利用人工智能和庞大的开源数据集 杜克大学增强自适应雷达

盖世汽车讯 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，以及其间的一切，自适应雷达可用于检测、定位和跟踪移动物体。人眼看不到这些超高频（UHF）范围并不意味着它们没有拍照。

虽然自适应雷达系统自二战以来就已存在，但它们在过去几十年中遇到了根本性的性能瓶颈。而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（Duke University）的研究人员突破难关，并希望带领该领域的所有研究人员高通努力。

据外媒报道，在7月16日发表在期刊《IET Radar, Sonar & Navigation》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。

图片来源：杜克大学

与计算机视觉热潮同步的是，工程师们好发布了一个大型数字景观数据集，供其他人工智能研究人员在其工作基础上继续研究。

“传统的雷达方法非常好，但它们还不足以满足行业对自动驾驶汽车等产品的需求，”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说道。“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，天线从任何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。

图片来源：杜克大学

凭借塑造和引导信号、同时处理多个接触点以及过滤背景噪音的能力，这项技术在过去一个世纪里取得了长足的进步。但雷达仅使用这些技术就已取得了最大的进步。

自适应雷达系统仍然难以准确定位和跟踪移动物体，尤其是在山区等复杂环境中。2010年，斯坦福大学的研究人员发布了一个庞大的图像数据库，其中包含超过1400万张带注释的图像，称为ImageNet。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。

为了将自适应雷达带入人工智能时代，Venkatasubramanian和Tarokh受到计算机视觉历史的启发。在新论文中，Venkatasubramanian及其合作者表明，使用相同的AI方法可以大大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新方法，但在一个名为RFView的建模和模拟工具上对其AI的性能进行了基准测试，该工具通过将地球的地形和地貌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，根据美国本土的景观创建了100个机载雷达场景，并将其作为名为“RASPNet”的开源资产发布。

只有少数团队可以访问RFView。然而，研究人员获得了RFView创建者的特别许可，可以构建数据集（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，”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RF传感器主席Hugh Griffiths表示。“这无疑将刺激这一重要领域的进一步研究，并确保结果可以很容易地相互比较。”

所包含的场景是由雷达和机器学习专家精心挑选的，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（Bonneville Salt Flats），而最难处理的是雷尼尔山（Mount Rainier）。Venkatasubramanian及其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提高了七倍。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，它的性能应该会大幅提高。