This thread has been locked.

If you have a related question, please click the "Ask a related question" button in the top right corner. The newly created question will be automatically linked to this question.

[参考译文] IWR1443:噪声测量协方差矩阵 R 的计算方法

Guru**** 2614265 points
Other Parts Discussed in Thread: IWR1642, AWR1642

请注意,本文内容源自机器翻译,可能存在语法或其它翻译错误,仅供参考。如需获取准确内容,请参阅链接中的英语原文或自行翻译。

https://e2e.ti.com/support/sensors-group/sensors/f/sensors-forum/672823/iwr1443-the-calculation-method-of-noise-measurement-covariance-matrix-r

器件型号:IWR1443
主题中讨论的其他器件:IWR1642

我想参考噪声测量协方差矩阵 R (包括距离变化、速度变化、角度变化)的计算方法。

通常、观测噪声协方差矩阵由传感器的测量精度决定。 但当我看到 SRR 的情况时,距离变化、速度变化、角度变化是根据 CRLB (Cramer Rao 下限标准,在函数转换 SNRdBToVar 中)确定的。 即 VAR (f)>=12/(((2*PI)^2*SNR*N (N^2-1))、同时考虑距离分辨率和其他信息、但该值是最小的差异值。

在 IWR1642例程中,距离变化是根据范围^2*SNR (在函数:RADARDEMO_clusteringDBscan_calcInfoFixed 中)确定的。

 我可以理解信噪比可以反映传感器的测量精度、但我不是特别了解的算法。

我想知道、对于噪声协方差矩阵方法的两种计算、哪一种更好? 是否有更好的算法来确定观测噪声的协方差矩阵? 是否有任何相关材料可供参考? 谢谢!

  • 请注意,本文内容源自机器翻译,可能存在语法或其它翻译错误,仅供参考。如需获取准确内容,请参阅链接中的英语原文或自行翻译。

    您好、Cary、

    您是否曾在参考我们提供的具体实施示例时提出此问题。

    如果您可以指出您所引用的代码示例或处理链、这将有助于我们在正确的上下文中回答问题。

    例如,在 SRR 演示背景下: 短距离雷达参考设计

    有一个类似的主题讨论了这一点: "="" algorithm="" (function)="" in="" awr1642="" srr="" released="" c="" code"="" href="https://e2e.ti.com/support/sensor/mmwave_sensors/f/1023/t/660597?tisearch=e2e-sitesearch&keymatch=mmwave%20SNR">Compiler/AWR1642:有关 AWR1642 SRR 发布的 C 代码中"convertSNRdBToVar"算法(函数)的问题

    谢谢、

    Vaibav

  • 请注意,本文内容源自机器翻译,可能存在语法或其它翻译错误,仅供参考。如需获取准确内容,请参阅链接中的英语原文或自行翻译。
    您好、Cary、

    哪一个更好的问题取决于您的应用是什么。

    SRR 演示用于80-120m 的目标、距离分辨率固定为30cm。 这会导致汽车(40+m)仅检测到一个物体(整个汽车)的情况。 因此、方差估算的唯一来源是目标的 SNR。

    IWR1642演示(交通监控)假设每个目标检测到许多物体。 例如、每个目标至少有3个对象。 因此、我们可以使用对应于一个目标的点云的差异和目标的 SNR 来估算差异。

    因此、如果您可以保证目标周围有一个点云、则可以使用交通监控方法、否则、您可以使用 SRR 方法。

    在参考资料方面、您可以搜索有关"Kalman filters (卡尔曼滤波器)"、"粒子 滤波器(粒子滤波器)"、"Data association for multi-object tracking (多物体跟踪的数据关联)"等的论文/教科书 有许多方法可以创建良好的跟踪器。 例如、对于"人员计数"演示(dev.ti.com/.../ 基于以下资源使用另一种方法来跟踪其跟踪器-使用雷达应用进行多目标跟踪- Blackman)。

    此致
    Anil
  • 请注意,本文内容源自机器翻译,可能存在语法或其它翻译错误,仅供参考。如需获取准确内容,请参阅链接中的英语原文或自行翻译。
    尊敬的 Anil 和 Vaibav:
    密集分析、感谢您的帮助!