使用雷达传感器识别目标的系统和方法与流程

本发明总体上涉及电子系统，并且在具体实施例中，涉及用于使用雷达传感器识别目标的系统和方法。

背景技术：

由于低成本半导体技术(诸如硅锗(sige))和精细几何互补金属氧化物半导体(cmos)工艺的快速发展，毫米波频率域中的应用在过去的几年中得到了极大的关注。高速双极和金属氧化物半导体(mos)晶体管的可用性导致了在60ghz、77ghz和80ghz以及超过100ghz的毫米波应用中对集成电路的日益增长的需求。例如，这样的应用包括汽车雷达系统和多吉比特通信系统。

在一些雷达系统中，雷达和目标之间的距离通过以下步骤来确定：发送频率调制信号；接收频率调制信号的反射；以及基于频率调制信号的发射和接收之间的时间延迟和/或频率差来确定距离。因此，一些雷达系统包括发送rf信号的发射天线、接收rf的接收天线以及用于生成发送信号并接收rf信号的相关rf电路装置。在一些情况下，可以使用多个天线来使用相控阵技术来实施定向波束。具有多个芯片集的mimo配置也可用于执行相干和非相干信号处理。

技术实现要素：

根据一个实施例，识别生物目标的方法包括：使用毫米波雷达传感器对生物目标上的多个位置执行雷达测量；基于雷达测量，产生多个位置的目标数据集；从目标数据集中提取特征；将所提取的特征与存储的特征进行比较；以及基于比较来确定所提取的特征是否与所存储的特征匹配。

附图说明

为了更全面地理解本发明及其优点，现在结合附图进行以下描述，其中：

图1a示出了基于毫米波雷达的面部识别系统，图1b示出了由一个示例性面部识别系统评估的用户面部上的点，图1c示出了示例性面部特征存储处理的象形图，图1d示出了具有对准led的示例性设备面板，以及图1e示出了示例性面部识别系统的框图；

图2a、2b和2c示出了示例性面部识别系统的各种实现方案；

图3a示出了示例性毫米波雷达传感器的框图，以及图3b和图3c示出了示例性毫米波雷达传感器电路的平面图；

图4a、图4b、图4c和图4d示出了毫米波雷达传感器的放置的各种配置；

图5示出了接收到的雷达信号随时间变化的波形图；

图6示出了示例性特征提取算法的框图；

图7示出了用于特征提取和识别的机器学习管线的框图；

图8示出了示例性面部识别系统的框图；以及

图9是可用于实施示例性面部识别系统的部分的处理系统的框图。

除非另有说明，否则不同附图中的对应数字和符号一般表示对应的部分。绘制附图以清楚地示出优选实施例的相关方面，并且不一定按比例绘制。为了更清楚地说明特定实施例，表示相同结构、材料或工艺步骤的变型的字母可以遵循图号。

具体实施方式

下面详细讨论当前优选实施例的制造和使用。然而，应该理解，本发明提供了许多可应用的发明概念，它们可以在各种特定上下文中实施。所讨论的具体实施例仅仅说明了制造和使用本发明的具体方法，并且不限制本发明的范围。

本发明将针对特定上下文中的优选实施例、使用雷达系统执行面部识别的系统和方法进行描述。本发明还可以应用于执行特征识别的其他基于rf的系统和应用。

在本发明的实施例中，使用多个基于毫米波的传感器来执行特征识别功能，诸如面部识别。影响传统的基于光学的面部识别系统的一个问题是其被展示被认证者的照片图像欺骗的弱点。在本发明的实施例中，使用基于毫米波的雷达传感器的阵列来执行面部识别，雷达传感器对用户面部的多个点执行测量。通过测量参数(诸如面部特征的深度和面部特征之间的距离等)以及与高频rf信号相关的用户面部的一部分的反射特性，可以实现对人的有效识别和认证。在一些实施例中，机器学习算法用于分类和优化人脸的rf测量，以便与稍后的测量有效地比较。在机器学习处理期间，迭代地修改产生用户的特征向量的图像形成算法的参数，以提高识别精度。应该理解，面向人类面部识别的系统也可以用于识别人体的其他部分以及非人类目标。这些其他目标可以包括活体或非活体生物目标，诸如植物和动物或者非生物目标，其中目标的物理尺寸和rf反射特性提供用于基于这些特性进行识别的机会。

