本技术介绍了一种基于轻量脉冲神经网络的单光子雷达后端信号处理技术。该方法涉及模拟SPAD传感器的光学和电学采集过程,并计算光子触发概率。通过利用光子触发概率,该技术能够有效处理雷达信号,提高信号处理的准确性和效率。
背景技术
单光子雷达采用工作在盖革模式下的雪崩二极管(Single Photon AvalancheDiode, SPAD),因其具有高增益、高灵敏度和低功耗的优点,在荧光检测、医学影像、以及自动驾驶等领域广泛使用。单光子雷达对光子的灵敏响应使其在弱光条件下具有出色的表现。
近年来,脉冲神经网络(Spiking Neural Network,SNN)作为第三代神经网络,在人工智能和神经科学领域取得了广泛关注。与传统的人工神经网络(Artificial NeuralNetwork,ANN)相比,SNN更加注重模拟生物神经系统中的离散脉冲信号,不仅能够精确高效的处理时间序列数据,而且更符合生物学真实特性。SNN网络结构是目前最能准确模拟人类大脑信号传递机制的网络,而且具有更高效的计算特性,尤其适用于时序相关的低功耗嵌入式系统,已经成为嵌入式设备部署神经网络计算的主要方案,近些年广泛流行于激光雷达传感器的应用。随着人工智能以及硬件工艺的快速发展,无疑加速了嵌入式设备与神经网络协同的发展,由此基于SNN的脉冲信号处理方法作为一个分支应运而生,在嵌入式设备上处理时间序列数据有着比其他ANN更出色的表现。
单光子雷达信号处理作为激光雷达信号分析的典型问题,在商业、工业、军事等领域应用广泛,传统的激光雷达测距和成像算法需要设计复杂的电路,占用大量的存储资源。基于神经网络的信号处理,只需要进行乘加运算,可以高效地提取雷达数据特征,动态范围大、噪声抑制能力强、工艺简单、易于集成,能够在硬件层实时进行数据分析和处理。尽管基于神经网络的雷达数据处理具有很大的应用潜力,但基于单光子雷达的神经网络硬件化实现仍面临一些挑战。首先,当下缺乏基于时间序列的单光子雷达信号数据集,现有的方法是直接利用灰度图训练CNN(Convolutional Neural Networks,卷积神经网络)网络,然后通过调整激活函数转化成脉冲神经网络(SNN),另一种方法是将灰度图在时间维度T上进行复制,从而具有时序信息,直接利用SNN网络进行训练,虽然这两种方法能够训练出精确度较好的SNN网络,但是数据类型与单光子雷达的直接输出数据不能耦合,需要进一步处理。其次,训练完成的神经网络权重和偏置等参数是32位的浮点数,对于集成化硬件的部署来说是无法接受的,而且浮点运算会占用更多的资源,功耗更大,远远不能满足芯片集成化、低功耗需求。
实现思路