雷达TCN:基于TCN的汽车雷达目标的轻量级在线分类网络

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 汽车工程 汽车工程

背景情况:

• 汽车雷达对于智能驾驶至关重要,为目标分类提供空间和时间数据.
• 当前的雷达时空分类器通常需要多视图图像和3D卷曲,导致高资源消耗和限制实时应用.
• 需要有效和准确的雷达目标分类方法,适合实时智能驾驶系统.

研究的目的:

• 提出RadarTCN,一种新的轻量级网络,用于使用单视图汽车雷达图像序列的高精度在线目标分类.
• 开发一个计算效率高的模型,克服现有的资源密集型雷达分类器的局限性.
• 在汽车雷达系统中实现实时目标识别.

主要方法:

• 雷达TCN采用了一种连续方法,将2D卷积用于初始特征提取和3D时间卷积网络 (TCN) 用于时空特征学习.
• 在2D卷积模块中纳入了多层最大聚合下方采样方法,以减少数据维度和计算复杂性.
• 3D-TCN模块通过剩余修剪和因果卷曲进行了优化,以提高在线分类性能.

主要成果:

• 雷达TCN在距离角度和距离多普勒地图序列上展示了高精度在线目标识别能力.
• 在CARRADA数据集上的实验结果表明,RadarTCN与参考模型相比,实现了优越的分类性能.
• 拟议的网络显著减少了参数数量和计算复杂性,使其适合实时应用.

结论:

• 雷达TCN为在线汽车雷达目标分类提供了有效和高效的解决方案.
• 轻量级的设计和改进的性能使得RadarTCN成为实时智能驾驶系统的有希望的技术.
• 这项研究有助于推进自动驾驶汽车中的传感器融合和机器学习应用.