[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN105487070A - 雷达系统、雷达信号处理装置、车辆行驶控制装置以及方法及电脑程序 - Google Patents

雷达系统、雷达信号处理装置、车辆行驶控制装置以及方法及电脑程序 Download PDF

Info

Publication number
CN105487070A
CN105487070A CN201510644426.5A CN201510644426A CN105487070A CN 105487070 A CN105487070 A CN 105487070A CN 201510644426 A CN201510644426 A CN 201510644426A CN 105487070 A CN105487070 A CN 105487070A
Authority
CN
China
Prior art keywords
signal
vehicle
processing circuit
signal processing
incident wave
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201510644426.5A
Other languages
English (en)
Inventor
加茂宏幸
桑原义彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shizuoka University NUC
Nidec Corp
Original Assignee
Shizuoka University NUC
Nidec Elesys Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shizuoka University NUC, Nidec Elesys Corp filed Critical Shizuoka University NUC
Publication of CN105487070A publication Critical patent/CN105487070A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/08—Systems for measuring distance only
    • G01S13/32—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated
    • G01S13/34—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated using transmission of continuous, frequency-modulated waves while heterodyning the received signal, or a signal derived therefrom, with a locally-generated signal related to the contemporaneously transmitted signal
    • G01S13/345—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated using transmission of continuous, frequency-modulated waves while heterodyning the received signal, or a signal derived therefrom, with a locally-generated signal related to the contemporaneously transmitted signal using triangular modulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/583—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets
    • G01S13/584—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets adapted for simultaneous range and velocity measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
    • G01S3/74—Multi-channel systems specially adapted for direction-finding, i.e. having a single antenna system capable of giving simultaneous indications of the directions of different signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q1/00—Details of, or arrangements associated with, antennas
    • H01Q1/27—Adaptation for use in or on movable bodies
    • H01Q1/32—Adaptation for use in or on road or rail vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/0209—Systems with very large relative bandwidth, i.e. larger than 10 %, e.g. baseband, pulse, carrier-free, ultrawideband
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/93185—Controlling the brakes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9319—Controlling the accelerator
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9321—Velocity regulation, e.g. cruise control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9323—Alternative operation using light waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9327—Sensor installation details
    • G01S2013/93271—Sensor installation details in the front of the vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9327—Sensor installation details
    • G01S2013/93272—Sensor installation details in the back of the vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明提供一种雷达系统、雷达信号处理装置、车辆行驶控制装置以及方法及电脑程序。本发明涉及直接识别以到本车辆相同距离并行的前方行驶车辆的台数以及前方行驶车辆行驶的车道的技术。各个雷达系统包括：具有响应一个或多个入射波输出接收信号的多个天线元件的阵列天线；以及构筑了已学习完的神经网络的信号处理电路。信号处理电路构成为接收信号，将接收信号或从接收信号生成的二次信号向神经网络输入，用接收信号或二次信号、以及神经网络的学习数据进行运算，从神经网络输出表示入射波的个数的信号。

