毫米波雷达干扰预测方法和干扰预测装置

1.本发明涉及毫米波雷达技术领域，尤其涉及一种毫米波雷达干扰预测方法和干扰预测装置。


背景技术：

2.随着自动驾驶技术的迅速发展与广泛应用，毫米波雷达被大量部署在自动驾驶汽车上用于实时感知周围的道路环境。面对有限的频谱资源与复杂的电磁环境，毫米波雷达受到干扰而诱发的安全问题日益突出。同时，干扰可能会导致雷达成功检测概率降低或虚报、误报率提升，极易产生自动驾驶安全隐患。所以，毫米波雷达干扰预测系统的开发刻不容缓。
3.目前关于毫米波雷达的干扰研究主要包括干扰影响分析、干扰概率计算等方面，现有技术中在干扰概率计算方面，面对复杂的道路场景与雷达实际发射波形，现有技术中的干扰概率计算方法缺少对各个干扰影响因素的综合考虑，因此获取的干扰概率精度较低。


技术实现要素：

4.本发明提供一种毫米波雷达干扰预测方法，用以解决现有技术中获取的干扰概率精度较低的技术缺陷。
5.一方面，本发明提供一种毫米波雷达干扰预测方法，包括：
6.获取雷达干扰信号；
7.获取所述雷达干扰信号的干扰参数；
8.将所述干扰参数输入到干扰概率预测模型中，得到所述雷达干扰信号对应的干扰概率；其中，所述干扰概率预测模型为根据影响所述干扰概率的多个干扰因素分析获取的。
9.根据本发明提供的一种毫米波雷达干扰预测方法，所述获取雷达干扰信号，包括：
10.获取雷达混合信号；
11.将所述雷达混合信号输入到信号提取分类器中，得到所述雷达混合信号中包括的所述雷达干扰信号以及所述雷达干扰信号的干扰类型。
12.根据本发明提供的一种毫米波雷达干扰预测方法，所述获取所述雷达干扰信号的干扰参数，包括：
13.根据所述雷达干扰信号的干扰类型确定对应的干扰参数提取器；
14.将所述雷达干扰信号输入到所述干扰参数提取器中，得到所述雷达干扰信号的干扰参数。
15.根据本发明提供的一种毫米波雷达干扰预测方法，信号提取分类器包括干扰信号提取单元和干扰信号分类单元；
16.所述将所述雷达混合信号输入到信号提取分类器中，得到所述雷达混合信号中包括的所述雷达干扰信号以及所述雷达干扰信号的干扰类型，包括：
17.将所述雷达混合信号输入到所述干扰信号提取单元中，得到所述雷达混合信号中包括的雷达干扰信号；
18.将所述雷达干扰信号输入到所述干扰信号分类单元中，所述干扰信号分类单元根据所述雷达干扰信号的啁啾斜率、发射信号的啁啾斜率和干扰信号啁啾的发生位置，确定所述雷达干扰信号的干扰类型；
19.所述雷达干扰信号的干扰类型包括：交叉干扰和平行干扰。
20.根据本发明提供的一种毫米波雷达干扰预测方法，所述影响所述干扰概率的多个干扰因素包括雷达设置参数、雷达数量和车辆分布参数；
21.所述雷达设置参数包括：啁啾信号之间的空闲时间、斜率、带宽以及发射信号的周期；
22.所述车辆分布参数包括：车流量、车距和车速。
23.根据本发明提供的一种毫米波雷达干扰预测方法，将所述干扰参数输入到训练好的干扰概率预测模型中，得到所述雷达干扰信号对应的干扰概率，包括：
24.当确定所述雷达干扰信号的干扰类型为交叉干扰时，采用以下公式(1)确定所述干扰概率；
25.pc＝ tc/(2tc+t
idletime-t
transmit
)
ꢀꢀꢀ
(1)
26.上述公式(1)中，pc为干扰概率，tc表示一个啁啾的持续时间，t
idletime
表示啁啾信号之间的空闲时间，t
transmit
表示发射信号的周期；
27.当确定所述雷达干扰信号的干扰类型为平行干扰时，采用以下公式(2)确定所述干扰概率；
[0028][0029]
上述公式(2)中，ts表示采样时间间隔，b表示发射信号的带宽。
[0030]
根据本发明提供的一种毫米波雷达干扰预测方法，在得到所述雷达干扰信号的干扰概率之后，还包括：
[0031]
根据以下公式(3)确定多车模型发生干扰的复合概率：
[0032]
pm＝ 1-(1-pc)mꢀꢀ
(3)
[0033]
上述公式(3)中，pm表示多车模型发生干扰的复合概率，m表示干扰雷达数目。
[0034]
另一方面，本发明还提供一种毫米波雷达干扰预测装置，包括：
