利用人工智能和庞大的开源数据集增强自适应雷达

Josiah02

　　我们周围的世界不断被自适应雷达系统闪光拍摄。从盐滩到山脉，以及介于两者之间的一切，自适应雷达都用于检测、定位和跟踪移动物体。虽然人眼看不到这些超高频 (UHF) 范围，但这并不意味着它们没有拍照。
　　尽管自适应雷达系统自二战以来就已存在，但在过去的几十年里，它们遇到了根本性的性能瓶颈。但在现代人工智能方法和从计算机视觉中吸取的经验教训的帮助下，杜克大学的研究人员已经突破了这一瓶颈，他们希望带领该领域的其他人一起努力。
　　在 7 月 16 日发表在《IET 雷达、声纳与导航》杂志上的一篇新论文中，杜克大学的工程师们表明，使用卷积神经网络(CNN)（一种彻底改变了计算机视觉的人工智能）可以极大地增强现代自适应雷达系统。
　　与计算机视觉热潮同步的是，他们发布了大量数字景观数据集，供其他人工智能研究人员在其工作基础上进一步拓展。
　　杜克大学电气与计算机工程系罗德家族教授 Vahid Tarokh 实验室的研究生助理 Shyam Venkatasubramanian 表示：“传统的雷达方法非常好，但还不足以满足自动驾驶汽车等产品的行业需求。”
　　“我们正在努力将人工智能引入自适应雷达领域，以解决行业需要解决的物体检测、定位和跟踪等问题。”
　　从最基本的层面上讲，雷达并不难理解。高频无线电波脉冲被广播出去，天线从反射回来的波中收集数据。然而，随着技术的进步，现代雷达系统使用的概念也在不断进步。
　　凭借形成和引导信号、同时处理多个接触点以及过滤背景噪音的能力，该技术在过去一个世纪中取得了长足进步。但雷达仅使用这些技术就已取得了很大进步。
　　自适应雷达系统仍然难以准确定位和跟踪移动物体，特别是在山区地形等复杂环境中。
　　为了将自适应雷达带入人工智能时代，Venkatasubramanian 和 Tarokh 受到了计算机视觉历史的启发。2010 年，斯坦福大学的研究人员发布了一个名为 ImageNet 的庞大图像数据库，其中包含 1400 多万张带注释的图像。
　　匹配案例 RFView ®示例场景 的地图。蓝色三角形是平台位置，红色区域是雷达处理的距离方位角区域。覆盖左图的海拔热图描绘了模拟区域。来源：IET 雷达、声纳和导航(2024)。
　　世界各地的研究人员使用 ImageNet 来测试和比较已成为行业标准的新 AI 方法。
　　在新论文中，Venkatasubramanian 和他的合作者表明，使用相同的 AI 方法可以极大地提高当前自适应雷达系统的性能。
　　“我们的研究与计算机视觉领域最早的人工智能用户和 ImageNet 创造者的研究相似，但研究领域是自适应雷达，”Venkatasubramanian 说道。“我们提出的人工智能将经过处理的雷达数据作为输入，并通过一个简单的架构输出目标位置的预测，该架构可以被认为是与大多数现代计算机视觉架构的前身相似。”
　　虽然该团队尚未在现场测试他们的方法，但他们在名为 RFView 的建模和模拟工具上对其人工智能的性能进行了基准测试，该工具通过将地球的地形和地形纳入其建模工具箱来提高其准确性。
　　然后，他们继续沿着计算机视觉的脚步，根据美国本土的地貌创建了 100 个机载雷达场景，并将其作为名为“RASPNet”的开源资产发布。有关 RASPNet 的文章发布到arXiv预印本服务器。
　　这是一笔宝贵的资产，因为只有少数团队可以访问 RFView。不过，研究人员获得了 RFView 创建者的特别许可，可以构建该数据集（其中包含几个月内构建的超过 16 TB 的数据）并将其公开。
　　“我很高兴这项开创性的工作已经发表，特别是相关数据可以在 RASPNet 存储库中获取，”英国皇家工程院院士、IEEE 院士、IET 院士、OBE 院士、伦敦大学学院 THALES/皇家学院射频传感器主席 Hugh Griffiths 表示，但他并未参与这项工作。
　　“这无疑将促进这一重要领域的进一步研究，并确保结果可以轻松相互比较。”
　　所包含的场景由雷达和机器学习专家精心挑选，具有广泛的地理复杂性。自适应雷达系统最容易处理的是邦纳维尔盐沼，而最难处理的是雷尼尔山。Venkatasubramanian 和他的团队希望其他人能够采纳他们的想法和数据集，并构建更好的 AI 方法。
　　例如，在之前的一篇论文中，Venkatasubramanian 展示了针对特定地理位置定制的人工智能在定位物体方面的表现比传统方法高出七倍。如果人工智能可以选择一个已经训练过的、与当前环境相似的场景，那么它的表现应该会大幅提高。
　　“我们认为这将对自适应雷达社区产生重大影响，”Venkatasubramanian 表示。“随着我们不断前进并继续为数据集添加功能，我们希望为社区提供推动该领域使用人工智能所需的一切。”