Description

雷达系统、雷达信号处理装置、车辆行驶控制装置以及方法及电脑程序
技术领域
本发明涉及一种通过雷达识别一台或多台前方行驶车辆的配置的技术。
背景技术
以往，在车载雷达系统中使用利用FMCW(FrequencyModulatedContinuousWave：频率调制连续波)雷达、多频率CW(ContinuousWave：连续波)雷达以及脉冲雷达的方式的电子扫描式雷达。在这样的雷达系统中，一般地，将被调制的连续波或脉冲波作为“发送波”从发送天线放射，将通过前方行驶车辆反射而返回到接收天线的入射波作为“接收波”接收。然后，基于利用接收波的天线信号(接收信号)推断前方行驶车辆的位置以及速度。以搭载有雷达系统的车辆为基准，通过到前方行驶车辆的距离以及前方行驶车辆的方向规定前方行驶车辆的位置。另外，在本说明书中，将搭载有雷达系统的车辆称为“本车辆”，将行驶在本车辆前面的车辆称为“前方行驶车辆”。“前方行驶车辆”行驶在与本车辆行驶的车道相同的车道上或与该车道相邻的同一方向的车道上。
在车载雷达系统中，前方行驶车辆的“方向”可以通过包含道路的面(近似“平面”)内的方位(azimuth)规定。因此，在本说明书中，对于被雷达探测的物体，存在将“方向(direction)”与“方位(azimuth)”作为相同含义的用语来使用的情况。
前方行驶车辆的方向能够用入射波的入射方向(DOA：DirectionOfArrival)」的角度表示。在雷达技术的领域中，像前方行驶车辆那样反射发送波的物体有时被称为“目标(target)”。目标作为“反射波”的波源发挥功能。目标为到达至接收天线的波、即接收波的信号源。
在车载用的雷达系统中，追求使用小型且价格低廉的天线。例如将四个或五个天线元件作为构成构件的阵列天线用作接收用天线。在阵列天线中，根据天线元件的排列方式有直线阵列式、平面阵列式、环形阵列式以及共形阵列式。
若基于从这样的阵列天线的各天线元件获得的接收信号，能够通过信号处理技术，推断反射发送波的物体的方位(入射方向)。然而，在反射发送波的物体的个数为多个时，通过各个物体产生的反射波以不同的角度入射到接收天线上。因此，从接收天线生成多个入射波重叠的复杂的信号。并且，在车载雷达系统中，物体的配置关系以及距离相对于阵列天线动态变化。因此，为了基于阵列天线的接收信号正确推断一台或多台前方行驶车辆的各方位，需要使用电脑高速进行庞大的运算。
为了推断入射方向，提出了处理阵列天线的接收信号的各种算法的方案。公知的入射方向推断算法包括以下方法(参照专利文献1及2)。
(1)数字波束(DBF：DigitalBeamFormer)法
(2)Capon法
(3)线形预测法
(4)最小范数法
(5)MUSIC(MUltipleSIgnalClassification:多重信号分类)法
(6)ESPRIT(EstimationofSignalParametersviaRotationalInvarianceTechniques:利用旋转不变因子技术来推断信号参数)法
一般地，方向推断的角度分辨率越高，信号处理所需的运算的量就越大。在上述的入射方向推断方法(1)到(6)中，角度分辨率以从方法(1)到方法(6)的顺序变高，运算量增加。角度分辨率特别高的MUSIC法以及ESPRIT法也被称为“超分辨率算法”，对阵列天线的接收信号需要高速进行运算量较多的处理。具体来说，根据超分辨率算法，从各阵列天线的接收信号的数据作成自相关矩阵。然后，通过该自相关矩阵的特征值展开(eigenvaluedecomposition)来推断接收波的入射方向。矩阵的特征值展开指的是将矩阵分解成在对角成分中具有特征值的对角矩阵，也被称为“特征值分解”。在进行自相关矩阵的特征值展开时，求自相关矩阵的特征值以及特征矢量(例如专利文献3)。
入射方向的推断精度随着去除自相关矩阵的噪声成分而提高。因为遍历性,能够使总体均值与时间平均值相等，因此用接收数据的时间平均值作成自相关矩阵。例如，在FMCW雷达中，优选尽量使差频信号的数据组(能够转换成频率区域的数据的恒定时间区间的时间序列数据)的样本数、即快照数目多，来使用平均化的自相关矩阵。因此，为了在前方行驶车辆的位置可以总是变化的情况下提高入射方向推断的精度，需要进行高速的抽样，被抽样的数据的存储器容量也增大。
在先技术文献
专利文献
专利文献1：日本特开2009-156582号公报
专利文献2：日本特开2006-275840号公报
专利文献3：日本特开2006-047282号公报
专利文献4：日本特开2007-040806号公报
MUSIC等超分辨率算法的运算处理量较多。为了与这样的运算处理量相对应，需要高速动作、且高价的车载用微处理器。从这样的情况出发，进行了用于降低运算处理量的尝试，以使性能相对较低的微处理器也可以工作(例如，参照专利文献4)。
然而，即使通过专利文献4等技术降低了运算处理量，处理量也依然很多。因此，需要一种能够利用于车载用雷达、将处理量抑制得更低的识别目标的技术。
发明内容
本发明的例示性的雷达系统构成为包括：阵列天线，其具有分别响应一个或多个入射波而输出接收信号的多个天线元件；以及信号处理电路，其构筑有已学习完的神经网络，所述信号处理电路构接收所述接收信号，将所述接收信号或从所述接收信号生成的二次信号向所述神经网络输入，用所述接收信号或所述二次信号、以及所述神经网络的学习数据进行运算，从所述神经网络输出表示所述入射波的个数的信号。
根据本发明的例示性的雷达系统，能够将接收信号或从所述接收信号生成的二次信号向已学习完的神经网络输入，来获得表示入射波的个数的信号。神经网络的运算所需的运算处理量与MCUSIC等超分辨率算法所需的运算处理相比是相对非常少的，并且，通过预先充分地进行神经网络的学习，能够提高入射波的个数的判断精度。
在某方式中，将上述入射波的个数作为表示前方行驶车辆的配置的信息进行获取。
附图说明
图1为示出利用本发明的车辆的识别处理的步骤的图。
图2的(a)为示出具有直线状配置的M个天线元件的阵列天线AA与多个入射波k(k为1到K的整数)的关系的图，图2的(b)为示出接收第k个入射波的阵列天线AA的图。
图3为示出一般的层次型神经网络的结构模型的图。
图4为示出高斯型核函数的波形的概要的图。
图5的(a)、(b)、(c)、(d)为示出本车辆5行驶在第一车道时的前方行驶车辆(5-1)以及/或(5-2)的行驶情况和教师信号T1的图。
图6的(a)、(b)、(c)、(d)为示出本车辆5行驶在第二车道时的前方行驶车辆(5-1)以及/或(5-2)的行驶情况和教师信号T2的图。
图7的(a)、(b)、(c)、(d)、(e)为本车辆5行驶在三个车道中的中央车道时的前方行驶车辆(5-1)、(5-2)以及/或(5-3)的行驶情况和教师信号T3的图。
图8为示出学习处理的步骤的流程图。
图9为示出前方行驶车辆的识别处理的步骤的流程图。
图10为示出利用本发明的车辆行驶控制装置1的基本构成的一个例子的框图。
图11为示出利用本发明的车辆行驶控制装置1的基本构成的其他例子的框图。
图12为用于详细地说明本发明的更加具体的实施方式的框图。
图13为示出本实施方式的雷达系统100的更加详细的构成例的框图。
图14为示出基于三角波生成电路生成的信号调制的发送信号的频率变化的图。
图15为示出“上行”期间的拍频fu以及“下行”期间的拍频fd的图。
图16为示出通过具有处理器PR以及存储器装置MD的硬件实现信号处理电路30的方式的框图。
图17为示出作为向神经网络的输入不利用差频信号的雷达系统100a的构成例的框图。
图18为示出车辆行驶控制装置1(图12)的处理步骤的流程图。
图19为示出利用SAGE法的入射方向推断处理的步骤的流程图。
标号说明
1车辆行驶控制装置
10雷达天线
111、112、…、11M天线元件
20、20a收发电路
21三角波生成电路
22VCO
23分配器
24混频器
25、25a滤波器
26、26a开关
27、27aA/D转换器
28控制器
30、30a信号处理电路
31存储器
32接收强度计算部
33距离检测部
34速度检测部
35DBF(数字波束形成)处理部
36方位检测部
37目标转移处理部
50车载摄像头
52图像处理电路
60行驶支援电子控制装置
82电脑
84数据库
80通信设备
100、100a雷达系统
300雷达信号处理装置
400、400a物体检测装置
500车载摄像头系统
AA阵列天线
TA发送天线
NN神经网络
AU入射方向推断单元
PR处理器
MD存储器装置
fu“上行”期间的拍频
fd“下行”期间的拍频
S1、S2、…、SM接收信号
θ1到θK入射方向的角度
具体实施方式
＜用语说明＞
“车辆”为包括产生用于行驶的驱动力的发动机以及/或电动机的在道路上行驶的交通工具(Vehicle)。车辆包括四轮汽车、三轮汽车以及鞍乘式摩托车。车辆行驶的一部分或全部既可以通过自动控制执行，也可以构成为无人行驶。
“接收信号”是来自阵列天线的各天线元件的输出信号(包括模拟·数字这两者)。
“二次信号”意味着处理接收信号而获得的信号。二次信号例如包括：差频信号、含有相关系数的非对角成分的信号以及解析信号(analythicsignal)。在此，“解析信号”指的是用接收信号(实数成分)与接收信号的正交信号(虚数成分)之和表示的复信号。接收信号的正交信号例如可以通过希尔伯特变换从接收信号生成。
“学习数据”为适用于向神经网络各节点的各输入的权重值。
“入射波”为从目标(波源或信号源)来到阵列天线的电磁波。在阵列天线搭载于本车辆的前面时，作为入射波的波源发挥功能的目标的典型例子是前方行驶车辆。
＜本申请发明人的想法＞
在汽车的防碰撞系统和自动驾驶等安全技术中，并排在仅到本车辆相同距离的位置行驶(并行)的多个车辆(目标)的识别是尤其不可缺少的。在本说明书中，“相同距离”不仅是完全相同的距离，也包括具有与雷达系统的距离相关的分辨率以下的差值的情况。在那样的情况下，考虑到对于车辆的识别，推断入射波的方向是必不可少的。
以往进行的用阵列天线推断入射波的方向的技术以如何正确地确定各入射波的入射方向(角度)为目的。正确地确定各入射波是因为意味着正确地确定前方行驶车辆的位置。
如上所述，开发了使用自相关矩阵的各种方法，来实现能够以较高的精度确定来方向的分辨率。然而，用于自相关矩阵的生成以及特征矢量的计算的运算量依然非常多，需要使用具有与其相符的处理能力的处理器。高性能的处理器成为使成本增加的原因。
另外，在使用自相关矩阵的各种方法中，当检测相关高的多个入射波时，需要使用空间平均法。在计算时，由于阵列天线的阵列的次元减少一个，因此能够检测的入射波数量也同时减少。虽然SAGE(Space-AlternatingGeneralizedExpectation-maximization：空间交替期望最大化)法等最大似然推断法能够检测相关高的多个入射波，但作为预备知识需要入射波数量的信息。
在将入射波的方向推断技术应用于车载用雷达系统的情况下，优选实现较为高速的响应。其理由是因为，在道路中，本车辆的位置及速度以及前方行驶车辆的位置及速度时刻变化，因此需要正确且高速地进行识别。并且，为了进行车辆的防碰撞、碰撞被害减轻以及车道保持辅助，需要不断用图像传感器以及其他雷达获取周围的信息，来进行各种信号处理。以进行这样的各种信号处理为目的，不可以无止境地搭载处理能力高的处理器。并且，即使采用高性能的处理器，也未必能够获得所谓的足够程度的高速响应。因此，对削减入射方向推断算法的运算量进行了各种研究。
本申请发明者们从与以往完全不同的观点研究了用于减少雷达系统的信号处理所需的运算量的方法。以往，欲以较高的精度识别各入射波的入射方向的理由是因为若利用其识别结果，则能够正确地掌握前方行驶车辆的台数和位置。然而，最终想获取的信息还是存在几台前方行驶车辆以及各前方行驶车辆在哪个车道上行驶。
本申请发明者们不计算各入射波的入射方向，而是进行了判断前方行驶车辆的台数以及前方行驶车辆行驶的车道的方法的研究。其结果是，发现若对阵列天线的信号处理使用神经网络，则即使没有正确地求出各个前方行驶车辆的方向(反射波的入射方向)，也能够直接确定前方行驶车辆的台数以及前方行驶车辆行驶的车道。由此，能够大幅削减用于掌握前方行驶车辆的行驶情况的所需的信号处理的计算量。
另外，在通过自适应巡航控制(以下，有时记述为“ACC”。)处理方式行驶的情况下，若存在表示在同一车道(以及相邻的车道)上是否存在前方行驶车辆的信息以及表示到前方行驶车辆的距离和前方行驶车辆的速度的信息，则大多没有必要求得表示前方行驶车辆的正确的方位的角度。
＜本发明所涉及的原理的说明＞
以下，在说明实施方式之前，对通过本申请发明者们获得的想法的基本原理进行说明。
在本说明书中，分别对神经网络的学习处理以及使用已学习完的神经网络的前方行驶车辆的数量以及配置的识别处理进行说明。若进行一次学习处理，则之后能够进行识别处理。在本发明的车载用的雷达系统中，典型地，学习处理在雷达系统安装前进行，识别处理可以通过以搭载于车辆的处理器为代表的信号处理电路在由驾驶员驾驶时进行。
利用神经网络的优点之一在于，与用高分辨率算法推断入射波的入射方向来检测前方行驶车辆的数量以及配置的处理相比，能够大幅降低识别处理所需的计算资源。以下，首先参照图1说明识别处理，之后，与识别处理相关的各步骤的说明一同对学习处理的内容进行说明。
图1示出了利用本发明的车辆的识别处理的步骤。图1的各处理通过信号处理电路执行。
首先，在步骤S1中，信号处理电路对M个天线元件(M为3以上的整数。下同。)的阵列天线AA获取的阵列接收信号进行前处理，生成输入矢量b。关于输入矢量b的内容将在后文进行叙述。该阵列接收信号包含杂音。
在步骤S2中，信号处理电路将输入矢量b向已学习完的神经网络输入。
在步骤S3中，信号处理电路从神经网络的输出Y判断各车道的车辆的有无。
以下，分别对步骤S1到S3进行说明。
图2的(a)示出具有呈直线状配置的M个天线元件的阵列天线AA与多个入射波k(k为1至K的整数。下同。K的含义将在后文叙述。)的关系。阵列天线AA从不同的角度同时接收入射的多个入射波。入射波的入射角度(表示入射方向的角度)表示以阵列天线AA的宽边B(与天线元件组排列的直线方向垂直的方向)为基准的角度。
现在，关注第k个入射波。“第k个入射波”意味着从存在于不同方位的K个目标向阵列天线入射K个入射波时的通过入射角θk识别的入射波。
图2的(b)示出了接收第k个入射波的阵列天线AA。阵列天线AA接收的信号作为具有M个构件的“矢量”，可如数式1表示。
(数式1)
S＝[s1,s2,…,sM]T
在此，sm(m为1至M的整数；下同。)为第m个天线元件接收的信号的值。上标的T表示倒置的意思。S为列矢量。列矢量S通过根据阵列天线的结构确定的方向矢量(转向矢量或处理方式矢量)与表示波源(信号源、即目标)的信号的复矢量的乘积而被提供。在波源的个数为K时，从各波源到达各天线元件的信号的波线性重叠。此时，公知sm可如数式2表示。
【数式2】
数式2的ak、θk以及分别是第k个入射波的振幅、入射波的入射角度(表示入射方向的角度)以及初期相位。并且，λ为入射波的波长，j为虚数单位。
如从数式2理解的那样，sm表现为由实部(Re)与虚部(Im)构成的复数。
若考虑噪声(内部噪声或热噪声)来进一步一般化，则阵列接收信号X可如数式3表示。
(数式3)
X＝S+N
N为噪声的矢量表示。
在图1的步骤S1中，信号处理电路用数式3所示的阵列接收信号X求入射波的自相关矩阵Rxx(数式4)，进一步生成包含自相关矩阵Rxx的非对角成分的信号(数式5)。
【数式4】
在此，上标的H表示复共轭转置(厄米共轭)。
【数式5】
b0＝[Re(Rxx12)，Im(Rxx12)…，Re(Rxx1M)，Im(Rxx1M)，
Re(Rxx23)，Im(Rxx23)，…，Re(Rxx2M)，Im(Rxx2M)，
…，Re(Rxx(M-1)M)，Im(Rxx(M-1)M]T
矢量b0是将自相关矩阵Rxx的除去对角成分的上三角矩阵的构件分成实部与虚部来表现的列矢量。“Re(Rxxpq)”表示自相关矩阵的(p，q)成分的实部，“Im(Rxxpq)”表示自相关矩阵的(p，q)成分的虚部。
