Redefining Automotive Radar Imaging: A Domain-Informed 1D Deep Learning Approach for High-Resolution and Efficient Performance

毫米波（mmWave）雷达对自动驾驶车辆的感知任务至关重要，因为它们在恶劣天气条件下具有强大的韧性。然而，它们的部署通常受到空间分辨率不足以进行精确语义场景解释的限制。从光学成像中改编的经典超分辨率技术无法充分解决雷达信号数据的不同特征。为此，我们的研究通过利用雷达信号处理领域的知识，引入创新的数据归一化和基于信噪比（SNR）的领域知识损失函数，将雷达成像超分辨率重新定义为一维（1D）信号超分辨率频谱估计问题。我们为汽车雷达成像量身定制的深度学习网络具有显着的可扩展性、参数效率和快速推理速度，以及在雷达成像质量和分辨率方面的增强性能。广泛的测试证实，我们的SR-SPECNet在产生高分辨率雷达距离-方位图像方面设定了一个新的基准，优于现有方法，适用于各种天线配置和数据集大小。源代码和新的雷达数据集将在网上公开发布。

论文旨在解决毫米波雷达在自动驾驶领域中空间分辨率不足的问题，提出一种基于雷达信号处理领域知识的一维信号超分辨率谱估计方法。

论文的关键思路是将雷达成像超分辨率问题转化为一维信号超分辨率谱估计问题，并结合数据归一化和基于信噪比的损失函数进行处理，设计出适用于汽车雷达成像的深度学习网络SR-SPECNet。

论文提出的SR-SPECNet模型在多种天线配置和数据集大小下，均取得了比现有方法更好的成像质量和分辨率，具有可扩展性、参数效率和快速推断速度。论文还提供了开源代码和新的雷达数据集。

在该领域的相关研究包括："Deep Residual Learning for Millimeter-Wave Mobile Vehicle-to-Everything Sensing"、"A Survey of Deep Learning-Based Object Detection"等。