[0035]
第一获取单元，用于获取雷达干扰信号；
[0036]
第二获取单元，用于获取所述雷达干扰信号的干扰参数；
[0037]
预测单元，用于将所述干扰参数输入到干扰概率预测模型中，得到所述雷达干扰信号对应的干扰概率；其中，所述干扰概率预测模型为根据影响所述干扰概率的多个干扰因素分析获取的。
[0038]
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述毫米波雷达干扰预测方法。
[0039]
另一方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述毫米波雷达干扰预测方法。
[0040]
本发明提供的毫米波雷达干扰预测方法，首先获取雷达干扰信号；然后获取雷达
干扰信号的干扰参数；最后将干扰参数输入到干扰概率预测模型中，得到雷达干扰信号对应的干扰概率；其中，干扰概率预测模型为根据影响干扰概率的多个干扰因素分析获取的。可见，本发明中根据影响干扰概率的多个干扰因素分析获取干扰概率预测模型，依据该干扰概率预测模型得到的干扰概率更加精确。
附图说明
[0041]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]
图1为本发明提供的毫米波雷达干扰预测方法流程示意图；
[0043]
图2为本发明实施例提供的雷达干扰类型示意图；
[0044]
图3为本发明实施例提供的发生平行干扰时干扰预测结果示意图；
[0045]
图4为本发明实施例提供的发生交叉干扰时干扰预测结果示意图；
[0046]
图5为本发明实施例提供的毫米波雷达干扰预测装置结构示意图；
[0047]
图6为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
[0048]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0049]
在本发明的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况，其中a，b可以是单数或者复数。在本发明的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。
[0050]
目前毫米波雷达广泛应用在汽车自动驾驶领域，因此研究毫米波雷达的雷达干扰信号对于雷达的采集信号具有重要的意义，同时对交通系统的控制具有重要的指导意义。
[0051]
现有技术中在预测雷达干扰信号时，一般只考虑了车流量分布等单一参数情形，这样得到干扰概率预测结果具有一定的局限性，导致干扰概率预测结果不够精确，难易适应现有的复杂汽车自动驾驶环境。
[0052]
为了克服现有技术中的干扰概率预测精确较低的技术问题，本发明提供一种毫米波雷达干扰预测方法，根据影响干扰概率的多个干扰因素综合分析得到干扰概率预测模型，采用该干扰概率预测模型可以精确的预测出雷达干扰信号的干扰参数。
[0053]
进一步的，在确定影响干扰概率的多个干扰因素时，本发明不仅考虑了啁啾信号斜率或车流量分布信息，还包括了实际使用的毫米波雷达信号在波形、信号发射间隙、频率和带宽等干扰因素。并且本发明经过研究发现，当工作在同频段的多个汽车雷达的啁啾斜率相同时，雷达信号可能会产生平行干扰，导致出现假目标的现象，进而产生目标信号误检的问题；当工作在同频段的多个汽车雷达的啁啾斜率不同时，雷达信号之间会产生交叉干
扰，出现频域底噪抬升，进而产生目标信号漏检的问题。
[0054]
为了克服上述的技术缺陷，本技术中进一步确定影响干扰概率的多个干扰因素包括雷达设置参数、雷达数量和车辆分布参数。其中，雷达设置参数包括：啁啾信号之间的空闲时间、斜率、带宽、发射信号的周期以及雷达散射截面积等；车辆分布参数包括：车流量、车距和车速等。且经过测试采用，本发明提供的方法预测得到的雷达干扰信号对应的干扰概率更加的精确，这对交通控制(例如无人驾驶车辆的控制)等起到了重要的数据支持的作用。