信号处理电路使上述矢量b0单位矢量化(标准化),求作为向神经网络输入的矢量b。
数式6
b = b 0 | | b 0 | |
右边的分母(||b0||)表示矢量b0的范数。
进行数式6那样的标准化的理由是为了防止向神经网络的输入变得过大。但是,标准化并不是必须的。上述矢量b0以及/或b在本说明书中有时被记述成从接收信号生成的二次信号。
在上述的说明中，直接利用通过阵列天线AA获得的接收信号X来求自相关矩阵。然而，也可以利用从接收信号X获得的其他的信号来求上述自相关矩阵。其他信号的一个例子为利用发送信号和接收信号生成的差频信号。
接下来，对在图1的步骤S2中使用的神经网络进行详细地说明。
图3示出了一般的层次型神经网络的结构模型。在本说明书中，使用作为层次型神经网络的一个例子的RBF(RadialBasisFunction：放射基底函数)神经网络进行说明，但也可以利用其他层次型神经网络或非层次型的神经网络。
如图3所示，RBF神经网络具有接收输入信号xi(i为1到I的整数)的节点1到I的输入层xi、节点1到J的中间层φj(j为1到J的整数)以及节点1到K的输出层yk(k为1到K的整数)。
RBF网络的输出yk(x)可如数式7表示。
【数式7】
y k ( x ) = Σ j = 1 J w k j φ j ( x - c j )
在数式7中，J为中间层的神经元数，wkj为中间层的第j个神经元与输出层第k个神经元间的权重，cj为中间层的第j个神经元的中心矢量，x为输入矢量。并且，φj为数式8所示的高斯型核函数。
【数式8】
φ j ( x - c j ) = exp { - ( x - c j ) T ( x - c j ) 2 σ j 2 }
在数式8中，σj为表示中间层的第j个神经元的中心矢量的宽度的参数。
图4示出数式8所示的高斯型核函数的波形的概要。横轴为输入，纵轴为输出。如从图4理解的那样，示出了中间层的各神经元只在输入矢量接近RBF的中心矢量的情况下的较大的反应。即，各中间层只对特定的输入产生反应。
能够使RBF神经网络学习向输入层xi提供的模式与从输出层yk输出的模式(教师信号)的关系。
本申请发明者们设想了在用雷达系统识别在本车辆的前方行驶的一台或多台前方行驶车辆的数量以及配置时利用RBF神经网络的方式。
在使RBF神经网络学习时，向RBF神经网络的输入层xi提供的模式为从阵列接收信号获得的数式6中记载的矢量b。另一方面，作为教师信号，提供确定获得其矢量b时的一台或多台前方行驶车辆的数量以及配置的信号(矢量表示)。通过反复该对应关系的学习，在向输入层xi提供某个模式时输出的信号成为反映学习结果的高精度地确定一台或多台前方行驶车辆的数量以及配置的信号。
以下，具体说明RBF神经网络的学习方法。
本申请发明者们对搭载了利用本发明的雷达系统的本车辆的行驶情况进行了如下设想。
(A)本车辆行驶在同一方向相邻的两车道(第一及第二车道)中的第一车道上。
(B)本车辆行驶在同一方向相邻的两车道(第一及第二车道)中的第二车道上。
(C)本车辆行驶在同一方向连续的三车道(第一至第三车道)中的第二车道(中央车道)上。
图5的(a)、(b)、(c)、(d)示出了本车辆5行驶在第一车道时的前方行驶车辆(5-1)以及/或(5-2)的行驶情况和教师信号T1。图5与上述(A)对应。另外，在本说明书中，从附图的上方朝向下方依次称为第一车道、第二车道。
图6的(a)、(b)、(c)、(d)示出了本车辆5行驶在第二车道时的前方行驶车辆(5-1)以及/或(5-2)的行驶情况和教师信号T2。图6与上述(B)对应。
图7的(a)、(b)、(c)、(d)、(e)示出了本车辆5行驶在三车道中的中央车道时的前方行驶车辆(5-1)、(5-2)以及/或(5-3)的行驶情况和教师信号T3。图7与上述(C)对应。
在本说明书中，为了方便起见，将图5的(d)及图6的(d)从利用雷达系统检测前方行驶车辆的模式中排除。以下，对图5及图6各自的(a)到(c)三个模式进行说明。
并且，希望留意图7的(a)、(b)、(c)、(d)、(e)没有包罗所有的行驶情况。实际上，全部存在8种模式的行驶情况。具体来说，省略了在图7的(e)的第三车道上行驶的一个目标在第二车道上行驶的模式、在第一车道上行驶的模式以及不存在目标的模式。关于图7，也为了方便起见，将不存在前方行驶车辆的模式从利用雷达系统检测目标的模式中排除。
与上述(C)以及图7相关，也可以不设想本车辆在同一方向连续的三车道的第一车道以及第三车道上行驶的理由是因为考虑到雷达系统能够识别车道变更时的相邻车道的其他车辆即可这一动作条件。在本车辆欲从第一车道向第二车道移动时，能够识别第一车道以及第二车道的车辆即可。在那种情况下，可以视为是上述的(A)或(B)的情况。也与本车辆欲从第三车道向第一车道移动时完全相同。
图8为示出学习处理的步骤的流程图。通过学习处理构筑三种神经网络。具体来说，分别是同一方向的两车道中的第一车道上存在本车辆时(图5)的神经网络、同一方向的两车道中的第二车道上存在本车辆时(图6)的神经网络以及同一方向的三车道中的第二车道上存在本车辆时(图7)的神经网络。
学习处理在图5的例子中由(a)到(c)所示的三个模式构筑一个神经网络。在图6的例子中，由(a)到(c)所示的三个模式构筑一个神经网络。在图7的例子中，由包含(a)到(e)的七个模式构筑一个神经网络。而且，学习处理根据各模式变更条件的同时至少进行大约80次。条件指的是本车辆与前方行驶车辆的车间距离。具体来说，学习处理将车间距离从20m到100m每隔1m进行设定来随时放射电波，利用从接收的反射波获得的阵列接收信号，生成各个车间距离的输入矢量b(数式6)。使该输入矢量b与图5、图6及图7所示的各个模式的教师信号高精度地对应的权重是应求的学习结果。
以下，对图8进行说明。图8所示的处理在图5至图7各自的情况下进行。另外，图8的各处理通过信号处理电路执行。该信号处理电路例如是安装在制造车载用的雷达系统的厂商所拥有的设备上的CPU。
在步骤S10中，信号处理电路对RBF神经网络设定权重的初始值。
在步骤S11中，信号处理电路设定成为学习的对象的模式。
在步骤S12中，信号处理电路设定响应模式的教师信号。
在步骤S13中，信号处理电路设定车间距离。初始值为20m。
在步骤S14中，信号处理电路由阵列接收信号矢量X(数式3)来求入射波的自相关矩阵Rxx(数式4)。
在步骤S15中，信号处理电路利用自相关矩阵的非对角成分生成列矢量b0(数式5)。
在步骤S16中，信号处理电路使列矢量b0标准化来求列矢量b(数式6)。
在步骤S17中，信号处理电路进行利用了数式7及数式8的运算(前向计算)。
在步骤S18中，信号处理电路对求得的结果与作为目标的教师信号的平均二次误差进行求解，进行修正权重的运算(逆计算)，以使平均误差变得最小。修正的权重被利用于之后的学习。
在步骤S19中，信号处理电路判断所有的车间距离的学习是否结束。判断为结束时，处理前进至步骤S20，判断为未结束时，处理返回至步骤S13。当返回至步骤S13时，设定距离1m的车间距离。
在步骤S20中，信号处理电路判断所有的模式的学习是否结束。判断为结束时，处理前进至步骤S21,判断为未结束时，处理返回至步骤S11。当返回至步骤S11时，设定其他模式。
在步骤S21中，信号处理电路将获得的权重作为学习的结果(学习数据)抽出。
以上，学习处理结束。
上述的步骤S14至S16也可以预先进行。可以在改变车间距离的同时连续获取阵列接收信号来保存其信息，另外进行自相关矩阵的生成以及利用非对角成分的列矢量的生成等。
在上述的说明中，将作为两车道的例子的图5及图6与作为三车道的例子的图7分开进行说明，但这是一个例子。也可以组合两车道的模式来代替三车道的模式。例如，图7的(a)的模式可以通过图5的(a)以及图6的(a)这两个模式的组合来实现。图7的(b)的模式可以通过图5的(a)以及图6的(c)这两个模式的组合来实现。并且，图7的(c)的模式可以通过图5的(c)以及图6的(b)这两个模式的组合来实现。图7的(d)的模式可以通过图5的(b)以及图6的(a)这两个模式的组合来实现。图7的(e)的模式可以通过图5的(c)以及图6的(d)这两个模式的组合来实现。另外，图5的(d)以及图6的(d)的模式的识别例如可以通过使用摄像头的图像识别处理来实现。
也能够组合两车道的模式来确定未在图7中示出的其他模式。若采用这样的变形例，则学习处理变成以如图5及图6所示的两车道为对象即可。
图9为示出前方行驶车辆的识别处理的步骤的流程图。该处理在进行了图8所示的学习处理之后，使用获得的学习数据执行。另外，图9的各处理也再次通过信号处理电路执行。但是，该信号处理电路不需要与执行图8的处理的信号处理电路相同。执行图9的各处理的信号处理电路例如可以包含在搭载于车辆的雷达系统的电子控制单元(ECU:ElectronicControlUnit)中。
图9包括作为与图8相同的处理的步骤S14至S17。对这些标注相同的步骤编号，且省略其说明。
在步骤S30中，信号处理电路对RBF神经网络设定通过学习处理获得的权重(学习数据)。
在步骤S31中，信号处理电路设定本车辆行驶的同一方向的道路的车道总数和本车辆当前的车道位置。在本说明书中，车道总数为两个或三个。并且，本车辆当前的车道位置在同一方向存在两车道的情况下为第一车道或第二车道，在同一方向存在三车道的情况下为第一车道、第二车道或第三车道。在三车道的例子中，在本车辆位于第一车道或第三车道的情况下，将视为车道总数为2的例子来对待即可。
接下来，在步骤S14中，信号处理电路由阵列接收信号矢量X(数式3)求入射波的自相关矩阵Rxx(数式4)。此时，无需确定本车辆与前方行驶车辆的车间距离，但优选为从进行学习的20m到100m的范围内。之后，依次进行步骤S15至S17。
在步骤S32中，信号处理电路输出在步骤S17中进行的运算结果T。运算结果T的输出例如下。
(a)T＝[10]T
(b)T＝[01]T
(c)T＝[11]T
左边的运算结果T表示各个车道的前方车辆的有无。在两车道中，列矢量的第一行表示第一车道的前方行驶车辆的有无，列矢量的第二行表示第二车道的前方行驶车辆的有无。例如，上述(b)的输出结果T表示在第一车道上不存在前方行驶车辆，而在第二车道上存在前方行驶车辆。
在上述的图8及图9的步骤S14中，由阵列接收信号矢量求入射波的自相关矩阵。如上所述，也可以用差频信号的矢量来代替阵列接收信号矢量。
以上，说明了本发明的原理。
在对各个目标推断入射方向的情况下，可以根据到目标的距离而要求非常高的推断精度。例如，在100m左右的前方多台车辆并行的情况下，为了识别通过各车辆反射的反射波(向本车辆的入射波)的方向，需要大约1度或不足1度的角度分辨率(各前方行驶车辆的波源的位置的间隔设为2m)。对于通过以往的技术来实现这样的角度分辨率，需要进行伴随着庞大的运算的高分辨率入射方向推断算法。
然而，根据本申请发明者们使用神经网络的前方行驶车辆的台数识别技术，通过预先进行与在上述情况下对应的学习，可以通过简单的运算直接求解存在几台前方行驶车辆以及各前方行驶车辆在哪条车道上行驶。
在上述的说明中，列举实数型神经网络(RBF神经网络)进行了说明，但也可以利用复神经网络。复神经网络公知为将实数型神经网络的输入输出信号和权重扩充为复数的神经网络。因此，决定中间层节点的输出的激活函数也变成复函数。
在利用复神经网络的情况下，进行与求上述的自相关矩阵Rxx以及矢量b0或b的运算不同的运算。具体来说，由各天线元件的接收信号Im(t)求与该实信号在复平面上正交的正交信号Qm(t)。然后，将Im(t)+jQm(t)用作向各个复神经网络的输入。上述的接收信号Im(t)与前面的sm对应。正交信号Q(t)例如通过对各天线元件的接收信号进行希尔伯特变换而获得。另外，在进行接收信号Im(t)的希尔伯特变换时，使用公知的希尔伯特变换器即可。复神经网络的学习、以及学习后的识别处理除权重和激活函数不同以外，可以与后述图8及图9的处理相同地，通过信号处理电路进行。省略在复神经网络中使用的激活函数的具体例子。
＜实施方式＞
以下，适当参照附图对利用本发明的实施方式进行详细地说明。但是，存在省略不必要的详细的说明的情况。例如，存在省略对已熟知的事项的详细说明和实质上为相同结构的重复说明的情况。这是为了避免以下的说明不必要地变得冗长，以使行内人易于理解。本申请发明者们提供附图以及以下的说明，以便本行业者充分理解本发明。并不是意图通过这些来限定专利申请的范围内所记载的主题。
首先，参照图10。图10是示出利用本发明的车辆行驶控制装置1的基本构成的一个例子的框图。图10所示的车辆行驶控制装置1包括：安装于车辆的雷达系统100；以及连接于雷达系统100的行驶支援电子控制装置60。雷达系统100具有：阵列天线AA，其具有分别响应一个或多个入射波来输出接收信号的多个天线元件；以及雷达信号处理装置300。需要将雷达系统100中的阵列天线AA安装于车辆，但雷达信号处理装置300的至少一部分的功能也可以通过设置于车辆行驶控制装置1的外部(例如本车辆外)的电脑82以及数据库84实现。在那种情况下，在雷达信号处理装置300中，位于车辆内的部分可以通过车辆所具有的通信设备80以及一般的通信网络常时或随时连接于设置于车辆的外部的电脑82以及数据库84，以进行信号或数据的双向通信。
数据库84也可以存储用于神经网络的学习数据以及规定各种信号处理算法的程序。雷达系统100的动作所需的数据以及程序的内容可以通过通信设备80从外部更新。像这样，雷达系统100的至少一部分的功能可以通过云计算的技术在本车辆的外部(包括其他车辆的内部)实现。因此，本发明的“车载”的雷达系统不需要将所有结构元件搭载于车辆。但是，在本申请中，为了方便起见，只要没有另外说明，对本发明的所有结构元件搭载于一台车辆(本车辆)的方式进行说明。
雷达信号处理装置300具有构筑了已学习完的神经网络NN的信号处理电路30。神经网络NN的构成以及动作如上所述。该信号处理电路30从阵列天线AA直接或间接地接收接收信号，将接收信号或由接收信号生成的二次信号向神经网络NN输入。由接收信号生成二次信号的电路(未图示)的一部分或全部不需要设置于信号处理电路30的内部。这样的电路(前处理电路)的一部分或全部也可以设置于阵列天线AA与雷达信号处理装置300之间。
信号处理电路30构成为使用接收信号或二次信号、以及神经网络NN的学习数据进行运算，输出表示入射波的个数的信号。在此，“表示入射波的个数的信号”为典型地表示上述“车辆的配置”的信号。“表示入射波的个数的信号”也能够表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量。
该信号处理电路30也可以构成为执行公知的雷达信号处理装置所进行的各种信号处理。例如，信号处理电路30可以构成为执行MUSIC法、ESPRIT法以及SAGE法等“超分辨率算法”(超级分解方法)或分辨率相对较低的其他入射方向推断算法。
在图10所示的例子中，入射波推断单元AU相对于神经网络NN独立地设置于信号处理电路30内。该入射波推断单元AU构成为通过任意的入射方向推断算法，推断表示入射波的方位的角度，输出表示推断结果的信号。该信号处理电路30能够构成为通过入射波推断单元AU执行的公知的算法，推断到作为入射波的波源的目标的距离、目标的相对速度以及目标的方位，输出表示推断结果的信号。若具有这样的入射波推断单元AU，即使在不能够通过神经网络NN检测车辆的配置模式的情况下，也能够获取前方行驶车辆的位置信息而利用于行驶支援。
本发明的“信号处理电路”的用语不仅限于单独的电路，也包括将多个电路的组合概念性的捕捉为一个功能部件的形态。信号处理电路也可以通过一个或多个片上系统(SoC)实现。例如，信号处理电路30的一部分或全部也可以是作为可编程逻辑器件(PLD)的FPGA(现场可编程门阵列)。在那种情况下，信号处理电路30包括多个运算元件(例如通用逻辑以及乘法器)以及多个存储器元件(例如查询表或存储器模块)。或者，信号处理电路30也可以是通用处理器以及主存储器装置的集合。信号处理电路30还可以为包括处理器内核和存储器的电路。它们可以作为本发明的信号处理电路发挥功能。特别是，神经网络NN可以根据在并行处理方面优异的车载电脑的出现，通过将执行本发明的算法的软件与通用的硬件配合而轻易地实现。
