💡这项突破是什么?
近日，信息学院（人工智能学院）许福教授团队在智能雷达感知研究领域取得新进展，针对复杂道路环境下雷达回波频谱非平稳、固定采样方式难以适应动态场景以及传统级联处理存在特征失配等问题，提出了一种面向稀疏域表征的动态雷达优化网络（Dynamic Radar Optimization Network，DRONet）。相关成果以“DRONet: Fine Detection From Raw Radar Data in Sparse Domain Representations”为题，发表于智能交通领域国际期刊 IEEE Transactions on Intelligent Transportation Systems（中科院二区Top, IF：9.1）。
雷达具有全天时、全天候和对光照条件不敏感等特点，是自动驾驶和智能交通系统实现环境感知与目标定位的重要传感手段。然而，复杂道路环境中的目标运动、多径传播及环境变化会造成雷达频谱动态变化，传统固定频带建模和密集采样方法不仅难以充分提取有效目标信息，还会带来较大的计算和存储开销。同时，现有“采样—特征提取—目标检测”级联处理方式中各阶段通常独立优化，容易产生特征空间不一致和信息损失。
针对上述问题，研究团队提出DRONet框架，将频率解耦注意力、可学习稀疏采样和目标检测统一到端到端优化框架中。该方法首先通过频率解耦注意力机制沿多普勒频率方向划分不同频带，并利用信息熵动态调整各频带权重，增强目标信息丰富区域、抑制杂波干扰；随后通过可学习稀疏采样模块自适应优化采样模式，在保留关键雷达信息的同时降低数据冗余；最终通过联合优化采样矩阵与检测网络参数，使前端信息获取方式能够直接服务于后端目标检测任务，从而提升雷达特征表征与检测结果之间的一致性。
图1 DRONet整体框架
研究团队在公开高分辨率汽车雷达数据集RADIal上开展实验。结果表明，DRONet取得了 94.49%的平均精度（AP）和91.38%的平均召回率（AR），其中平均召回率在比较方法中最高；同时，完整处理流程计算量为 496 GFLOPs，体现出较好的检测性能与计算效率平衡。复杂交通场景下的可视化结果进一步表明，DRONet能够获得更加集中的目标响应和更加清晰的目标边界，并有效减少背景干扰和误检。
图2 DRONet 在RADIal 数据集中简单场景和困难场景的目标检测可视化结果
该研究从动态频谱建模和任务驱动稀疏采样的角度，为高维雷达数据的高效感知提供了新的技术思路，有望为自动驾驶、智能交通以及资源受限平台上的高分辨率雷达实时感知提供技术支撑。
论文第一作者为信息学院（人工智能学院）王升老师和2023级硕士王巧，通讯作者为孙国栋副教授和许福教授。北京林业大学为第一完成单位。
该研究得到了国家重点研发计划项目（2022YFF1302700）、中央高校优秀青年团队项目（QNTD202504）、中国博士后科学基金（2026M792046）和国家资助博士后研究人员计划博士后创新人才支持项目（BX2026359）的支持。
