基于機器學習的車用主動防撞預警雷達信號識別系統研究

張馨予

(西安文理學院 信息工程學院，西安 710065)

0 引言

交通事故發生次數有所減少，但趨勢發展緩慢，由此研究車用主動防撞預警雷達裝置是具有必要性的[1]。該裝置能夠提前探測汽車前方的障礙物，提醒司機采取緊急措施，可以從根源上防止追尾及危險事故發生[2-3]。車用主動防撞預警雷達裝置是提高汽車安全行駛的主要技術，由該裝置發射出信號識別目標，再對其分析，可精準定位前方障礙物的位置信息。裝置根據得到的目標信息，能夠輔助司機對危險情況的判斷，以此提高汽車行駛安全性[4]。

目前，在車用主動防撞預警雷達信號識別系統中，可用于信號識別的技術主要有激光掃描技術、紅外技術和超聲波技術，其中超聲波技術探測范圍較窄，響應時間長，受到外界溫度影響較大，通常適用于倒車雷達信號識別；激光掃描技術雖然探測距離較遠，但探測頭需要光學窗口，容易被污染物遮蓋；紅外技術探測距離較短，受到溫度影響雷達信號識別不精準。

針對上述問題，提出了基于機器學習的車用主動防撞預警雷達信號識別系統研究。

1 基于機器學習的信號識別系統硬件架構

機器學習是一門交叉學科，專門研究計算機如何模擬人類學習行為，以此獲取新的技能[5]。在機器學習支持下，設計車用主動防撞預警雷達信號識別系統總體架構如圖1所示。

圖1 識別系統硬件架構

該系統主要是由信號采集系統、控制系統、識別系統、接口電路及信號處理系統等部分組成的。基于機器學習的雷達信號識別系統是將模擬信號轉變為數字信號后，使用機器學習方法模擬人工學習方式得到信號數字譜，根據匹配結果，分析識別速度，使得輸入信號可以同時與各個模板存放的雷達信號匹配識別，提高信號識別速度[6]。當輸入雷達信號與模板信號種類一致時，不同雷達發射的信號，通過匹配識別，有可能受到外界噪聲干擾導致識別精準度低[7]。因此，在信號處理系統支持下，結合信號處理技術，解決信號干擾問題。

1.1 信號采集系統

針對信號采集系統設計，需采用BGT24MTR12E6327XUMA1型號原裝雷達收發器。

該收發器具有一個發射器和兩個接收器，完全集成VCO低相位噪聲，具有1.5 GHz和23 kHz輸出功率的可切換預分頻器[8]。低噪聲系數為12 dB、高轉換增益為26 dB，單電源電壓為3.3 V，全面ESD保護器件。使用BGT24MTR12E6327XUMA1型號原裝雷達收發器對特定無線電信號持續監聽，當出現威脅訊號時，雷達收發器會對司機發出預警信息[9]。

1.2 信號處理系統

將BGT24MTR12E6327XUMA1型號原裝雷達收發器輸出的混頻信號通過TendaA9信號放大器發送到信號處理系統之中，該系統負責調節、放大處理、A/D轉換及頻率估計，并將結果通過CAN總線傳輸到車用計算機系統之中，以此控制汽車行駛速度[10]。

對于信號處理系統，選擇DSP處理器作為核心組件，整個系統集成在一個電路板上，如圖2所示。

圖2 信號處理系統

由圖2可知：該系統主要是由電源管理、CAN總線接口、同步動態隨機存儲器、Flash、串口通訊等模塊組成[11]。

1.2.1 TMS320F206型號DSP

使用TMS320F206型號DSP芯片，具有高速定點數字處理功能，存入到該芯片中的信號通過串口以9 600 b/s速率進入計算機，計算機將數據存儲到緩沖區域，通過A/D轉換器將結果顯示在顯示器上。

TMS320F206型號DSP結構框圖如圖3所示。

圖3 TMS320F206型號DSP結構框圖

將TMS320F206數據發送給外部時鐘、內部幀同步及連續模式，接收幀同步脈沖主要是由微控制單元MCU控制產生。當調制調節器建立連接且微控制單元MCU接收到發射的第一個信號時，啟動數字信號處理器接收數據[12]。

根據信號處理要求，該芯片可在一個指令周期內完成一次加乘法運算，分開程序和數據空間，可以同時訪問指令與數據。TMS320F206型號DSP芯片具有快速RAM，可通過獨立數據總線同時訪問數據，具有低成本及跳轉硬件支持功能。