[0055]
下面结合图1-图6描述本发明的技术方案。将通过下述几个具体的实施例对本发明提供的毫米波雷达干扰预测方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
[0056]
图1为本发明提供的毫米波雷达干扰预测方法流程示意图，请参考图1所示，该毫米波雷达干扰预测方法可以由软件和/或硬件装置执行，该米波雷达干扰预测方法包括：
[0057]
s10、获取雷达干扰信号。
[0058]
在一种实施例中，取雷达干扰信号，具体包括：
[0059]
获取雷达混合信号；
[0060]
将雷达混合信号输入到信号提取分类器中，得到雷达混合信号中包括的雷达干扰信号以及雷达干扰信号的干扰类型。
[0061]
由于目前影响雷达干扰概率计算结果的干扰参数繁多，且在特定场景下部分干扰参数不易获取，针对不同类型的干扰形式，如果都进行全部干扰参数提取和分析较为困难且工作量巨大。
[0062]
本实施例中为了解决该工作量大的技术问题，提供一种信号提取分类器，该信号提取分类器包括干扰信号提取单元和干扰信号分类单元。干扰信号提取单元，用于从雷达混合信号提取雷达干扰信号；干扰信号分类单元，用于确定雷达干扰信号的干扰类型。
[0063]
具体的，在一种实施例中，将雷达混合信号输入到信号提取分类器中，得到雷达混合信号中包括的雷达干扰信号以及雷达干扰信号的干扰类型，具体包括：
[0064]
将雷达混合信号输入到干扰信号提取单元中，得到雷达混合信号中包括的雷达干扰信号；
[0065]
将雷达干扰信号输入到干扰信号分类单元中，干扰信号分类单元根据雷达干扰信号的啁啾斜率和发射信号的啁啾斜率，确定雷达干扰信号的干扰类型。
[0066]
在一种实施例中，雷达干扰信号的干扰类型包括：交叉干扰和平行干扰。
[0067]
在一种实施例中，根据雷达干扰信号的啁啾斜率和发射信号的啁啾斜率，确定雷达干扰信号的干扰类型，具体包括：
[0068]
若确定雷达干扰信号的啁啾斜率和发射信号的啁啾斜率不同时，则确定干扰信号的干扰类型为交叉干扰；
[0069]
若确定雷达干扰信号的啁啾斜率和发射信号的啁啾斜率相同时，则确定干扰信号的干扰类型为平行干扰。
[0070]
在本实施例中，“chirp”是一种编码脉冲技术，又名啁啾，具体解释为对脉冲进行编码时，在脉冲持续时间内，其载波波长线性地减短。图2为本发明实施例提供的雷达干扰类型示意图，请参考图2所示，当充分考虑啁啾信号之间的空闲时间、斜率、带宽等参数的设
置对干扰概率的影响时，雷达间信号干扰可分为平行干扰与交叉干扰。
[0071]
具体的，当发射信号的啁啾与干扰信号的啁啾斜率相同时，接收雷达信号时会出现假目标情况，此时确定干扰类型为平行干扰，当发射信号与干扰信号斜率不同时，会出现发射信号的啁啾与干扰信号的啁啾相互交叉的情况，接收雷达信号时会出现频域底噪抬升甚至目标淹没的情况，此时确定干扰类型为交叉干扰。
[0072]
s11、获取雷达干扰信号的干扰参数。
[0073]
为了解决对全部干扰参数进行提取和分析导致工作量巨大的技术问题，本实施例在获取干扰信号之后，还进一步确定干扰信号的干扰类型。这样在获取雷达干扰信号的干扰参数时，可以先根据雷达干扰信号的干扰类型确定对应的干扰参数提取器；将雷达干扰信号输入到对应的干扰参数提取器中，得到雷达干扰信号的干扰参数。
[0074]
其中，不同的干扰参数提取器是采用不同干扰类型的干扰信号对应的干扰参数进行训练得到的，因此不同的干扰参数提取器可以针对不同的干扰参数进行快速的提取。本实施例中先根据雷达干扰信号的干扰类型确定对应的干扰参数提取器；再采用该对应的干扰参数提取器对雷达干扰信号进行干扰参数提取，可以提高干扰参数的提取效率。
[0075]
s12、将干扰参数输入到干扰概率预测模型中，得到雷达干扰信号对应的干扰概率；其中，干扰概率预测模型为根据影响干扰概率的多个干扰因素分析获取的。
[0076]
其中，在设计干扰概率预测模型时，针对啁啾不连续的实际雷达发射信号进行分析，本实施例考虑啁啾信号之间的空闲时间、斜率、带宽等参数对干扰概率的影响，建立了本实施例的针对多雷达信号间干扰机制分析和干扰概率预测的模型。
