基于旋转神经元模型的神经形态立体雷达框架

《Physical Communication》：A Neuromorphic Stereo Radar Framework Using Spinning Neuron Models

　　

阿卜杜拉蒂夫·巴巴（副教授）

• •
  双通道立体雷达可在嘈杂的户外环境中检测微型无人机。
• •
  受生物启发的神经网络模型可识别雷达回波的振荡特征。
• •
  基于FPGA的仿真可实现低于10毫秒的延迟，并具备高效率。

引言

小型、低可观测性的无人机在民用和军事领域得到广泛使用，[1]从而形成了新一代的空中不对称威胁。这类无人机体积小、雷达截面积低、飞行高度低，且飞行控制精准，使得传统雷达或光学传感器难以探测到它们。由于单台雷达依靠飞行时间差和多普勒效应来测量目标的距离和径向速度，在范围-角度观测性以及杂波辨识方面存在固有局限，因此本文建议采用立体雷达配置。不过，对于在密集或杂波环境中运行的微型无人机[2]，由于雷达截面积低、多路径干扰以及来自鸟类或地面反射的信号重叠，距离-多普勒数据往往不够清晰。立体雷达通过两个空间分离的天线之间的相位差，引入了额外的几何差异维度，从而能够实现深度三角测量和完整的3D定位，进而确定单一单站雷达无法识别的微型无人机的位置和轨迹。

此外，立体雷达配置本身能够在两个雷达通道之间进行交叉验证，通过排除在两种视角下都不一致的检测结果，有效减少误报。冗余性和几何多样性对于提升系统对多路径干扰和信号衰减的抵御能力极为重要，尤其对于微型无人机检测中常见的微弱且短暂的雷达回波而言。现有的基于雷达的检测系统往往依赖多普勒特征和/或深度学习分类器，而这些方法需要庞大的数据集以及可控的环境条件，因此在实际户外环境中——那里通常存在较低的信噪比、多路径干扰以及背景杂波——这些系统往往无法正常工作。近年来，基于雷达的无人机检测技术在微多普勒处理和干涉测量定位方面取得了显著进展[3]、[4]、[5]。尽管这些技术能有效捕捉小型空中目标的特征，但由于其依赖于固定安装设施和实验室校准，因此几乎无法在户外环境中应用。

最近的研究将雷达感知从传统的信号处理方式转向类脑计算，利用时间动态特性来提升目标辨识能力。哈梅德等人[6]展示了一种类脑雷达感知模型，该模型通过振荡特征编码技术，能够在高杂波的户外环境中检测微型无人机。这类研究凸显了自适应方法在应对噪声和多路径干扰限制下的传统雷达方法的强大潜力。

在硬件加速领域，人们也致力于开发基于FPGA的类脑计算实现方案，以实现低延迟和高能效的处理。佩伊等人[7]提出了一种针对实时信号处理优化的FPGA加速自适应架构，能够实现动态频率调整和高效的片上学习。他们的研究证明，网络可以无需牺牲速度或精度即可部署在嵌入式平台上，这与我们提出的立体雷达实现方案不谋而合。此外，张等人[8]为感官感知中的受生物启发的振荡神经元提供了理论和计算框架，强调相位同步和自适应共振是提升系统鲁棒性的核心机制。这些研究共同推动了我们将旋转神经元模型（SPNM）应用于我们的雷达融合框架中，因为SPNM既继承了生物神经元的振荡和共振特性，又具备与FPGA部署相兼容的能力，可应用于实时边缘计算场景。

传统的雷达信号处理架构严重依赖快速傅里叶变换等计算流程以及深度卷积网络。然而，当这些方法应用于低功耗边缘设备时，会面临严重的延迟问题。为了解决这一难题，最新的研究思路转向了受大脑启发的事件处理方式。例如，汽车领域越来越多地采用脉冲神经网络来解析射频数据流，且能耗极低[9]。将原始传感器信息直接输入边缘事件处理网络，已被证明能显著提升处理效率[10]。尽管有了这些改进，但标准的事件处理框架在高杂波跟踪环境下仍难以保留精细的光谱特性。这一挑战要求我们超越单纯的脉冲计数方式，转向能够通过精确的相位变化来编码微多普勒特征的振荡模型。