在本说明书中，信号处理电路只要能够不论是否具有存储元件，都提供被给予的信号作为向神经网络的输入，应用存储于存储元件的学习数据进行运算，输出结果即可。将能够进行这样的动作的信号处理电路也称为“构筑有已学习完的神经网络的信号处理电路”。
行驶支援电子控制装置60构成为基于从雷达信号处理装置300输出的各种信号进行车辆的行驶支援。行驶支援电子控制装置60对各种电子控制单元进行指示，以发挥以下的功能。这些功能例如包括：在到前方行驶车辆的距离(车间距离)比预先设定的值小时产生警报来促使驾驶员进行制动操作的功能、控制制动的功能以及控制加速器的功能。例如，在进行本车辆的自适应巡航控制的动作处理方式时，行驶支援电子控制装置60向各种电子控制单元(未图示)以及致动器发送规定的信号，来将从本车辆到前方行驶车辆的距离维持在预先设定的值，并将本车辆的行驶速度维持在预先设定的值。
根据在行驶支援电子控制装置60中进行的控制的内容，有可能需要使信号处理电路30工作。例如，信号处理电路30根据行驶控制条件可以只利用神经网络NN以及入射波推断单元AU中的一方，也可以相互转换，还可以依次利用它们进行动作。其结果是，信号处理电路30将一台或多台并行的前方行驶车辆的配置的模式、或推断的表示入射波的方位的角度的信息向行驶支援电子控制装置60输出。
信号处理电路30也可以包括只输出表示一个或多个并行的前方行驶车辆的配置的模式的信号的动作处理方式。在该动作处理方式时，神经网络NN被利用，而入射波推断单元AU不工作。
或者，信号处理电路30也可以构成为对利用神经网络NN的第一处理方式与利用入射波推断单元AU的第二处理方式进行切换来使其动作。对切换第一处理方式与第二处理方式的行驶控制条件进行了种种考虑。例如，信号处理电路30在ACC工作时选择第一处理方式，在ACC非工作时选择第二处理方式。后者的一个例子是自动紧急刹车(AEB)处理方式的工作时。在选择第一处理方式时，来自神经网络NN的输出表示前方行驶车辆的配置的模式。
若通过神经网络NN知道前方行驶车辆的配置，则能够知道前方行驶车辆的个数、即入射波的个数。若知道入射波的个数，则不需要为了进行公知的入射方向推断算法而进行必要的特征值分解。换言之，能够基于通过神经网络NN检测到的入射波的个数的信息，用与以往相比较少的运算量执行入射方向推断算法(例如SAGE法)，从而以较高的精度推断前方行驶车辆的方向。
作为其他例子，信号处理电路30也可以根据车间距离以及本车辆的速度来切换第一处理方式与第二处理方式。或者，信号处理电路30也可以首先通过第一处理方式获取表示前方行驶车辆的配置的模式的信号，之后，切换到第二处理方式来使入射波推断单元AU动作，利用其配置的模式来推断入射波的入射方向。在利用MUSIC法的情况下，表示入射波的个数的信号求自相关矩阵的各特征值，获得作为具有通过它们中的热噪声决定的规定值以上的值的特征值(信号空间特征值)的个数。求各特征值的运算的运算量非常大。省略特征值的运算意味着能够抑制计算资源。
在图10所示的例子中，雷达系统100不需要具有放射发送波的发送天线。发送天线(未示出)例如可以固定于道路或建筑物，也可以搭载于其他车辆。
接下来，参照图11。图11为示出利用本发明的车辆行驶控制装置的基本构成的其他例子的框图。图11的车辆行驶控制装置1的雷达系统100具有：包括搭载于车辆的阵列天线AA以及发送天线TA的雷达天线10；以及物体检测装置400。发送天线TA例如是放射可以为毫米波的发送波的天线。该物体检测装置400包括：连接于雷达天线10的收发电路20；以及具有上述结构的雷达信号处理装置300。
收发电路20构成为将用于发送波的发送信号向发送天线TA发送，并且，进行利用通过阵列天线AA接收的接收波的接收信号的“前处理”。前处理的一部分或全部也可以通过雷达信号处理装置300的信号处理电路30执行。收发电路20进行前处理的典型例可以包括：从接收信号生成差频信号；以及将模拟形式的接收信号转换成数字形式的接收信号。
图10及图11示出了雷达系统100搭载于车辆，构成车辆行驶控制装置1的一部分的方式。由于在该雷达系统100的信号处理电路30构筑了进行了之前的学习的神经网络NN，因此不会使用需要以往的过大的运算量的算法来推断前方行驶车辆的方位，也能够掌握前方行驶车辆的配置。若通过神经网络NN知道前方行驶车辆的配置，则即使不求前方行驶车辆的方位的正确的推断值，也可以进行自动巡航等行驶支援。
另外，利用本发明的雷达系统不限于搭载于车辆的方式的例子，也可以固定于道路或建筑物上来使用。
以下，对本发明的更加具体的实施方式进行详细地说明。
参照图12。图12所示的本实施方式的车辆行驶控制装置1包括雷达系统100和车载摄像头系统500。作为基本的结构，雷达系统100具有雷达天线10、连接于雷达天线10的收发电路20以及构筑有已学习完的神经网络NN的信号处理电路30。另外，为了简化，省略了对图10及图11中记载的入射方向推断单元AU的记载。
车载摄像头系统500具有：搭载于车辆的车载摄像头50；以及对通过车载摄像头50获取的图像或影像进行处理的图像处理电路52。
本实施方式的车辆行驶控制装置1包括：连接于雷达天线10以及车载摄像头50的物体检测装置400；以及连接于物体检测装置400的行驶支援电子控制装置60。该物体检测装置400在上述信号处理电路30的基础上也包括收发电路20以及图像处理电路52。本实施方式的物体检测装置400不仅能够利用通过雷达系统100获得的信息，也能够利用通过图像处理电路52获得的信息，检测道路上或道路附近的目标。例如，本车辆在同一方向的两条以上的车道中的任意一条上行驶中，能够通过图像处理电路52判断车辆行驶的车道是哪一个车道，并将其判断的结果提供给信号处理电路30。信号处理电路30能够在通过神经网络NN识别前方行驶车辆的配置时，通过参照来自图像处理电路30的信息，提供关于前方行驶车辆的配置的可靠性较高的信息。
另外，车载摄像头系统500是确定本车辆行驶的车道是哪一个车道的方法的一个例子。也可以利用其它方法确定本车辆的车道位置。例如，能够利用超宽带无线技术(UWB:UltraWideBand)确定本车辆在多个车道中的哪一个车道上行驶。公知超宽带无线技术能够作为位置测定以及/或雷达被利用。若利用超宽带无线技术，则能够确定到路边的护栏或中央分离带的距离。各车道的宽度通过各国的法律等被预先规定。利用这些信息，能够确定本车辆当前行驶中的车道的位置。另外，超宽带无线技术是一个例子。也可以利用使用其他无线的电波。或者，还可以使用激光雷达。
雷达天线10可以为一般的车载用毫米波雷达天线。本实施方式的发送天线TA将毫米波作为发送波向车辆的前方放射。发送波的一部分典型地被作为前方行驶车辆的目标反射，产生将目标作为波源的反射波。反射波的一部分作为入射波到达至阵列天线(接收天线)AA。构成阵列天线AA的多个天线元件分别响应一个或多个入射波，输出接收信号。在作为反射波的波源发挥功能的目标的个数为K个(K为1以上的整数)的情况下，入射波的个数为K个，但入射波的个数K并不是已知的。通过执行使用上述神经网络的信号处理，能够以与以往相比较少的运算量来推断入射波的个数K。
本实施方式的雷达天线10配置在车辆的前面，以能够检测位于车辆前方的目标。配置于车辆的雷达天线10的个数以及位置没有被限定为确定的个数以及确定的位置。雷达天线10也可以配置在车辆的后面，以检测位于车辆后方的目标。并且，也可以在车辆的前面或后面配置多个雷达天线10。雷达天线10也可以配置在车辆的室内。特别是，在构成阵列天线AA的各天线元件为喇叭天线的情况下，具有那样的天线元件的阵列天线可以配置在空间富余的车辆的室内。在阵列天线AA以及发送天线TA搭载于同一车辆的情况下，阵列天线AA与发送天线TA的距离例如可以距离100毫米以上。
信号处理电路30从自阵列天线AA接收接收信号并进行处理。该处理包括：向神经网络NN输入接收信号；或从接收信号生成二次信号来向神经网络输入二次信号。神经网络NN构成为用接收信号或二次信号与学习数据进行运算，来输出表示入射波的个数的信号。
在图12的例子中，接收从信号处理电路30输出的信号以及从图像处理电路52输出的信号的选择电路54设置于物体检测装置400内。选择电路54将从信号处理电路30输出的信号以及从图像处理电路52输出的信号中的一方或双方提供给行驶支援电子控制装置60。
图13为示出本实施方式的雷达系统100的更加详细的构成例的框图。
如图13所示，雷达天线10包括：进行毫米波的发送的发送天线TA；以及接收通过目标反射的入射波的阵列天线AA。阵列天线AA具有M个(M为3以上的整数)天线元件111、112、…、11M。多个天线元件111、112、…、11M分别响应入射波，输出接收信号S1、S2、…、SM(图2)。
在阵列天线AA中，天线元件111至11M例如隔开固定的间隔配置成直线状或面状。入射波从相对于配置有天线元件111到11M的面的法线的角度θ的方向向阵列天线AA入射。因此，入射波的入射方向由该角度θ规定。
在来自一个目标的入射波向阵列天线AA入射时，能够与从同一角度θ的方位向天线元件111到11M入射平面波相似。在从处于不同方位的K个目标向阵列天线AA入射K个入射波时，能够通过相互不同的角度θ1到θK识别各个入射波。
如图13所示的那样，物体检测装置400包括收发电路20和信号处理电路30。
收发电路20包括三角波生成电路21、VCO(VoltageContlledOscillator：压控振荡器)22、分配器23、混频器24、滤波器25、开关26、A/D转换器27、以及控制器28。本实施方式的雷达系统构成为通过FMCW方式进行毫米波的收发，但本发明的雷达系统并不限于该方式。收发电路20构成为基于来自阵列天线AA的接收信号和用于发送天线TA的发送信号生成差频信号。
信号处理电路30包括距离检测部33、速度检测部34以及方位检测部36。信号处理电路30构成为处理来自收发电路20的A/D转换器27的信号，并分别输出表示到被检测的目标的距离、目标的相对速度以及目标的方位的信号。
首先，对收发电路20的结构以及动作进行详细地说明。
三角波生成电路21生成三角波信号，并提供至VCO22。VCO22输出具有基于三角波信号进行调制的频率的发送信号。图14示出了基于三角波生成电路21生成的信号进行调制的发送信号的频率变化。该波形的调制宽度为Δf，中心频率为f0。像这样做，频率被调制的发送信号提供至分配器23。分配器23将从VCO22得到的发送信号分配至各混频器24以及发送天线TA。这样，如图14所示的那样，发送天线放射具有呈三角波状调制的频率的毫米波。
在图14中，记载有在发送信号的基础上，利用通过单独的前方行驶车辆反射的入射波的接收信号的例子。接收信号与发送信号相比延迟。该延迟与本车辆与前方行驶车辆的距离成比例。并且，接收信号的频率根据多普勒效应随着前方行驶车辆的相对速度而增减。
若将接收信号与发送信号混合，则基于频率的差异生成差频信号。该差频信号的频率(拍频)在发送信号的频率增加的期间(上行)与发送信号的频率减小的期间(下行)不同。若求各期间的拍频，则基于这些拍频，计算到目标的距离和目标的相对速度。
图15示出了“上行”期间的拍频fu以及“下行”期间的拍频fd。在图15的图表中，横轴为频率，纵轴为信号强度。这样的图表通过进行差频信号的时间-频率转换获得。若得到拍频fu、fd，则基于公知的式子，来计算出到目标的距离和目标的相对速度。在本实施方式中，能够通过以下说明的结构以及动作，求与阵列天线AA的各天线元件对应的拍频，并基于此推断目标的位置信息。
在图13所示的例子中，来自与各天线元件111到11M对应的信道Ch1到ChM的接收信号通过放大器放大，输入至对应的混频器24。各个混频器24向被放大的接收信号混合发送信号。通过该混合，生成与存在于接收信号与发送信号之间的频率差对应的差频信号。生成的差频信号提供至对应的滤波器25。滤波器25进行信道Ch1到ChM的差频信号的频带限制，将被频带限制的差频信号提供至开关26。
开关26响应从控制器28输入的采样信号执行开关。控制器28例如可以由微型计算机构成。控制器28基于存储于ROM等存储器中的电脑程序控制收发电路20的整体。控制器28也可以不必设置于收发电路20的内部而设置于信号处理电路30的内部。也就是说，收发电路20也可以根据来自信号处理电路30的控制信号动作。或者，还可以通过控制收发电路20以及信号处理电路30的整体的中央运算单元等来实现控制器28的功能的一部分或全部。
通过各个滤波器25的信道Ch1到ChM的差频信号经由开关26依次提供给A/D转换器27。A/D转换器27与采样信号同步地将从开关26输入的信道Ch1到ChM的差频信号与采样信号同步地转换成数字信号。
以下，对信号处理电路30的构成以及动作进行详细地说明。在本实施方式中，通过FMCW方式，推断到目标的距离以及目标的相对速度。本发明的雷达系统并不限于以下说明的FMCW方式，也能够用双频CW或展频等其他方式实施。
在图13所示的例子中，信号处理电路30包括存储器31、接收强度计算部32、距离检测部33、速度检测部34、DBF(数字波束形成)处理部35、方位检测部36、目标转移处理部37、相关矩阵生成部(Rxx)38以及已学习完的神经网络NN。如上所述，信号处理电路30的一部分或全部既可以通过FPGA实现，也可以通过通用处理器以及主存储器装置的集合实现。存储器31、接收强度计算部32、DBF处理部35、距离检测部33、速度检测部34、方位检测部36、目标转移处理部37以及神经网络NN分别可以是一个信号处理电路的功能上的模块，而不是通过单独的硬件实现的各个部件。另外，在神经网络NN为复神经网络的情况下，不需要设置相关矩阵生成部38。可以代替相关矩阵生成部38，设置生成解析信号的电路即可。
图16示出了信号处理电路30通过具有处理器PR以及存储器装置MD硬件来实现的方式的例子。具有这样的构成的信号处理电路30也通过存储于存储器装置MD的电脑程序的作用，可以实现接收强度计算部32、DBF处理部35、距离检测部33、速度检测部34、方位检测部36、目标转移处理部37、相关矩阵生成部38以及已学习完的神经网络NN的功能。
本实施方式的信号处理电路30构成为将转换成数字信号的各差频信号作为接收信号的二次信号，推断前方行驶车辆的位置信息，输出表示推断结果的信号。以下，对本实施方式的信号处理电路30的构成以及动作进行详细地说明。
信号处理电路30内的存储器31将从A/D转换器27输出的数字信号存储于各个信道Ch1～ChM。存储器31例如可以由半导体存储器、硬盘以及/或光盘等普通的存储媒体构成。
接收强度计算部32对存储于存储器31的各个信道Ch1～ChM的差频信号(图14的下图)进行傅里叶变换。在本说明书中，将傅里叶变换后的复数数据的振幅称为“信号强度”。接收强度计算部32将多个天线元件中的任意一个接收信号的复数数据、或多个天线元件的所有接收信号的复数数据的相加值转换成频谱。能够检测与这样获得的频谱的各峰值对应的拍频、即检测依赖于距离的目标(前方行驶车辆)的存在。若将整个天线元件的接收信号的复数数据相加，由于使噪声成分平均化，从而S/N比提高。
在目标、即前方行驶车辆为一个的情况下，傅里叶变换的结果如图15所示，在频率增加的期间(“上行”期间)以及减少的期间(“下行”期间)分别获得具有一个峰值的频谱。将“上行”期间的峰值的拍频设为“fu”、将“下行”期间的峰值的拍频设为“fd”。
接收强度计算部32通过从各个拍频的信号强度检测超过预先设定的数值(阈值)的信号强度，判断目标存在。在检测出信号强度的峰的情况下，接收强度计算部32将峰值的拍频(fu、fd)作为对象物频率向距离检测部33、速度检测部34输出。接收强度计算部32将表示调频宽度Δf的信息向距离检测部33输出，将表示中心频率f0的信息向速度检测部34输出。
