《Sensors》：An Innovative Semiparametric Density Model for the Statistical Characterization of Ground-Vehicle Radar Cross Sections
Zengcan Liu,
Shuhao Wen,
Houjun Sun and
Ming Deng
编辑推荐：
为解决经典一维RCS（雷达截面积）统计模型在窄角域条件下难以同时捕捉偏斜、厚尾和方位依赖性的问题，研究人员提出了一种针对地面车辆目标的单峰RCS半参数密度估计器（URCS-SDE）。该模型融合了核密度估计（KDE）的数据驱动表征、单峰形状投影的物理约束以及Beta型尾部模板的边界衰减控制，通过加权最小二乘校准在峰值和尾部区域实现了拟合精度与稳定性的平衡。实验结果表明，URCS-SDE在全方位和定向窗口场景下均优于五种经典参数分布和一种正则化混合密度网络（MDN）基线，在SSE、RMSE、R2和NLL四项指标上均表现最佳，为毫米波雷达系统的检测性能评估、概率仿真和目标特征分析提供了更可靠的统计基础。
在自动驾驶和高级驾驶辅助系统（ADAS）快速发展的背景下，毫米波雷达作为核心环境感知传感器，其性能评估和虚拟测试的可靠性高度依赖于对目标雷达截面积（Radar Cross Section, RCS）统计特性的精准刻画。RCS表征了目标反射入射电磁波的能力，其波动特性直接影响雷达的探测距离、跟踪连续性、虚警与漏检概率。然而，现实世界中，地面车辆等复杂目标的RCS会随着极化状态、方位角、俯仰角等因素剧烈变化，呈现出偏斜、厚尾甚至多峰等复杂分布形态。传统的威布尔（Weibull）、卡方（Chi-square）、对数正态（Lognormal）等一维参数化统计模型，虽然形式简洁、解析性好，但其有限的函数表达能力难以在窄角域条件下同时捕捉这些复杂特征。另一方面，纯粹的非参数方法（如核密度估计KDE）在有限样本下容易产生虚假模式，且缺乏可解释的结构性先验。这种建模能力的不足，直接影响了基于统计假设的检测概率估计、虚警概率评估以及系统级蒙特卡洛仿真的可信度。因此，开发一种能够兼顾高拟合精度、结构合理性、计算稳定性和工程可解释性的RCS统计模型，成为雷达系统设计与性能评估领域一个亟待解决的关键问题。
为此，一篇发表在《Sensors》期刊上的研究论文提出了一种创新的解决方案——面向地面车辆雷达截面积的单峰半参数密度估计器（Unimodal RCS Semiparametric Density Estimator, URCS-SDE）。该研究旨在为地面车辆目标建立一种能够稳定适用于多种极化状态和方位角条件（包括窄角域窗口）的概率密度函数（PDF）模型，以更可靠地将实测散射行为整合到系统级评估链中。
研究人员开展这项研究主要应用了以下几项关键技术方法：首先，构建了一个由核密度估计（KDE）基线、单峰形状投影和Beta型尾部模板三类基函数组成的半参数密度估计框架。其次，设计了一种加权最小二乘校准策略，在经验PDF的直方图网格上对基函数组合系数进行求解，以在峰值和尾部区域实现精度与稳定性的权衡。最后，研究采用了系统性的实验验证流程，基于两辆代表性地面车辆（车辆A和车辆B）的多方位RCS实测数据，在全方位和四个主要方向性窗口（±5°）场景下，将URCS-SDE与五种经典参数分布（卡方、对数正态、威布尔、莱斯、高斯）以及一个代表性的正则化混合密度网络（MDN）基线模型进行了全面对比，评估指标包括误差平方和（SSE）、均方根误差（RMSE）、决定系数（R2）和留出负对数似然（NLL）。
4. 结果与讨论
本研究通过视觉对比、定量比较和下游应用验证，系统评估了URCS-SDE的性能。
4.1. PDF拟合的视觉对比
