基于FPGA的LFMCW雷达信号处理研究

作     者：王平 

作者单位：安徽建筑大学 

学位级别：硕士

导师姓名：汪海波;周春

授予年度：2024年

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 080902[工学-电路与系统] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081105[工学-导航、制导与控制] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 

主      题：毫米波雷达 卷积网络 特征层融合 目标检测 FPGA 

摘      要：随着自动驾驶进入蓬勃发展的阶段,复杂场景下的目标检测的准确性是确保自动驾驶安全的重要手段。其中,基于毫米波（mm Wave）雷达与视觉融合是精确障碍物检测的主流解决方案之一。现阶段,计算机视觉任务仍然存在计算量大,检测精度不高,推理速度慢的问题。本文针对自动驾驶技术中传感器目标检测的精度和推理速度不足的问题展开研究。 软件层面,本文首先搭建了基于CRUW汽车毫米波雷达数据集的pytorch深度学习神经网络实验平台,在实验平台的基础上研究图像和毫米波雷达传感器融合方法,通过比较神经网络模型的平均精度与平均召回率研究模型性能;硬件层面,本文搭建基于Xlinx ultrascale+mp So C的FPGA开发平台,研究CNN卷积神经网络推理的硬件加速推理问题。 具体工作内容如下: （1）基于Faster RCNN深度学习目标检测模型,设计并训练了图像与毫米波雷达原始数据的传感器特征层融合模型,提高了检测精度和召回率; （2）对网络模型进行了测试并与传统模型对比了平均精度与平均召回率; （3）设计了基于FPGA的卷积神经网络框架,实现了基于FPGA的CNN卷积网络下的各个模块组件。根据深度网络计算量大,推理速度慢的问题展开研究。 （4）在CNN卷积网络框架的基础上,进行CNN卷积网络仿真,实验并分析了FPGA CNN卷积神经网络的性能。 实验结果表明,基于Faster RCNN模型VGG-16卷积网络的特征层融合网络,总体上提高了目标检测的性能。对比传统模型,平均精度AP提高8.89%,平均召回率m AR提高5.53%。在路边场景下性能有较大的提高,AP平均精度提高了25.8%,AR召回率提高了21.53%。实验结果证明了在一些特定场景下,雷达原始数据的微多普勒信息在特征层融合中的有效性。基于FPGA的CNN卷积网络推理速度约为7.6x10-5秒。同一CNN卷积网络在RTX4060 GPU场景下推理速度约为5.0x10-5秒。基于FPGA的CNN卷积网络性能基本达到了当前新一代GPU的速度。 图[28]表[8]参[71]