在检测出与多个目标对应的信号强度的峰的情况下，接收强度计算部32利用预先设定的条件将上行的峰值与下行的峰值相关联。对判断为来自同一目标的信号的峰标注同一编号，并提供至距离检测部33以及速度检测部34。
在存在多个目标的情况下，在傅里叶变换后的差频信号的上行部分和差频信号的下行部分中分别呈现与目标的数量相同数量的峰。由于雷达与目标的距离成比例，接收信号延迟，图14的接收信号向右方移动，因此雷达与目标的距离越远，差频信号的频率越小。
距离检测部33基于从接收强度计算部32输入的拍频fu、fd，利用下式计算出距离R，并向目标转移处理部37提供。
R＝{C·T/(2·Δf)}·{(fu+fd)/2}
并且，速度检测部34基于从接收强度计算部32输入的拍频fu、fd，利用下式计算出相对速度V，并向目标转移处理部37提供。
V＝{C/(2·f0)}·{(fu-fd)/2}
在计算距离R及相对速度V的式子中，C为光速度、T为调制周期。
另外，距离R的分辨率下限值用C/(2Δf)表示。因此，Δf越大，距离R的分辨率越高。在频率f0约76吉赫(GHz)带的情况下，将Δf设定为600兆赫(MHz)左右时，距离R的分辨率例如是0.7米(m)左右。因此，会存在两台前方行驶车辆并行时，用FMCW方式难以识别车辆是一台还是两台。在这种情况下，若执行角度分辨率极高的入射方向推断算法，则也可以分开检测两台前方行驶车辆的方位。然而，如上所述，对这种入射方向推断算法的执行需要高速地执行庞大的运算。并且，在前方行驶车辆的行驶情况突变的情况下，会存在运算追跟不上变化而弄错误将两台并行的前方行驶车辆的数量，推断为一台的可能。而根据本实施方式，由于能够利用神经网络NN以较少的运算量迅速地掌握前方行驶车辆的配置，因此易避免那样的错误。
DBF处理部35利用天线元件111、112、…、11M的信号的相位差，将在与输入的各天线对应的时间轴进行傅里叶变换后的复数数据，在天线元件的排列方向进行傅里叶变换。然后，DBF处理部35计算表示与角度分辨率对应的每个角度信道的频谱的强度的空间复数数据，在每个拍频输出至方位检测部36。
方位检测部36相对于通过神经网络NN识别前方行驶车辆的配置的进程独立，或为了利用与那样的前方行驶车辆的配置相关的信息来推断前方行驶车辆的方位而设置。方位检测部36将计算出的每个拍频的空间复数数据的值的大小中的取最大的值的角度θ作为对象物所在的方位输出至目标转移处理部37。另外，推断表示入射波的入射方向的角度θ的方法并不限于该例。能够用上述各种入射方向推断算法进行。特别是根据本发明的实施方式，为了能够检测前方行驶车辆的配置，入射波的个数是已知的。其结果是，降低了利用入射方向推断算法的运算量，而能够推断高分辨率的方位。
目标转移处理部37计算当前计算出的对象物的距离、相对速度、方位的值、与从存储器31读取的在前一循环计算出的对象物的距离、相对速度、方位的值各自的差分的绝对值。然后，在差分的绝对值小于对各个值的每一个决定的值的情况下，差分的绝对值的计算部判断为前一循环检测到的目标与当前检测到的目标是相同的。在该情况下，目标转移处理部37将从存储器31读取的该目标的转移处理次数只增加一次。
在差分的绝对值大于决定的值的情况下，目标转移处理部37判断为检测到了新的对象物。目标转移处理部37将当前对象物的距离、相对速度、方位以及该对象物的目标转移处理次数保存到存储器31中。
通过信号处理电路30能够用将基于接收的反射波生成的信号、即差频信号进行频率解析而获得的频谱，来检测与对象物的距离和相对速度。
相关矩阵生成部38用存储于存储器31的各个信道Ch1到ChM的差频信号(图14的下图)求自相关矩阵。在数式4的自相关矩阵中，各矩阵的成分为由差频信号的实部及虚部表示的值。相关矩阵生成部38依照数式5进行运算来求矢量b0，进而依照数式6来求标准化的矢量b。相关矩阵生成部38将得到的矢量b向神经网络NN输入。
另外，关联到数式5，说明了矢量b0为将去除自相关矩阵Rxx的对角成分后的上三角矩阵的要素分成实部与虚部来表示的列矢量。但是，相关矩阵生成部38也可以不利用上三角矩阵的全部而只利用上三角矩阵的一部分的成分，来生成矢量b0。或相关矩阵生成部38也可以在上三角矩阵的全部或一部分的基础上，生成包含对角成分的矢量b0。在本说明书中，自相关矩阵至少包含上三角矩阵的一部分即可。
在图12所示的例子中，图像处理电路52从影像获取物体的信息，来从该物体的信息检测目标位置信息。图像处理电路52例如以通过检测已获取的影像内的对象的深度值来推断物体的距离信息、或从影像的特征量检测物体的大小的信息等，来检测预先设定的物体的位置信息的方式构成。
选择电路54选择性地将从信号处理电路30以及图像处理电路52接收的位置信息提供给行驶支援电子控制装置60。选择电路54例如将信号处理电路30的物体位置信息中所含有的从本车辆检测出的到物体的距离、即第一距离与图像处理电路52的物体位置信息中所含有的从本车辆检测出的到物体的距离、即第二距离进行比较，来判断哪一个是相对于本车辆较近的距离。例如，可以基于判断的结果，选择电路54选择到本车辆较近的物体位置信息输出至行驶支援电子控制装置60。另外，在判断的结果为第一距离与第二距离是相同的值的情况下，选择电路54可以将任意一个或两者输出至行驶支援电子制御装置60。
利用物体检测装置400接收先行物体的位置信息的行驶支援电子控制装置60根据预先设定的条件，与物体位置信息的距离、大小、本车辆的速度、降雨、降雪、晴天等路面状态等的条件一同，进行对驾驶本车辆的驾驶员来说使操作变得安全或容易的控制。例如，在物体位置信息中没有检测到物体的情况下，行驶支援电子控制装置60向加速器控制部76发送控制信号，控制加速器控制部76进行与深踩油门踏板同等的动作，以加速至预先设定的速度。
在物体位置信息中检测出物体的情况下，若知道到本车辆是规定的距离，则行驶支援电子控制装置60根据线控制动等结构通过制动控制部74进行制动的控制。即，进行如使速度下降，保持车间距离恒定那样的操作。行驶支援电子控制装置60接收物体位置信息，来向警报控制部72发送控制信号，控制从车内扬声器发出的声音或灯的点亮，以将先行物体靠近的消息通知给驾驶员。行驶支援电子控制装置60接收含有前方行驶车辆的配置的物体位置信息，若为预先设定的行驶速度的范围，则能够自动地进行容易向左右某个方向操作转向，以进行与前方行驶物体的碰撞回避支援，或进行控制转向侧的油压等，以强制性地变更车轮的方向。
在多次检测出与多个对象物对应的信号强度的峰的情况下，接收强度计算部32对各个上行部分以及下行部分的峰值从频率最小的起按顺序编号，向目标输出处理部39输出。在此，在上行部分及下行部分中，同一编号的峰对应同一对象物，将各自的识别编号作为对象物的编号。另外，为了避免繁杂化，在图13中，省略了对从接收强度计算部32向目标输出处理部39的引出线的记载。
在对象物为前方结构物构造物的情况下，目标输出处理部39将该对象物的识别编号作为目标输出。在目标输出处理部39接收多个对象物的判断结果、其均为前方结构物构造物的情况下，将位于本车辆的车道上的对象物的识别编号作为存在目标的物体位置信息输出。并且，在目标输出处理部39接收多个对象物的判断结果、其均为前方结构物构造物的情况下，且在两个以上的对象物位于本车辆的车道上的情况下，将从存储器31读取的目标转移处理次数较多的对象物的识别编号作为存在目标的物体位置信息输出。
另外，在从接收强度计算部32输入了没有目标候选这样的信息的情况下，目标输出处理部39将作为没有目标的0作为物体位置信息输出。然后，选择电路54通过与基于来自目标输出处理部39的物体位置信息而预先设定的阈值相比，来选择使用信号处理电路30还是图像处理电路52的物体位置信息。
上述物体检测装置400能够通过将一般的电脑利用作为上述的各构成要素根据使发挥功能的程序来动作而实现。该程序可以通过通信线路配发，也可以写入半导体存储器或CD-ROM等存储媒体来配发。
在物体检测装置400中，若通过选择电路54在前一检测循环中恒定时间连续检测出的物体位置信息的数据，对当前检测循环下不能够检测的数据关联通过摄像头检测出的来自摄像头影像的表示先行物体的物体位置信息，则进行使追踪继续的判断，也可以优先输出来自信号处理电路30的物体位置信息。
用于在选择电路54中选择信号处理电路30和图像处理电路52的输出的具体的构成例以及动作例在日本特开2014-119348号公报中有所公开。在此，援用该公报的全部内容。
图17示出了作为向神经网络的输入，不利用差频信号的雷达系统100a的构成例。对雷达系统100a的硬件构件中的与图13的雷达系统100相同的硬件构件标注相同的参照标记，其说明在没有特别需要的情况下省略对其的说明。
雷达系统100a的物体检测装置400a不生成差频信号而将各天线元件的阵列接收信号发送至信号处理电路30a。各阵列接收信号利用滤波器25a去除不需要的信号，通过开关26a以及A/D转换器27a转换成数字信号。信号处理电路30a用从自相关矩阵得到的非对角成分生成列矢量b0(数式5)，用作向神经网络的输入。
各阵列接收信号具有与发送波大致相同的频率。例如，若频率约76吉赫(GHz)带，则阵列接收信号的频率也约76吉赫(GHz)带。阵列接收信号的频率可以根据产生多普勒转换的程度而变动。
在图17所示的构成例中，也省略了图13所示的相关矩阵生成部38。这意味着直接用各天线元件的阵列接收信号进行神经网络NN的学习。由于也不需要求自相关矩阵，因此能够大幅降低信号处理电路30a的运算处理量。
另外，也可以从阵列接收信号求自相关矩阵，用其非对角成分进行神经网络NN的学习。在那种情况下，设置图13所示的相关矩阵生成部38即可。相关矩阵生成部38从阵列接收信号求自相关矩阵，将其非对角成分向神经网络NN输入即可。
另外，在附图中，物体检测装置400a没有图13所示的混频器24，但这不过是为了记载上的便利而进行的省略。信号处理电路30a的距离检测部33以及速度检测部34基于差频信号检测距离以及速度。因此，依然需要生成差频信号的构成。图17的三角波生成电路21、VCO22等为以生成差频信号为前提的构成。
图18是示出车辆行驶控制装置1(图12)的处理步骤的流程图。将自适应巡航控制处理方式时的车辆控制作为一个例子进行说明。
在步骤S40中，车辆行驶控制装置1用车载摄像头系统500识别本车辆当前行驶的车道。如上所述，也可以代替车载摄像头系统500或与车载摄像头系统500一同利用电波来识别车道。
在步骤S41中，信号处理电路30基于从车载摄像头系统500的图像处理电路52输出的车道位置的信息以及从收发电路20输出的接收信号，进行利用神经网络NN的车辆识别处理。
在步骤S42中，信号处理电路30利用来自神经网络NN的输出来识别前方行驶车辆的配置。
在步骤S43中，信号处理电路30判断在本车辆的车道上是否存在前方行驶车辆。在存在前方行驶车辆的情况下，处理前进至步骤S44，在不存在前方行驶车辆的情况下，处理前进至步骤S45。
在步骤S44中，行驶支援电子控制装置60指示制动器控制部74来控制制动，以及/或指示加速器控制部76来控制燃料喷射量。由此，行驶支援电子控制装置60能够使本车辆在设定速度以下行驶。
即使在步骤S45中，行驶支援电子控制装置60也指示制动器控制部74来控制制动，以及/或指示加速器控制部76来控制燃料喷射量。由此，行驶支援电子控制装置60在满足设定速度以及设定距离的同时能够使本车辆追随前方行驶车辆。
以上，对利用本发明的具体的实施方式进行了说明。
在上述说明中，直接识别以到本车辆相同距离并行的前方行驶车辆的台数以及前方行驶车辆行驶的车道，并进一步利用该信息，举例说明了自适应巡航控制处理方式时的车辆控制方法。
以下，进一步地对利用直接识别以到本车辆相同距离并行的前方行驶车辆的台数以及前方行驶车辆行驶的车道的结果的其他例子进行说明。
如上所述，对以较高的分辨率推断表示入射方向的角度的超分辨率入射方向推断用MUSIC法以及ESPRIT法这两种算法。在MUSIC法以及ESPRIT法中，对于阵列天线的接收信号的自相关矩阵需要进行特征值展开来推断入射波的个数的程序。例如，在MUSIC法中，需要对自相关矩阵的特征值中的与热噪声功率的分散相比具有较大的值的特征值进行计数。若该特征值的计数不正确，则会错误推断入射方向。
这些算法在快照数目较少的情况下以及相干反射波入射时，其推断的精度下降。
与MUSIC法以及ESPRIT法同样地作为高分辨率入射方向推断算法，基于最大似然推断的SAGE法备受瞩目。SAGE法公知为即使在利用MUSIC法以及ESPRIT法精度下降的环境下，也能够期待较高的推断精度的算法。
但是，在SAGE法中，作为预备知识需要入射波的个数的信息。作为推断入射波的个数的方法，存在AIC(AkaikeInformationCriteria：赤池信息量准则)以及MDL(MinimumDescriptionLength：最小描述长度)。在这些方法中，进行多次的数据收集，通过评价该分散性来进行入射波数量的推断。
能够利用本发明所涉及的神经网络的输出作为上述入射波数量的推断结果。是因为若识别出前方行驶车辆的台数，则能够利用该识别结果作为波源的数量、即入射波数量。
图19为示出了利用SAGE法的入射方向推断处理的步骤的流程图。该处理例如可以通过信号处理电路30执行。
在步骤S50中，车辆行驶控制装置1识别本车辆当前行驶的车道。然后，在步骤S51中，信号处理电路30进行利用神经网络NN的车辆识别处理。
由于步骤S50及S51与图18的步骤S40及S41的处理相对应，因此省略了再次的详细的说明。
在步骤S52中，信号处理电路30从神经网络的输出确定入射波数量N。在作为输出结果得到T＝[xy]T或T＝[xyz]T的情况下，x、y、z的值对1的个数进行计数，信号处理电路30将该数确定为入射波数量N。
接下来的步骤S53之后相当于SAGE法的算法。SAGE法为加速公知的EM(Expectation-Maximization：最大期望算法)算法的收敛速度的算法。
在步骤S53中，信号处理电路30用已确定的入射波数量N的信息，将EM算法的进行推断的参数的集合H分成N个部分集合。入射波数量N的信息被利用为相当于SAGE法的部分集合的分割。
在步骤S54中，将第n(1≦n≦N)个部分集合作为Hn，固定第i次的推断值Hn[i](n≠1)，来通过EM算法更新H1 [i]。
EM算法为由E步骤和M步骤构成的按序算法。E步骤及M步骤通过如下式子表现。
E步骤:Q(H,H[i])＝E[f(Y,H)|Y,H[i]]
M步骤:H[i+1]＝argmaxQ(H,H[i])
在上述步骤中，f(Y,H)表示对数似然函数，Q(H,H[i])表示带条件的对数似然函数，H[i]表示第i次的H的推断值，E[|]表示带条件的平均操作。
在步骤S55中，信号处理电路30判断n的值是否为N。在不为n＝N时,处理前进至骤S56，在为n＝N时，处理前进至步骤S57。
在步骤S56中，信号处理电路30将i的值递增为(i+1)，再次执行步骤S54的处理。
通过反复上述处理，H[i]渐近地向最大似然推断的推断值收敛。
在步骤S57中，信号处理电路30输出运算结果。
如上述处理作为一个例子来理解，利用使用本发明所涉及的神经网络的车辆识别处理的结果作为入射波数量的推断值，能够整体使求表示入射波的入射方向的角度的处理高速化。
在上述实施方式的说明中，说明了雷达系统设置于车辆的前部，来获得表示前方行驶车辆的配置的信息。然而，也可以将雷达系统设置于车辆的后部。在该情况下，变成雷达系统输出表示行驶在本车辆后面的后续车辆的配置的信息。在此说的“后续车辆”行驶在与本车辆行驶的车道相同的车道上、或行驶在与该车道相邻的同一方向的车道上。在变更车道时，提前把握后续车辆的配置是很重要的。
本发明例如能够利用在需要识别前方行驶车辆以及/或者后续车辆的配置的处理的车载用雷达系统。而且本发明将识别的前方行驶车辆以及/或者后续车辆的配置用作入射波的波数的信息，能够利用于SAGE法等最大似然推断法等的前处理。