[0077]
在一种实施例中，为了尽可能准确地提取影响干扰概率计算的干扰因素，本实施例深入分析影响干扰概率计算的干扰因素，确定影响干扰概率的多个干扰因素包括雷达设置参数、雷达数量和车辆分布参数。并根据具体的干扰类型选择对应的干扰参数提取器对以上干扰因素对应的参数信息进行提取。
[0078]
其中，雷达设置参数包括：啁啾信号之间的空闲时间、斜率、带宽、发射信号的周期以及雷达散射截面积等等；车辆分布参数包括：车流量、车距和车速等等。
[0079]
本实施例针对啁啾不连续的实际雷达发射信号进行分析，对于平行干扰和交叉干扰两种干扰方式，雷达参数设置中影响干扰概率计算的干扰参数均为啁啾信号之间的空闲时间、斜率、带宽、雷达散射截面积等。当干扰信号产生在空闲时间段时，并不会对雷达正常工作产生影响。因此空闲时间的长度和分布对干扰情况下的雷达目标探测存在重要影响。
[0080]
当发射信号与干扰信号斜率不同，两个啁啾相互交叉时，会出现底噪抬升情况，淹没目标信号，造成漏检的情况。其中，故障持续时间(τ)取决于发射信号的带宽(b)、发射信号的斜率(k
t
)以及目标信号的斜率(kr)，如以下公式所示。
[0081][0082]
在一种实施例中，将干扰参数输入到干扰概率预测模型中，得到雷达干扰信号对应的干扰概率，具体包括：
[0083]
交叉干扰在单一chirp内发生干扰的概率(pc)取决于一个chirp的持续时间(tc)、空闲时间段(t
idletime
)和发射信号周期(t
transmit
)，当确定雷达干扰信号的干扰类型为交叉干扰时，采用以下公式(1)确定干扰概率；
[0084]
pc＝ tc/(2tc+t
idletime-t
transmit
)
ꢀꢀꢀ
(1)
[0085]
上述公式(1)中，pc为干扰概率，tc表示一个啁啾的持续时间，t
idletime
表示啁啾信号之间的空闲时间，t
transmit
表示发射信号的周期；
[0086]
当发射信号的啁啾与干扰信号的啁啾斜率相同时，发射信号的啁啾和干扰信号的啁啾之间起始的时间非常接近，以至于干扰信号啁啾在发射信号的啁啾的带宽内，这时会出现假目标情况，此时确定干扰类型为平行干扰。平行干扰在单一啁啾内两个雷达间发生干扰的概率(pc)取决于不考虑空间时间段的一个啁啾的往返时间一个啁啾的持续时间(tc)、发射信号的带宽(b)、采样间隔(ts)、空闲时间段(t
idletime
)、雷达最远检测距离(d
max
)等因素。
[0087]
具体的，当确定雷达干扰信号的干扰类型为平行干扰时，采用以下公式(2)确定干扰概率；
[0088][0089]
上述公式(2)也可以表示为：
[0090][0091]
上述公式(2)中，ts表示采样时间间隔，b表示发射信号的带宽。
[0092]
由于车辆分布情况也会对干扰概率造成比较大的影响，本实施例中经过研究确定车流量、车距、车速等会对干扰概率造成较大的影响。因此，在确定最终的干扰信号的干扰概率时，还要计算多车模型发生干扰的复合概率，根据车模型发生干扰的复合概率和上述的干扰概率确定为最终的干扰概率，例如将车模型发生干扰的复合概率和上述的干扰概率之和为最终的干扰概率。
[0093]
多车模型发生干扰的概率取决于单一啁啾发生干扰的概率(pc)和干扰雷达数目pc，示例的，达干扰信号的干扰概率之后，根据以下公式(3)确定多车模型发生干扰的复合概率：
[0094]
pm＝1-(1-pc)mꢀꢀꢀꢀ
(3)
[0095]
上述公式(3)中，pm表示多车模型发生干扰的复合概率，m表示干扰雷达数目。
[0096]
针对平行干扰和交叉干扰，优选的，车流量数据获取方式为：据实际的交通流量数据得出主要道路横断面的车流量；或者通过实际道路断面观测，统计单位时间内通过的实际车流量。针对非高峰期(即不堵车状态下)的车流可以泊松分布模型，针对高峰期时段的车流可以均匀分布模型。
[0097]
