双雷达特征融合：基于YOLO架构的物联网雷达网络高级目标检测方法

为解决60 GHz雷达在多目标场景下分类精度低和小目标检测难的问题，研究人员开展了双雷达特征融合研究，提出基于YOLO架构的动态注意力融合方法。通过3D射线追踪仿真验证，该方法在异构雷达配置下显著提升检测性能（F1det达0.9131），人类目标分类准确率提高9%。研究为物联网雷达网络的协同感知提供了新范式。

　　

在物联网(IoT)时代，运动感知技术成为智能照明、安防系统等应用的核心。尽管60 GHz毫米波雷达凭借其同时测量距离和速度的能力崭露头角，但在多目标场景中仍面临小物体检测困难、分类精度不足等挑战。传统单雷达系统受限于视角单一，当目标反射信号较弱或存在多径效应时，检测可靠性显著下降。这促使研究人员探索多雷达协同感知的可能性——就像人类双眼通过视差增强空间感知一样，雷达网络能否通过融合不同空间视角的数据来突破性能瓶颈？

研究人员创新性地提出"Dual Radar Vision"融合框架，将计算机视觉领域的YOLO(You Only Look Once)目标检测架构与雷达信号处理相结合。该研究最引人注目的突破在于：通过卷积块注意力模块(CBAM)动态融合两个雷达的Range-Doppler(RD)特征图，而非简单叠加数据。这种仿生设计使系统能像大脑处理双眼视觉信号那样，自动加权不同传感器的有效信息。

关键技术方法包括：1) 基于WinProp的3D射线追踪仿真构建双雷达合成数据集；2) 定制化YOLO架构，优化卷积层数以适配RD图谱特性；3) 设计静态(α加权)与动态(CBAM)两种融合策略；4) 采用DBSCAN聚类算法生成标注，并定义包含距离容差(T_r=2 m)和速度容差(T_v=1.5 m/s)的评估指标。

研究结果揭示多个重要发现：

1. 传播特性分析
   通过比较雷达A(25°下倾角)与雷达B(15°下倾角)的反射特征，发现人类目标的散射簇在距离-速度维度分布更集中，而叉车由于金属表面产生更分散的反射。这种差异为特征融合提供了互补信息。

2. 检测性能提升
   动态融合在异构配置(雷达A使用512点FFT，雷达B仅256点)下实现最佳F1_det=0.9131，比最优静态融合(α=0.5时0.9021)提升1.2%。值得注意的是，即使雷达B单独性能较差(F1_det=0.8019)，融合后仍贡献价值。

3. 分类精度突破
   对人类目标的分类F1_clas从雷达A单独的0.74提升至融合后的0.83，叉车分类从0.92提升至0.97。动态融合特别改善了低分辨率雷达B对人类目标的识别能力(从0.15提升至0.83)。

4. 抗干扰能力
   通过DropBlock正则化处理，注意力机制能有效抑制RD图谱中的噪声干扰，在8%的高噪声概率场景下保持稳定性能。

这项研究为分布式雷达感知网络提供了重要范式转变。其意义不仅体现在技术指标提升，更在于：1) 验证了异构雷达协同的可行性，降低了对单一传感器性能的依赖；2) 提出的动态注意力机制可扩展到其他频段雷达系统；3) 为毫米波通信感知一体化(JCAS)奠定了基础架构。未来，该框架与新兴的Transformer模块结合，有望进一步推动多视角雷达感知的发展。研究团队公开的合成数据集也将成为领域内重要的基准测试资源。