高级雷达感知与学习（Advanced Radar Sensing and Learning — Python + AI 实践）
面向具备现代机器学习（深度学习、概率推断）、数字信号处理与 Python 编程背景的研究人员。目标是：把雷达物理/信号处理与最新的机器学习方法（自监督、Transformer、可微分 DSP、端到端自适应波形设计、传感器融合）合并成可重复的工程与研究流程，培养能独立发表/工程化的能力。核心出品：可运行的 Python 实验、复现性强的基线模型、与一项可提交的研究/工程结题。
面向具备现代机器学习（深度学习、概率推断）、数字信号处理与 Python 编程背景的研究人员。目标是：把雷达物理/信号处理与最新的机器学习方法（自监督、Transformer、可微分 DSP、端到端自适应波形设计、传感器融合）合并成可重复的工程与研究流程，培养能独立发表/工程化的能力。核心出品：可运行的 Python 实验、复现性强的基线模型、与一项可提交的研究/工程结题。
先修要求
-
数字信号处理（线性系统、傅里叶/短时傅里叶、采样、滤波）
-
雷达基础（脉冲、FMCW、Doppler、MIMO 基本概念）
-
线性代数、概率统计（贝叶斯基础）
-
深度学习（PyTorch / TensorFlow 任一）与经验（CNN/Transformer、优化器、训练技巧）
-
精通 Python（numpy, scipy, matplotlib），有工程实践经验优先
目录直达
第十二章 鲁棒性、安全性与限界：雷达对抗攻击与防御完整技术实现
第十三章 可解释性与物理–感知融合（Physics-Informed ML）
课程结构（建议 12–14 周，含实验周与期末项目演示）
Week 0 — 课程导论与研究全景（半天讲座）
-
目标：理解雷达在自动驾驶、智能家居、医疗/生命体征、SAR/遥感、安防中的角色；概览 AI 与雷达的交叉研究方向（感知、重建、波形设计、对抗/鲁棒）。
-
推荐阅读（综述）：Machine learning–enabled radar tutorial / review. PMC
Week 1 — 雷达物理与经典信号处理复习（lecture + lab）
-
讲授：电磁波基础、回波模型、常见雷达类型（脉冲、多普勒、FMCW、脉内调制、MIMO 阵列）、Ambiguity function、Range/Doppler/Angle 估计基础。
-
Lab（Python）：生成模拟回波（基础点目标）、实现匹配滤波、脉冲压缩、STFT、Range–Doppler 图。工具：numpy, scipy.signal, matplotlib。
Week 2 — 从原始 IQ 到特征：传统方法与现代接口
-
讲授：IQ 处理流程、CFAR 探测、峰值检测、点云聚类（DBSCAN/KMeans）、多目标跟踪（GNN 简述、Kalman / JPDA）。
-
Lab：实现 CFAR（CA-CFAR / OS-CFAR），基本多目标追踪（卡尔曼滤波 + 匈牙利算法）。
Week 3 — 深度学习在雷达感知的基础应用
-
讲授：端到端用 CNN/ResNet/Transformer 做雷达目标分类、检测与语义分割（range-azimuth/doppler-图像、点云）。
-
Lab：用公开数据集（RadarScenes / CARRADA）训练简单分类/分割 baselines。RadarScenes+1
Week 4 — 表示学习与自监督方法（关键研究方向）
-
讲授：为什么自监督在雷达重要（稀疏标注、跨天气稳健性）；对比学习、时序预测（contrastive、BYOL、masked modeling）、预训练到下游任务迁移。
-
Lab：实现简易对比学习管线（SimCLR 风格）在 Range–Doppler 或点云上做 pretrain + fine-tune。
Week 5 — 4D / mmWave 雷达与高维张量处理（前沿）
-
讲授：4D 雷达（Range–Azimuth–Elevation–Doppler）表示、张量化处理、如何用 CNN/3DConv/BEV 表示进行检测。场景：自动驾驶中 4D 雷达的优势（对恶劣天气鲁棒）。阅读：4D mmWave 雷达综述。arxiv.org
-
Lab：加载 K-Radar 或示例 4D tensor，做简单的 BEV 投影 / 基线 3D 检测。arxiv.org
Week 6 — 雷达与视觉/激光（LiDAR）融合（感知融合策略）
-
讲授：早/中/晚期融合架构、BEV fusion、ROI-based fusion、cross-attention 融合策略、标注对齐问题。
-
阅读：Radar–Vision fusion survey（近期综述）。arxiv.org
-
Lab：在 nuScenes / RadarScenes 上实现一个简单的 radar+camera BEV-fusion 3D 检测 baseline（可用 PyTorch + DETR/BEVFormer 风格模块）。
Week 7 — 雷达成像与 SAR / ISAR（成像与反演）
-
