▶ インフィネオン テクノロジーズ アクチエンゲゼルシャフトの特許一覧
特開2023-163164レーダーシステムおよびレーダーシステムにおいてデータを送信するための方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023163164
(43)【公開日】2023-11-09
(54)【発明の名称】レーダーシステムおよびレーダーシステムにおいてデータを送信するための方法
(51)【国際特許分類】
G01S 7/35 20060101AFI20231101BHJP
G01S 13/34 20060101ALI20231101BHJP
G01S 13/931 20200101ALI20231101BHJP
【ＦＩ】
G01S7/35
G01S13/34
G01S13/931
【審査請求】未請求
【請求項の数】20
【出願形態】ＯＬ
【外国語出願】
(21)【出願番号】P 2023072137
(22)【出願日】2023-04-26
(31)【優先権主張番号】17/730,229
(32)【優先日】2022-04-27
(33)【優先権主張国・地域又は機関】US
(71)【出願人】
【識別番号】599158797
【氏名又は名称】インフィニオン テクノロジーズ アクチエンゲゼルシャフト
【氏名又は名称原語表記】Ｉｎｆｉｎｅｏｎ Ｔｅｃｈｎｏｌｏｇｉｅｓ ＡＧ
【住所又は居所原語表記】Ａｍ Ｃａｍｐｅｏｎ １－１５， ８５５７９ Ｎｅｕｂｉｂｅｒｇ， Ｇｅｒｍａｎｙ
(74)【代理人】
【識別番号】100114890
【弁理士】
【氏名又は名称】アインゼル・フェリックス＝ラインハルト
(74)【代理人】
【識別番号】100098501
【弁理士】
【氏名又は名称】森田 拓
(74)【代理人】
【識別番号】100116403
【弁理士】
【氏名又は名称】前川 純一
(74)【代理人】
【識別番号】100134315
【弁理士】
【氏名又は名称】永島 秀郎
(74)【代理人】
【識別番号】100162880
【弁理士】
【氏名又は名称】上島 類
(72)【発明者】
【氏名】ジーモン アハッツ
(72)【発明者】
【氏名】マクシミリアン エッシュバウマー
【テーマコード（参考）】
5J070
【Ｆターム（参考）】
5J070AA05
5J070AB18
5J070AC02
5J070AC06
5J070AC13
5J070AD05
5J070AD08
5J070AF03
5J070AH12
5J070AH19
5J070AH31
5J070AH35
5J070BA01
(57)【要約】
【課題】本発明はレーダーシステムおよびレーダーシステムにおいてデータを送信するための方法を提供する。
【解決手段】さまざまな実施形態によれば、第１のレーダー処理装置と第２のレーダー処理装置とを含むレーダーシステムであって、第１のレーダー処理装置が、レーダーデータを生成し、そのレーダーデータをさらに処理するために第２のレーダー処理装置に部分的に送信するように構成され、第１のレーダー処理装置が、送信からレーダーデータの部分を割愛するように構成され、第２のレーダー処理装置が、レーダーデータを追加のレーダーデータで補完するように訓練された機械学習モデルを使用して割愛された部分を再構成するように構成され、レーダーデータの送信された部分を追加のレーダーデータと組み合わせてさらに処理するように構成される、レーダーシステムが説明される。
【選択図】図４
【解決手段】さまざまな実施形態によれば、第１のレーダー処理装置と第２のレーダー処理装置とを含むレーダーシステムであって、第１のレーダー処理装置が、レーダーデータを生成し、そのレーダーデータをさらに処理するために第２のレーダー処理装置に部分的に送信するように構成され、第１のレーダー処理装置が、送信からレーダーデータの部分を割愛するように構成され、第２のレーダー処理装置が、レーダーデータを追加のレーダーデータで補完するように訓練された機械学習モデルを使用して割愛された部分を再構成するように構成され、レーダーデータの送信された部分を追加のレーダーデータと組み合わせてさらに処理するように構成される、レーダーシステムが説明される。
【選択図】図４
【特許請求の範囲】
【請求項1】
第１のレーダー処理装置と第２のレーダー処理装置とを備えるレーダーシステムであって、
前記第１のレーダー処理装置は、レーダーデータを生成し、前記レーダーデータをさらに処理するために前記第２のレーダー処理装置に部分的に送信するように構成され、前記第１のレーダー処理装置は、前記送信から前記レーダーデータの部分を割愛するように構成され、
前記第２のレーダー処理装置は、レーダーデータを追加のレーダーデータで補完するように訓練された機械学習モデルを使用して前記割愛された部分を再構成するように構成され、前記レーダーデータの前記送信された部分を前記追加のレーダーデータと組み合わせてさらに処理するように構成される、
レーダーシステム。
前記第１のレーダー処理装置は、レーダーデータを生成し、前記レーダーデータをさらに処理するために前記第２のレーダー処理装置に部分的に送信するように構成され、前記第１のレーダー処理装置は、前記送信から前記レーダーデータの部分を割愛するように構成され、
前記第２のレーダー処理装置は、レーダーデータを追加のレーダーデータで補完するように訓練された機械学習モデルを使用して前記割愛された部分を再構成するように構成され、前記レーダーデータの前記送信された部分を前記追加のレーダーデータと組み合わせてさらに処理するように構成される、
レーダーシステム。
【請求項2】
前記レーダーデータは、レーダーサンプルであり、前記第１のレーダー処理装置は、特定のサンプリング時間のレーダーサンプルを割愛するように構成され、前記第２のレーダー処理装置は、前記割愛されたレーダーサンプルを再構成し、前記再構成されたレーダーサンプルを使用して距離フーリエ変換を行うように構成される、
請求項１に記載のレーダーシステム。
請求項１に記載のレーダーシステム。
【請求項3】
前記第１のレーダー処理装置は、サンプリング時間とレーダーチャネルとチャープとの特定の組み合わせに対するレーダーサンプルを割愛するように構成される、
請求項２に記載のレーダーシステム。
請求項２に記載のレーダーシステム。
【請求項4】
前記第２のレーダー処理装置は、前記第１のレーダー処理装置から前記第２のレーダー処理装置に送信された他のサンプリング時間、レーダーチャネルおよび／またはチャープに対する送信されたレーダーサンプルを外挿および／または内挿することによって前記割愛されたレーダーサンプルを再構成するように構成される、
請求項２に記載のレーダーシステム。
請求項２に記載のレーダーシステム。
【請求項5】
前記レーダーデータは、距離フーリエ変換結果であり、前記第１のレーダー処理装置は、特定のチャープに対する距離フーリエ変換結果を割愛するように構成され、前記第２のレーダー処理装置は、前記割愛された距離フーリエ変換結果を再構成して、前記再構成された距離フーリエ変換結果を使用してドップラーフーリエ変換を行うように構成される、
請求項１に記載のレーダーシステム。
請求項１に記載のレーダーシステム。
【請求項6】
前記第１のレーダー処理装置は、距離ビンとレーダーチャネルとチャープとの特定の組み合わせに対する距離フーリエ変換結果を割愛するように構成される、
請求項５に記載のレーダーシステム。
請求項５に記載のレーダーシステム。
【請求項7】
前記第２のレーダー処理装置は、前記第１のレーダー処理装置から前記第２のレーダー処理装置への他の距離ビン、レーダーチャネルおよび／またはチャープに対する距離フーリエ変換結果を外挿および／または内挿することによって前記割愛された距離フーリエ変換結果を再構成するように構成される、
請求項５に記載のレーダーシステム。
請求項５に記載のレーダーシステム。
【請求項8】
前記レーダーデータは、ドップラーフーリエ変換結果であり、前記第１のレーダー処理装置は、特定のレーダーチャネルに対するドップラーフーリエ変換結果を割愛するように構成され、前記第２のレーダー処理装置は、前記割愛されたドップラーフーリエ変換結果を再構成して、前記再構成されたドップラーフーリエ変換結果を使用して到来方向判定を行うように構成される、
請求項１に記載のレーダーシステム。
請求項１に記載のレーダーシステム。
【請求項9】
前記第１のレーダー処理装置は、距離ビンとレーダーチャネルとドップラービンとの特定の組み合わせに対するドップラーフーリエ変換結果を割愛するように構成される、
請求項８に記載のレーダーシステム。
請求項８に記載のレーダーシステム。
【請求項10】
前記第２のレーダー処理装置は、前記第１のレーダー処理装置から前記第２のレーダー処理装置への他の距離ビン、レーダーチャネルおよび／またはドップラービンに対するドップラーフーリエ変換結果を外挿および／または内挿することによって前記割愛されたドップラーフーリエ変換結果を再構成するように構成される、
請求項８に記載のレーダーシステム。
請求項８に記載のレーダーシステム。
【請求項11】
前記第１のレーダー処理装置は、前記レーダーデータの前記部分を破棄するように構成される、
請求項１に記載のレーダーシステム。
請求項１に記載のレーダーシステム。
【請求項12】
前記第１のレーダー処理装置は、マスクに従って前記レーダーデータの前記部分を破棄するように構成され、前記マスクを前記第２のレーダー処理装置にシグナリングするように構成される、
請求項１に記載のレーダーシステム。
請求項１に記載のレーダーシステム。
【請求項13】
前記第１のレーダー処理装置は、圧縮率を決定し、前記決定された圧縮率に従って前記マスクを決定するように構成される、
請求項１２に記載のレーダーシステム。
請求項１２に記載のレーダーシステム。
【請求項14】
前記第１のレーダー処理装置は、モノリシックマイクロ波集積回路であり、
前記第２のレーダー処理装置は、マイクロコントローラである、
請求項１に記載のレーダーシステム。
前記第２のレーダー処理装置は、マイクロコントローラである、
請求項１に記載のレーダーシステム。
【請求項15】
前記第１のレーダー処理装置は、車両のレーダーセンサ装置であり、
前記第２のレーダー処理装置は、前記車両の先進運転者支援システムの処理装置である、
請求項１に記載のレーダーシステム。
前記第２のレーダー処理装置は、前記車両の先進運転者支援システムの処理装置である、
請求項１に記載のレーダーシステム。
【請求項16】
前記レーダーシステムは、前記機械学習モデルを訓練するように構成された訓練装置を備える、
請求項１に記載のレーダーシステム。
請求項１に記載のレーダーシステム。
【請求項17】
前記機械学習モデルは、ニューラルネットワークである、
請求項１に記載のレーダーシステム。
請求項１に記載のレーダーシステム。
【請求項18】
前記機械学習モデルは、多層パーセプトロン、オートエンコーダおよびＵＮｅｔのうちの少なくとも１つを含む、
請求項１に記載のレーダーシステム。
請求項１に記載のレーダーシステム。
【請求項19】
レーダーシステムにおいてデータを送信するための方法であって、前記方法は、
第１のレーダー処理装置によってレーダーデータを生成するステップと、
前記レーダーデータを、さらなる処理のために前記第１のレーダー処理装置から第２のレーダー処理装置に部分的に送信するステップであって、前記第１のレーダー処理装置が前記送信から前記レーダーデータの部分を割愛するステップと、