图1a示出了基于雷达的面部识别系统100的框图。如图所示，基于雷达的面部识别系统100包括毫米波雷达传感器阵列102、处理器104和数据库106，数据库包含基于系统可识别的用户的rf测量的特征向量。在操作期间，毫米波雷达传感器阵列102发射被目标114反射的毫米波rf信号。通过毫米波雷达传感器阵列102接收反射的毫米波rf信号。这些接收的rf信号被转换成数字表示，由处理器104进行处理，并且与包含在数据库106中的用户测量进行比较。这种比较的结果产生表示目标114的身份的指示id。虽然在图中目标114被表示为基于面部特征进行身份被认证的人，但是应当理解，在本发明的可选实施例中，可以测量和认证其他特征和其他对象。例如，示例性系统可以基于身体的其他部分(诸如手掌)来认证人的身份。在进一步的实施例中，可以使用示例性系统识别和认证非人类对象、生物、非生物、有机的和无机的身份。

在一些实施例中，目标114暴露于近场感测区中的多个雷达波束，其例如可以与毫米波雷达传感器阵列102相距小于10厘米的距离。备选地，目标114被放置在与雷达传感器阵列102相距大约10厘米和大约30厘米之间的中间感测区域中。近场感测参数(诸如微小皮肤纹理和缩放)可以被提取、识别和区分。在一些实施例中，近场感测也可应用于其他形式的生物识别，诸如基于用户的手或手指来识别用户。中间感测可用于提取各种宏观面部特征，包括但不限于不同身体部位的形状和/或大小以及面部特征的深度和大小。

由雷达传感器阵列102产生的雷达波束可以指向用户面部的各个点，如相对于图1b所示的目标114所示。在一些实施例中，一个或多个雷达波束指向用户面部上的生物特征提取位置116。在所示附图中，生物特征提取位置116被示为用户的右脸颊和左脸颊，然而，脸部的其他部分可以代替用户脸颊使用或者除用户脸颊之外使用。从生物特征提取位置116反射的雷达信号的rf特性可以按照允许与预先存储的测量进行比较的方式被存储和参数化。除了生物特征提取点之外，诸如中心提取点118的参考点可用于表征用户空间的特征深度和/或可用于系统对准目的。如图1b所示，中心提取点118是用户鼻子的尖端，然而，在备选实施例中，其他面部特征可用于中心提取点或其他参考点。通过测量由目标114表示的用户面部的各种特征深度和所测量生物特征提取位置116的rf反射特性，可以安全地识别目标114的身份。因为目标114的面部的测量特性不同于照片或其他视觉图像不同、或者甚至用户面部的三维表示(例如，面具)的测量特性，所以在面部识别处理中使用基于毫米波的雷达传感器防止了使用用户面部的模型和表示的欺骗。此外，与其他生物传感器类型(包括光学传感器、指纹扫描仪、视网膜扫描仪等)相比，基于毫米波雷达的面部识别系统可以更低的成本提供更高的精确度。

图1c示出了表示示例性面部特征存储处理的象形图。在步骤120中，示例性雷达传感器系统对由“+”符号表示的目标114的面部执行一系列测量。这些测量中的每一个都可以被称为雷达像素。如图所示，在每个眼睛的左侧和右侧、使用者鼻子的尖端以及使用者嘴唇的右边、左边和中心进行这些测量。应该理解，这些点仅仅是示例，并且用户面部的其他部分可以代替图1c所示的点或者除了图1c所示的点之外进行测量。在各个实施例中，可以选择相对于毫米波雷达信号具有各种深度和各种反射特性的面部特征。例如，用户鼻子的反射特性可能不同于用户嘴唇的反射特性，这是因为面部的这些区域中的皮肤深度和组织类型的差异。在一些实施例中，通过结合各种不同的面部特征，可以增强系统可靠地识别和认证用户的能力。接下来，在步骤122中，示例性系统将用户面部的每个点处的测量存储到数据库中作为数字算法。在一些实施例中，使用下文所讨论的各种数字信号处理算法和机器学习算法，原始雷达测量被转换为特征向量集。在步骤124中，这些特征向量被存储在计算机存储器中，用于稍后的比较和认证。