Claims (34)

1.一种雷达系统，其特征在于，
所述雷达系统构成为包括：
阵列天线，其具有分别响应一个或多个入射波而输出接收信号的多个天线元件；以及
信号处理电路，其构筑有已学习完的神经网络，
所述信号处理电路接收所述接收信号，将所述接收信号或从所述接收信号生成的二次信号向所述神经网络输入，用所述接收信号或所述二次信号、以及所述神经网络的学习数据进行运算，从所述神经网络输出表示所述入射波的个数的信号。
2.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出。
3.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行驶车辆的配置的模式的信号输出。
4.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行驶车辆的配置的模式的信号输出，
所述信号处理电路输出用数值表示所述一台或多台并行的前方行驶车辆的配置的模式的信号。
5.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入，
所述信号处理电路基于所述接收信号推断所述入射波的入射方向。
6.根据权利要求3所述的雷达系统，其构成为：
所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入，
所述信号处理电路基于所述接收信号推断所述入射波的入射方向。
7.根据权利要求4所述的雷达系统，其构成为：
所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入，
所述信号处理电路基于所述接收信号推断所述入射波的入射方向。
8.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入，
所述信号处理电路基于所述接收信号推断所述入射波的入射方向，
所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号而推断所述入射波的入射方向的第二处理方式中的任意一个动作，
所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向。
9.根据权利要求6所述的雷达系统，其构成为：
所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号而推断所述入射波的入射方向的第二处理方式中的任意一个动作，
所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向。
10.根据权利要求7所述的雷达系统，其构成为：
所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号而推断所述入射波的入射方向的第二处理方式中的任意一个动作，
所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向。
11.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入，
所述信号处理电路基于所述接收信号推断所述入射波的入射方向，
所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号而推断所述入射波的入射方向的第二处理方式中的任意一个动作，
所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向，
所述信号处理电路在自适应巡航控制动作时选择所述第一处理方式，在所述自适应巡航控制非动作时选择所述第二处理方式。
12.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入，
所述信号处理电路基于所述接收信号推断所述入射波的入射方向，
所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号而推断所述入射波的入射方向的第二处理方式中的任意一个动作，
所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向，
所述信号处理电路在自适应巡航控制动作时选择所述第一处理方式，在所述自适应巡航控制非动作时选择所述第二处理方式，
所述自适应巡航控制非动作时指的是自动紧急制动处理方式的动作时。
13.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入，
所述信号处理电路基于所述接收信号推断所述入射波的入射方向，
所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号而推断所述入射波的入射方向的第二处理方式中的任意一个动作，
所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向，
所述信号处理电路根据车间距离以及所述本车辆的速度切换所述第一处理方式与所述第二处理方式。
14.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行驶车辆的配置的模式的信号输出，
所述信号处理电路包括不推断所述入射波的入射方向而输出表示所述一台或多台并行的前方行驶车辆的配置的模式的信号的处理方式。
15.根据权利要求4所述的雷达系统，
所述信号处理电路包括不推断所述入射波的入射方向而输出表示所述一台或多台并行的前方行驶车辆的配置的模式的信号的处理方式。
16.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行驶车辆的配置的模式的信号输出，
所述信号处理电路包括不推断所述入射波的入射方向而输出表示所述一台或多台并行的前方行驶车辆的配置的模式的信号的处理方式，
所述信号处理电路还包括不用表示所述入射波的个数的信号而推断所述入射波的入射方向的处理方式，
所述信号处理电路在利用输出表示所述前方行驶车辆的配置的模式的信号的处理方式获取所述前方行驶车辆的配置的模式之后，切换成推断所述入射波的入射方向的处理方式，利用所述前方行驶车辆的配置的模式来推断所述入射波的入射方向。
17.根据权利要求15所述的雷达系统，其构成为：
所述信号处理电路还包括不用表示所述入射波的个数的信号而推断所述入射波的入射方向的处理方式，
所述信号处理电路在利用输出表示所述前方行驶车辆的配置的模式的信号的处理方式获取所述前方行驶车辆的配置的模式之后，切换成推断所述入射波的入射方向的处理方式，利用所述前方行驶车辆的配置的模式来推断所述入射波的入射方向。
18.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路构成为用摄像头或电波确定所述本车辆行驶的车道，
对预先规定的本车辆行驶的各个车道构筑所述已学习完的神经网络，
所述信号处理电路按照所述本车辆行驶的车道选择已学习完的神经网络，输出表示所述前方行驶车辆的配置的模式的信号。
19.根据权利要求1所述的雷达系统，其构成为：
所述信号处理电路基于所述接收信号检测一个或多个目标，来决定到所述目标的距离以及所述目标相对于所述阵列天线的相对速度。
20.根据权利要求7所述的雷达系统，其构成为：
所述信号处理电路基于所述接收信号检测一个或多个目标，来决定到所述目标的距离以及所述目标相对于所述阵列天线的相对速度。
21.根据权利要求11所述的雷达系统，其构成为：
所述信号处理电路基于所述接收信号检测一个或多个目标，来决定到所述目标的距离以及所述目标相对于所述阵列天线的相对速度。
22.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行驶车辆的配置的模式的信号输出，
在同一方向相邻的两车道上分别存在其他车辆以及不存在其他车辆的情况下，所述神经网络使用利用所述接收信号分别求得的自相关矩阵与各情况下的表示各个车道的车辆的配置的教师信号进行学习。
23.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行驶车辆的配置的模式的信号输出，
所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入，
所述信号处理电路基于所述接收信号推断所述入射波的入射方向，
在同一方向相邻的两车道上分别存在其他车辆以及不存在其他车辆的情况下，所述神经网络使用利用所述接收信号分别求得的自相关矩阵与各情况下的表示各个车道的车辆的配置的教师信号进行学习。
24.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行驶车辆的配置的模式的信号输出，
所述信号处理电路输出用数值表示所述一台或多台并行的前方行驶车辆的配置的模式的信号，
所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入，
所述信号处理电路基于所述接收信号推断所述入射波的入射方向，
在同一方向相邻的两车道上分别存在其他车辆以及不存在其他车辆的情况下，所述神经网络使用利用所述接收信号分别求得的自相关矩阵与各情况下的表示各个车道的车辆的配置的教师信号进行学习。
25.根据权利要求1所述的雷达系统，其构成为：
在所述雷达系统搭载于车辆时，
所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的一台或多台并行的前方行驶车辆的数量的信号输出，
所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行驶车辆的配置的模式的信号输出，
所述信号处理电路输出用数值表示所述一台或多台并行的前方行驶车辆的配置的模式的信号，
所述信号处理电路包括不推断所述入射波的入射方向而输出表示所述一台或多台并行的前方行驶车辆的配置的模式的信号的处理方式，
在同一方向相邻的两车道上分别存在其他车辆以及不存在其他车辆的情况下，所述神经网络使用利用所述接收信号分别求得的自相关矩阵与各情况下的表示各个车道的车辆的配置的教师信号进行学习。
26.根据权利要求1所述的雷达系统，
所述信号处理电路为可编程逻辑器件，
所述信号处理电路具有：
多个运算元件，其进行所述运算，以及
多个存储器元件，其存储所述神经网络的学习数据。
27.根据权利要求1所述的雷达系统，
所述信号处理电路具有：
处理器，其进行所述运算；以及
存储装置，其存储所述神经网络的学习数据。
28.根据权利要求1至27中的任一项所述的雷达系统，
所述学习数据为应用于向所述神经网络的各节点的各输入的权重值。
29.一种雷达信号处理装置，其搭载于车辆，构成为包括：
第一端子，其从阵列天线获取所述接收信号；
信号处理电路，其构筑有已学习完的神经网络；以及
第二端子，其发送从所述信号处理电路输出的信号，
其中，所述阵列天线具有分别响应一个或多个入射波来输出接收信号的多个天线元件，
所述信号处理电路通过所述第一端子接收所述接收信号，并将所述接收信号或从所述接收信号生成的二次信号向所述神经网络输入，用所述接收信号或所述二次信号、以及所述神经网络的学习数据进行运算，从所述神经网络输出表示所述入射波的个数的信号。
30.根据权利要求29所述的雷达信号处理装置，其构成为：
所述信号处理电路还输出表示用所述接收信号运算的、在本车道上以及与所述本车道相邻的任意一个相邻车道上的前方行驶车辆与本车辆的距离以及相对速度的信号输出。
31.一种搭载于车辆的车辆行驶控制装置，其特征在于，
所述车辆行驶控制装置包括：
阵列天线，其具有分别响应一个或多个入射波来输出接收信号的多个天线元件；
雷达信号处理装置；以及
电子控制装置，其用从所述雷达信号处理装置输出的、分别表示所述距离、所述相对速度以及所述入射波的个数的信号进行所述本车辆的自适应巡航控制，来控制所述本车辆的速度，
所述雷达信号处理装置构成为包括：
第一端子，其从阵列天线获取所述接收信号；
信号处理电路，其构筑有已学习完的神经网络；以及
第二端子，其发送从所述信号处理电路输出的信号，
其中，所述阵列天线具有分别响应一个或多个入射波来输出接收信号的多个天线元件，
所述信号处理电路通过所述第一端子接收所述接收信号，并将所述接收信号或从所述接收信号生成的二次信号向所述神经网络输入，用所述接收信号或所述二次信号、以及所述神经网络的学习数据进行运算，从所述神经网络输出表示所述入射波的个数的信号，
所述信号处理电路还输出表示用所述接收信号运算的、在本车道上以及与所述本车道相邻的任意一个相邻车道上的前方行驶车辆与本车辆的距离以及相对速度的信号输出。
32.一种车辆行驶控制方法，其特征在于，
用具有分别响应一个或多个入射波来输出接收信号的多个天线元件的阵列天线获取接收信号，
将所述接收信号或从所述接收信号生成的二次信号向构筑有已学习完的神经网络的信号处理电路输入，
使用所述信号处理电路，用所述接收信号或所述二次信号、以及所述神经网络的学习数据进行运算，
从所述神经网络输出表示所述入射波的个数的信号，
用所述接收信号输出与所述入射波对应的表示本车道上、以及与本车道相邻的任意一个相邻车道上的前方行驶车辆与本车辆的距离以及相对速度的信号，
用分别表示所述距离、所述相对速度以及所述入射波的个数的信号进行所述本车辆的自适应巡航控制，来控制所述本车辆的速度。
33.一种由搭载于车辆的处理器执行的电脑程序，其特征在于，
所述车辆具有阵列天线，所述阵列天线具有分别响应一个或多个入射波来输出接收信号的多个天线元件，
所述电脑程序使所述处理器接收所述接收信号，
将所述接收信号或从所述接收信号生成的二次信号向已学习完的神经网络输入，
用所述接收信号或所述二次信号、以及所述神经网络的学习数据进行运算，
从所述神经网络输出表示所述入射波的个数的信号。
34.一种搭载于车辆的雷达系统，其特征在于，
所述雷达系统构成为包括：
阵列天线，其具有分别响应一个或多个入射波来输出接收信号的多个天线元件；以及
信号处理电路，其构筑有已学习完的神经网络，
在与车辆的行驶方向相同方向上的相邻两个车道上分别存在其他车辆以及不存在其他车辆的情况下，所述神经网络利用阵列天线的各接收信号，用分别求得的自相关矩阵的非对角成分和表示各情况下的各个车道的车辆的配置的教师信号预先进行学习，
所述信号处理电路接收所述接收信号，并将所述接收信号或从所述接收信号生成的二次信号向所述神经网络输入，作为来自所述神经网络的输出，输出表示所述两车道各自的其他车辆存在与否的信号。
CN201510644426.5A 2014-10-06 2015-10-08 雷达系统、雷达信号处理装置、车辆行驶控制装置以及方法及电脑程序 Pending CN105487070A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014-205609 2014-10-06
JP2014205609A JP6548376B2 (ja) 2014-10-06 2014-10-06 レーダシステム、レーダ信号処理装置、車両走行制御装置および方法、ならびにコンピュータプログラム

