CN119439149A 用于训练生成式模型以生成合成雷达数据的方法和装置 （英飞凌科技股份有限公司）

用于训练生成式模型以生成合成雷达数据本公开涉及用于训练生成式模型以生成合2使用经训练的所述生成式模型生成(620)合成雷达数据，所述合成雷达数据是采样啁2.根据权利要求1所述的方法(600)，进一步包3.根据权利要求2所述的方法(600)，进一4.根据权利要求2或3中任一项所述的方法(600)，进一步包括确定所述合成雷达数据5.根据权利要求4所述的方法(600)，进一步包表示和距离角度表示中的至少一个表示，其中训练所述机器学习模型包括基于所述真实6.根据权利要求2至5中任一项所述的方法(600)，进一步包括确定所述合成雷达数据8.根据权利要求7所述的合成雷达数据(700)，其中所述合成雷达数据(700)包括元数9.一种用于训练生成式模型以生成合成雷达数据的方法(800)，所述合成雷达数据是11.根据权利要求10所述的方法(800)，其中训练(820)所述生成式模型包括使用基于12.根据权利要求10所述的方法(800)，其中训练(820)所述生成式模型包括使用潜在使用经训练的所述生成式模型生成合成雷达数据，所述合成雷345[0026]处理电路装置110可以是例如单个专用处理器、单个共享处理器或多个单独的处6[0030]处理电路装置110可以运行推理阶段，在该阶段中处理电路装置110将输入数据[0031]推理阶段可以涉及使用例如模型参数、激活函数和/或由模型架构定义的其他操以应用激活函数来引入非线性并使得经训练的生成式模型130能够在合成雷达数据中产生并且计算的中间结果的数据可以传播通过经训练的生成式模型130的后续下游层，直到到重或偏差。在推理期间，处理电路装置110可以使用这些参数来计算所述层的输入的加权[0034]取决于模型架构，可以例如在潜在空间上或在特定输入条件下训练生成式模合成雷达数据。在后者情况下，经训练的生成式模型130可以生成以输入条件为条件的样[0036]经训练的生成式模型130是一种经训练的机器学习模型，其已经学习了雷达数据似于训练该机器学习模型所基于的雷达数据。经训练的生成式模型130可以例如直接输出始雷达数据的)输出变量的联合概率分布进行建模，而不是像鉴别模型中那样仅关注于给[0037]由于经训练的生成式模型130可以被参数化以生成新数据点(采样啁啾)，该新数据点类似于具有特定统计变化的训练的原始(真实)雷达数据，因此经训练的生成式模型130可以生成遵循特定统计属性的真实但多样的合成雷达数据。这可以使得能够关于实验7据可以指代合成生成的未解释的测量结果，其类似于例如雷达传感器的中间频率(IF)信的(不同于处理电路110的)处理电路装置和/或装置10前者情况下，处理电路装置110可以进一步被配置为基于合成雷达数据来训练机器学习模可以被使用以无需使用明确指令而是依赖于模型和推理来执行雷达任务。数据结构和/或规则集表示基于由机器学习算法使用训练数据执行的训练而获取的学习到的知识。例如，释的。此类训练数据的目的可以是使得机器学习模型140能够从所提供的示例中学习和概[0044]雷达任务可以是基于雷达数据或从其导出的数据的任何测距任务和/或检测任踪、或基于另外的雷达数据(即由雷达传感器[0045]使用用于雷达任务的经训练的机器学习模型140可以相比于常规技术提供许多优8[0046]然而，机器学习模型140的性能可以在很大程度上取决于训练数据(地面实况数[0047]相比之下，装置100可以通过自动生成高保真合成原始雷达数据来简化训练数据[0048]处理电路装置110可以通过将训练数据或(其输入部分)输入到机器学习模型140[0050]例如，由装置100生成的训练数据可以包括用作输入数据的多个此类训练样本和电路装置110可以进一步被配置为通过针对雷达任务标记合成雷达数据或其导出的数据来习算法)。分类算法可以用于将经训练的机器学习模型140的期望输出限制为有限值集(类根据一个或多个(预定义的)相似性标准是相似的，而与包括在其他聚类中的输入值不相9目标或未检测到目标)的训练数据的多个训练输入值提供给输入来训练支持向量机。支持[0061]可选地或可替代地，训练数据的一部分和/或真实原始雷达数据的至少一部分用作验证数据。验证数据可以用于对机器学习模型140的超参数进行微调并在模型开发过程并且基于所提取的至少一个信号特性来训练机器学习模型140。信号特性可以是合成雷达110可以通过例如对合成雷达数据应用多维傅立叶变换来确定合成雷达数据的距离一速度表示。处理电路装置110可以通过距离处理(例如对合成雷达数据应用距离压缩或匹配滤波)和随后的通道处理(例如对合成雷达数据应表示和距离角度表示中的至少一个表示作为训练输入馈送到用于训练机器学习模型140[0066]另外地或可替代地，处理电路装置110可以确定合成雷达数据的任何雷达数据模[0068]同样，真实原始雷达数据在可用时可以被处理以产生用于训练机器学习模型140速度表示来训练机器学习模型140。这可以使得能够对合成雷达数据和真实原始雷达数据于由雷达传感器接收到的雷达信号来确定另外的雷达[0071]微运动和宏运动可以指代由目标表现出的不同类型和尺度的运动。