前記第２のレーダー処理装置によって、レーダーデータを追加のレーダーデータで補完するように訓練された機械学習モデルを使用して前記割愛された部分を再構成するステップと、
前記第２のレーダー処理装置によって、前記レーダーデータの前記送信された部分を前記追加のレーダーデータと組み合わせてさらに処理するステップと、
を含む方法。
第１のレーダー処理装置によってレーダーデータを生成するステップと、
前記レーダーデータを、さらなる処理のために前記第１のレーダー処理装置から第２のレーダー処理装置に部分的に送信するステップであって、前記第１のレーダー処理装置が前記送信から前記レーダーデータの部分を割愛するステップと、
前記第２のレーダー処理装置によって、レーダーデータを追加のレーダーデータで補完するように訓練された機械学習モデルを使用して前記割愛された部分を再構成するステップと、
前記第２のレーダー処理装置によって、前記レーダーデータの前記送信された部分を前記追加のレーダーデータと組み合わせてさらに処理するステップと、
を含む方法。
【請求項20】
前記方法は、前記機械学習モデルを訓練するステップをさらに含む、
請求項１９に記載の方法。
請求項１９に記載の方法。
【発明の詳細な説明】
【技術分野】
【0001】
本明細書に記載する例示的な実施態様は、一般に、レーダーシステムおよびレーダーシステムにおいてデータを送信するための方法に関する。
【背景技術】
【0002】
（距離および方向を含む）対象物体の位置と速度との正確な推定を可能にするレーダーシステムは、大量のレーダーデータを処理する。したがって、そのようなレーダーシステムが複数の装置を含む場合、すなわち、分散処理の場合、装置間で大量のデータが送信される必要がある。一例が車両内のレーダーシステムであり、このシステムでは、処理の一部がレーダーセンサ装置によって行われ、さらなる処理がレーダーセンサ装置とは別の制御装置、例えば、先進運転者支援システムのマイクロコントローラなどの制御装置によって行われる。レーダーデータの送信は、装置間のインターフェース（伝送線路など）に高い負荷をかけ、よって余分な高帯域幅接続の提供を必要とする場合があるので、レーダーシステム内のレーダー処理装置間のデータの効率的な送信を可能にする手法が望ましい。
【発明の概要】
【課題を解決するための手段】
【0003】
さまざまな実施形態によれば、第１のレーダー処理装置と第２のレーダー処理装置とを含むレーダーシステムであって、第１のレーダー処理装置が、レーダーデータを生成し、レーダーデータをさらに処理するために第２のレーダー処理装置に部分的に送信するように構成され、第１のレーダー処理装置が、送信からレーダーデータの部分を割愛するように構成され、第２のレーダー処理装置が、レーダーデータを追加のレーダーデータで補完するように訓練された機械学習モデルを使用して割愛された部分を再構成するように構成され、レーダーデータの送信された部分を追加のレーダーデータと組み合わせてさらに処理するように構成される、レーダーシステムが提供される。
【0004】
さらなる実施形態によれば、上記レーダーシステムによるレーダーシステムにおいてデータを送信するための方法が提供される。
【0005】
図面において、同様の参照符号は、一般に、異なる図を通して同じ部分を指す。図面は必ずしも縮尺通りではなく、代わりに、本発明の原理を説明することに全体として重点が置かれている。以下の説明では、以下の図面を参照してさまざまな態様を説明する。
【図面の簡単な説明】
【0006】
【図1】レーダー設備を示す図である。
【図2】ＦＭＣＷ（Ｆｒｅｑｕｅｎｃｙ Ｍｏｄｕｌａｔｅｄ Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅ（周波数変調連続波））レーダーシステムを例示する図である。
【図3】複数の送信アンテナおよび受信アンテナを有するレーダー装置を示す図である。
【図4】レーダー信号の処理を例示する図である。
【図5】データキューブを示す図である。
【図7】レーダーデータの破棄を例示する図である。
【図8】サンプルの復元のための内挿および外挿を例示する図である。
【図9】ＭＬＰ構造を有するニューラルネットワークの一例を示す図である。
【図10】オートエンコーダ構造を有するニューラルネットワークの一例を示す図である。
【図11】距離ＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ（高速フーリエ変換））係数の復元のための外挿および内挿を例示する図である。
【図12】８つのアンテナを有する仮想受信アンテナアレイのドップラーＦＦＴ係数の復元のための外挿および内挿を例示する図である。
【図13】一実施形態によるレーダーシステムを示す図である。
【図14】レーダーシステムにおいてデータを送信するための方法を例示する流れ図である。
【発明を実施するための形態】
【0007】
以下の詳細な説明では、本発明が実施されうる本開示の特定の具体的な詳細および態様を例示として示す添付の図面を参照する。本発明の範囲から逸脱することなく、他の態様が利用されてもよく、構造的、論理的および電気的な変更がなされてもよい。本開示のさまざまな態様は必ずしも相互排他的ではなく、本開示のいくつかの態様を本開示の１つまたは複数の他の態様と組み合わせて新しい態様を形成することができる。
【0008】
図１に、レーダー設備１００を示す。
【0009】
レーダー設備１００は、アンテナ配列１０２とレーダー制御装置１０３とを含む（レーダーシステムを実施する）レーダー装置１０１を含む。レーダーシステムは、この例ではレーダー装置１０１によって実施されているが、レーダーシステムはまた、例えば、電子制御ユニット（ＥＣＵ）や車両コントローラおよび／または先進運転者支援システム（ＡＤＡＳ）を実施する装置（もしくは設備）を含む、装置の配置によって実施されてもよいことに留意されたい。
【0010】
レーダー制御装置１０３は、１つまたは複数の（レーダー）送信機１０４と、デュプレクサ１０５（すなわち、送信信号を受信信号から分離する回路）と、（レーダー）受信機１０６と、コントローラ１０７と、を含む。レーダー設備は、送信アンテナアレイの形態の複数の送信アンテナと、受信アンテナアレイの形態の複数の受信アンテナと、を含んでもよい。
【0011】
物体１０８を検出するために、コントローラ１０７は、１つまたは複数の送信機１０４、デュプレクサ１０５および受信機１０６を以下のように制御する。
１．１つまたは複数の送信機１０４は、アンテナ配列１０２を介して送信信号１０９を送信する。
２．送信信号１０９は、対象（物体）１０８によって反射される。
３．レーダー装置１０１は、送信信号のエコー１１０を受信信号として受信する。
１．１つまたは複数の送信機１０４は、アンテナ配列１０２を介して送信信号１０９を送信する。
２．送信信号１０９は、対象（物体）１０８によって反射される。
３．レーダー装置１０１は、送信信号のエコー１１０を受信信号として受信する。
【0012】
レーダー制御装置１０３（例えば、レーダー信号処理回路１１１）は、受信信号から、物体１０８の位置および速度に関する情報を計算する。
【0013】
例えば、レーダー装置１０１は、近くの物体を検出するため、特に自律運転のために車両に設置されうる。
【0014】
送信信号１０９は、複数のパルスを含んでもよい。パルス送信は、レーダー装置１０１がエコー１１０をリッスンする時間と組み合わせた短い高出力バーストの送信を含む。これは通常、自動車シナリオのような高度に動的な状況には最適ではない。
【0015】
したがって、連続波（ＣＷ）が送信信号として代わりに使用されうる。連続波は速度判定のみを可能にし、距離情報を提供しない（距離計算を可能にすることができるタイムマークがないため）ので、手法は周波数変調連続波（ＦＭＣＷ）レーダーまたは位相変調連続波（ＰＭＣＷ）レーダーである。
【0016】
図２に、ＦＭＣＷレーダーシステム２００を例示する。
【0017】
ＦＭＣＷレーダーシステムでは、送信信号を一定の周波数で送信するのではなく、送信信号の周波数は、鋸歯状（あるいは三角形）波形２０１に従って周期的にランプアップされ、リセットされる。鋸歯状波形２０１は、例えば、ランピング回路（または「ランパ」）によって生成されてもよい。鋸歯状波形２０１は、発振器２０２を周波数変調し、結果として得られる送信信号は、（無線周波数（ＲＦ）フロントエンドによって）送信アンテナ２０３に供給される。
【0018】
受信アンテナ２０４は、（ノイズなどに加えて）送信信号のエコーを受信信号として受信する。混合器２０５は、送信信号を受信信号と混合する。混合の結果は、ローパスフィルタ２０６によってフィルタリングされ、スペクトラムアナライザ２０７によって処理される。
【0019】
送信信号はチャープ（または「ランプ」）シーケンスの形態を有し、これらは鋸歯状波形２０１を有する正弦波の変調の結果である。単一のチャープ２０８は、最小周波数から最大周波数までの鋸歯状波形２０１の１つの「歯」によって周波数変調された発振器信号の正弦波に対応する。
【0020】
以下でさらに詳細に説明するように、スペクトラムアナライザ２０７（例えば、レーダー信号処理回路１１１によって実施される）は、２つのＦＦＴ（高速フーリエ変換）段を行って、受信信号から距離情報（距離ＦＦＴとも呼ばれる第１段ＦＦＴによる）と、速度情報（ドップラーＦＦＴとも呼ばれる第２段ＦＦＴによって）と、を抽出する。スペクトラムアナライザ２０７はデジタルサンプルに対して動作するため、受信アンテナ２０４からスペクトラムアナライザ２０７への経路にＡ／Ｄ（ａｎａｌｏｇ－ｔｏ－ｄｉｇｉｔａｌ（アナログ・デジタル））変換が含まれることに留意されたい。例えば、フィルタ２０６はアナログフィルタであり、フィルタ２０６とスペクトラムアナライザ２０７との間にアナログ・デジタル変換器（ＡＤＣ）が配置される。したがって、受信経路のさまざまな構成部品の少なくとも一部は、デジタルフロントエンドまたはアナログフロントエンドの一部でありうる。
【0021】
レーダー装置１０１に対する物体１０８の方向の判定をさらに可能にするために、アンテナ配列１０２は、複数の受信アンテナ、すなわち受信アンテナのアレイを含んでもよい。その場合、物体１０８の方向は、受信アンテナが物体からエコー１１０を受信する位相差から、例えば第３段ＦＦＴ（角度ＦＦＴとも呼ばれる）によって判定されうる。したがって、レーダー受信機は、受信アンテナごとに混合器２０５、アナログフィルタ２０６およびＡＤＣを含んでもよい。
【0022】
複数のアンテナによって受信された信号は、ＭＭＩＣ（Ｍｏｎｏｌｉｔｈｉｃ Ｍｉｃｒｏｗａｖｅ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ（モノリシックマイクロ波集積回路））によって処理されうる。
【0023】
図３に、複数の送信アンテナおよび受信アンテナを有するレーダー装置３００を示す。
【0024】
レーダー装置３００は、図２を参照して説明したように、送信増幅器３０２（送信アンテナごとに１つ）および混合器３０３に送信信号を供給する（電圧制御される）ランパ付き発振器３０１を含むＭＭＩＣ３１０を含む。
【0025】