Publications (1)

Publication Number Publication Date
CN105487070A true CN105487070A (zh) 2016-04-13

Family

ID=55632705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510644426.5A Pending CN105487070A (zh) 2014-10-06 2015-10-08 雷达系统、雷达信号处理装置、车辆行驶控制装置以及方法及电脑程序

Country Status (3)

Country Link
US (2) US10067227B2 (zh)
JP (1) JP6548376B2 (zh)
CN (1) CN105487070A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203738A (zh) * 2016-03-17 2017-09-26 福特全球技术公司 车辆车道边界定位
CN108216234A (zh) * 2018-01-15 2018-06-29 河北能源职业技术学院 一种电动车自适应巡航控制系统及其控制方法
CN109975807A (zh) * 2019-03-27 2019-07-05 东南大学 一种适用于毫米波车载雷达的降维子空间测角方法
CN109997054A (zh) * 2016-12-05 2019-07-09 追踪者有限责任公司 用于使用雷达数据和成像器数据跟踪物体的装置、系统和方法
CN113002538A (zh) * 2019-12-18 2021-06-22 美光科技公司 自主交通工具中的智能雷达电子控制单元
CN113212444A (zh) * 2020-02-05 2021-08-06 马自达汽车株式会社 车辆用控制装置
CN113341944A (zh) * 2020-02-14 2021-09-03 美光科技公司 用于自主车辆的智能激光雷达传感器
CN115485579A (zh) * 2020-04-24 2022-12-16 柯尼卡美能达株式会社 状态检测系统

Families Citing this family (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6548376B2 (ja) * 2014-10-06 2019-07-24 日本電産株式会社 レーダシステム、レーダ信号処理装置、車両走行制御装置および方法、ならびにコンピュータプログラム
JP6567832B2 (ja) * 2015-01-29 2019-08-28 日本電産株式会社 レーダシステム、レーダ信号処理装置、車両走行制御装置および方法、ならびにコンピュータプログラム
JP2017154530A (ja) * 2016-02-29 2017-09-07 株式会社オートネットワーク技術研究所 車載機及び車両保安システム
US10304335B2 (en) * 2016-04-12 2019-05-28 Ford Global Technologies, Llc Detecting available parking spaces
US11002826B2 (en) * 2016-05-18 2021-05-11 Nec Corporation Distributed-cooperative-information processing device, distributed-cooperative-information processing method, and recording medium
KR101877141B1 (ko) * 2016-12-08 2018-07-10 한국항공우주연구원 안테나 패턴 합성 장치 및 방법
US10389019B2 (en) * 2016-12-17 2019-08-20 Point Road Solutions, Llc Methods and systems for wet radome attenuation mitigation in phased-array antennae applications and networked use of such applications
JP6786407B2 (ja) * 2017-01-23 2020-11-18 株式会社クボタ 作業車無線管理システム
JP6801529B2 (ja) 2017-03-09 2020-12-16 沖電気工業株式会社 情報処理装置、情報処理方法、およびプログラム
DE102017207442A1 (de) * 2017-05-03 2018-11-08 Scania Cv Ab Verfahren und Vorrichtung zum Klassifizieren von Objekten im Umfeld eines Kraftfahrzeuges
KR20180124381A (ko) * 2017-05-11 2018-11-21 현대자동차주식회사 운전자의 상태 판단 시스템 및 그 방법
CN109583577B (zh) * 2017-09-29 2021-04-23 上海寒武纪信息科技有限公司 运算装置及方法
US11731614B2 (en) * 2017-07-25 2023-08-22 Hl Klemove Corp. Apparatus and method for controlling vehicle to avoid or mitigate collision
KR102499398B1 (ko) 2017-08-09 2023-02-13 삼성전자 주식회사 차선 검출 방법 및 장치
CN107563083B (zh) * 2017-09-12 2020-10-09 电子科技大学 基于bp神经网络的卫星天线面板展开精度分析方法
JP6997589B2 (ja) * 2017-10-24 2022-01-17 三菱重工業株式会社 方位推定装置、方位推定方法及びプログラム
US10921422B2 (en) * 2017-10-25 2021-02-16 The Boeing Company Below-noise after transmit (BAT) Chirp Radar
JP7346401B2 (ja) * 2017-11-10 2023-09-19 エヌビディア コーポレーション 安全で信頼できる自動運転車両のためのシステム及び方法
CN111103580B (zh) * 2018-10-26 2023-06-27 华为技术有限公司 雷达信号处理方法和装置
CN109547083B (zh) * 2018-11-08 2022-01-25 广东工业大学 一种基于神经网络的平顶波束赋形方法
CN109597048B (zh) * 2018-11-29 2023-08-11 西安电子科技大学 基于二维卷积神经网络的米波雷达doa估计方法
DE102018222800A1 (de) * 2018-12-21 2020-06-25 Robert Bosch Gmbh Ortung und/oder Klassifikation von Objekten aus Radardaten mit verbesserter Verlässlichkeit bei unterschiedlichen Entfernungen
US12044797B2 (en) 2018-12-31 2024-07-23 Atai Labs Pvt Ltd. Object classification using machine learning
US10976412B2 (en) * 2019-02-01 2021-04-13 GM Global Technology Operations LLC Deep learning for super resolution in a radar system
KR102695526B1 (ko) * 2019-06-19 2024-08-14 삼성전자주식회사 레이더의 해상도 향상 방법 및 장치
US11057079B2 (en) 2019-06-27 2021-07-06 Qualcomm Incorporated Dynamic thresholds for antenna switching diversity
US11303041B2 (en) 2019-07-24 2022-04-12 Cypress Semiconductor Corporation Machine learning-based antenna array validation, prototyping and optimization
CN110515066B (zh) * 2019-08-20 2023-03-24 立晟智能科技(成都)有限公司 一种车载毫米波雷达及其目标高度测量方法
CN110554352A (zh) * 2019-09-11 2019-12-10 哈尔滨工业大学 基于vgg16神经网络的航天测控系统干扰源波达方向估计方法
US11322019B2 (en) * 2019-10-23 2022-05-03 Zoox, Inc. Emergency vehicle detection
FI20205054A1 (en) * 2020-01-17 2021-07-18 Teknologian Tutkimuskeskus Vtt Oy Improving directional resolution using a neural network
KR20210106864A (ko) 2020-02-20 2021-08-31 삼성전자주식회사 레이더 신호에 기초한 오브젝트 검출 방법 및 장치
US11982732B2 (en) * 2020-06-09 2024-05-14 Samsung Electronics Co., Ltd. Method and apparatus for processing radar signal by correcting phase distortion
EP3992665A1 (en) * 2020-11-02 2022-05-04 Aptiv Technologies Limited Methods and systems for determining a direction of arrival of a radar detection
CN112433207B (zh) * 2020-11-06 2024-05-28 浙江理工大学 基于双通道卷积神经网络的人体身份识别方法
CN112710982B (zh) * 2020-11-25 2023-04-14 西北工业大学 一种天线阵列波达角估计方法、系统、介质、设备及应用
WO2022139843A1 (en) * 2020-12-24 2022-06-30 Intel Corporation Radar apparatus, system, and method
CN113033083B (zh) * 2021-03-10 2022-06-17 浙江大学 一种基于密度峰值聚类径向基神经网络波达方向估计方法
CN115485742B (zh) 2021-06-18 2023-06-27 空间转移株式会社 学习模型、信号处理装置、飞行物以及程序
JP7006875B1 (ja) * 2021-06-18 2022-01-24 株式会社スペースシフト 学習モデル、信号処理装置、飛翔体、及びプログラム
CN113255171A (zh) * 2021-07-09 2021-08-13 中国人民解放军国防科技大学 一种基于迁移学习的测向误差校正方法与装置
EP4194885A1 (en) 2021-12-09 2023-06-14 Aptiv Technologies Limited Method for determining the mobility status of a target object
US20230350054A1 (en) * 2022-04-27 2023-11-02 Infineon Technologies Ag Radar system and method for performing direction of arrival estimation in a radar system
CN114994627B (zh) * 2022-05-14 2024-04-23 西北工业大学 一种基于深度神经网络与子空间原理的测向方法
CN115079122B (zh) * 2022-07-20 2022-11-18 中国人民解放军空军预警学院 主瓣干扰下相干目标智能测向方法与装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06308224A (ja) * 1993-04-22 1994-11-04 Mitsubishi Electric Corp 目標分離装置
CN1382997A (zh) * 2002-06-13 2002-12-04 上海交通大学 基于神经网络的机动目标精确跟踪方法
JP2003507716A (ja) * 1999-08-12 2003-02-25 オートモーティブ システムズ ラボラトリー インコーポレーテッド ニューラルネットワークレーダプロセッサ
CN1427268A (zh) * 2001-12-18 2003-07-02 现代自动车株式会社 车辆行驶环境判定方法和系统
JP2006234683A (ja) * 2005-02-25 2006-09-07 National Univ Corp Shizuoka Univ 測位システム
JP2009156582A (ja) * 2007-12-25 2009-07-16 Honda Elesys Co Ltd 電子走査型レーダ装置、受信波方向推定方法及び受信波方向推定プログラム
JP2011149697A (ja) * 2009-09-16 2011-08-04 Nec System Technologies Ltd 電波到来方向推定装置および電波到来方向推定方法
CN102713665A (zh) * 2009-09-17 2012-10-03 曼彻斯特城市大学 物体检测
JP2013044602A (ja) * 2011-08-23 2013-03-04 Nec Corp 目標運動推測システム及び方法
WO2013142581A1 (en) * 2012-03-22 2013-09-26 Kudritskiy Andrey Modifying artificial neural network components
CN103782192A (zh) * 2011-09-05 2014-05-07 罗伯特·博世有限公司 用于机动车的安全装置