在一些实施例中，如图1d所示，目标114表示的用户经由包括雷达传感器电路154和多个面部对齐光发射器152的设备面板150与示例性面部识别系统交互。在面部识别处理期间，用户使用光发射器152作为视觉指南或提示来将他或她的面部与设备面板150对准。例如，用户可以在光发射器152的边界内对准他或她的面部，同时保持用户面部和设备面板150之间的距离在预定的距离范围内。在一些实施例中，该预定的距离范围将目标114置于雷达传感器电路154的中间感测区内。在一些实施例中，该预定范围可以在大约10厘米和大约30厘米之间。小于约10厘米的距离可以在雷达传感器电路154的近场感测区域内，而系统提取精确的距离信息的能力在大于约30厘米的距离处降低。应该理解，这些范围只是示例；实际的预定范围可以根据特定系统架构和特定系统的规范而变化。在一些实施例中，该预定范围可以被优化以获得更好的性能。此外，代替雷达电路154的中间感测区域或者除雷达电路154的中间感测区域之外，一些实施例可以利用小于约10厘米的近场区域。

在一些实施例中，面部识别系统被配置为一旦系统感测到目标114位于光发射器152的边界内且在雷达传感器电路154的预定范围内，就开始对目标114的面部进行雷达测量。可以使用雷达传感器电路154、监控目标114的摄像机或它们的组合来确定目标114的位置的确定。在各种实施例中，光发射器152可以使用发光二极管(led)来实现。在本发明的备选实施例中，除了led之外的其他设备可用于为目标114提供用于对准的视觉提示。这些其他设备可以包括例如照明设备(诸如白炽灯或激光器)或者可以提供视觉提示的其他物体。还应该理解，可在备选实施例中使用多于或少于四个光发射器152。

图1e示出面部识别系统160的框图。如图所示，面部识别系统160包括耦合至信号处理单元(spu)164的多个毫米波雷达传感器162。毫米波雷达传感器162包括必要的rf电路装置和天线以执行雷达测量，并将所执行的雷达测量从模拟域转换到数字域，并使用如上所述的数字总线耦合到spu164。spu164将毫米波雷达传感器162的数字化输出提供给计算机172。由spu164提供的示例性功能166包括传感器系统控制168和准备170中的数据生成。传感器控制168向毫米波雷达传感器162提供测量和控制参数。测量参数例如可以包括波束转向参数和扫频参数以及毫米波雷达传感器162的各种其他初始化参数。控制信号例如可以包括启动雷达测量的命令以及控制spu164和毫米波雷达传感器162之间的数据交换的命令。数据生成和准备功能170可以被配置为管理、格式化和/或转换由毫米波雷达传感器162产生的原始数据。在被转移到计算机172之前，传感器系统控制功能168以及数据生成和准备功能170可以使用由spu164执行的软件来实现。备选地，传感器系统控制168和/或数据生成准备170可以使用驻留在spu164上的硬件逻辑、可编程逻辑或专用电路装置来实现。

在各种实施例中，雷达传感器162可用于实施指向目标的各个部分的雷达像素，诸如用户面部的特定部分(如图1c所示)。例如，一个雷达传感器162可对应于朝向用户面部与左眼相邻的部分的第一雷达像素，第二个雷达传感器162可以指向用户面部与右眼相邻的部分，第三个雷达传感器162可以指向用户的鼻子，并且剩余的多个雷达传感器162可以指向用户嘴唇的各个部分。在各种实施例中，这些雷达像素可以使用独立的毫米波雷达传感器电路162来实施，每个毫米波雷达传感器电路都指向用户面部的不同部分。备选地，可以按照时间复用方式使用较少数量的雷达传感器电路。例如，单个毫米波雷达电路162可用于通过使用波束转向扫描用户的面部来对用户面部的各个部分执行雷达测量。

一旦毫米波雷达电路162执行与各种雷达像素对应的测量，就将与这些像素相关联的数据发送到信号处理单元(spu)164。与spu164通信可以在根据各种数字总线标准实施的各种数字通信通道之上发生，诸如spi、usb、bt、wifi、wigig、i3c、lvds和mipi。备选地，可以使用其他总线类型和标准。spu164提供各种雷达像素的状态定义。例如，通过计算机172执行与预加载信息(诸如代表授权用户的特征数据)的比较。计算机172的功能可以在雷达传感器的本地实施，或者可以完全或部分地由另一个处理设备(诸如计算机服务器或基于云的处理器)实施。一旦进行了与预加载信息的比较，如果在预加载信息中表示所测量的面部识别特征与授权用户匹配，则可以执行限定动作。例如，该限定动作可以包括用户的识别以及物理动作，诸如对门进行解锁或提供对计算机或其他系统的访问。

