研究人员研发机器学习法 用微波准确识别物体可用于自动驾驶汽车

盖世汽车讯 据外媒报道，美国杜克大学（Duke University）和法国尼斯大学物理系（Institut de Physique de Nice）的工程师们研发了一种新方法，利用微波识别物体，可以提高准确性，同时减少了相关的计算时间和功耗。该系统可以用于自动驾驶汽车、安全扫描和运动传感等关键领域，以改善物体识别，并提高物体识别速度。

新方法基于机器学习，省去了中间环节，跳过了创建图像供人工分析的步骤，可以直接分析纯数据。此外，该方法还可以确定最优硬件配置，揭示最重要数据的同时发现实际上最重要的数据是什么。在一项概念认证研究中，该设置进行了数十次测量，而无需通常所需的数百或数千次，就正确识别了一组3D数字。

在该项研究中，研究人员使用了一种超材料天线，可以将微波波阵面塑造成许多不同的形状。在此种情况下，超材料是一个8×8的正方形网格，每个网格都包含电子结构，可以进行动态调整，以阻止或传输微波。

在新型物体识别技术中，无线电波源（后面板）会创建一个波阵面（中面板），该波阵面由一个超材料屏构成，可让无线电波在某些地方通过，但是无法通过其他地方（前面板）。然后，机器学习会找到能够阐明物体最有用特征的波形，该方法在提高识别精度的同时还减少了计算时间和功耗。

在每一次测量中，该智能传感器会选择多个正方形网格，让微波可以穿过，从而创造了一种独特的微波模式，可从被识别的物体上反射回来，并反射回到另一个相似的超材料天线上。该传感天线还会采用一个活动的正方形网格，增加更多选择，以塑造反射波。然后，计算机会分析输入的信号，并尝试识别该物体。

通过对不同的情况，重复该过程数千次，最终，机器学习算法会发现哪些信息最重要，以及发送天线和接收天线上的哪些设置最适合收集此类信息。

经过训练后，该机器学习算法会专注于一小组设置，此类设置可以帮助其区分“有用”（小麦）数据与无用数据（谷壳），从而减少所需测量次数、时间和计算能力。传统的微波成像系统通常需要进行数百次甚至数千次测量，而现在的系统只需要不到10次测量，就可以“看到”物体。

此次改进能否让该技术扩展应用于更加复杂的传感应用仍未可知，但是研究人员已经尝试利用新概念优化下一代计算机界面的手部动作和手势识别。还有很多其他领域需要改进微波传感技术，而此种超材料的体积小、成本低且易于制造的特性使其可用于未来设备中。（文中图片均来自杜克大学）