図３の例では、送信増幅器３０２のうちの２つは、送信信号が送信信号インターフェース３１２を介して提供される電力増幅器３１１によって提供される。しかしながら、送信増幅器はまた、すべてＭＭＩＣ３１０内に設けられてもよい。
【0026】
ＭＭＩＣ３１０内には、受信アンテナごとに１つの混合器３０３が存在する。アナログフィルタ３０４（フィルタ２０６に対応する）は、混合信号をフィルタリングし、アナログ・デジタル変換器（ＡＤＣ）３０５は、フィルタリングされたアナログ信号からデジタル信号を生成する。ＭＭＩＣ３１０は、それらの出力を、デジタルインターフェース３０６を介してレーダー信号プロセッサ３０７に転送する。
【0027】
レーダー信号プロセッサ３０７は、（例えばレーダー信号処理回路１１１に対応する）レーダー信号処理回路３０８を有し、図４を参照して以下で説明するように、スペクトラムアナライザを実施し、物体検出および到来方向の判定を行う。
【0028】
図４に、ＭＭＩＣ４０１を使用して受信されたレーダー信号の処理を例示する。
【0029】
ＭＭＩＣ４０１は、例えば、受信機１０６の一部である。ＭＭＩＣ４０１は、複数のアンテナと結合されており、複数のアンテナのそれぞれから受信信号を供給される。
【0030】
ＭＭＩＣが並列に処理しうる受信信号の数は制限されており（よって、１つのＭＭＩＣは限られた数の受信アンテナのために機能することしかできず）、より多数の受信アンテナの使用を可能にするために複数のＭＭＩＣが使用されうることに留意されたい。その場合、単一のＭＭＩＣ４０１の代わりに複数のＭＭＩＣが存在するが、処理は同様である。
【0031】
ＭＭＩＣ４０１は、増幅、周波数ダウンコンバージョン（すなわち、例えば、混合器２０５およびフィルタ２０６の機能）、Ａ／Ｄ変換のような受信信号の処理を行う。ＭＭＩＣはまた、デュプレクサ１０５を実施してもよく、すなわち、送信信号を受信信号から分離するように構成されてもよい。ＭＭＩＣ４０１は、結果として得られるデジタル化受信信号をレーダー信号処理チェーン４０２（例えば、レーダー信号プロセッサ３０７によって実施される）に供給する。
【0032】
レーダー信号処理チェーン４０２は、デジタル化受信信号に対して干渉の検出および緩和４０３を行い、その後に、距離ＦＦＴとも呼ばれる第１のＦＦＴ（高速フーリエ変換）４０４およびドップラーＦＦＴとも呼ばれる第２のＦＦＴ４０５が続く。ＦＦＴ４０４、ＦＦＴ４０５の出力に基づいて、レーダー信号処理チェーン４０２は、４０７において、１つまたは複数の物体の距離情報および速度情報を（例えば、Ｒ／Ｄ（ｒａｎｇｅ－Ｄｏｐｐｌｅｒ（距離・ドップラー））マップの形態で）判定する。
【0033】
第２のＦＦＴ４０５の出力は、アンテナごとの（すなわち、この特定のアンテナによって受信された受信信号のサンプルの処理に基づく）２次元ＦＦＴ結果（一方の次元は距離に対応し、他方の次元は速度に対応する）であることに留意されたい。第１のＦＦＴ４０４の結果は、受信アンテナごとの、距離ビンの複素数値を含む。
【0034】
第２のＦＦＴ４０５は、距離ビンごとに、複数のチャープにわたる第１のＦＦＴ４０４の結果を調べて、距離ビンごとに、ドップラービンごとの複素数値を生成する。よって、第２のＦＦＴ段４０５の結果は、受信アンテナごとに、ドップラービンと距離ビンとの組み合わせごとの（すなわち、ドップラー／距離ビンごとの）の複素数値を含む。これは、アンテナ固有のＲ／Ｄマップを与えるとみなすことができる。
【0035】
４０６において、レーダー信号処理チェーン４０２は、集約Ｒ／Ｄマップを生成するために、ＭＭＩＣ固有のＲ／Ｄマップを、例えばコヒーレント積分または非コヒーレント積分によって、例えばそれらを合計することによって結合する。次いで、４０７において、レーダー処理チェーン４０２は、例えばＣＦＡＲ（Ｃｏｎｓｔａｎｔ Ｆａｌｓｅ Ａｌａｒｍ Ｒａｔｅ（一定誤警報率））アルゴリズムによって、集約Ｒ／Ｄマップ内のピークを識別することによって特定の物体の速度および距離を推定する。ＦＦＴ出力は一般に複素数値からなるので、ＦＦＴ出力（集約Ｒ／Ｄマップなど）におけるピーク選択は、絶対値（すなわち、複素出力の複素振幅）または累乗（すなわち、絶対値の二乗）に基づく選択として理解されうることに留意されたい。
【0036】
４０８において、レーダー信号プロセッサ３０７は、１つまたは複数の物体の方向をさらに判定しうる。これは、異なる受信アンテナ間の第２段ＦＦＴの出力値の位相差に基づいて行うことができ、第３段ＦＦＴ（角度ＦＦＴ）を含んでもよい。
【0037】
この処理の結果に基づいて、例えばある時点でのセンサフュージョンを含む、物体の分類、追跡、物体リストの生成などのさらなる処理および意思決定（例えば、自律運転における運動計画）が、４０９、４１０および４１１において行われうる。これは、車両コントローラなどのさらなる構成部品によって少なくとも部分的に行われてもよい。このために、レーダー信号プロセッサ３０７は、出力インターフェース３０９を介して処理結果を出力してもよい。
【0038】
ＭＭＩＣ４０１によって提供されたデジタル化受信信号は、通常、データキューブに配置される。
【0039】
図５に、データキューブ５００を示す。
【0040】
データキューブ５００は、受信アンテナアレイ５０３を形成するＭ個のアンテナからの受信信号のデジタル化サンプルを含む。ＭＭＩＣ４０１は、アナログ／デジタル変換を行って、デジタル化サンプルを生成する。
【0041】
例えば、チャープごとに、受信信号はＬ個のサンプル（例えばＬ＝５１２）を有するようにサンプリングされる。
【0042】
チャープごとに収集されたＬ個のサンプルは、第１のＦＦＴ４０４によって処理される。
【0043】
第１のＦＦＴ４０４はチャープごとアンテナごとに行われ、そのため、第１のＦＦＴ４０４によるデータキューブ５００の処理の結果は、やはり３つの次元を有し、データキューブ５００のサイズを有しうるが、もはやＬ個のサンプリング時間の値を有さず、代わりにＬ／２個の距離ビンの値を有する（というのは、通常、距離ビンの後半は、ＦＦＴが実入力値に適用されるために前半の繰り返しであるので割愛されるため）。
【0044】
次いで、第１のＦＦＴ４０４によるデータキューブ５００の処理の結果は、（アンテナごと距離ビンごとに）チャープに沿って第２のＦＦＴ４０５によって処理される。
【0045】
第１のＦＦＴ４０４の方向は高速時間と呼ばれ、第２のＦＦＴ４０５の方向は低速時間と呼ばれる。
【0046】
第２のＦＦＴ４０５の結果は、（４０６において）アンテナ全体にわたって集約されると、距離・ドップラー（Ｒ／Ｄ）マップ５０１を与え、Ｒ／Ｄマップ５０１は、レーダー信号プロセッサ３０７が（特定の距離および速度の）検出された物体１０８に対応すると予想する特定の距離／速度の組み合わせの（すなわち特定の距離・ドップラービンの）ＦＦＴピーク５０２（すなわち、（絶対値での）ＦＦＴ出力値のピーク）を有する。
【0047】
レーダー信号処理のさまざまな段（サンプルの生成を含む）は、異なる（レーダー処理）装置上で実行されてもよい。例えば、図３の例示では、サンプルの生成はＭＭＩＣ４０１によって実行され、さらなる処理はレーダー信号プロセッサ３０７によって実行される。しかしながら、分離は異なっていてもよいし、さらなる分離があってもよい。例えば、以下のケースが生じうる。
ケース１）サンプルの生成が第１の（レーダー処理）装置上で行われ、距離ＦＦＴ４０４が第２の（レーダー処理）装置上で行われる。このケースは図３で例示されている。干渉の特定および緩和もまた、どちらかの装置上で行われうる。
ケース２）距離ＦＦＴ４０４が第１の装置（サンプリングを行う場合も行わない場合もある）によって行われ、ドップラーＦＦＴ４０５が第２の装置によって行われる。
ケース３）ドップラーＦＦＴ４０５が第１の装置によって行われ、ドップラーＦＦＴ結果の処理（ＤｏＡ判定４０８）が第２の装置によって行われる。ＮＣＩ４０６およびピーク検出４０７はどちらの装置上で行われてもよいが、いずれの場合も、装置間でドップラーＦＦＴ結果が送信される必要がある。ＮＣＩ４０６がどこで行われるかに応じて、ドップラーＦＦＴ結果はチャネル固有でありうるか、または集約されうる。本明細書では両方とも、ドップラーＦＦＴ結果（またはドップラーＦＦＴ係数）と呼ぶ。
ケース１）サンプルの生成が第１の（レーダー処理）装置上で行われ、距離ＦＦＴ４０４が第２の（レーダー処理）装置上で行われる。このケースは図３で例示されている。干渉の特定および緩和もまた、どちらかの装置上で行われうる。
ケース２）距離ＦＦＴ４０４が第１の装置（サンプリングを行う場合も行わない場合もある）によって行われ、ドップラーＦＦＴ４０５が第２の装置によって行われる。
ケース３）ドップラーＦＦＴ４０５が第１の装置によって行われ、ドップラーＦＦＴ結果の処理（ＤｏＡ判定４０８）が第２の装置によって行われる。ＮＣＩ４０６およびピーク検出４０７はどちらの装置上で行われてもよいが、いずれの場合も、装置間でドップラーＦＦＴ結果が送信される必要がある。ＮＣＩ４０６がどこで行われるかに応じて、ドップラーＦＦＴ結果はチャネル固有でありうるか、または集約されうる。本明細書では両方とも、ドップラーＦＦＴ結果（またはドップラーＦＦＴ係数）と呼ぶ。
【0048】
これらのケースによれば、サンプル、距離ＦＦＴ係数、またはドップラーＦＦＴ係数は、それぞれ、第１の装置から第２の装置に送信される必要がある。これらのデータの量は非常に多い可能性があるため、装置によって必要とされる帯域幅は非常に高く、車両レーダーシステムのような用途で提供することは容易ではない可能性があり、追加のデータ回線の設置を必要とする可能性がある。
【0049】
したがって、さまざまな実施形態によれば、２つの装置間で転送される必要があるデータ量を低減するための機構が設けられる。これは、第１の装置でデータの一部を破棄し、機械学習モデルを使用して第２の装置で破棄されたデータを再構成することによって達成される。
【0050】
【0051】
上記のケース１）によれば、データ圧縮（サンプルの破棄６０１）はサンプリングの後に行われてもよく、展開（サンプルの再構成６０２）は距離ＦＦＴの前に行われてもよい。
【0052】
上記のケース２）によれば、データ圧縮（距離ＦＦＴ係数の破棄６０３）は距離ＦＦＴの後に行われてもよく、展開（距離ＦＦＴ係数の再構成６０４）はドップラーＦＦＴの前に行われてもよい。
【0053】
上記のケース３）によれば、データ圧縮（ドップラーＦＦＴ係数の破棄６０５）はドップラーＦＦＴの後に行われてもよく、展開（ドップラーＦＦＴ係数の再構成６０６）はＮＣＩの前に行われてもよい（または圧縮はＮＣＩもしくはピーク検出の後、展開はＤｏＡ判定の後）。
【0054】
破棄６０１、６０３、６０５とその後の展開（再構成または復元）６０２、６０４、６０６と各対の間で、例えば、車両内のバス、イーサネット、無線接続などを介した別個の装置間の送信が、サンプル、距離ＦＦＴ係数およびドップラー係数のケースに応じて（データ量がその都度圧縮によって低減されて）行われてもよい。処理が２つ以上の別個の装置にわたってどのように分散されるかに応じて、破棄とその後の展開の対のうちの１つまたは複数がレーダーシステムにおいて実施されてもよい。
【0055】
第１の装置は、例えばレーダーセンサ装置であってもよく、第２の装置は、例えばＡＤＡＳの装置（例えば、マイクロコントローラ）などの制御装置であってもよい。
【0056】
