论文速览 | IEEE TITS,2024| Interference Suppression for Automotive Millimeter-Wave Radars With Fused Las
论文速览 | IEEE Transactions on Intelligent Transportation Systems, 2024 | 平面干扰抑制针对汽车毫米波雷达系统采用融合Lasso算法
1 引言
伴随着自动驾驶技术与先进驾驶辅助系统的快速发展，在汽车领域得到了广泛应用的毫米波雷达凭借其全天候适应性和广泛的环境适用性。然而，在频谱资源受限的情况下，并布设了大量毫米波雷达导致的问题愈发显著，严重制约了雷达在目标检测方面的性能表现。因此，开发有效的干扰抑制技术成为提升雷达抗干扰能力的关键方向。
本文开发了一种基于融合lasso(fused lasso)的汽车毫米波雷达互干扰抑制方法。该方法主要依据融合lasso(fused lasso)理论，在分析互干扰信号时域特征的基础上,构建融合LASSO稀疏模型,提取并去除其方波脉冲特征,从而实现对互干扰的有效抑制。
2 动机
目前,汽车毫米波雷达互干扰抑制的研究主要基于以下几个思路:
采用滤波技术基于基准信号与噪声信号间的相关关系来构造自适应滤波器以达到去噪效果。然而这些方法在应用中存在一定的限制 在实际使用中往往难以获取足够的噪声先验信息而导致其应用效果受限于这一前提条件。
分类算法:主要依赖于神经网络和强化学习的方法. 然而,此类方法在获取充足的数据集以及较高的计算资源需求方面存在挑战.
压缩感知是一种方法，在其中信号被映射到其他领域（例如时频域），随后通过匹配追踪分析（MCA）实现信号分离。然而，在这种情况下，频域变换会导致计算复杂度显著提升。
在深入分析的基础上, 本文在此基础上提出了一种基于时域的融合 fusion Lasso model 的方法, 旨在提高汽车毫米波雷达互干扰抑制的实时性能和抗干扰能力。
3 方法
经LIFM CW信号拉伸处理后, 互干扰信号在时域呈现脉冲特征。为了有效提取该脉冲信号, 本文提出了一种基于融合LASSO方法的稀疏模型。
该优化模型旨在通过最小化目标函数来确定最优解si^*：其中第一项\frac{1}{2}\lVert y - si \rVert_2^2代表数据拟合误差的平方和第二项\lambda_0\lVert si \rVert_1与第三项\lambda_1\lVert L_0 si \rVert_1分别对应稀疏惩罚和结构稀疏惩罚系数与范数的形式
其中,y为雷达接收信号,si为待提取的互干扰信号,L_0为一阶差分算子矩阵。
模型的第一项体现了对模型进行正则化处理。第二项通过fused Lasso方法实现了对互干扰信号本体稀疏特性的刻画。第三项进一步表明，在时域维度上相邻时刻间的变化量也同样呈现出稀疏特性。通过fused Lasso方法，在时域上能够有效提取呈现出方波脉冲特征的干扰信号。
然而, l₁范数往往会低估信号估计值。因此,本研究采用反正切范数来替代l₁范数,从而实现更优的稀疏特性。
该模型旨在通过最小化运算\texttt{(cid:1)} = \underset{\texttt{s_i}}{\texttt{argmin}}\left( \frac{\textstyle 1}{\textstyle 2}\|y - s_i\|_2^{\, 2} + \lambda_0\|\phi_a(s_i; b_0)\|_1 + \lambda_1\|\phi_a(L_0s_i; b_1)\|_1\right)实现对数据的最佳拟合。其中\lambda_{i}表示不同约束条件下的权重系数。
其中,\phi _{a}(s;b)代表arctangent型范数。这种类型的范数相较于l0范数在几何特性上具有更高的相似性,从而能够带来更好的sparsity表现
4 实验和结果
为了验证所提出的方法的有效性,作者在仿真信号和实测雷达数据上分别进行系统化的双重验证。
(1) 仿真数据实验
该研究者设计了一个包含两个不同干扰源的仿真环境。具体设置了被干扰雷达的配置参数：其调制周期设定为51.2微秒（\mus），载波频率设定为每微秒5.9兆赫兹（MHz/\mus）；此外还配置了两个不同类型的干扰源——第一种类型具有一个较短的调制周期（10 \mus）和较高的载波频率（7 MHz/\mus），第二种类型则具有较长的调制周期（60 \mus）和较低的载波频率（4 MHz/\mus）。研究者还在相距35米、50米及80米的位置设置了三个目标。
实验数据显示，在无干扰条件下，系统可成功捕获三个目标信号的明显特征。然而，在受到较强干扰时，由于引入的噪声水平显著提升至32dBm（dBm），导致原始信号变得不可识别。通过该方法的有效抑制作用下，系统的抗扰能力得到显著提升，最终恢复至0dBm附近噪声水平，并成功使三个目标信号重新显现。
在研究过程中,作者通过128个脉冲进行相干积分处理,成功获得了二维距离多普勒图。与直接进行快时间FFT分析相比,相干积分方法通过提升时间分辨率的方式显著提升了抗噪声能力。通过对现有算法进行性能对比可以看出:自适应噪声消除法、匹配追踪分析法以及小波去噪法等传统算法在抑制噪声方面均表现平平,甚至会带来虚假目标的误报风险。而采用融合lasso模型优化后的所提出方法则展现出显著的优势:不仅能够有效抑制脉冲干扰的影响,还能够精准恢复出三个目标信号
(2) 实测数据实验
研究人员在实际道路上架设了实验平台，并通过实测雷达数据验证了该方法的有效性
研究表明，在未施加抑制措施的情况下，强烈的干扰导致两个目标峰值得以完全消失殆尽；然而，在应用所提出的改进方法后，在抑制双脉冲干扰后，两个目标峰值得以恢复；此外，在这种情况下，“多普勒图”的信号与干扰比分别提升了8.65dB和11.95dB；相比之下，其他算法要么未能有效恢复目标峰值，要么在抑制过程中引入了虚假的目标峰值，并且计算时间往往过长。
5 不足和未来展望
尽管文中方法取得了较好效果,但仍有一定的不足:
在面对相同调频率的雷达干扰时, 该方法表现欠佳。原因在于当采用相同调频率的雷达进行干扰时, 互干扰信号与目标回波难以分辨两者之间的差异, 因此不再具备稀疏特征。
该方法主要用于LIFMWCW雷达信号类型的识别与处理。对于剩余的其他CW雷达信号类型及其适用范围仍需进一步验证。
实时性能还有进一步优化的余地。未来的工作计划包括，在硬件平台上（例如FPGA）实施该算法以提高系统运行效率。
6 总结
本文提出了一种具有较快收敛速度的汽车毫米波雷达互干扰抑制方法。该方法主要基于时域信号分析，并未采用传统频域变换的方法，从而显著降低了计算复杂度。此外，在引入LASSO模型的同时，并采用了反正切范数的概念，能够有效地提取出具有脉冲状特性的干扰信号。实验结果表明，在对比现有算法性能的基础上，本方法在抑制效果和时延方面均表现出显著优势。由此可知，在汽车毫米波雷达互干扰抑制领域中，该方法具备重要的应用价值。