计算机172被配置为从spu164接收原始和/或雷达传感器数据。在本发明的一些实施例中，计算机172处理由spu164提供的数据以匹配由毫米波雷达传感器数据表示的面部特征，从而存储代表各种用户的数据。计算机172还可以被配置成产生参考用户数据集，用于对未来的测量进行比较来用于身份认证的目的。在一个实施例中，计算机172实施功能174。例如，功能性174可以包括数据拼接176检测和特征提取178和认证180。数据拼接功能176包括格式化和同步接收到的毫米波162的输出，用于通过检测和特征提取功能178进行进一步处理。

在一个实施例中，检测和特征提取功能178获取已经被数据拼接功能176处理的数据，并产生与毫米波传感器162测量的面部特征相对应的特征向量集。例如，这些检测和特征提取操作178可以包括各种信号处理步骤，诸如fft和其他数值操作以及机器学习和分类算法的执行。当为新用户生成存储的数据集时，检测和特征提取功能178可以使用机器学习算法来提供参考特征向量的集合，其提供目标114的有效识别。机器学习算法的执行也可以优化特征提取处理中使用的参数。在一些实施例中，机器学习算法也可用于设置毫米波传感器162的传感器系统控制参数，其可以在操作期间反馈给spu164。当处理用于认证目的的目标114的测量时，检测和特征提取功能178可以基于由spu164提供的测量提供特征向量的集合。

认证功能180可以使用预测模型来确定由毫米波传感器162提供的测量何时与已知用户相关联的存储特征向量相关联。该认证处理的结果可以经由用户反馈184提供给用户。该用户反馈184例如可以包括视觉或音频指示，或者可用于执行另一动作，诸如对门进行解锁或提供对计算机系统的访问。包括数据拼接176、检测和特征提取178以及认证180的功能174可以被实施为由计算机172执行的软件。

相机182可用于协助传感器系统160使目标114与毫米波传感器162对齐。例如，相机182可以捕获用户的图像，并用叠加的边界(诸如方框)显示图像。一旦系统检测到用户的面部在叠加边界内(自动地或经由用户反馈)，就启动面部识别处理。在一些实施例中，由相机182捕获的目标114的图像可用于帮助认证由目标114表示的用户。在其他实施例中，位于感测阵列的角部处的四个雷达传感器可用于帮助用户校准/对准用户的面部与传感器阵列。

图2a至图2c示出了示例性基于毫米波的面部识别系统如何与各种应用结合使用。图2a示出了安装有毫米波雷达传感器202的智能手机200。如图所示，智能手机200包括四个毫米波雷达传感器202，智能手机200的每一个边角有一个。在操作期间，毫米波雷达传感器202测量用户面部上的多个点，并确定用户面部的测量是否与存储的测量集相对应。这种确定可以在智能手机200本地进行或经由远程计算机(诸如与智能手机200通信的云计算机)进行。例如，由智能手机200提供的认证可用于访问智能手机200，以访问智能手机200内的特定特征，或者可用作与智能手机200通信的计算机系统对用户进行认证的方式。例如，运行在智能手机200上的应用可以使用示例性基于毫米波的面部识别系统来认证用户或在应用中提供特定功能。例如，如果应用是银行应用，则示例性的基于毫米波的面部识别系统可以用于认证用户的身份，并基于认证的面部识别测量提供对用户银行账户的访问。

图2b示出了在汽车210的门212上安装有多个毫米波雷达传感器202的汽车210。在操作期间，使用毫米波雷达传感器202的示例性面部识别系统可以在用户接近门212时识别用户。当面部识别系统经由毫米波测量认证用户时，门可以被解锁。在一些实施例中，面部识别系统也可用于允许用户操作汽车。示例性基于毫米波的面部识别系统的另一集合也可安装在汽车210内，以允许用户在车内被识别。

图2c示出了安装有毫米波雷达传感器202的门220。当用户接近门220时，可以使用示例性的基于毫米波的面部识别系统来认证用户。当系统认证用户时，门220被解锁。

应该理解，图2a、图2b和图2c所示的应用示例只是许多可能的可与示例性的基于毫米波的面部识别系统结合使用的几个示例。虽然在图2a、图2b和图2c所示的物体上只安装了四个毫米波雷达传感器202，但是可以根据特定应用及其规格安装任意数量的毫米波雷达传感器电路。此外，毫米波雷达传感器202可以根据下文描述的各种不同的方式来布置。