在一种实施例中，为了更加准确的获取实际路况下干扰因素对雷达信号产生的影响，针对雷达发射信号的发射功率以及环境噪音等参量的影响，可以借助复合概率模型，建立干扰概率预测模型。
[0098]
其中，复合概率模型是在原有概率模型基础上，通过采用贝叶斯公式，增加后验概率，修正概率模型，提升模型精确度，从而建立适用于实际复杂交通环境的雷达干扰信号的干扰概率预测模型。
[0099]
依据本实施例提供的毫米波雷达干扰预测方法，可以精确的获取复杂交通环境下
的毫米波雷达干扰预测结果，大大提高了目前毫米波雷达概率分布模型的计算精度和适用性，可以更好地分析毫米波雷达干扰的影响，减少了人、财、物和时间的不必要浪费，提高了无线电管理的工作效率。
[0100]
示例的，获取高峰时段(7-9点)某大街进城的平均交通流量为5448辆车。已知某大街进城方向为3股车道，则每车道平均交通流量为1816次，在该高峰时段内，两辆车之间时间间隔为3.96s，假定车速为20km/h，则两车之间相对距离为22m。
[0101]
车前雷达需覆盖最大角度为180
°
，按照德州仪器毫米波雷达开发板awr1243的水平(h面)波瓣宽度为65
°
计算，则每辆车前设置为3个雷达，车后2个雷达。
[0102]
德州仪器毫米波雷达开发板awr1243最大射频带宽为4ghz，发射信号的最小带宽(b)为160mhz，则同一时刻可独立工作不相互干扰的雷达数量为n＝4ghz/160mhz＝25。
[0103]
设置德州仪器毫米波雷达开发板awr1243的最远检测距离d
max
为200m，则搭载接收雷达的实验车前方一共9排车，共计54辆车，同理，该实验车后方也有54辆车，前后一共108辆车。
[0104]
所以，实验车前方雷达数目为2*54＝108，实验车后方雷达数目为3*54＝162，共计270个雷达信号，则一个发射信号的带宽(b)内有m＝[270/25]＝10个雷达干扰。
[0105]
在本实施例中，德州仪器毫米波雷达开发板awr1243的空闲时间段(t
idletime
)为3us-177us，一个chirp的持续时间(tc＝10us)，不考虑空间时间段的一个chirp的往返时间为
[0106]
图3为本发明实施例提供的发生平行干扰时干扰预测结果示意图；在上述场景下，采用本实施例提供的毫米波雷达干扰预测方法，根据公式(2)和(3)可得，当发生平行干扰时，通过本实施例的干扰概率预测模型预测得到的干扰概率如图3所示。
[0107]
图4为本发明实施例提供的发生交叉干扰时干扰预测结果示意图；在上述场景下，根据公式(1)和(3)可得，当发生交叉干扰时，通过本实施例的干扰概率预测模型预测得到的干扰概率如图4所示。
[0108]
从上述图3和图4可以看出，采用本实施例的毫米波雷达干扰预测方法可以精确且快速的获取雷达干扰信号对应的干扰概率。
[0109]
下面对本发明提供的毫米波雷达干扰预测装置进行描述，下文描述的毫米波雷达干扰预测装置与上文描述的毫米波雷达干扰预测方法可相互对应参照。
[0110]
图5为本发明实施例提供的毫米波雷达干扰预测装置结构示意图，如图5所示，该毫米波雷达干扰预测装置50包括：
[0111]
第一获取单元501，用于获取雷达干扰信号。
[0112]
第二获取单元502，用于获取雷达干扰信号的干扰参数。
[0113]
预测单元503，用于将干扰参数输入到干扰概率预测模型中，得到雷达干扰信号对应的干扰概率；其中，干扰概率预测模型为根据影响干扰概率的多个干扰因素分析获取的。
[0114]
可选的，第一获取单元501具体用于：
[0115]
获取雷达混合信号；
[0116]
将雷达混合信号输入到信号提取分类器中，得到雷达混合信号中包括的雷达干扰信号以及雷达干扰信号的干扰类型。
[0117]
可选的，第二获取单元502具体用于：
[0118]
根据雷达干扰信号的干扰类型确定对应的干扰参数提取器；
[0119]
将雷达干扰信号输入到干扰参数提取器中，得到雷达干扰信号的干扰参数。
[0120]
可选的，提取分类器包括干扰信号提取单元和干扰信号分类单元；
[0121]
可选的，第一获取单元501具体用于：