３つのケースの各々で、破棄６０１、６０３、６０５において、レーダーデータとも略称される、レーダー受信結果データの部分が破棄される。３つのケース１）、２）、３）について、これらのレーダーデータは、
ケース１）サンプル
ケース２）距離ＦＦＴ係数
ケース３）ドップラーＦＦＴ係数
である。
ケース１）サンプル
ケース２）距離ＦＦＴ係数
ケース３）ドップラーＦＦＴ係数
である。
【0057】
図７に、レーダーデータの破棄を例示する。
【0058】
レーダーデータは、（レーダーデータの）キューブ７０１、７０２として表されている。
【0059】
ケース１）では、これは、図５にも示されている、サンプルを保持するデータキューブ５００である。ケース２）では、キューブは距離ＦＦＴ係数を保持し、ケース３）ではドップラーＦＦＴ係数を保持する。したがって、３軸は以下に対応する。
ケース１）ｘ軸：低速時間、ｙ軸：高速時間、ｚ軸：アンテナインデックス
ケース２）ｘ軸：低速時間、ｙ軸：距離ビン、ｚ軸：アンテナインデックス
ケース３）ｘ軸：ドップラービン、ｙ軸：距離ビン、ｚ軸：アンテナインデックス
ケース１）ｘ軸：低速時間、ｙ軸：高速時間、ｚ軸：アンテナインデックス
ケース２）ｘ軸：低速時間、ｙ軸：距離ビン、ｚ軸：アンテナインデックス
ケース３）ｘ軸：ドップラービン、ｙ軸：距離ビン、ｚ軸：アンテナインデックス
【0060】
破棄するとき、固定位置またはランダムな位置で１つまたは複数の次元においてスパース性が付加される。
【0061】
第１のレーダーデータのキューブ７０１では、ランダムな破棄が例示されている。これは、レーダーデータのキューブ７０１内のランダムな位置において、対応するサンプル／距離ＦＦＴ係数／ドップラーＦＦＴ係数が破棄されることを意味する。それらの位置は、ランダムに（または、疑似ランダムに）選択されてもよいが、第２の装置が第１の装置によって通知される必要なくそれらの位置を知るようにその後固定されうることに留意されたい。あるいは、第１の装置は、それらの位置（または予め設定された位置の一部分）を適応的に選択し、レーダーデータ要素（すなわち、サンプル／距離ＦＦＴ係数／ドップラーＦＦＴ係数）が破棄された位置に関して第２の装置に知らせてもよい。破棄の結果は、より低い必要メモリ量で記憶することができ、より低い帯域幅要件で送信されうる、より小さいレーダーデータのキューブ７０３である。
【0062】
破棄は、例えば、破棄されるべきレーダーデータのキューブの位置を指示するビットマップまたはビットマスクに沿って行われてもよい。ビットマスクは、例えば２次元であり、一方向にレーダーデータキューブの層ごとに適用されてもよい。例えば、ビットマスクはｘｙ平面のビットマスクであり、アンテナごとに適用されてもよく、例えば、ケース３）では、ドップラーＦＦＴ係数を破棄するためのＲ／Ｄマップビットマスクであってもよい。このビットマスクは、第１の装置によって設定され、どのレーダーデータ要素が破棄されたかを第２の装置が知るように第２の装置に転送されてもよい。ビットマスクに１および０の数を設定することにより、第１の装置は圧縮率を設定することができる。
【0063】
第２のレーダーデータのキューブ７０２では、レーダーデータのキューブの全層が破棄される破棄が例示されている。
【0064】
破棄される層はｘｚ層７０５全体であってもよく、これは、
ケース１）では、すべてのアンテナおよびすべてのチャープの特定のサンプリング時間のサンプル
ケース２）では、すべてのアンテナおよびすべてのチャープの特定の距離ビンの距離ＦＦＴ係数
ケース３）では、すべてのアンテナおよびすべてのドップラービンの特定の距離ビンのドップラー係数
である。
ケース１）では、すべてのアンテナおよびすべてのチャープの特定のサンプリング時間のサンプル
ケース２）では、すべてのアンテナおよびすべてのチャープの特定の距離ビンの距離ＦＦＴ係数
ケース３）では、すべてのアンテナおよびすべてのドップラービンの特定の距離ビンのドップラー係数
である。
【0065】
破棄される層は、ｙｚ層７０６全体であってもよく、これは、
ケース１）では、すべてのサンプリング時間およびすべてのアンテナの特定のチャープのサンプル
ケース２）では、すべての距離ビンおよびすべてのアンテナの特定のチャープの距離ＦＦＴ係数
ケース３）では、すべての距離ビンおよびすべてのアンテナの特定のドップラービンのドップラー係数
である。
ケース１）では、すべてのサンプリング時間およびすべてのアンテナの特定のチャープのサンプル
ケース２）では、すべての距離ビンおよびすべてのアンテナの特定のチャープの距離ＦＦＴ係数
ケース３）では、すべての距離ビンおよびすべてのアンテナの特定のドップラービンのドップラー係数
である。
【0066】
破棄される層は、ｘｙ層７０７全体であってもよく、これは、
ケース１）では、すべてのサンプリング時間およびすべてのチャープの特定のアンテナのサンプル
ケース２）では、すべての距離ビンおよびすべてのチャープの特定のアンテナの距離ＦＦＴ係数
ケース３）では、すべての距離ビンおよびすべてのドップラービンの特定のアンテナのドップラー係数（すなわち、特定のアンテナのＲ／Ｄマップ）
である。
ケース１）では、すべてのサンプリング時間およびすべてのチャープの特定のアンテナのサンプル
ケース２）では、すべての距離ビンおよびすべてのチャープの特定のアンテナの距離ＦＦＴ係数
ケース３）では、すべての距離ビンおよびすべてのドップラービンの特定のアンテナのドップラー係数（すなわち、特定のアンテナのＲ／Ｄマップ）
である。
【0067】
この場合もやはり、結果はより小さいレーダーデータのキューブ７０４である。さらに、上述したように、第１の装置は、破棄されるべき層の数を設定することによって圧縮率を選択してもよい。
【0068】
アンテナ、サンプリング時間およびチャープの数に関する制限はなく、例えば、１つまたは複数のＭＭＩＣおよびレーダープロセッサ（例えば、マイクロコントローラ）が、さまざまな実施形態に従って任意の数のアンテナ、サンプリング時間およびチャープを扱うために設けられてもよいことに留意されたい。
【0069】
上記の説明ではアンテナに言及しているが、これは、特にＭＩＭＯ（ｍｕｌｔｉｐｌｅ－ｉｎｐｕｔ，ｍｕｌｔｉｐｌｅ－ｏｕｔｐｕｔ（多入力多出力））レーダーシステムの場合には、チャネルであってもよく、各チャネルは複数の送信アンテナのうちの１つと複数の受信アンテナのうちの１つとの対によって形成されることにさらに留意されたい。これらのチャネル（各々が送信アンテナと受信アンテナとの組み合わせによって形成される）は、仮想チャネルとも呼ばれる。
【0070】
レーダーデータ要素のそれぞれの再構成において、破棄されたレーダーデータは第２の装置によって復元される必要があり、すなわち、第２の装置は、第１の装置から受信した（それぞれの）小さいデータのキューブ７０３、７０４から完全なデータのキューブ７０１、７０２を再構成する必要がある。
【0071】
以下では、上記３つのケースにおけるデータを再構成するための技術、すなわち、サンプルを再構成するための技術、距離ＦＦＴ係数を再構成するための技術、および、ドップラー係数を再構成するための技術について説明する。これらは機械学習モデルを使用しており、したがって、それぞれの展開６０２、６０４、６０６を、それぞれの機械学習モデルを使用したＡＩ展開と呼ぶ。
【0072】
ケース１）、すなわちサンプルの復元の場合、機械学習モデルは、破棄されたサンプルを計算するために使用される。この例では、説明を簡単にするために、個々のサンプリング時間（すべてのサンプリング時間ではない）のサンプルが、それらをサンプリング時間全体にわたる内挿および／または外挿によって再構成することができるように破棄されたと仮定する。破棄されたサンプルのこれらのサンプリング時間を、以下では、（サンプルが破棄されていないサンプリング時間に対して）追加のサンプリング時間と呼ぶ。（特定のチャープおよび／またはチャネルに対して）すべてのサンプリング時間のサンプルが破棄された場合には、サンプルは、（サンプリング時間ではなく）チャネルまたはチャープ全体にわたる内挿および／または外挿によって類似の方法で再構成されうる。
【0073】
そのため、この例では、第２の装置は、距離ＦＦＴを行う前に、内挿および／または外挿によって追加のサンプリング時間のサンプルを生成する機械学習モデル（例えば、ニューラルネットワーク）を使用して、（第１の装置によって提供された）特定のサンプリング時間の距離ＦＦＴの入力サンプルを処理する。
【0074】
図８に、サンプルの復元のためのこの内挿および外挿を例示する。
【0075】
第１の図８０１で例示する例では、ＡＩ展開６０２には、均一なチャープシーケンス（＃１から＃８）のサンプリング時間＃１、＃４、＃５、＃７および＃８のサンプル８０２、８０３、８０４、８０５、８０６のみが提供されると仮定されている。
【0076】
機械学習モデルは、内挿によってサンプルを埋めて距離ＦＦＴ７０４の「完全な」距離ＦＦＴ入力データ８０７にする、すなわち、サンプリング時間＃２、＃３および＃６のサンプル８０８、８０９、８１０を生成する。これは、サンプルの復元と（一般には欠落しているサンプルの計算と）みなされてもよい。
【0077】
第２の図８１１で例示する例では、第１の装置がサンプリング周波数ｆ０に対応するサンプリング時間のサンプルを提供し、ＡＩ展開６０２が、より高いサンプリング周波数、例えばｆｓ＝２×ｆ０に従ったサンプリング時間のサンプルが存在するように追加のサンプルを計算すると仮定されている。そのため、この例では、ＡＩ展開６０２には４つのサンプル８１２、８１３、８１４、８１５のみが提供される。
【0078】
機械学習モデルは、内挿および外挿によってこれらのデータを埋めてサンプリング時間＃１から＃８の各々のサンプルに、すなわち、サンプル８１７、８１８、８１９、８２０を生成することによって「完全な」距離ＦＦＴ入力データ８１６にする。ＡＩ展開６０２の入力のために、受信されたサンプルシーケンスは、例えば、ＡＩ展開６０２がサンプルシーケンスに挿入すべきサンプルのためのギャップが存在するように（マイクロコントローラなどのＡＩ展開６０２を行う信号処理ユニットによって）ゼロにされてもよい。
【0079】
ＡＩ展開６０２はまた、サンプリング時間に対して、すなわちサンプルが提供されたサンプリング時間よりも早いか、または遅いサンプリング時間に対して外挿してもよいことに留意されたい。
【0080】
機械学習モデル（例えば、ニューラルネットワーク）のための訓練データは、シミュレーションによって（あらゆるコーナーケースおよびあらゆる可能な組み合わせを生成することができる）、または実際の測定または両方の組み合わせによって取得されてもよい。第１の選択肢は、特定のシーン（すなわち、１つまたは複数の対象物体を有する）のＡＤＣデータ（すなわち、デジタル化レーダー信号サンプル）をシミュレートし、シミュレートされたＡＤＣデータを（処理のどの段でＡ／Ｄ変換が行われるかに応じて）処理して、対応する距離ＦＦＴ入力を生成することである。第２の選択肢は、シーンに対して直接距離ＦＦＴ入力をシミュレートすることである。
【0081】
例えば、訓練データは、ランダムで均一な分布から引き出された以下のパラメータを用いたシミュレーション実行によって生成される。
対象物の数 ｘ０＝［１．．．ｎ］
対象物の距離 ｘ１＝［１ｍ，３００ｍ］
対象物のＲＣＳ（ｒａｄａｒ ｃｒｏｓｓ ｓｅｃｔｉｏｎ（レーダー断面積）） ｘ２＝［－５ｄｂｓｍ，２０ｄｂｓｍ］
