前言

目前，智能駕駛技術(shù)在汽車領(lǐng)域得到了廣泛的應(yīng)用。但是在實際生活中，智能駕駛汽車所產(chǎn)生的交通事故屢見不鮮，其中，有很大比例的交通事故均為正面碰撞。因此，更加精確和更具有魯棒性的車輛感知技術(shù)成為智能駕駛領(lǐng)域的重點之一。在上篇中，對論文提出的EIV系統(tǒng)的整體架構(gòu)進行了大致的介紹，并詳細講解了系統(tǒng)第一個部分所用到的技術(shù)。接下來將對剩下的兩個部分：指紋識別和車輛定位的相關(guān)技術(shù)進行講解，并給出其實驗結(jié)果和評估，最后對該論文所作出的成果進行總結(jié)。

圖1 系統(tǒng)整體架構(gòu)

指紋鎖定的相關(guān)技術(shù)研究

1. 頻移指紋

由于包含DDR內(nèi)存的電子設(shè)備都會產(chǎn)生EMR，且車輛感知要求低成本、高效率和快速響應(yīng)，這就無法為每種內(nèi)存類型訓(xùn)練一個專門的分類器。電子設(shè)備中的EMR主要來源于CPU、ADC和內(nèi)存。這些設(shè)備工作時產(chǎn)生的頻率具有不同的特征，結(jié)合這些特征差異，可以從靜態(tài)特征和動態(tài)特征對EMR進行分析并區(qū)分。靜態(tài)特征包括內(nèi)存固有的中心工作頻率和諧波間隔，動態(tài)特征則是由于制造缺陷和熱效應(yīng)所賦予的諧波之間獨特的頻率漂移指紋。即使是相同的存儲芯片，在不同設(shè)備的操作條件下也表現(xiàn)出足夠不同的指紋。

圖2展示了來自兩臺不同設(shè)備的四個諧波分量在時間上的中心頻率-時間圖。可以觀察到，來自同一設(shè)備的諧波頻率變化趨勢有一定的關(guān)聯(lián)性，而不同設(shè)備的頻率變化具有明顯的差異。因此，內(nèi)存電磁輻射諧波的中心頻率波動趨勢（頻漂）可以用于設(shè)備識別和評估環(huán)境中的內(nèi)存EMR信號數(shù)量。通過將測得的頻譜變化與已知設(shè)備的特定的內(nèi)存EMR頻漂指紋匹配，即便在復(fù)雜的環(huán)境中也可以將內(nèi)存電磁輻射分量隔離出來，進行下一步分析。

圖2 諧波分量頻率時間圖

2. 隨機森林分類器

為了確定附近內(nèi)存EMR信號的數(shù)量，文中使用隨機森林作為多類分類器，根據(jù)頻率自相關(guān)指紋對信號進行設(shè)備聚類。對于一個可疑的內(nèi)存電磁EMR，提取一段頻率域數(shù)據(jù)，并計算相鄰頻率分量之間的自相關(guān)系數(shù)（AC）。輸入特征為一組頻帶的自相關(guān)系數(shù)，輸出為將信號分類到某個設(shè)備指紋集群的預(yù)測標(biāo)簽。隨機森林匯總來自多個決策樹的預(yù)測結(jié)果。然后，將這些自相關(guān)系數(shù)輸入到隨機森林分類器中。自相關(guān)系數(shù)可以表示為：

圖片

圖3 諧波分量的頻域自相關(guān)系數(shù)表現(xiàn)出獨特的指紋

3. 微多普勒特征

除了動態(tài)特征和靜態(tài)特征外，實際檢測到的結(jié)果中還包含微多普勒效應(yīng)。車輛獨特的輪胎組件和車身結(jié)構(gòu)在行駛過程中會引發(fā)獨特的微運動。這些微運動（不僅僅是車輛的整體移動，還包括底盤部件的振動、旋轉(zhuǎn)和速度變化）會在接收到的無線電信號中引發(fā)可測量的多普勒頻移，稱為微多普勒效應(yīng)。通過信號處理技術(shù)對車輛內(nèi)存電磁EMR中的微多普勒特征進行準(zhǔn)確分析，生成微多普勒特征，進而對復(fù)雜信號環(huán)境中的車輛發(fā)射的EMR信號進行區(qū)分，并根據(jù)它們的動態(tài)特征識別不同類型和型號的車輛。具體分析方法如下：