1.2.2 TendaA9信號放大器

使用TendaA9信號放大器具有300 M信號擴展器，信號放大200 m2，基于IEEE802.11n協議，通過軟件優化后，兼容99%信號擴展。

將混頻輸出信號放大至有效倍數，然后進行濾波處理，再利用可調節增益放大器對不同位置接收到的雷達信號放大處理，并利用A/D轉換器將其轉換為數字信號形式。

1.3 接口電路

TMS320F206型號DSP通過CAN總線和UART接口連接外部設備，將TJA1041A作為CAN總線收發器，通過引腳TXD、RXD傳輸數據到TJA1041A之中，TJA1041A及部分外圍電路示意圖如圖4所示。

圖4 TJA1041A及部分外圍電路示意圖

UART 連接在發出兼容 RS232 信號的電路，RS232 標準定義與接地有關的邏輯“1”信號為-3 V到 -15 V，相對于接地的邏輯“0”為3 V到15 V。因此，當 DSP 的 UART 連接到 PC 時，它需要通過 RS232 驅動程序進行電平轉換。MAX3232是PC和DSP之間的驅動IC，采用RS232標準，其作用是使PC和DSP之間能夠串行通信。

1.4 抗干擾模塊設計

為了避免同向和相向干擾信號對識別精準度影響，設計如圖5所示。

圖5 流水線結構轉換方式

使用如圖5所示的轉換方式，方便與TMS320F206型號DSP連接，當輸出虛狀態信號時，即為同頻和雜波輻射信號，此時應狀態轉移，在機器學習支持下獲取實狀態信號，利用該方式有效降低干擾信號對識別精準度的影響。

2 軟件部分設計

面向TMS320F206型號DSP處理器對軟件模塊設計，結合機器學習方法為實際車用主動防撞預警雷達信號識別系統提供具體預警業務。

2.1 TMS320F206型號DSP工作流程

TMS320F206型號DSP程序流程如圖6所示。

具體工作流程如下所示：啟動系統后，TMS320F206型號DSP首次初始化，打開異步端，檢測調制調節器是否已經準備好。如果沒有準備好，需復位調制調節器；反之，則需將AT指令傳送到調制調節器之中，并初始化調節器。調制調節器每次接收到正確指令且正確操作后，會通過異步串口傳送異常信號。因此，如果TMS320F206 DSP接收到該信號，就說明初始化成功，并開始同步信號傳輸。

2.2 車用主動防撞預警雷達信號識別

在TMS320F206 DSP程序流程支持下，跟蹤車用主動防撞預警雷達信號，并結合機器學習方法識別信號。針對模糊雷達特征信號，使用機器學習方法為信號模擬人類識別過程提供技術支持。當獲取新的信號特征之后，應先及時判斷信號優先傳輸路徑是否被占用，并觀察不同雷達信號相似度。

雷達信號相似度計算公式如下所示：

(1)

公式(1)中：fi(x)為雷達信號相似度分析模型函數；ω為信號權重；m為雷達接收信號數量；i表示信號分量。依據上述公式可得到雷達信號相似度，依據該相似度能夠精準判斷出雷達按信號傳輸路徑，分別是發送路徑、傳輸路徑和接收路徑，使用雷達信號相似度分析模型函數fi(x)識別這三條路徑中的信號，具體識別過程如下所示。

圖6 TMS320F206 DSP程序流程

1)雷達信號相似度分析模型函數fi(x)初始化；

2)將硬件設備接收到的信息傳送到硬件設備之中；

3)調用顯示子程序，并實時顯示接收到的雷達信號數量；

4)調用歷史接收到的雷達信號特征，判斷新接收到的雷達信號是否與歷史特征一致。

5)如果是，則開始識別。否則，清除該信號；

6)雷達信號特征應具有最大可信度；

7)雷達信號特征最大可信度與其它信號特征可信度之差必須大于設定的閾值；

8)獲取可信度最高的雷達信號特征，該特征下的雷達信號為最終識別結果。

在TMS320F206型號DSP設備支持下，設計具體實現流程，由此開始同步信號傳輸。跟蹤車用主動防撞預警雷達信號，在獲取新特征之后，及時判斷并計算信號相似度。調用顯示子程序和歷史接收到的雷達信號特征，分析新接收到的雷達信號是否與歷史特征一致，獲取可信度最高的雷達信號特征，由此完成信號識別。

3 實驗分析

防撞預警雷達信號識別精準將直接影響車用主動防撞預警雷達測距性能，因此，結合汽車上雷達分部情況進行基于機器學習的車用主動防撞預警雷達信號識別系統性能測試。

3.1 汽車雷達分布

各個子雷達在汽車上分布情況如圖7所示。

圖7 各個子雷達在汽車上分布情況

圖7中1號子雷達是遠程Long range radar雷達，探測距離可達到250 m；2～7號子雷達是近程Short range radar雷達，探測距離小于35 m。1、2、3號雷達是對車輛前后測距；4、5、6、7號雷達是對車輛兩側盲點測距。遠近程雷達探測性能指標如表1所示。