対象物のＳＮＲ ｘ３＝［５ｄＢ，２０ｄＢ］
対象物の数 ｘ０＝［１．．．ｎ］
対象物の距離 ｘ１＝［１ｍ，３００ｍ］
対象物のＲＣＳ（ｒａｄａｒ ｃｒｏｓｓ ｓｅｃｔｉｏｎ（レーダー断面積）） ｘ２＝［－５ｄｂｓｍ，２０ｄｂｓｍ］
対象物のＳＮＲ ｘ３＝［５ｄＢ，２０ｄＢ］
【0082】
ニューラルネットワークは、特定のチャープのサンプルのベクトルを処理しうる（すなわち、各チャープのサンプルを個別に生成しうる）。
【0083】
ニューラルネットワークへの入力においては、複素数値のベクトル、例えば、４つのサンプリング時間の場合の［ｃ０，ｃ１，ｃ２，ｃ３］（ｃｉはサンプリング時間ｉのサンプルである）は、実部と虚部との間の関係を維持するために、実数値ベクトル、例えば［ｒ０，ｒ１，ｒ２，ｒ３，ｉ０，ｉ１，ｉ２，ｉ３］（ｒｉはサンプルｃｉの実数値を含み、ｉｉは虚数値を含む）に並べ替えられうる。ＩＱサンプリングが使用される場合、複素サンプルが発生しうる。
【0084】
ニューラルネットワークは、例えば、オートエンコーダまたはＭＬＰ（ｍｕｌｔｉ－ｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎ（多層パーセプトロン））または例えばＬＳＴＭ（ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ（長・短期記憶））を有するリカレントニューラルネットワーク（ＲＮＮ）であってもよい（またはこれらを含んでもよい）。
【0085】
入力層のノードの数は、入力ベクトルの成分の数（複素数値が連結されている場合は２倍）に等しい。入力ベクトルは、サンプルのベクトルを含む。入力ベクトルは、ニューラルネットワークがサンプルを生成すると想定されるサンプリング時間のためのプレースホルダ（よって、例えば、図８の例では、距離ＦＦＴ入力データが８つのサンプリング時間すべてに対して完全に埋められると想定されているので、８つの成分）を有しうる。
【0086】
ニューラルネットワークの隠れ層は、さまざまなサイズおよび任意の活性化関数、例えばＲｅＬＵを有する全結合層でありうる。
【0087】
出力層は、ノードの数が出力ベクトルの成分の数（複素数値が２つの実数値に分割される場合は２倍）に等しい回帰層である。入力ベクトルと同様に、出力ベクトルは、すべてのサンプリング時間の成分か、またはＡＩ展開６０２がサンプルを生成すべきサンプリングの（すなわち、サンプルが提供されているものについてではない）成分のみを有しうる。
【0088】
図９に、ＭＬＰ構造を有するニューラルネットワーク９００の一例を示す。
【0089】
ニューラルネットワーク９００を訓練するために、データＤは、完全なサンプリング時間のシーケンス（この例では、図８の例と同様に８つのサンプリング時間）についてシミュレートまたは記録される。Ｄｉはサンプリング時間ｉのサンプルである。次いで、外挿係数または内挿係数が設定され、いくつかのサンプリング時間（図示の例では＃２、＃５、＃６）のデータが０に設定される（すなわち、これらのサンプリング時間のサンプルがゼロにされる）。
【0090】
次いで、ニューラルネットワーク９００は、以下で訓練される。
入力：ゼロにされたサンプルおよびランダムチャネル誤差を有するデータ
グラウンドトゥルース出力：元のデータ（すなわち、チャネル誤差の有無にかかわらず完全なシミュレートされたサンプルのベクトルであり、そのため、ニューラルネットワーク９００は誤り訂正のためにさらに訓練されうる）
入力：ゼロにされたサンプルおよびランダムチャネル誤差を有するデータ
グラウンドトゥルース出力：元のデータ（すなわち、チャネル誤差の有無にかかわらず完全なシミュレートされたサンプルのベクトルであり、そのため、ニューラルネットワーク９００は誤り訂正のためにさらに訓練されうる）
【0091】
よって、ニューラルネットワークは、ゼロにされたサンプルと元のサンプルとの間の関係を学習するように訓練される。
【0092】
推論のために、この例では、ＡＩ展開６０２の入力は、５つのサンプリング時間のサンプル９０１（すなわち、５つのサンプリング時間の各々のサンプルを含むベクトル）である。この例では、受信したデータをゼロパディングしてニューラルネットワーク９００の入力ベクトル９０２にする（ただし、ニューラルネットワークは、ゼロパディングなしの入力ベクトルとしてサンプル９０１のみを受信するように構成されてもよい）。
【0093】
ニューラルネットワークは入力ベクトル９０２に対して適用（実行）されて、出力ベクトル９０３（８つのサンプリング時間のサンプルを有する、すなわち要素の＋６０％の増加）を生成する。次いで、出力ベクトル９０３は距離ＦＦＴに供給される。
【0094】
推論において、ニューラルネットワークは（サンプリング時間のシーケンス全体のサンプルを出力するので）、既存のサンプル（すなわち、ＡＩ展開６０２が（ゼロにされていない）サンプルを提供されているサンプリング時間のサンプル）を修正（更新）しうることに留意されたい。
【0095】
あるいは、ニューラルネットワーク９００は、欠落している（すなわち、サンプルが提供されていない）サンプリング時間のデータのみを提供してもよい。その場合、（入力ノードおよび出力ノードがより少ないために）ネットワークサイズをより小さくすることができるが、（ＡＩ展開６０２がサンプルを提供されたサンプリング時間の）既存のデータは更新されない（ユースケースに応じて望ましい場合もあり、望ましくない場合もある）。
【0096】
図１０に、オートエンコーダ構造を有するニューラルネットワーク１０００の一例を示す。
【0097】
訓練のために、データＤは、完全なサンプリング時間のシーケンス（この例では８つのサンプリング時間）を使用してシミュレートまたは記録される。次いで、外挿係数または内挿係数が設定され、いくつかのサンプリング時間（図示の例では＃２、＃５、＃６）のデータが除去される。次いで、ニューラルネットワーク１０００は、以下で訓練される。
入力：選択されたサンプリング時間のデータ（すなわち、除去されたデータなし）
グラウンドトゥルース出力：除去されたデータ
よって、ニューラルネットワークは、選択されたデータと除去されたデータとの間の関係を学習するように訓練される。
入力：選択されたサンプリング時間のデータ（すなわち、除去されたデータなし）
グラウンドトゥルース出力：除去されたデータ
よって、ニューラルネットワークは、選択されたデータと除去されたデータとの間の関係を学習するように訓練される。
【0098】
推論のために、この例では、ＡＩ展開の入力は、５つのサンプリング時間のデータ１００１（すなわち、５つのサンプリング時間の各々のサンプルを含むベクトル）である。この入力データ１００１はまた、ニューラルネットワーク１０００に対する入力ベクトルでもある。
【0099】
ニューラルネットワークは、この入力ベクトル１００１に対して適用（実行）されて、さらに３つのサンプリング時間のデータを有する出力ベクトル１００２を生成する。出力ベクトル１００２は、入力ベクトル１００１と一緒に、それぞれのチャープ（およびチャネル）の距離ＦＦＴの入力ベクトル１００３にまとめられる。
【0100】
訓練は外部装置によって行われてもよいことに留意されたい。例えば、機械学習モデルは、コンピュータによって訓練され、ＡＩ展開を実施する装置に後で記憶されてもよい。とは言え、訓練装置は、外部にあっても、レーダーシステムの一部とみなされうる。
【0101】
ケース２）、すなわち距離ＦＦＴ係数の復元の場合、機械学習モデルは、破棄された距離ＦＦＴ係数を算出するために使用される。
【0102】
この例では、説明を簡単にするために、個々のチャープのすべての距離ＦＦＴ係数（すなわち、すべてのチャネルおよび距離ビンのそのチャープの距離ＦＦＴ係数）（すべてのチャープの距離ＦＦＴ係数ではない）が、それらをチャープ全体にわたる内挿および／または外挿によって再構成することができるように破棄されたと仮定する。これらのチャープを、以下では、（距離ＦＦＴ係数が破棄されていないチャープに対して）追加チャープと呼ぶ。特定の距離ＦＦＴ係数が（特定の距離ビンおよび／またはチャネルの）すべてのチャープに対して破棄された場合には、距離ＦＦＴ係数は、（チャープではなく）チャネルまたは距離ビン全体にわたる内挿および／または外挿によって類似の方法で再構成されうる。個々のチャープのすべての距離ＦＦＴ係数が破棄されているわけではない（すなわち、すべてのチャネルおよび距離ビンに対して破棄されているわけではない）場合、破棄されていない距離ＦＦＴ係数を再構成する必要はないが、以下では、すべてを再構成する方法について説明する。いずれかの距離ＦＦＴ係数を再構成する必要がない場合、それらを固定することができ、または機械学習モデルはそれらの出力を提供しないように構成されてもよい。
【0103】
そのため、この例では、第２の装置は、ドップラーＦＦＴを行う前に、第１の装置から提供される距離ＦＦＴ係数を、外挿および内挿によって増加した数のチャープに対応する処理された入力を生成する機械学習モデル（例えば、ニューラルネットワーク）を使用して処理する。
【0104】
図１１に、距離ＦＦＴ係数の復元のためのこの外挿および内挿を例示する。
【0105】
第１の図１１０１で例示する例では、第２の装置には、均一なチャープシーケンス（＃１から＃８）のチャープ＃３、＃４、＃５および＃６の距離ＦＦＴ係数のそれぞれのベクトル１１０２、１１０３、１１０４、１１０５を含む距離ＦＦＴ出力のみが提供されると仮定されている。
【0106】
機械学習モデルは、外挿によってこのデータを埋めてドップラーＦＦＴの「完全な」ドップラーＦＦＴ入力データ１１０６にする、すなわち、チャープ＃１、＃２、＃７および＃８の距離ＦＦＴ係数ベクトル１１０７、１１０８、１１０９、１１１０を生成する。
【0107】
第２の図１１１１で例示する例では、第２の装置には、均一なチャープシーケンスのチャープ＃１、＃２、＃５、＃６および＃８の距離ＦＦＴ係数のそれぞれのベクトル１１１２、１１１３、１１１４、１１１５、１１１６を含む距離ＦＦＴ出力のみが提供されると仮定される。
【0108】
機械学習モデルは、内挿によってこのデータを埋めてドップラーＦＦＴの「完全な」ドップラーＦＦＴ入力データ１１１７にする、すなわち、チャープ＃３、＃４および＃７の距離ＦＦＴ係数ベクトル１１１８、１１１９、１１２０を生成する。
【0109】
機械学習モデル（例えば、ニューラルネットワーク）のための訓練データは、シミュレーションによって（あらゆるコーナーケースおよびあらゆる可能な組み合わせを生成することができる）、または実際の測定または両方の組み合わせによって取得されてもよい。第１の選択肢は、特定のシーン（すなわち、１つまたは複数の対象物体を有する）のＡＤＣデータ（すなわち、デジタル化レーダー信号サンプル）をシミュレートし、シミュレートされたＡＤＣデータを処理して、対応するドップラーＦＦＴ入力を生成することである。第２の選択肢は、シーンに対して直接ドップラーＦＦＴ入力をシミュレートすることである。
【0110】
例えば、訓練データは、ランダムで均一な分布から引き出された以下のパラメータを用いたシミュレーション実行によって生成される。
対象物の数 ｘ０＝［１．．．ｎ］
対象物の速度 ｘ１＝［－５０ｍ／ｓ，５０ｍ／ｓ］