以车辆A的40度俯仰角、VV极化配置为例，图2和图3分别展示了全方位和四个主要方向性窗口下的PDF拟合结果。视觉上，URCS-SDE的拟合曲线几乎与由实测数据构建的KDE经验PDF完全重合，准确捕捉了峰值位置、整体形状和尾部衰减。而经典参数模型和MDN基线则常出现峰值偏移或形状失配。在方向性窗口场景下，由于样本量减少和散射方向性增强，URCS-SDE的优势更为明显，其拟合曲线在所有四个主要方位上均与经验PDF保持高度一致，且平均绝对误差（MAE）维持在极低水平。
4.2. 定量比较与总体结果
定量分析进一步证实了视觉观察。如表1和表2所示，在车辆A的40 VV配置下，无论是全方位还是各个方向性窗口场景，URCS-SDE在SSE、RMSE、R2和NLL四项指标上均全面优于所有对比模型。这意味着URCS-SDE不仅能够更精确地重建经验分布形状，在未知样本上也具有更优的概率泛化能力。补充材料中对其他俯仰-极化配置和车辆数据的结果表明，这一结论具有普遍适用性。
4.3. 解释与工程意义
URCS-SDE的优势可以从偏差-方差的角度理解。经典的参数化估计器在模型设定正确时具有O(1/n)的方差优势，但一旦模型误设，其风险中包含不可忽略的近似偏差O(Δ2)。标准的KDE虽然避免了刚性模型误设，其风险服从O(n-4/5)的非参数速率，但在窄角窗口样本有限时，方差项会占主导，导致局部振荡。URCS-SDE针对这一中间状态设计：它保留了KDE的数据自适应灵活性，同时通过单峰投影在近似单峰的假设下抑制了方差驱动的局部不规则性，并通过加权校准进一步稳定了估计。因此，相对于经典参数模型，URCS-SDE降低了对于偏斜、厚尾的窄角RCS密度的近似偏差；相对于原始KDE，它在不丢弃非参数适应性的前提下降低了有效有限样本方差。从工程角度看，URCS-SDE生成的PDF为地面车辆散射特性提供了紧凑且可直接应用的统计表征，可用于构建按俯仰角和极化索引的概率RCS库，提升系统级蒙特卡洛仿真的可信度。其精确的尾部建模对检测性能评估尤为关键，而捕捉到的跨通道、跨方位域差异可作为目标识别和多传感器融合的统计“指纹”。
4.4. 简单的下游应用：基于阈值的检测支持估计
为提供直接的工程验证，研究进一步考察了从拟合PDF推导出的一个下游量——阈值超越概率。如图4和图5所示，对于车辆A的40 VV配置，URCS-SDE推导出的超越概率曲线在整个相关阈值范围内都比经典基线和MDN更紧密地追踪经验参考曲线，且误差显著更低。这表明URCS-SDE的优势不仅局限于密度曲线拟合本身，还能传递到与目标可检测性评估直接相关的下游工程指标中。
5. 结论
本研究针对地面车辆RCS在多俯仰配置和HH/VV同极化通道下的统计表征问题，提出了一种新型的单峰半参数密度估计器（URCS-SDE）。该模型通过结合KDE的数据自适应形状捕捉、单峰形状投影的结构正则化、Beta型尾部模板的边界衰减约束以及加权最小二乘校准，最终输出稳定且物理意义明确的单峰PDF。在涉及两种车型、六个通道、多种角度域场景的系统性实验中，URCS-SDE在统一的评估协议下，始终优于五种经典参数化基线和一种代表性的正则化MDN基线。在要求同时最小化SSE、RMSE、NLL和最大化R2的严格标准下，URCS-SDE在所有评估场景中均达到了最优拟合性能，并在不同俯仰配置、极化模式和角度域下表现出一致且稳定的优势。此外，基于阈值的检测支持示例证明，URCS-SDE的益处可以从密度重建传递到直接与工程相关的下游量。因此，URCS-SDE为地面车辆RCS提供了一个准确、稳定且可复现的概率表征框架，可用于完成工程中的诸多下游任务。未来的工作将把URCS-SDE扩展到多变量建模场景，并在更大规模数据集上与经过严格正则化的复杂深度密度模型进行系统比较和混合集成，以在保持工程可解释性的同时，进一步探索增强模型表达能力的途径。