表1 遠近程雷達探測性能指標

針對圖7所示的各個子雷達在汽車上分布情況，分析發現概率、信噪比及虛警概率之間的關系，在虛警概率一定情況下，雷達信號信噪比越高，那么發現雷達信號的概率也就越大。若要使虛警概率變低，就必須提高雷達發現概率，使匹配濾波器輸出足夠高的信噪比，這對于后續雷達信號識別驗證極為重要。

3.2 實驗結果與分析

3.2.1 相向干擾

受到雷達天線設計影響，車用主動防撞預警雷達掃描方位角較小，使得靠近的兩輛車反向行駛容易受到干擾，出現互擾現象，如圖8所示。

圖8 相向干擾雷達信號接收頻率變化情況

上半部分和下半部分分別表示車輛1和2，由圖8所示雷達信號接收頻率變化情況可知，兩輛車在相向干擾情況下，子雷達1、2都出現短時間接收頻率消失的情況下，且消失點基本一致。在該情況下，分別將激光掃描技術、紅外技術、超聲波技術和基于機器學習技術下的信號識別精準度進行對比分析，結果如表2所示。

表2 相向干擾下不同技術信號識別精準度/%

系統信噪比越高，雜音就越少。因此，在信噪比為70 dB時，四種技術信號識別精準度都達到最高，其中激光掃描技術比紅外技術和超聲波技術要高，識別精準度保持在60%以上，而機器學習技術識別精準度保持90%以上。由此可得出結論：相向干擾下機器學習技術信號識別精準度較高，最高可達到96%。

3.2.2 同向干擾

同時裝有防撞雷達裝置的汽車同向行駛時，如果兩輛車行駛距離過近，那么離得較近的兩輛車雷達掃描范圍就會落到對方掃描范圍內，該車干擾系統的反射信號就會被另一輛車所接收，造成車輛誤判，提高了雷達系統虛警概率，如圖9所示。

圖9 同向干擾雷達信號接收頻率變化情況

圖9中的上半部分和下半部分分別表示車輛1和2，由圖9所示雷達信號接收頻率變化情況可知，兩輛車在同向干擾情況下，子雷達4、5、6、7都出現接收頻率較低的情況，在該情況下，分別將激光掃描技術、紅外技術、超聲波技術和基于機器學習技術下的信號識別精準度進行對比分析，結果如表3所示。

表3 同向干擾下不同技術信號識別精準度/%

由表3對比結果可知，使用激光掃描技術在不同信噪比下，兩輛車雷達信號識別精準度最高為73%；使用紅外技術在信噪比為70 dB下，兩輛車雷達信號識別精準度最高為58；使用超聲波技術雷達信號識別精準度最高為63%；使用機器學習技術雷達信號識別精準度最高為94%。由此可得出結論：同向干擾下機器學習技術信號識別精準度較高，最高可達到94%。

4 結束語

4.1 結論

近幾年，隨著汽車在人們日常生活中的普及，交通事故時有發生，為了防止該事故給人們生命安全帶來的威脅，提出了基于機器學習的車用主動防撞預警雷達信號識別系統研究。該系統在設計的同時，干擾問題也成為雷達信號識別系統的熱點問題，因此，提高系統抗噪性對于系統設計來說是具有重要意義的。針對雷達信號識別過程中的干擾問題，需根據數據集分布特征形成復雜聚類邊界，具有良好推廣能力，打破了傳統系統識別精準度低的問題。

4.2 展望

由于實驗環境受到限制，有關基于機器學習的車用主動防撞預警雷達信號識別系統設計，還有一些后續工作問題要做，主要有以下幾個方面：

1)將主動防撞預警雷達信號識別系統安裝在汽車上，結合天線模塊現場測試，并校準處理。

2)系統設計主要是針對單個信號識別，而在實際工作環境中，雷達需要檢測多個目標信號，由此引發雷達上、下差頻配對問題。然而，由于車用主動防撞預警雷達掃頻時間較長，信號識別會出現多目標跨越多個目標單元現象，從而導致雷達上、下差頻無法配對。當前使用迭代算法雖然能夠解決該問題，但耗費成本較高，這也是后續需要解決的問題。

3)設計的基于機器學習雷達信號識別系統除了探測雷達與探測目標之間距離外，還需測量多個方位角度。