対象物のＲＣＳ（レーダー断面積） ｘ２＝［－５ｄｂｓｍ，２０ｄｂｓｍ］
対象物のＳＮＲ ｘ３＝［５ｄＢ，２０ｄＢ］
対象物の数 ｘ０＝［１．．．ｎ］
対象物の速度 ｘ１＝［－５０ｍ／ｓ，５０ｍ／ｓ］
対象物のＲＣＳ（レーダー断面積） ｘ２＝［－５ｄｂｓｍ，２０ｄｂｓｍ］
対象物のＳＮＲ ｘ３＝［５ｄＢ，２０ｄＢ］
【0111】
ニューラルネットワークへの入力においては、複素数値行列、例えば、４つのチャープの場合の［Ｃ０，Ｃ１，Ｃ２，Ｃ３］（Ｃｉはチャープｉの距離ＦＦＴのフーリエ係数のベクトルである）は、実部と虚部との間の関係を維持するために、実数値ベクトル、例えば、［Ｒ０，Ｒ１，Ｒ２，Ｒ３，Ｉ０，Ｉ１，Ｉ２，Ｉ３］に並べ替えられうる（Ｒｉは、Ｃｉの成分の実数値を含み、Ｉｉは虚数値を含む）。
【0112】
ニューラルネットワークは、例えば、オートエンコーダまたはＭＬＰ（多層パーセプトロン）または例えばＬＳＴＭ（長・短期記憶）を有するリカレントニューラルネットワーク（ＲＮＮ）であってもよい（またはこれらを含んでもよい）。
【0113】
入力層のノードの数は、入力行列の成分の数の２倍（連結された複素数値）に等しい。入力行列は、（第２の装置が距離ＦＦＴ係数を受信する）チャープごとに、距離ＦＦＴ係数のベクトルを含んでもよい。入力行列は、ニューラルネットワークが距離ＦＦＴ係数を生成すると想定されるチャープのためのプレースホルダ（よって、例えば、図１１の例では、入力データが８つのチャープすべてに対して完全に埋められると想定されているので、８つの複素係数ベクトル、すなわち１６個の実数ベクトル）を有しうる。
【0114】
ニューラルネットワークの隠れ層は、さまざまなサイズおよび任意の活性化関数、例えばＲｅＬＵを有する全結合層でありうる。
【0115】
出力層は、（この場合もやはり、複素数値は２つの実数値に分割されるため）出力行列の成分の数の２倍に等しい数のノードを有する回帰層である。入力行列と同様に、出力行列は、（ニューラルネットワークはまた、第２の装置がＦＦＴ係数を受信するチャープのデータを更新しうるため）すべてのチャープのベクトル（例えば行）か、または第２の装置がＦＦＴ係数を受信せず、距離ＦＦＴ係数がＡＩ展開６０４によって生成されるべきであるチャープのベクトルのみを有しうる。
【0116】
ニューラルネットワークは、例えば、図９に示すような構造を有してもよい。
【0117】
その場合、訓練のために、データＤは、チャープの全パターン（この例では、図８の例と同様に８つのチャープ）についてシミュレートまたは記録される。このケースに適用する場合、Ｄｉはチャープｉの距離ＦＦＴフーリエ係数のベクトルである。次いで、外挿係数または内挿係数が設定され、いくつかのチャープ（図示の例では＃２、＃５、＃６）のデータが０に設定される（すなわち、これらのチャープの距離ＦＦＴ結果データがゼロにされる）。
【0118】
次いで、ニューラルネットワーク９００は、以下で訓練される。
入力：ゼロにされた距離ＦＦＴ出力データおよびランダムチャネル誤差を有するデータ
グラウンドトゥルース出力：元のデータ（チャネル誤差の有無にかかわらず、そのため、ニューラルネットワーク９００は誤り訂正のためにさらに訓練されうる）
入力：ゼロにされた距離ＦＦＴ出力データおよびランダムチャネル誤差を有するデータ
グラウンドトゥルース出力：元のデータ（チャネル誤差の有無にかかわらず、そのため、ニューラルネットワーク９００は誤り訂正のためにさらに訓練されうる）
【0119】
よって、ニューラルネットワークは、ゼロにされた距離ＦＦＴ結果データと元の距離ＦＦＴ結果データとの間の関係を学習するように訓練される。
【0120】
推論のために、このケースでは、図９に例示する例において、ＡＩ処理６０４入力は、５つのチャープの距離ＦＦＴ出力データ９０１（すなわち、５つのチャープの各々の距離ＦＦＴ係数のベクトルを含む行列）である。ＡＩ処理では、受信したデータをゼロパディングしてニューラルネットワーク９００の入力行列９０２にする。
【0121】
ニューラルネットワークは、この入力行列９０２に対して適用（実行）されて、出力行列９０３（８つのチャープの距離ＦＦＴ出力データを有する、すなわち要素の＋６０％の増加）を生成する。次いで、出力行列９０３はドップラーＦＦＴに供給される。
【0122】
推論において、ニューラルネットワークは（チャープシーケンス全体の距離ＦＦＴ係数を出力するので）、既存の測定値（すなわち、第１の装置がＦＦＴ係数を提供するチャープのために導出された値）を修正（更新）しうることに留意されたい。
【0123】
あるいは、ニューラルネットワークは、欠落している（すなわち、第１の装置がＦＦＴ係数を提供しない）チャープのデータのみを提供してもよい。その場合、（入力ノードおよび出力ノードがより少ないために）ネットワークサイズをより小さくすることができるが、（第１の装置がＦＦＴ係数を提供したチャープの）既存のデータは更新されず、これは望ましい場合もあり、望ましくない場合もある。
【0124】
距離ＦＦＴ係数を再構成するためのニューラルネットワークはまた、図１０に例示するようなオートエンコーダ構造を有してもよい。
【0125】
その場合、訓練のために、データＤは、完全なチャープシーケンス（この例では８つのチャープ）を使用してシミュレートまたは記録される。次いで、外挿係数または内挿係数が設定され、いくつかのチャープ（図示の例では＃２、＃５、＃６）のデータが除去される。次いで、ニューラルネットワーク１０００は、以下で訓練される。
入力：選択されたチャープのデータ（すなわち、除去されたデータなし）
グラウンドトゥルース出力：除去されたデータ
よって、ニューラルネットワークは、選択されたデータと除去されたデータとの間の関係を学習するように訓練される。
入力：選択されたチャープのデータ（すなわち、除去されたデータなし）
グラウンドトゥルース出力：除去されたデータ
よって、ニューラルネットワークは、選択されたデータと除去されたデータとの間の関係を学習するように訓練される。
【0126】
推論のために、このケースのこの例では、ＡＩ処理入力は、５つのチャープのデータ１００１（すなわち、５つのチャープの各々の距離ＦＦＴ係数のベクトルを含む行列）である。この入力データ１００１は、ニューラルネットワーク１０００の入力行列でもある。
【0127】
ニューラルネットワークは、この入力行列１００１に対して適用（実行）されて、さらに３つのチャープのデータを有する出力行列１００２を生成する。出力行列１００２は、入力行列１００１と一緒にドップラーＦＦＴの入力行列１００３にまとめられる。
【0128】
訓練は外部装置によって行われてもよいことに留意されたい。例えば、機械学習モデルは、コンピュータによって訓練され、ＡＩ処理を実施する装置に後で記憶されてもよい。とは言え、訓練装置は、外部にあっても、レーダーシステムの一部とみなされうる。
【0129】
ケース３）、すなわちドップラーＦＦＴ係数の復元の場合、機械学習モデルは、破棄されたドップラーＦＦＴ係数を算出するために使用される。
【0130】
この例では、説明を簡単にするために、個々のアンテナのドップラーＦＦＴ係数（一般的にはチャネル、すなわち、すべての距離ビンおよびドップラービンのそのアンテナのドップラーＦＦＴ係数）が、それらをチャネル全体にわたる内挿および／または外挿によって再構成することができるように破棄されたと仮定する。これらのチャネルを、以下では、（ドップラーＦＦＴ係数が破棄されていないチャネルに対して）追加チャネルと呼ぶ。特定のドップラーＦＦＴ係数が（特定の距離ビンおよび／またはドップラービンの）すべてのチャネルに対して破棄された場合には、ドップラーＦＦＴ係数は、（チャネルではなく）距離ビンまたはドップラービン全体にわたる内挿および／または外挿によって類似の方法で再構成されうる。個々のチャネルのすべてのドップラーＦＦＴ係数が破棄されているわけではない場合、破棄されていないドップラーＦＦＴ係数を再構成する必要はないが、以下では、すべてを再構成する方法について説明する（特定のピークについて、すなわち、展開は、ここでは、ピーク検出後であると仮定されるが、ドップラーＦＦＴ係数は、すべての距離・ドップラービンに対して類似の方法で再構成されてもよい）。いずれかのドップラーＦＦＴ係数を再構成する必要がない場合、それらを固定することができ、または機械学習モデルはそれらの出力を提供しないように構成されてもよい。
【0131】
そのため、この例では、集約Ｒ／Ｄマップ内のピークのＤｏＡ判定（推定）を行う前に、ＤｏＡの入力（識別されたピークごとの第２のＦＦＴ結果のベクトル）が、外挿および内挿によって増加した数のアンテナ素子（またはチャネル）に対応する処理された入力を生成するニューラルネットワークによって処理される。
【0132】
図１２に、８つのアンテナを有する仮想受信アンテナアレイのドップラーＦＦＴ係数を復元するためのこの外挿および内挿を例示する。
【0133】
第１の図１２０１では、第１の装置は、（均一なサブアレイを形成する）仮想受信アンテナアレイの第３のから第６の（仮想）アンテナのドップラーＦＦＴ係数のみを提供すると仮定されている。ニューラルネットワークは、均一なアレイの外挿によって第１、第２、第７および第８のアンテナの（検出されたピークに対する）第２の（すなわちドップラー）ＦＦＴ結果データを生成する。
【0134】
第２の図１２０２では、第１の装置は、（スパースアレイ、すなわち、すべての位置が占有されているわけではない（例えば、位置の多くても半分が占有されている）を形成する）仮想受信アンテナアレイの第２、第３、第５および第６の（仮想）アンテナのドップラーＦＦＴ係数のみを提供すると仮定されている。ニューラルネットワークは、スパースアレイの外挿によって第１および第８のアンテナの（検出されたピークに対する）第２のＦＦＴ結果データを生成する。
【0135】
第３の図１２０３では、第１の装置は、（スパースアレイを形成する）仮想受信アンテナアレイの第２、第５、第６および第８の（仮想）アンテナのドップラーＦＦＴ係数のみを提供すると仮定されている。ニューラルネットワークは、スパースアレイの内挿によって第３、第４および第７のアンテナの（検出されたピークに対する）第２のＦＦＴ結果データを生成する。
【0136】
第４の図１２０４では、第１の装置は、（スパースアレイを形成する）仮想受信アンテナアレイの第２、第５、第６および第８の（仮想）アンテナのデジタル化受信サンプルのみを提供すると仮定されている。ニューラルネットワークは、スパースアレイの外挿および内挿によって第１、第３、第４および第７のアンテナの（検出されたピークに対する）第２のＦＦＴ結果データを生成する。
【0137】
ニューラルネットワークのための訓練データは、シミュレーションによって（あらゆるコーナーケースおよびあらゆる可能な組み合わせを生成することができる）または実際の測定または両方の組み合わせによって取得されてもよい。第１の選択肢は、特定のシーン（すなわち、１つまたは複数の対象物体を有する）のＡＤＣデータ（すなわち、デジタル化レーダー信号サンプル）をシミュレートし、シミュレートされたＡＤＣデータを処理して、対応するＤｏＡ判定入力ベクトルを生成することである。第２の選択肢は、シーンに対して直接ＤｏＡ判定入力ベクトルをシミュレートすることである。
【0138】
例えば、訓練データは、ランダムで均一な分布から引き出された以下のパラメータを用いたシミュレーション実行によって生成される。