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3368202A (en) 1963-07-15 1968-02-06 Usa Core memory matrix in multibeam receiving system
GB9023909D0 (en) * 1990-11-02 1990-12-12 Secr Defence Radar apparatus
US5613039A (en) * 1991-01-31 1997-03-18 Ail Systems, Inc. Apparatus and method for motion detection and tracking of objects in a region for collision avoidance utilizing a real-time adaptive probabilistic neural network
US5638281A (en) * 1991-01-31 1997-06-10 Ail Systems, Inc. Target prediction and collision warning system
US5297232A (en) * 1991-10-30 1994-03-22 Westinghouse Electric Corp. Wireless neural network and a wireless neural processing element
JP3036268B2 (ja) 1992-11-18 2000-04-24 三菱電機株式会社 車載用安全運転支援装置
US20070135982A1 (en) 1995-06-07 2007-06-14 Automotive Technologies International, Inc. Methods for Sensing Weight of an Occupying Item in a Vehicular Seat
US5717406A (en) * 1995-06-07 1998-02-10 Sanconix Inc. Enhanced position calculation
US5768477A (en) * 1996-09-10 1998-06-16 Southwest Research Institute Radio direction finding system for narrowband multiple signals
US9151692B2 (en) 2002-06-11 2015-10-06 Intelligent Technologies International, Inc. Asset monitoring system using multiple imagers
JP2004108851A (ja) * 2002-09-17 2004-04-08 Toshiba Corp 測角装置及びこの測角装置を用いた通信装置
US7194114B2 (en) * 2002-10-07 2007-03-20 Carnegie Mellon University Object finder for two-dimensional images, and system for determining a set of sub-classifiers composing an object finder
EP1666914B1 (en) 2003-09-11 2017-04-05 Mitsubishi Denki Kabushiki Kaisha Radar device
JP2005315837A (ja) 2004-03-31 2005-11-10 Mitsubishi Electric Corp 目標識別装置
JP4867200B2 (ja) * 2004-07-06 2012-02-01 株式会社デンソー レーダ装置
US7671788B2 (en) * 2004-08-02 2010-03-02 Mitsubishi Electric Corporation Apparatus and method for suppression of unnecessary signals in a radar system
JP4098311B2 (ja) 2005-03-30 2008-06-11 株式会社ホンダエレシス 電子走査型ミリ波レーダ装置およびコンピュータプログラム
JP4857644B2 (ja) 2005-08-02 2012-01-18 株式会社デンソー レーダ装置
JP2008145178A (ja) * 2006-12-07 2008-06-26 Denso Corp 調整方法及び方位検出装置及び電子機器
US7535408B2 (en) * 2007-08-31 2009-05-19 Lockheed Martin Corporation Apparatus and methods for detection of multiple targets within radar resolution cell
WO2009081981A1 (ja) * 2007-12-25 2009-07-02 Honda Elesys Co., Ltd. 電子走査型レーダ装置、受信波方向推定方法及び受信波方向推定プログラム
EP2263101A2 (en) 2008-03-18 2010-12-22 Manchester Metropolitan University Remote detection and measurement of objects
JP5519132B2 (ja) * 2008-07-28 2014-06-11 株式会社デンソー レーダ装置
JP4843003B2 (ja) * 2008-08-05 2011-12-21 富士通テン株式会社 信号処理装置、レーダ装置、及び信号処理方法
US8812226B2 (en) * 2009-01-26 2014-08-19 GM Global Technology Operations LLC Multiobject fusion module for collision preparation system
DE102009047012A1 (de) 2009-11-23 2011-05-26 Robert Bosch Gmbh Verfahren zur Erfassung von Objekten
JP5707037B2 (ja) * 2009-12-25 2015-04-22 日本電産エレシス株式会社 電子走査型レーダ装置、受信波方向推定方法及び受信波方向推定プログラム
US8902103B2 (en) 2011-03-16 2014-12-02 Electronics And Telecommunications Research Institute Radar apparatus supporting short and long range radar operation
US9418551B2 (en) 2011-09-27 2016-08-16 Sensys Networks, Inc. Position and/or distance measurement, parking and/or vehicle detection, apparatus, networks, operations and/or systems
JP2014119348A (ja) 2012-12-17 2014-06-30 Honda Elesys Co Ltd 先行物体認識装置、車両制御指示装置、先行物体認識プログラム及び先行物体認識方法
JP6260004B2 (ja) * 2013-08-29 2018-01-17 パナソニックＩｐマネジメント株式会社 レーダシステム及びターゲット検知方法
JP6548376B2 (ja) * 2014-10-06 2019-07-24 日本電産株式会社 レーダシステム、レーダ信号処理装置、車両走行制御装置および方法、ならびにコンピュータプログラム
JP6567832B2 (ja) * 2015-01-29 2019-08-28 日本電産株式会社 レーダシステム、レーダ信号処理装置、車両走行制御装置および方法、ならびにコンピュータプログラム

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06308224A (ja) * 1993-04-22 1994-11-04 Mitsubishi Electric Corp 目標分離装置
JP2003507716A (ja) * 1999-08-12 2003-02-25 オートモーティブ システムズ ラボラトリー インコーポレーテッド ニューラルネットワークレーダプロセッサ
CN1427268A (zh) * 2001-12-18 2003-07-02 现代自动车株式会社 车辆行驶环境判定方法和系统
CN1382997A (zh) * 2002-06-13 2002-12-04 上海交通大学 基于神经网络的机动目标精确跟踪方法
JP2006234683A (ja) * 2005-02-25 2006-09-07 National Univ Corp Shizuoka Univ 測位システム
JP2009156582A (ja) * 2007-12-25 2009-07-16 Honda Elesys Co Ltd 電子走査型レーダ装置、受信波方向推定方法及び受信波方向推定プログラム
JP2011149697A (ja) * 2009-09-16 2011-08-04 Nec System Technologies Ltd 電波到来方向推定装置および電波到来方向推定方法
CN102713665A (zh) * 2009-09-17 2012-10-03 曼彻斯特城市大学 物体检测
JP2013044602A (ja) * 2011-08-23 2013-03-04 Nec Corp 目標運動推測システム及び方法
CN103782192A (zh) * 2011-09-05 2014-05-07 罗伯特·博世有限公司 用于机动车的安全装置
WO2013142581A1 (en) * 2012-03-22 2013-09-26 Kudritskiy Andrey Modifying artificial neural network components

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203738A (zh) * 2016-03-17 2017-09-26 福特全球技术公司 车辆车道边界定位
CN107203738B (zh) * 2016-03-17 2022-04-12 福特全球技术公司 车辆车道边界定位
CN109997054A (zh) * 2016-12-05 2019-07-09 追踪者有限责任公司 用于使用雷达数据和成像器数据跟踪物体的装置、系统和方法
CN109997054B (zh) * 2016-12-05 2024-01-23 轨迹人有限责任公司 用于使用雷达数据和成像器数据跟踪物体的装置、系统和方法
CN108216234A (zh) * 2018-01-15 2018-06-29 河北能源职业技术学院 一种电动车自适应巡航控制系统及其控制方法
CN109975807A (zh) * 2019-03-27 2019-07-05 东南大学 一种适用于毫米波车载雷达的降维子空间测角方法
CN109975807B (zh) * 2019-03-27 2022-03-18 东南大学 一种适用于毫米波车载雷达的降维子空间测角方法
CN113002538A (zh) * 2019-12-18 2021-06-22 美光科技公司 自主交通工具中的智能雷达电子控制单元
CN113212444A (zh) * 2020-02-05 2021-08-06 马自达汽车株式会社 车辆用控制装置
CN113212444B (zh) * 2020-02-05 2024-06-11 马自达汽车株式会社 车辆用控制装置
CN113341944A (zh) * 2020-02-14 2021-09-03 美光科技公司 用于自主车辆的智能激光雷达传感器
CN115485579A (zh) * 2020-04-24 2022-12-16 柯尼卡美能达株式会社 状态检测系统

Also Published As

Publication number Publication date
US20180341017A1 (en) 2018-11-29
JP2016075558A (ja) 2016-05-12
US20160097853A1 (en) 2016-04-07
JP6548376B2 (ja) 2019-07-24
US10067227B2 (en) 2018-09-04
US10627508B2 (en) 2020-04-21

Similar Documents

Publication Publication Date Title
CN105487070A (zh) 雷达系统、雷达信号处理装置、车辆行驶控制装置以及方法及电脑程序
US11269058B2 (en) Autoencoder assisted radar for target identification
US10365350B2 (en) Neural network-based radar system having independent multibeam antenna
Sligar Machine learning-based radar perception for autonomous vehicles using full physics simulation
KR102695526B1 (ko) 레이더의 해상도 향상 방법 및 장치
CN113495251B (zh) 使用低水平雷达数据的对象分类
CN102798863A (zh) 基于汽车防撞雷达的道路中央隔离带检测方法
CN111566506B (zh) 用于确定对象的至少一个参数的方法和装置
JP7130830B2 (ja) 電子機器、電子機器の制御方法、及びプログラム
CN105197108B (zh) 一种基于汽车辅助驾驶系统的多目标测向系统及其方法
Ma et al. Safety cruise control of connected vehicles using radar and vehicle-to-vehicle communication
JP7153784B2 (ja) 電子機器、電子機器の制御方法、及びプログラム
Pillai et al. Modeling and simulation of an automotive RADAR
DE102017216795B4 (de) Radarbasierte Objektdetektion und Höhenbestimmung detektierter Objekte
WO2022113767A1 (ja) 電子機器、電子機器の制御方法、及びプログラム
Kuai et al. Velocity estimation for vehicle-mounted SAR based on deep-learning framework
Cárdenas et al. Experimental Evaluation of a Head-On Collision Warning System Fusing Machine Learning and Decentralized Radio Sensing
CN108627837A (zh) 汽车防撞雷达系统
Kalaiselvan Early Warning System for Safe Lateral Maneuver of Bicycles
US20240118408A1 (en) Enhancement of radar signal with synthetic radar signal generated from vehicle lidar unit
WO2023032600A1 (ja) 電子機器、電子機器の制御方法、及びプログラム
JP7525453B2 (ja) 電子機器、電子機器の制御方法、及びプログラム
Vengadarajan et al. Detection and Simple Tracking Method for ADAS using a mmWave Radar
Nakamura et al. On-Road Object Identification with Time Series Automotive Millimeter-wave Radar Information
WO2023032619A1 (ja) 電子機器、電子機器の制御方法、及びプログラム

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20171010

Address after: Kyoto City, Kyoto, Japan

Applicant after: Nippon Densan K. K.

Applicant after: The National University of Shizuoka University

Address before: Kanagawa

Applicant before: NIDEC ELESYS CORPORATION

Applicant before: The National University of Shizuoka University

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20210312