圖4 車輪結(jié)構(gòu)模型

圖片

車輛定位相關(guān)技術(shù)研究

1.RSSI提取

圖片

圖5 天線組位置及分類區(qū)域示意圖

當(dāng)用戶的車輛啟動時，通過接收天線掃描所有內(nèi)存的工作頻段，檢查是否包含本車輛的內(nèi)存EMR信號。將接收到的射頻信號向下轉(zhuǎn)換為基帶同相(I)和正交(Q)信號，生成復(fù)值IQ樣本進行進一步處理。IQ信號是通過將接收到的射頻波形與正弦和余弦局部振蕩器混合而形成的，分別產(chǎn)生I分量和Q分量。IQ表示可以方便地處理復(fù)雜域內(nèi)的調(diào)制信號，同時保留振幅和相位信息。我們通過對接收到的IQ信號進行積分來獲得RSSI估計值。然后在一個滑動時間窗口上取RSSI值的平均值，以平滑波動。

2. SVM分類

圖片

然后，使用每個區(qū)域的預(yù)先測量的RSSI曲線作為初始基線，與捕獲的內(nèi)存EMR信號的RSSI曲線進行分類訓(xùn)練。在此過程中，區(qū)域劃分采用一位有效編碼，最終將內(nèi)存EMR信號標(biāo)記在某個感知區(qū)域上。分類模型選擇支持向量機（SVM），由于信號的多徑效應(yīng)和不可預(yù)見的遮擋，復(fù)雜的自然駕駛環(huán)境的RSSI值是不穩(wěn)定的。然而，對于不同類型的駕駛威脅，RSSI曲線的變化趨勢相對穩(wěn)定。通過計算DTW距離，可以得到目標(biāo)車輛的移動情況來判斷危險。此外，初始基線樣本量可能會很大，這對于原始結(jié)構(gòu)的SVM分類器來說是一個不可忽視的挑戰(zhàn)。DTW不需要大量的數(shù)據(jù)樣本，但它需要存儲所有的訓(xùn)練數(shù)據(jù)，空間占用和測試時間消耗隨著訓(xùn)練數(shù)據(jù)量的增加呈現(xiàn)線性增加。論文中設(shè)計了一個基于DTW的特定核函數(shù)以避免初始訓(xùn)練數(shù)據(jù)的不足。從長遠來看，基于DTW核函數(shù)的SVM分類模型可以避免高占用率和耗時性的缺陷。我們將其定義為PRDT-SVM，公式如下：

圖片

實驗評估與總結(jié)

論文中使用20輛智能車輛來進行測試，在城市道路上行駛速度30km/h，在郊區(qū)道路上40km/h。與EIV進行對比的智能檢測系統(tǒng)為：

• CAV：當(dāng)前的CAV實現(xiàn)主要利用網(wǎng)絡(luò)鏈接來訪問高清地圖數(shù)據(jù)、實時天氣、交通更新和后端計算功能。它代表了單個自動駕駛車輛的基線感知能力。我們進一步比較邊緣輔助多車輛感知系統(tǒng)（EMP）。
• EMP：指的是本文提出的邊緣輔助多車輛感知系統(tǒng)。它利用附近多輛車輛共享的傳感器數(shù)據(jù)，并在邊緣將它們合并以增強感知。

結(jié)果如下列圖所示，在回歸率、精度和延遲上EIV都有著非常不錯的性能：

智能汽車的感知問題一直是自動駕駛中迫切需要解決的問題。論文中提出了一種新的自動駕駛車輛感知系統(tǒng)EIV，克服了攝像頭檢測的視野遮擋問題并且具有不錯的性能。EIV是第一次在這種情境下探索智能車輛的檢測和定位的系統(tǒng)，具有一定的意義。對于其他的電子設(shè)備，也許同樣可以采用論文中的方法來進行檢測和定位。當(dāng)然，這種檢測和定位方法也存在著使用對象的限制，EIV只是能檢測和定位智能汽車上SOC的內(nèi)存EMR信號，現(xiàn)實中還存在著傳統(tǒng)的燃油車、行人、自行車和摩托車這些交通參與對象，這些對象不太可能產(chǎn)生電磁泄漏，也就無法進行識別，仍需依靠其他系統(tǒng)。

參考文獻

[1] Qibo Zhang, Fanzi Zeng, Jingyang Hu, Zhu Xiao, Jiongjian Fang, Kejun Lei, and Hongbo Jiang. Enhancing perception for intelligent vehicles via electromagnetic leak-

age. IEEE Transactions on Intelligent Transportation Systems, 25(7):7029–7043, 2024.