讲授：SAR 成像基础、成像算子（回投影、脉内压缩）、深度学习在 SAR 成像/去斑/超分中的应用。
-
Lab：基于模拟或小型 SAR 数据，比较传统回投影与学习增强成像（U-Net 去噪/超分）效果。
Week 8 — 可微分雷达与端到端波形设计（前沿/研究热点）
-
讲授：把雷达前端/ambiguity function 与可微分模块结合的思想、端到端训练的挑战（物理约束、法规、LPI/LPD 限制）、以及强化学习用于波形优化（cognitive radar）。最新工作显示“可微分 ambiguity function /可微波形设计”成为热点，可结合自动微分工具链。arxiv.org+1
-
Lab（研究任务）：实现可微分 Ambiguity Function 的数值形式（用 PyTorch 自动微分）并做一个 toy 波形优化（在约束下最小化旁瓣能量或提升分辨率）。
Week 9 — MIMO 雷达、阵列处理与学习
-
讲授：阵列几何、波束成形（经典与学习驱动 beamforming）、方向图优化、稀疏阵列设计（学习方法）。
-
Lab：用模拟阵列数据做方向图估计（MUSIC/ESPRIT）与一个学习的 beamformer（可微分代价优化）。
Week 10 — 鲁棒性、安全性与限界（对抗性 / 隐私 / 规制）
-
讲授：对抗攻击对雷达感知的影响（欺骗目标 / 干扰）、模型鲁棒性测试、合规与频谱管理问题（简述）、低可检测性（LPI）与合法性边界。
-
Lab：实现简单干扰/噪声注入实验，评估模型性能下降，并尝试对抗训练或滤波防御策略。
Week 11 — 可解释性、物理-感知融合（physics-informed ML）
-
讲授：如何把物理模型（雷达方程、散射模型）与数据驱动模块结合（hybrid modeling、regularizers、physics-informed losses）；如何解释网络预测（saliency / layer-wise）在雷达上的适配。
-
Lab：把物理先验（例如 SNR 模型、目标 RCS）作为正则项加入训练损失，比较性能与样本效率。
Week 12 — 大规模工程化与真实系统集成（工程实践）
-
讲授：实时性与延迟（FMCW/采样速率瓶颈）、嵌入式部署（Edge / FPGA / NVIDIA Jetson / Orin）、数据管线（采集、标注、同步、仿真）、仿真工具与域随机化（ray-tracing、CARA?）。
-
Lab：把某个模型导出为 TorchScript / ONNX，并做推理延迟基准；讨论量化/剪枝策略。
Week 13 — 学生报告（中期项目展示）与同行评审
-
学生展示中期实验结果，互评，导师反馈。
Week 14 — 期末项目答辩与论文工作坊
-
最终项目展示（代码 + 报告 + 论文格式的结果），邀请外部评审（可选）。
实验与作业（每周一到两项实验）
每周安排 1 次小型 lab（可在 2–4 小时完成）+ 1 次较大作业（1–2 周完成）。示例：
-
Lab 代码要求：统一用 PyTorch，提供 Dockerfile 或 conda 环境文件（requirements.txt）
-
所有作业要求提交：代码、可复现训练脚本（seed 固定）、README、短报告（2–4 页）
公开数据集建议（用于作业/项目）
-
K-Radar（4D Radar tensor，含 RAED，适合 4D 检测/感知研究）。arxiv.org
-
RadarScenes（automotive radar point cloud，实例分割 / tracking）。RadarScenes
-
Oxford Radar RobotCar（Navtech FMCW radar，长期序列 / 定位研究）。oxford-robotics-institute.github.io
-
CARRADA（camera + radar，range-angle-doppler 注释，适合融合与语义分割）。Arthur Ouaknine's Personal Page
-
nuScenes（包含 Radar sweeps，适合端到端感知 / 融合基线）。nuscenes.org
推荐工具链（工程/科研）
-
Python 生态：numpy, scipy (signal), matplotlib, pandas
-
DL 框架：PyTorch（推荐）/ TensorFlow（任选）
-
训练工具：PyTorch Lightning / Accelerate（管理训练循环）
-
数据处理：xarray（高维张量处理）、h5py、pandas
-
Radar 专用/常用工具：Py-ART（气象雷达场景）、scikit-rf（射频工具集合） —（视具体子领域选用）
-
部署：TorchScript / ONNX, Docker, NVIDIA TensorRT（工程化推理）
注：实验中强烈建议使用 PyTorch 的自动微分来实现“可微分 DSP / 波形优化”实验（见 Week 8）
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
51
0- 0
已为社区贡献4条内容
所有评论(0)