微运动可步被配置为基于真实原始雷达数据(例如，用于训练机器学习模型140的真实原始雷达数成式模型以生成合成雷达数据的装置300的示例。合成雷达数据是采样啁啾的合成原始雷[0075]用于训练生成式模型的真实原始雷达数据可以重新用于训练机器学习模型140，始雷达数据可以指示从雷达传感器的多个通g训练生成式模型。这两种训练方法对于训练生成式模型以生成合成雷达数据可能特别有[0077]图4示出了GAN400的示例。GAN400的一般结构包括在对抗环境中训练的两个神g来自原始雷达数据440的真实样本与由G创建的合成雷达数据420之间进行区分，其中D(x)是样本是真实数据集440的部分而不是来自合成数据集420的概率。生成式模型410被配置[0084]返回参考图3，处理电路装置310可以被配置为使用基于样式的GAN来训练生成式可以被放置在生成式模型(网络)中的上采样块的卷积层处。另外地，可以在输入到每个AdaIN层之前以及在卷积层的每个输出处采样并添加噪声。噪声可以允许生成式模型更好程中添加逐像素噪声甚至可以增加生成式模型”表示变量x1到xT在给定初始值x0的情况下的条件分以通过(从在时间T处的分布p(p(xr)=N(xn;0,I))开始的)马尔可夫链估计扩散变量xt-1在给定xt的情况下的分布取决于下一[0099]方程3的第二部分pθ(xt-1|xt)定义了每个变量xt-1在给定xt其指定该条件分布遵循高斯(正态)分布。该符号表示具有均值HO(p)和协方差矩阵[0100]通过从高斯噪声xr~N(0,I)中采样并对其应用反转扩散过程，可以创建合始变量x0的负对数似然与在真实分布和提出分布下在整个变量序列x(0:T)上的平均负对数上获取的期望值进行比较。该期望值表示在真实分布和提出分布的比率下整个变量序列[0104]项进一步扩大了期望以包括最终变量xT的负对数似然以及针对每个时间步长t的条件分布和由pθ表示的概率模型与观察到的数据拟合合得越好。编码器对真实原始雷达数据进行编码和解码。可以基于正则化技术预先训练该自动编码[0109]压缩模型可以通过对输入x进行下采样来使用其编码器E将输入x(真实原始雷达[0110]在一些示例中，处理电路装置310可以被配置为通过设置生成式模型的超参数来其可以例如迭代地确定超参数的值以选择具有增加的性能的超参数。处理电路装置310可[0111]在应用监督学习的其他训练实现方式中，处理电路装置310进一步被配置为通过[0112]在一些示例中，处理电路装置310被进一步配置为将真实原始雷达数据转换为便携式网络图像(PNG)格式或分层数据格式(HDF)。处理电路装置310可以被配置为基于转换GAN或扩散模型的输入。HDF5数据集可以被视为容器，其包括数据本身和描述数据的元数作为子目录的名称的标记指示存储在其中的数据的子部分的路装置310可以进一步被配置为规范化真实原始雷达数据并基于规范化的真实原始雷达数极小极大规范化来规范化真实原始雷达数据。极小极大规范化可以保留对于GAN和扩散模型特别有益的数据分布，极小极大规范化可以进一步避免特征的主导性并保持异常值信节和方面。方法600可以包括与所提出的技术的一个或多个方面或上述一个或多个示例相[0116]图7示出了能够通过如本文所描述的生成用于训练机器学习模型的训练数据的方达数据700中的数目或它们对于合成雷达数据700的每个预定义数目的数据点的百分比来已知分布的偏差或合成雷达数据700中的统计上不可能的值组合还可以指示合成数据的存可以提供关于如何设计合成雷达数据700以模仿真实原始雷达数据的统计属性和分布的信息。该元数据例如可以包括关于生成合成雷达数据700的经训练的生成式模型的分布特性[0120]图8示出了用于训练生成式模型以生成合成雷达数据的方法800的示例。方法800可以由本文所描述的装置(诸如装置300数据。方法800包括获得810生成式模型并训练820生成式模型以基于真实原始雷达数据来节和方面。方法800可以包括对应于所提出的技术的一个或多个方面或上述一个或多个示[0122]图9示出了雷达系统900的示例。雷达系统900包括如本文所描述的用于训练生成信号幅度和相位)被捕获为真实原始雷达数据，从而提供关于雷达传感器的视场内的物体[0123]图10a和图10b示出了生成用于训练机器学习模型以执行雷达任务的训练数据的练的生成式模型生成1030合成雷达数据，该合成雷达数据是采样啁啾的合成原始雷达数用经训练的生成式模型生成合成雷达数据，合成雷达数据是采样啁啾的合成原始雷达数括基于真实原始雷达数据来训练机器学习模型型包括基于所提取的至少一个信号特性来训练机器或任何其他示例，进一步包括通过标记真实原始雷达数据或其导出的数据来确定标记数度表示和距离角度表示中的至少一个表示，其中处理电路装置被配置为基于合成雷达数据的距离速度表示和距离角度表示中的所确定的至少一个表示表示和距离角度表示中的所确定的至少一个表示来训微速度表示和距离宏速度表示，其中处理电路装置被配置为基于合成雷达数据的所确定的距离微速度表示和所确定的距离宏速度表示来训练机器学宏速度表示，其中处理电路装置被配置为基于真实原始雷达数据的所确定的距离微速[0179]关于先前示例中的特定示例描述的方面和特征还可以与一个或多个另外的示例[0183]以下权利要求在此并入详细描述中，其中每个权利要求可以独立作为单独示