[0122]
将雷达混合信号输入到信号提取分类器中，得到雷达混合信号中包括的雷达干扰信号以及雷达干扰信号的干扰类型，包括：
[0123]
将雷达混合信号输入到干扰信号提取单元中，得到雷达混合信号中包括的雷达干扰信号；
[0124]
将雷达干扰信号输入到干扰信号分类单元中，干扰信号分类单元根据雷达干扰信号的啁啾斜率和发射信号的啁啾斜率，确定雷达干扰信号的干扰类型；
[0125]
雷达干扰信号的干扰类型包括：交叉干扰和平行干扰。
[0126]
具体的，影响干扰概率的多个干扰因素包括雷达设置参数、雷达数量和车辆分布参数；
[0127]
雷达设置参数包括：啁啾信号之间的空闲时间、斜率、带宽、发射信号的周期以及雷达散射截面积；
[0128]
车辆分布参数包括：车流量、车距和车速。
[0129]
可选的，预测单元503具体用于：
[0130]
当确定雷达干扰信号的干扰类型为交叉干扰时，采用以下公式(1)确定所述干扰概率；
[0131]
pc＝ tc/(2tc+t
idletime-t
transmit
)
ꢀꢀꢀ
(1)
[0132]
上述公式(1)中，pc为干扰概率，tc表示一个啁啾的持续时间，t
idletime
表示啁啾信号之间的空闲时间，t
transmit
表示发射信号的周期；
[0133]
当确定雷达干扰信号的干扰类型为平行干扰时，采用以下公式(2)确定干扰概率；
[0134][0135]
上述公式(2)中，ts表示采样时间间隔，b表示发射信号的带宽。
[0136]
可选的，预测单元503具体用于：在得到雷达干扰信号的干扰概率之后，根据以下公式(3)确定多车模型发生干扰的复合概率：
[0137]
pm＝ 1-(1-pc)mꢀꢀ
(3)
[0138]
上述公式(3)中，pm表示多车模型发生干扰的复合概率，m表示干扰雷达数目。
[0139]
图6为本发明实施例提供的一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行毫米波雷达干扰预测方法，该毫米波雷达干扰预测方法包括：获取雷达干扰信号；获取雷达干扰信号的干扰参数；将干扰参数输入到干扰概率预测模型中，得到雷达干扰信号对应的干扰概率；其中，干扰概率预测模型为根据影响干扰概率的多个干扰因素分析获取的。
[0140]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为
独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0141]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的毫米波雷达干扰预测方法，该毫米波雷达干扰预测方法包括：获取雷达干扰信号；获取雷达干扰信号的干扰参数；将干扰参数输入到干扰概率预测模型中，得到雷达干扰信号对应的干扰概率；其中，干扰概率预测模型为根据影响干扰概率的多个干扰因素分析获取的。
[0142]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的毫米波雷达干扰预测方法，该毫米波雷达干扰预测方法包括：获取雷达干扰信号；获取雷达干扰信号的干扰参数；将干扰参数输入到干扰概率预测模型中，得到雷达干扰信号对应的干扰概率；其中，干扰概率预测模型为根据影响干扰概率的多个干扰因素分析获取的。
[0143]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0144]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0145]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种毫米波雷达干扰预测方法，其特征在于，包括：获取雷达干扰信号；获取所述雷达干扰信号的干扰参数；将所述干扰参数输入到干扰概率预测模型中，得到所述雷达干扰信号对应的干扰概率；其中，所述干扰概率预测模型为根据影响所述干扰概率的多个干扰因素分析获取的。