対象物の数 ｘ０＝［１．．．ｎ］
対象物の角度 ｘ１＝［－９０°，９０°］
対象物のＲＣＳ（レーダー断面積） ｘ２＝［－５ｄｂｓｍ，２０ｄｂｓｍ］
チャネル位相誤差 ｘ３＝［－１０°，１０°］
対象物のＳＮＲ ｘ４＝［５ｄＢ，２０ｄＢ］
対象物の数 ｘ０＝［１．．．ｎ］
対象物の角度 ｘ１＝［－９０°，９０°］
対象物のＲＣＳ（レーダー断面積） ｘ２＝［－５ｄｂｓｍ，２０ｄｂｓｍ］
チャネル位相誤差 ｘ３＝［－１０°，１０°］
対象物のＳＮＲ ｘ４＝［５ｄＢ，２０ｄＢ］
【0139】
ニューラルネットワークへの入力においては、複素数値ベクトル、例えば、４つのチャネルの場合の［ｃ０，ｃ１，ｃ２，ｃ３］（ｃｉは、それぞれのピークのチャネルｉのＲ／Ｄマップエントリである）は、実部と虚部との間の関係を維持するために、実数値ベクトル、例えば、［ｒ０，ｒ１，ｒ２，ｒ３，ｉ０，ｉ１，ｉ２，ｉ３］に並べ替えられうる。
【0140】
ニューラルネットワークは、例えば、オートエンコーダまたはＭＬＰ（多層パーセプトロン）または例えばＬＳＴＭ（長・短期記憶）を有するリカレントニューラルネットワーク（ＲＮＮ）であってもよい（またはこれらを含んでもよい）。
【0141】
入力層のノードの数は、入力ベクトルの長さの２倍（連結された複素数値）に等しい。入力ベクトルは、（第１の装置がデータを提供する）仮想チャネルごとに、そのアンテナのＲ／Ｄマップが距離・ドップラービンに対して有するエントリを含んでもよく、そのピークは集約Ｒ／Ｄマップ内に位置する（よって、図１２の例では４つの複素数値、すなわち８つの実数値）。あるいは、入力ベクトルは、ニューラルネットワークがＤｏＡ判定入力データを生成すると想定される仮想チャネルのためのプレースホルダ（よって、例えば、図１２０４の例では、仮想受信アンテナアレイが完全に埋められると想定されているので、８つの複素数値、すなわち１６個の実数値）を有してもよい。
【0142】
ニューラルネットワークの隠れ層は、さまざまなサイズおよび任意の活性化関数、例えばＲｅＬＵを有する全結合層でありうる。
【0143】
出力層は、（この場合もやはり、複素数値は２つの実数値に分割されるため）出力ベクトルの長さの２倍に等しい数のノードを有する回帰層である。入力ベクトルと同様に、出力ベクトルは、（ニューラルネットワークはまた、第１の装置がデータを提供する仮想受信アンテナのデータを更新しうるため）すべての仮想受信アンテナの成分か、または第１の装置が入力データを提供せず、ＤｏＡ判定入力データがＡＩ展開６０６によって生成されるべきである仮想受信アンテナの成分のみを有しうる。
【0144】
ニューラルネットワークは、例えば、図９に示すような構造を有してもよい。
【0145】
その場合、訓練のために、データＤは、完全な仮想受信アンテナアレイ（この例では８つの仮想チャネル）を使用してシミュレートまたは記録される。次いで、外挿係数または内挿係数が設定され、いくつかのチャネル（図示の例では２、５、６）のデータが０に設定される（すなわち、これらのチャネルのチャネルデータがゼロにされる）。次いで、ニューラルネットワーク９００は、以下で訓練される。
入力：ゼロにされたチャネルデータおよびランダムチャネル誤差を有するデータ
グラウンドトゥルース出力：元のデータ（チャネル誤差の有無にかかわらず、そのため、ニューラルネットワーク９００は誤り訂正のためにさらに訓練されうる）
入力：ゼロにされたチャネルデータおよびランダムチャネル誤差を有するデータ
グラウンドトゥルース出力：元のデータ（チャネル誤差の有無にかかわらず、そのため、ニューラルネットワーク９００は誤り訂正のためにさらに訓練されうる）
【0146】
よって、ニューラルネットワークは、ゼロにされたチャネルデータと元のチャネルデータとの間の関係を学習するように訓練される。
【0147】
推論のために、このケースでは、図９に例示する例において、ＡＩ処理入力は、５つの仮想チャネルのデータ９０１（すなわち、５つの（仮想）受信アンテナのエントリを有するＤｏＡ判定入力ベクトル）である。ＡＩ処理では、受信したデータをゼロパディングしてニューラルネットワーク９００の入力ベクトル９０２にする。
【0148】
ニューラルネットワークは、この入力ベクトル９０２に対して適用（実行）されて、出力ベクトル９０３（サイズ＝８、すなわち要素の＋６０％の増加）を生成する。次いで、出力ベクトル９０３は、（選択のアルゴリズム（例えば第３段ＦＦＴや、重信号分類（ＭＵＳＩＣ））を使用する）ＤｏＡ判定に供給される。
【0149】
推論において、ニューラルネットワークは（仮想チャネルアレイ全体のＤｏＡ判定入力データを出力するので）、既存の測定値（すなわち、第１の装置がサンプルを提供するチャネルのために導出された値）を修正（更新）しうることに留意されたい。
【0150】
あるいは、ニューラルネットワークは、欠落している（すなわち、第１の装置がデータを提供しない）チャネルのデータのみを提供してもよい。その場合、（入力ノードおよび出力ノードがより少ないために）ネットワークサイズをより小さくすることができるが、（第１の装置がサンプルを提供したチャネルの）既存のデータは更新されず、これは望ましい場合もあり、望ましくない場合もある。
【0151】
距離ＦＦＴ係数を再構成するためのニューラルネットワークはまた、図１０に例示するようなオートエンコーダ構造を有してもよい。
【0152】
その場合、訓練のために、データＤは、完全な仮想受信アンテナアレイ（この例では８つの仮想チャネル）を使用してシミュレートまたは記録される。次いで、外挿係数または内挿係数が設定され、いくつかのチャネル（図示の例では２、５、６）のデータが除去される。次いで、ニューラルネットワーク１０００は、以下で訓練される。
入力：選択されたチャネルのデータ（すなわち、除去されたデータなし）
グラウンドトゥルース出力：除去されたデータ
入力：選択されたチャネルのデータ（すなわち、除去されたデータなし）
グラウンドトゥルース出力：除去されたデータ
【0153】
よって、ニューラルネットワークは、選択されたデータと除去されたデータとの間の関係を学習するように訓練される。
【0154】
推論のために、このケースのこの例では、ＡＩ処理入力は、５つの仮想チャネルのデータ１００１（すなわち、５つの（仮想）受信アンテナのエントリを有するＤｏＡ判定入力ベクトル）である。この入力データ１００１はまた、ニューラルネットワーク１０００に対する入力ベクトルでもある。
【0155】
ニューラルネットワークは、この入力ベクトル１００１に対して適用（実行）されて、追さらに３つのチャネルのデータを有する出力ベクトル１００２を生成する。出力ベクトル１００２は、入力ベクトル１００１と一緒に、ＤｏＡ判定（選択のアルゴリズム（例えば、第３段ＦＦＴや、多重信号分類（ＭＵＳＩＣ））を使用する）のための入力ベクトル１００３にまとめられる。
【0156】
訓練は外部装置によって行われてもよいことに留意されたい。例えば、機械学習モデルは、コンピュータによって訓練され、ＡＩ処理を実施する装置に後で記憶されてもよい。とは言え、訓練装置は、外部にあっても、レーダーシステムの一部とみなされうる。
【0157】
ニューラルネットワークはまた、レーダーデータのキューブの全層を一度に再構成する（すなわち、その出力層は、レーダーデータのキューブの全層の（少なくとも）破棄された値の値を与える、例えば、全Ｒ／Ｄマップの破棄されたドップラーＦＦＴ値を再構成する）ように構成されてもよいことにさらに留意されたい。
【0158】
さらに、第１の装置は、送信からレーダーデータの一部のみを割愛してもよい（必ずしも破棄しなくてもよい）ことに留意されたい。そのため、本明細書で破棄されたデータと呼ぶデータは、第１の装置から第２の装置への送信から割愛されるデータとみなされてもよい。
【0159】
要約すると、さまざまな実施形態によれば、図１３に例示するようなレーダーシステムが提供される。
【0160】
図１３に、一実施形態によるレーダーシステム１３００を示す。
【0161】
レーダーシステム１３００は、第１のレーダー処理装置１３０１と第２のレーダー処理装置１３０２とを含む。
【0162】
第１のレーダー処理装置１３０１は、レーダーデータを生成し、そのレーダーデータをさらに処理するために第２のレーダー処理装置１３０２に部分的に送信するように構成され、第１のレーダー処理装置は、送信からレーダーデータの部分を割愛するように構成される。
【0163】
第２のレーダー処理装置１３０２は、レーダーデータを追加のレーダーデータで補完するように訓練された機械学習モデル１３０３を使用して割愛された部分を再構成するように構成され、レーダーデータの送信された部分を追加のレーダーデータと組み合わせてさらに処理するように構成される。
【0164】
さまざまな例によれば、言い換えれば、レーダーデータは、レーダーデータの部分を破棄することによって圧縮され、圧縮されたレーダーデータを送信した後、破棄された部分は、その目的のために訓練された機械学習モデルを使用して受信機側で再構成される。
【0165】
例えば、第１のレーダー処理装置は、ＭＭＩＣと、サンプリングおよび距離ＦＦＴを行う統合処理と、を含むレーダーセンサ装置であり、第２のレーダー処理装置は、さらなるレーダー処理（すなわち、ここでは距離ＦＦＴ後の処理、すなわちドップラーＦＦＴなど）を行うＡＤＡＳの装置である。
【0166】
あるいは、例えば、第１のレーダー処理は、距離ＦＦＴおよびドップラーＦＦＴを行い（例えば、ＦＦＴを行うマイクロコントローラであり）、第２のレーダー処理装置は、ＡＤＡＳの装置であり、さらなるレーダー処理（すなわち、ＤｏＡ判定などである）を行う。第１のレーダー処理装置は、さらなるレーダー処理装置、例えばＭＭＩＣからサンプルを受信してもよい。マイクロコントローラおよびＭＭＩＣは、例えば、レーダーセンサの一部であってもよい。
【0167】
さまざまな例によれば、図１４に例示するような方法が行われる。
【0168】
【0169】
１４０１において、第１のレーダー処理装置がレーダーデータを生成する。
【0170】
１４０２において、レーダーデータは、さらなる処理のために第１のレーダー処理装置から第２のレーダー処理装置に部分的に送信され、第１のレーダー処理装置は、送信からレーダーデータの部分を割愛する。
【0171】
１４０３において、第２のレーダー処理装置は、レーダーデータを追加のレーダーデータで補完するように訓練された機械学習モデルを使用して割愛された部分を再構成する。
【0172】
１４０４において、第２のレーダー処理装置は、レーダーデータの送信された部分を追加のレーダーデータと組み合わせてさらに処理する。
【0173】
方法は１つまたは複数のプロセッサによって行われてもよく、レーダーシステムの構成部品は１つまたは複数のプロセッサによって実施されてもよい。「プロセッサ」は、任意の種類の論理実装エンティティとして理解されてもよく、このエンティティは、専用回路であってもよいし、メモリに記憶されたソフトウェアを実行するプロセッサ、ファームウェア、またはそれらの任意の組み合わせであってもよい。よって、「プロセッサ」は、ハードワイヤードロジックプロセッサであっても、プログラマブルプロセッサなどのプログラマブルロジックプロセッサ、例えばマイクロプロセッサであってもよい。「プロセッサ」はまた、ソフトウェア、例えば任意の種類のコンピュータプログラムを実行するプロセッサであってもよい。本明細書でより詳細に説明されているそれぞれの機能の任意の他の種類の実施態様もまた、「プロセッサ」として理解されうる。特に、第１のレーダー処理装置および第２のレーダー処理装置は、１つまたは複数の回路を各々含んでもよい。例えば、レーダー処理装置の一方がレーダー信号処理回路１１１に相当してもよい。第１のレーダー処理装置は、ＭＭＩＣであってもよい。これらは、バスなどの１つまたは複数の通信回線によって接続された電子装置であってもよい。
