模拟现实:雷达应用AI/ML系统中合成数据的重要性

人工智能和机器学习(AI/ML)正在推动下一代雷达感知技术的发展。然而，这些基于AI/ ml的感知模型需要足够的数据来学习模式和关系，以便对新的、未见过的数据和场景做出准确的预测。

在雷达应用领域，用于训练这些模型的数据通常是从实际测量中收集的，这可能会限制数据的质量、数量和覆盖范围。合成数据提供了克服这些限制的潜力，可以用人工生成的数据来增加或替换真实世界的数据，这些数据可以模拟真实世界系统的行为。

模拟是收集合成数据的最有力的工具之一。除了能够虚拟地复制和测试无数条件之外，模拟还可以生成大量的合成数据，这些数据涵盖了广泛的场景，包括在现实世界中观察到的罕见、困难或危险的实例。这可以通过向数据提供更具体和独特的情况，帮助提高基于AI/ ml的雷达感知模型的性能和通用性。

Ansys开发了一种高效的仿真工作流程，利用基于射击和反射射线(SBR)方法的电磁仿真技术实时模拟复杂的雷达场景。这个求解器是基于相同的SBR求解器Ansys基于并且图形处理(GPU)单元加速进行实时仿真。该雷达传感器模拟能力是可用的Ansys avxaccelerate传感器附加组件。我们将在本系列的下一篇博客中探讨Ansys的雷达传感器功能和相关用例，但首先，让我们深入了解合成数据在雷达应用中的重要性。

合成数据:快速克服挑战

为了训练和测试AI/ML模型，合成数据比物理数据有许多潜在的好处。首先，您需要在使用之前对真实数据进行标记和清理，但这是合成数据和模拟所固有的。要构建仿真模型，您可以选择要包含哪些组件以及将它们放置在何处。这意味着你在控制环境，本质上，你在选择和创造研究的基本事实。因此，通过使用模拟，AI/ML训练所需的标签非常准确。类似地，你可以使用合成数据来有效地训练深度学习过程和神经网络(NN)。

此外，在现实世界中，角用例测试——从配置空间的角落测试极端水平的多个参数——即使不是不可能，也是非常困难的。从历史上看，AI/ML算法没有配备足够的真实世界测试数据来准确地训练模型以应对此类极端情况，并因此失败。然而，通过模拟，您可以轻松地重现危险或很少发生的情况，以填补物理测试的空白。通过这种方式，合成数据通过增加样本大小和提供单独使用真实数据无法实现的独特培训机会来补充和增强真实世界的测试。

速度和效率是使用合成数据的另外两个最大好处。现有的解决方案通常依赖于真实世界的测量数据。这可能是昂贵的、低效的、耗时的，甚至不可能收集，因为培训和测试所需的场景范围甚至可能不存在。

自动驾驶汽车和其他应用中的合成数据华体会官网app下载新浪

考虑到物理测试和验证自动驾驶汽车的安全性和可靠性需要花费的时间、距离和精力。华体会官网app下载新浪从驾驶条件到道路，变量的数量几乎是无限的。模拟在这里提供了一个主要的优势，它不仅可以虚拟地测试无数的条件，而且可以生成足够的合成数据来补充和最大化物理数据。

这在评估危险和复杂的情况时特别有用，这些情况可能太困难或不可能获得真实世界的测量值。

合成数据已被证明是各种应用中的有效工具。一个这样的例子使用合成数据来探测，分类，并利用距离多普勒地图定位目标¹，如图2所示。这展示了机器学习和基于物理的模拟的集成如何提高自动驾驶汽车的安全性。华体会官网app下载新浪

图3所示的另一个应用示例演示了如何使用基于物理的模拟来训练卷积神经网络(CNN)，通过分析多普勒频谱图中捕获的微多普勒效应来识别目标是人、汽车、骑自行车的人还是狗²．

图4所示的最后一个示例强调了将合成数据应用于强化学习时的使用。Ansys的网络研讨会系列:基于物理实时雷达的纵向车辆控制强化学习演示了车辆在现实场景中学习控制速度和制动的实时训练和进展。

汽车市场以外的行业也在开发广泛的雷达应用，包括:

• 消费电子产品的室内监控:智能设备可以检测到你在房间里的时间和你在做什么。
• 安全应用:检测一个地点有多少人以及人们是否在移动的系统。
• 健康监测:监测您的生命体征，而不附加到您。

实时雷达游戏改变者，敬请期待

合成数据为人工智能/机器学习训练做出了大量贡献，avxaccelerate gpu加速SBR求解器使合成数据生成更容易、更可靠、更准确。此外，Ansys的模拟能够生成大规模的合成数据，这需要在广泛的情况下彻底训练AI/ML模型。

快速创建真实的数据集也同样重要。Ansys的雷达传感器仿真功能通过将几何光学和物理光学与电磁波相结合的SBR技术实现了这一目标。

请继续关注本系列的下一篇博客，通过用例展示如何使用合成数据来训练ML模型和测试真实数据的性能，了解更多关于Ansys雷达传感器仿真解决方案的信息。

了解更多

• Ansys AVxcelerate真实的传感器测试和验证使您能够比物理原型更快地测试自动驾驶汽车、ADAS和传感器。华体会官网app下载新浪
• 发现有远见的公司是如何利用人工智能(AI)、机器学习(ML)、深度学习(DL)和仿真在解决复杂的工程问题时采取确定性的飞跃。
• 基于物理的实时雷达的纵向车辆控制强化学习系列网络研讨会本次直播网络研讨会重点介绍了基于Ansys实时雷达(RTR)的新物理解决方案，该解决方案应用于执行纵向车辆控制的强化学习模型。

参考文献

1. https://ieeexplore.ieee.org/document/9035657
2. https://ieeexplore.ieee.org/document/9446140