图3a示出毫米波雷达传感器系统300的框图，该毫米波雷达传感器系统可用于在各种公开的实施例中实施毫米波雷达传感器电路。毫米波雷达传感器系统300包括毫米波雷达传感器电路302和处理电路装置304。示例性的毫米波雷达传感器电路例如可以使用测量目标114的位置和相对速度的二维毫米波相位阵列雷达来实施。毫米波相位阵列雷达在50ghz到80ghz范围内发射和接收信号。备选地，也可以使用在范围之外的频率。在一些实施例中，毫米波雷达传感器电路302操作为具有多个发射和接收通道的频率调制连续波(fmcw)雷达传感器。备选地，可以使用其他类型的雷达系统，诸如脉冲雷达、mcfw和nlfm，以实施毫米波雷达传感器电路302。

毫米波雷达传感器电路302在三维空间中发射和接收用于检测目标114的无线电信号。例如，毫米波雷达传感器电路302发送入射rf信号，并接收作为来自目标114的入射rf信号的反射的rf信号。通过毫米波雷达传感器电路302对接收到的反射rf信号进行下变频，以确定拍频信号。这些拍频信号可用于确定三维空间中目标114的信息，诸如位置、速度、角度等。

在各个实施例中，毫米波雷达传感器电路302被配置为经由发射天线312向目标114发送入射rf信号301，并经由接收天线314接收来自目标114的反射rf信号303。毫米波雷达传感器电路302包括耦合到发射天线312的发射机前端电路308和耦合到接收天线314的接收机前端电路310。

在操作期间，发射机前端电路308可以逐一向目标114发送rf信号，或者同时发送rf信号。虽然在图3a中示出两个发射器前端电路308，但是应当理解，毫米波雷达传感器电路302可以包括比两个更少或更多的发射器前端电路308。每个发射器前端电路308都包括被配置为产生入射rf信号的电路装置。例如，这种电路装置可以包括rf振荡器、上转换混频器、rf放大器、可变增益放大器、滤波器、变压器、功率分配器和其他类型的电路。

接收机前端电路310接收并处理来自目标114的反射rf信号。如图3a所示，接收机前端电路310被配置为耦合至四个接收天线314，这些天线可以被配置为2×2天线阵列。在备选实施例中，接收机前端电路310可以被配置为耦合至比四个更多或更少的天线，根据具体实施例及其说明，所得到的天线阵列具有各种n×m尺寸。例如，接收机前端电路310可以包括rf振荡器、上转换混频器、rf放大器、可变增益放大器、滤波器、变压器、功率合成器和其他类型的电路。

雷达电路306为发射机前端电路308提供将被发射的信号，接收来自接收机前端电路310的信号，并且可以被配置为控制毫米波雷达传感器电路302的操作。在一些实施例中，雷达电路306包括但不限于频率合成电路装置、上变频和下变频电路装置、可变增益放大器、模数转换器、数模转换器、用于基带信号的数字信号处理电路装置、偏置生成电路和电压调节器。

雷达电路306可接收来自处理电路装置304的基带雷达信号，并基于接收到的基带信号控制rf振荡器的频率。在一些实施例中，该接收到的基带信号可以表示将被发射的fmcw频率芯片。雷达电路装置306可以通过将与接收到的基带信号成比例的信号应用于锁相环的频率控制输入来调节rf振荡器的频率。备选地，从处理电路装置304接收的基带信号可以使用一个或多个混频器来上变频。雷达电路装置306可以经由数字总线(例如，usb总线)发射和数字化基带信号，经由模拟信号路径发射和接收模拟信号，和/或向/从处理电路装置304发射和/或接收模拟和数字信号的组合。

处理电路装置304获取由雷达电路装置306提供的基带信号，并将获取的基带信号格式化，用于向示例性信号处理单元(诸如图1e所示的spu164)发射代表拍频信号。在一些实施例中，处理电路装置304包括总线接口(未示出)，用于将数据传送到面部识别系统内的其他部件。可选地，处理电路304还可以执行由示例性面部识别系统使用的信号处理步骤，诸如快速傅立叶变换(fft)、短时傅立叶变换(stft)、目标分类、机器学习等。除了处理所获取的基带信号之外，处理电路装置304还可以控制毫米波雷达传感器电路302的多个方面，诸如控制由毫米波雷达传感器电路302产生的发射。

