供一种用于对数据进行预处理以供机器学习模型进一步处理的方法。预处理包括：从一时间段内的发射信号和接收信号生成样本数据；将样本数据分配给多个(l个)距离仓；选择距离仓的第一子集(m个)；基于针对一个或多个准则对第一子集的(m个)距离仓的样本数据进行评估，来生成评估数据；基于评估数据，选择距离仓的第二子集(n个)；基于第二子集的(n个)距离仓的样本数据，生成计算数据；将评估数据和计算数据提供给具有时间动态性的机器学习模型，以供进一步处理。

4、接收信号可以包括从多个接收天线接收的信号，并且可以针对来自每个接收天线的每个信号分开地生成和预处理样本数据。生成样本数据可以包括：从一时间段内的发射信号和接收信号生成中频信号，并对中频信号应用傅立叶(fourier)变换。可以通过混合发射信号和接收信号来生成中频信号。

5、每个距离仓可以包括发射信号的频率范围的相应子范围的样本数据。以此方式，距离仓可以包含根据与样本数据相关的距离布置的样本数据。(l个)距离仓的大小和总数可以是预先确定的，或者可以在系统的操作期间调整。

6、提供给机器学习模型的数据可以限于第一子集的(m个)距离仓的评估数据和第二子集的(n个)距离仓的计算数据，但也可以将其他数据提供给机器学习模型，例如第一子集的(m个)距离仓和/或第二子集的(n个)距离仓的样本数据，其他数据从第一子集的(m个)距离仓和/或第二子集的(n个)距离仓的样本数据计算出或导出。

7、可以基于在先前时间段期间生成的样本数据来选择用于该时间段的第一子集的(m个)距离仓。以此方式，第一子集的(m个)距离仓的选择可以是动态的，是先前样本数据的函数，且能够在每个时间段改变。

8、用以确定第二子集的(n个)距离仓的准则可以包括：相应距离仓的样本数据是否指示已经检测到感兴趣物体。因此，第二子集的(n个)距离仓的选择可以是动态的，是评估数据的函数，且能够在每个时间段改变。此外，第二子集的(n个)距离仓的选择可以与第一子集的(m个)距离仓的选择独立地进行，因为第二子集的(n个)距离仓的选择是基于与第一子集的(m个)距离仓的选择不同的数据来执行的。

9、对第一子集的(m个)距离仓的样本数据进行评估可以包括：将距离仓的样本数据的幅值与阈值进行比较，并且可以基于计算出的误检测的概率来调整该阈值。

10、计算数据可以是到达角数据，到达角数据可以基于从来自第一接收天线的第一接收信号生成的第一样本数据以及从来自第二接收天线的第二接收信号生成的第二样本数据来计算。

11、发射信号和接收信号可以是雷达信号，例如调频连续波雷达信号，并且该时间段可以根据发射信号的chirp周期来确定。

12、该方法可以还包括：针对一系列连续时间段重复预处理，以向机器学习模型提供与一系列连续时间段关联的一系列评估数据和计算数据，以供进一步处理。机器学习模型可以适于：基于所提供的针对一序列时间段的样本数据和计算数据，执行物体、人或姿势检测或识别。

13、在另一方面中，提供种用于预处理数据以供具有时间动态的机器学习模型进一步处理的系统。该系统包括：输入电路，用于接收发射信号和接收信号；处理器，被配置为：从一时间段内的发射信号和接收信号生成样本数据；将样本数据分配给多个(l个)距离仓；，选择距离仓的第一子集(m个)；基于针对一个或多个准则对第一子集(m个)的距离仓的样本数据进行评估，来生成评估数据；基于评估数据，选择距离仓的第二子集(n个)；以及基于第二子集的(n个)距离仓的样本数据，生成计算数据。该系统还包括：输出电路，适于：将评估数据和计算数据提供给具有时间动态的机器学习模型，以供进一步处理。

14、处理器可以包括微处理器、asic、fpga或这些和其他电路的组合。该系统还可以包括存储器，存储器可以被实现为存储器区块或分布式存储器元件。该系统还可以包括传感器，传感器包括一个或多个发射天线以及一个或多个接收天线，传感器从一个或多个接收天线生成接收信号。该系统还可以包括机器学习模型。包括传感器和机器学习模型的系统可以集成在单个半导体芯片中。

15、处理器可以被配置为：基于在先前时间段期间生成的样本数据，选择第一子集的(m个)距离仓。处理器可以被配置为：基于相应距离仓的样本数据是否指示已经检测到感兴趣物体，来选择第二子集的(n个)距离仓。对第一子集的(m个)距离仓的样本数据进行评估可以包括：将距离仓的样本数据的幅值与阈值进行比较，并且处理器可以被配置为：基于计算出的误检测的概率来调整该阈值。

16、处理器可以被配置为：针对一系列连续时间段重复生成评估数据和计算数据，以向机器学习模型提供与一系列连续时间段关联的一系列评估数据和计算数据，以供进一步处理。