2.根据权利要求1所述的毫米波雷达干扰预测方法，其特征在于，所述获取雷达干扰信号，包括：获取雷达混合信号；将所述雷达混合信号输入到信号提取分类器中，得到所述雷达混合信号中包括的所述雷达干扰信号以及所述雷达干扰信号的干扰类型。3.根据权利要求2所述的毫米波雷达干扰预测方法，其特征在于，所述获取所述雷达干扰信号的干扰参数，包括：根据所述雷达干扰信号的干扰类型确定对应的干扰参数提取器；将所述雷达干扰信号输入到所述干扰参数提取器中，得到所述雷达干扰信号的干扰参数。4.根据权利要求1所述的毫米波雷达干扰预测方法，其特征在于，信号提取分类器包括干扰信号提取单元和干扰信号分类单元；所述将所述雷达混合信号输入到信号提取分类器中，得到所述雷达混合信号中包括的所述雷达干扰信号以及所述雷达干扰信号的干扰类型，包括：将所述雷达混合信号输入到所述干扰信号提取单元中，得到所述雷达混合信号中包括的雷达干扰信号；将所述雷达干扰信号输入到所述干扰信号分类单元中，所述干扰信号分类单元根据所述雷达干扰信号的啁啾斜率、发射信号的啁啾斜率和干扰信号啁啾的发生位置，确定所述雷达干扰信号的干扰类型；所述雷达干扰信号的干扰类型包括：交叉干扰和平行干扰。5.根据权利要求1所述的毫米波雷达干扰预测方法，其特征在于，所述影响所述干扰概率的多个干扰因素包括雷达设置参数、雷达数量和车辆分布参数；所述雷达设置参数包括：啁啾信号之间的空闲时间、斜率、带宽以及发射信号的周期；所述车辆分布参数包括：车流量、车距和车速。6.根据权利要求5所述的毫米波雷达干扰预测方法，其特征在于，将所述干扰参数输入到训练好的干扰概率预测模型中，得到所述雷达干扰信号对应的干扰概率，包括：当确定所述雷达干扰信号的干扰类型为交叉干扰时，采用以下公式(1)确定所述干扰概率；p
c
＝t
c
/(2t
c
+t
idletime-t
transmit
)
ꢀꢀꢀꢀ
(1)上述公式(1)中，p
c
为干扰概率，t
c
表示一个啁啾的持续时间，t
idletime
表示啁啾信号之间的空闲时间，t
cransmit
表示发射信号的周期；当确定所述雷达干扰信号的干扰类型为平行干扰时，采用以下公式(2)确定所述干扰概率；
上述公式(2)中，t
s
表示采样时间间隔，b表示发射信号的带宽。7.根据权利要求6所述的毫米波雷达干扰预测方法，其特征在于，在得到所述雷达干扰信号的干扰概率之后，还包括：根据以下公式(3)确定多车模型发生干扰的复合概率：p
m
＝1-(1-p
c
)
m
ꢀꢀꢀꢀꢀ
(3)上述公式(3)中，p
m
表示多车模型发生干扰的复合概率，m表示干扰雷达数目。8.一种毫米波雷达干扰预测装置，其特征在于，包括：第一获取单元，用于获取雷达干扰信号；第二获取单元，用于获取所述雷达干扰信号的干扰参数；预测单元，用于将所述干扰参数输入到训练好的干扰概率预测模型中，得到所述雷达干扰信号对应的干扰概率；其中，所述干扰概率预测模型为根据影响所述干扰概率的多个干扰因素训练获取的。9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述毫米波雷达干扰预测方法。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述毫米波雷达干扰预测方法。

技术总结
本发明涉及毫米波雷达技术领域，尤其涉及一种毫米波雷达干扰预测方法和干扰预测装置。其中，毫米波雷达干扰预测方法包括，首先获取雷达干扰信号；然后获取雷达干扰信号的干扰参数；最后将干扰参数输入到干扰概率预测模型中，得到雷达干扰信号对应的干扰概率；其中，干扰概率预测模型为根据影响干扰概率的多个干扰因素分析获取的。可见，本发明中根据影响干扰概率的多个干扰因素分析获取干扰概率预测模型，依据该干扰概率预测模型得到的干扰概率更加精确。更加精确。更加精确。


技术研发人员：石丹 周晓雅 连成 魏昊昱 张朋 贾世豪 魏力
受保护的技术使用者：北京邮电大学
技术研发日：2023.04.27
技术公布日：2023/8/24