立体雷达和干涉雷达在提升范围-角度定位精度方面具有巨大潜力[11]、[12]，但其在移动平台上的应用却受到同步和校准问题的限制。此外，雷达-惯性测量单元-视觉融合框架虽然能降低误报率[13]，但会增加计算量，从而限制了其实时或嵌入式应用的可能性[14]。为了解决这些问题，本研究探索了受生物启发的雷达信号处理方法，旨在实现自适应、低延迟且高能效的无人机检测。近年来，类脑雷达处理技术[15]、[16]以及其他一些研究[17]催生了受共振神经元和振荡器启发的自适应架构——这类架构能够优先响应有节奏或调制的输入信号。这些神经模型在嘈杂背景下检测微弱的周期性信号时具有更强的鲁棒性，就如同听觉皮层中的神经元对声音调制作出反应一样。在此基础上，我们在双通道立体雷达系统中引入了旋转神经元模型（SPNM）。SPNM在系统中加入了基于共振的计算环节，从而能够更好地区分微型无人机的特征与环境杂波。该模型在FPGA硬件上实现时，能够实现实时的幅频耦合和低延迟推理，同时也可适配于移动设备和嵌入式系统。立体雷达的几何结构与基于SPNM的处理方式相结合，能够实现3D云图重建、协同定位，以及最大500米的微型无人机跟踪——后续还将探讨通过新的配置进一步提升这一范围。简而言之，该系统代表了面向民用监控和防御应用、具备可扩展性和适应性的受生物启发的FPGA加速雷达智能技术的发展趋势。

本文的主要贡献如下：

• •
  理论建模：我们构建了一种基于旋转神经元模型（SPNM）的连续时间幅频耦合机制，该机制专门用于捕捉微多普勒雷达频率，且不会导致空间分辨率下降。
• •
  面向硬件的仿真评估：我们开发了一种物理层面的FPGA加速处理架构，能够实现实时多通道数字流处理。
• •
  定量性能基准测试：通过硬件仿真验证，我们证明了相比传统深度学习模型，该方案在能耗和精度方面均有显著优势。

章节要点

方法论

随着各类民用和军事环境中使用的微型无人机数量不断增加，相关检测任务面临着越来越大的挑战。这类无人机雷达截面积小、飞行灵活且通常在低空飞行，使得传统雷达或其他光学系统难以对其实现有效探测。为克服上述限制，我们提出了一种双通道立体雷达感知平台，并结合基于人工智能的融合架构，通过

实现方案与讨论

本研究特意选择了在距离-多普勒变换之后、任何去噪、归一化或基于学习的增强处理之前获得的原始、未处理雷达数据。本研究使用的数据来自公开可用的77 GHz FMCW雷达数据集[25]，如[26]所述，该数据集包含了微型无人机、鸟类、人类以及角反射器的户外测量数据。

这些原始雷达数据存在显著的光谱重叠现象，且噪声较强

结论

本研究提出了一种受生物启发的雷达感知框架，该框架结合了立体雷达成像、类脑计算以及基于FPGA的加速技术，用于实现微型无人机的实时检测与分类。该架构的核心是旋转神经元模型（SPNM），这是一种基于共振的神经机制，能够将传统的幅频雷达回波转换为振荡形式的信号，从而突出显示微小的多普勒周期性特征。将SPNM嵌入到立体雷达融合处理流程中，可

CRediT作者贡献说明

阿卜杜拉蒂夫·巴巴（副教授）：论文撰写——审稿与编辑、论文撰写——初稿编写、可视化处理、验证工作、监督指导、软件开发、资源协调、项目管理、方法设计、研究实施、资金获取、正式分析、数据整理、概念构思。