【0174】
以下の例は、さらなる例示的な実施態様に関する。
【0175】
例１は、図１３に例示されるようなレーダーシステムである。
【0176】
例２は、例１のレーダーシステムであって、レーダーデータがレーダーサンプルであり、第１のレーダー処理装置が、特定のサンプリング時間のレーダーサンプルを割愛するように構成され、第２のレーダー処理装置が、割愛されたレーダーサンプルを再構成し、再構成されたレーダーサンプルを使用して距離フーリエ変換を行うように構成される、レーダーシステムである。
【0177】
例３は、例２のレーダーシステムであって、第１のレーダー処理装置が、サンプリング時間とレーダーチャネルとチャープとの特定の組み合わせに対するレーダーサンプルを割愛するように構成される、レーダーシステムである。
【0178】
例４は、例２または例３のレーダーシステムであって、第２のレーダー処理装置が、第１のレーダー処理装置から第２のレーダー処理装置に送信された他のサンプリング時間、レーダーチャネルおよび／またはチャープに対する送信されたレーダーサンプルを外挿および／または内挿することによって割愛されたレーダーサンプルを再構成するように構成される、レーダーシステムである。
【0179】
例５は、例１のレーダーシステムであって、レーダーデータが距離フーリエ変換結果であり、第１のレーダー処理装置が、特定のチャープに対する距離フーリエ変換結果を割愛するように構成され、第２のレーダー処理装置が、割愛された距離フーリエ変換結果を再構成して、再構成された距離フーリエ変換結果を使用してドップラーフーリエ変換を行うように構成される、レーダーシステムである。
【0180】
例６は、例５のレーダーシステムであって、第１のレーダー処理装置が、距離ビンとレーダーチャネルとチャープとの特定の組み合わせに対する距離フーリエ変換結果を割愛するように構成される、レーダーシステムである。
【0181】
例７は、例５または例６のレーダーシステムであって、第２のレーダー処理装置が、第１のレーダー処理装置から第２のレーダー処理装置への他の距離ビン、レーダーチャネルおよび／またはチャープに対する距離フーリエ変換結果を外挿および／または内挿することによって割愛された距離フーリエ変換結果を再構成するように構成される、レーダーシステムである。
【0182】
例８は、例１のレーダーシステムであって、レーダーデータがドップラーフーリエ変換結果であり、第１のレーダー処理装置が、特定のレーダーチャネルに対するドップラーフーリエ変換結果を割愛するように構成され、第２のレーダー処理装置が、割愛されたドップラーフーリエ変換結果を再構成して、再構成されたドップラーフーリエ変換結果を使用して到来方向判定を行うように構成される、レーダーシステムである。
【0183】
例９は、例８のレーダーシステムであって、第１のレーダー処理装置が、距離ビンとレーダーチャネルとドップラービンとの特定の組み合わせに対するドップラーフーリエ変換結果を割愛するように構成される、レーダーシステムである。
【0184】
例１０は、例８または例９のレーダーシステムであって、第２のレーダー処理装置が、第１のレーダー処理装置から第２のレーダー処理装置への他の距離ビン、レーダーチャネルおよび／またはドップラービンに対するドップラーフーリエ変換結果を外挿および／または内挿することによって割愛されたドップラーフーリエ変換結果を再構成するように構成される、レーダーシステムである。
【0185】
例１１は、例１から例１０のいずれか１つのレーダーシステムであって、第１のレーダー処理装置が、レーダーデータの部分を破棄するように構成される、レーダーシステムである。
【0186】
例１２は、例１から例１０のいずれか１つのレーダーシステムであって、第１のレーダー処理装置が、マスクに従ってレーダーデータの部分を破棄するように構成され、マスクを第２のレーダー処理装置にシグナリングするように構成される、レーダーシステムである。
【0187】
例１３は、例１２のレーダーシステムであって、第１のレーダー処理装置が、圧縮率を決定し、決定された圧縮率に従ってマスクを決定するように構成される、レーダーシステムである。
【0188】
例１４は、例１から例１３のいずれか１つのレーダーシステムであって、第１のレーダー処理装置がモノリシックマイクロ波集積回路であり、第２のレーダー処理装置がマイクロコントローラである、レーダーシステムである。
【0189】
例１５は、例１から例１４のいずれか１つのレーダーシステムであって第１のレーダー処理装置が、車両のレーダーセンサ装置であり、第２のレーダー処理装置が、車両の先進運転者支援システムの処理装置である、レーダーシステムである。
【0190】
例１６は、機械学習モデルを訓練するように構成された訓練装置を含む、例１から１５のいずれか１つのレーダーシステムである。
【0191】
例１７は、例１から例１６のいずれか１つのレーダーシステムであって、機械学習モデルがニューラルネットワークである、レーダーシステムである。
【0192】
例１８は、例１から例１７のいずれか１つのレーダーシステムであって、機械学習モデルが、多層パーセプトロン、オートエンコーダおよびＵＮｅｔのうちの少なくとも１つを含む、レーダーシステムである。
【0193】
例１９は、図１４に例示されるようなレーダーシステムにおいてデータを送信するための方法である。
【0194】
例２０は、機械学習モデルを訓練するステップをさらに含む、例１９の方法である。
【0195】
上記の例のいずれかの特徴のうちの１つまたは複数が、その他の例のいずれか１つと組み合わされてもよいことに留意されたい。
【0196】
特定の態様を説明したが、添付の特許請求の範囲によって規定される本開示の態様の趣旨および範囲から逸脱することなく、形態および詳細のさまざまな変更がなされうることが当業者によって理解されるはずである。よって、その範囲は添付の特許請求の範囲によって示され、したがって、特許請求の範囲と均等の意味および範囲内にあるすべての変更が包含されることが意図されている。
【符号の説明】
【0197】
１００ レーダー設備
１０１ レーダー装置
１０２ アンテナ配列
１０３ レーダー制御装置
１０４ 送信機
１０５ デュプレクサ
１０６ 受信機
１０７ コントローラ
１０８ 物体
１０９ 送信信号
１１０ エコー
１１１ レーダー信号処理回路
２００ ＦＭＣＷレーダーシステム
２０１ 鋸歯状波形
２０２ 発振器
２０３ 送信アンテナ
２０４ 受信アンテナ
２０５ 混合器
２０６ ローパスフィルタ
２０７ スペクトラムアナライザ
２０８ チャープ
３００ レーダー装置
３０１ ランパ付き発振器
３０２ 送信増幅器
３０３ 混合器
３０４ アナログフィルタ
３０５ ＡＤＣ
３０６ デジタルインターフェース
３０７ レーダー信号プロセッサ
３０８ レーダー信号処理回路
３０９ 出力インターフェース
３１０ ＭＭＩＣ
３１１ 電力増幅器
３１２ 送信信号インターフェース
４０１ ＭＭＩＣ
４０２ レーダー信号処理チェーン
４０３～４１１ レーダー処理
５００ データキューブ
５０１ 集約距離・ドップラーマップ
５０２ ＦＦＴピーク
５０３ 受信アンテナ
６０１、６０３、６０５ 圧縮
６０２、６０４、６０６ 展開
７０１、７０２ 完全なレーダーデータのキューブ
７０３、７０４ 圧縮されたレーダーデータのキューブ
８０１ 図
８０２～８０６ サンプル
８０７ 距離ＦＦＴ入力データ
８０８～８１０ サンプル
８１１ 図
８１２～８１５ サンプル
８１６ 距離ＦＦＴ入力データ
８１７～８２０ サンプル
９００ ニューラルネットワーク
９０１ 入力データ
９０２ 入力ベクトル
９０３ 出力ベクトル
１０００ ニューラルネットワーク
１００１ 入力データ
１００２ ニューラルネットワーク出力ベクトル
１００３ 距離ＦＦＴ／ドップラーＦＦＴ／ＤｏＡ入力ベクトル／行列
１１０１ 図
１１０２～１１０５ 距離ＦＦＴ係数ベクトル
１１０６ ドップラーＦＦＴ入力データ
１１０７～１１１０ 距離ＦＦＴ係数ベクトル
１１１１ 図
１１１２～１１１６ 距離ＦＦＴ係数ベクトル
１１１７ ドップラーＦＦＴ入力データ
１１８～１１２０ 距離ＦＦＴ係数ベクトル
１２０１～１２０４ 図
１３００ レーダーシステム
１３０１ 第１のレーダー処理装置
１３０２ 第２のレーダー処理装置
１３０３ ＭＬモデル
１４００ 流れ図
１４０１～１４０４ 処理動作
１０１ レーダー装置
１０２ アンテナ配列
１０３ レーダー制御装置
１０４ 送信機
１０５ デュプレクサ
１０６ 受信機
１０７ コントローラ
１０８ 物体
１０９ 送信信号
１１０ エコー
１１１ レーダー信号処理回路
２００ ＦＭＣＷレーダーシステム
２０１ 鋸歯状波形
２０２ 発振器
２０３ 送信アンテナ
２０４ 受信アンテナ
２０５ 混合器
２０６ ローパスフィルタ
２０７ スペクトラムアナライザ
２０８ チャープ
３００ レーダー装置
３０１ ランパ付き発振器
３０２ 送信増幅器
３０３ 混合器
３０４ アナログフィルタ
３０５ ＡＤＣ
３０６ デジタルインターフェース
３０７ レーダー信号プロセッサ
３０８ レーダー信号処理回路
３０９ 出力インターフェース
３１０ ＭＭＩＣ
３１１ 電力増幅器
３１２ 送信信号インターフェース
４０１ ＭＭＩＣ
４０２ レーダー信号処理チェーン
４０３～４１１ レーダー処理
５００ データキューブ
５０１ 集約距離・ドップラーマップ
５０２ ＦＦＴピーク
５０３ 受信アンテナ
６０１、６０３、６０５ 圧縮
６０２、６０４、６０６ 展開
７０１、７０２ 完全なレーダーデータのキューブ
７０３、７０４ 圧縮されたレーダーデータのキューブ
８０１ 図
８０２～８０６ サンプル
８０７ 距離ＦＦＴ入力データ
８０８～８１０ サンプル
８１１ 図
８１２～８１５ サンプル
８１６ 距離ＦＦＴ入力データ
８１７～８２０ サンプル
９００ ニューラルネットワーク
９０１ 入力データ
９０２ 入力ベクトル
９０３ 出力ベクトル
１０００ ニューラルネットワーク
１００１ 入力データ
１００２ ニューラルネットワーク出力ベクトル
１００３ 距離ＦＦＴ／ドップラーＦＦＴ／ＤｏＡ入力ベクトル／行列
１１０１ 図
１１０２～１１０５ 距離ＦＦＴ係数ベクトル
１１０６ ドップラーＦＦＴ入力データ
１１０７～１１１０ 距離ＦＦＴ係数ベクトル
１１１１ 図
１１１２～１１１６ 距離ＦＦＴ係数ベクトル
１１１７ ドップラーＦＦＴ入力データ
１１８～１１２０ 距離ＦＦＴ係数ベクトル
１２０１～１２０４ 図
１３００ レーダーシステム
１３０１ 第１のレーダー処理装置
１３０２ 第２のレーダー処理装置
１３０３ ＭＬモデル
１４００ 流れ図
１４０１～１４０４ 処理動作
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【外国語明細書】