毫米波雷达传感器系统300的各个部件可以不同的方式划分。例如，毫米波雷达传感器电路302可以在一个或多个rf集成电路(rfic)上实施，天线312和314可设置在电路板上，并且处理电路装置304可使用设置在一个或多个集成电路/半导体衬底上的处理器、微处理器、数字信号处理器和/或定制逻辑电路来实施。处理电路装置304可以包括处理器，该处理器执行存储在非暂态计算机可读存储介质(诸如存储器)中的可执行程序中的指令，以执行处理电路装置304的功能。然而，在一些实施例中，处理电路装置304的全部或部分功能可以结合在其上设置毫米波雷达传感器电路302的同一集成电路/半导体衬底上。

在一些实施例中，毫米波雷达传感器电路302的一些或所有部分可以在包含发射天线312、接收天线314、发射机前端电路308、接收机前端电路310和/或雷达电路装置306的封装中实施。在一些实施例中，毫米波雷达传感器电路302可以被实施为布置在电路板上的一个或多个集成电路，并且发射天线312和接收天线314可以在与集成电路相邻的电路板上实施。在一些实施例中，发射机前端电路308、接收机前端电路310和雷达电路装置306形成在同一雷达前端集成电路(ic)裸片上。发射天线312和接收天线314可以是雷达前端ic裸片的一部分，或者可以实施为设置在雷达前端ic裸片之上或与雷达前端ic裸片相邻的独立天线。雷达前端ic芯片可以进一步包括导电层(诸如再分布层(rdl))，用于路由和/或用于实施毫米波雷达传感器电路302的各种无源或有源器件。在一个实施例中，发射天线312和接收天线314可以使用雷达前端ic裸片的rdl来实施。

图3b示出了可用于实施毫米波雷达传感器电路302的毫米波雷达传感器电路320的平面图。如图所示，毫米波雷达传感器电路320被实施为耦合至发射天线312和接收天线314的rfic324，这些天线被实施为设置在衬底322上或衬底322内的贴片天线。在一些实施例中，衬底322可以使用电路板来实施，在该电路板上设置毫米波雷达传感器电路302并且在该电路板上使用电路板的导电层实施发射天线312和接收天线314。备选地，衬底322代表晶圆衬底，其上设置有一个或多个rdl并且使用一个或多个rdl上的导电层实施发射天线312和接收天线314。

应该认识到，图3b的实施方式只是可实施示例性毫米波雷达传感器电路的许多方式中的一种。在备选实施例中，毫米波雷达传感器电路可以包括比两个更多或更少的发射机以及比四个更多或更少的接收机。例如，图3b的毫米波雷达传感器电路320可以被修改为结合具有任意尺寸的阵列的接收天线314的矩形线性阵列(rla)，诸如以ixj阵列布置的n个接收天线314，其中ij＝n。具体示例包括但不限于以3×2阵列布置的总共六个接收天线、以4×2阵列布置的总共八个天线或者以8×2阵列布置的总共十六个天线。这n个接收天线314中的每一个都可以耦合到rfic324上的对应引脚，并耦合到rfic324内的对应接收电路。

作为又一示例，图3c示出了毫米波雷达传感器电路332的平面图，其包括耦合至衬底336上设置的rfic334的一个发射天线312和两个接收天线314。毫米波雷达传感器电路332可以被修改为结合具有任意长度的线性阵列的接收天线314的均匀线性阵列(ula)，诸如以n×1或1×n布置的n个接收天线314。具体示例包括但不限于以1×1阵列布置的总共四个接收天线或者以8×1阵列布置的总共八个天线。这n个接收天线314中的每一个都可以耦合至rfic334上的对应引脚，并且耦合至rfic334内的对应接收电路。在进一步的备选实施例中，发射天线312、毫米波雷达传感器电路320和332可以类似地布置在rla或ula中。

在一些实施例中，在面部识别应用中，可以对所使用的传感器的数量和存在于传感器上的发射/接收天线的数目进行折中。例如，在许多应用中，可以在使用具有一个发射天线和两个接收天线的四个或更多个传感器(诸如图3a和3b所示)以及使用具有两个发射天线和四个接收天线的两个或更多个传感器(诸如图3c所示)之间进行选择。使用具有更多天线的较少雷达传感器电路的能力的一个原因是：由于具有更多天线的传感器的方向性和分辨率的提高。通常，每个毫米波雷达传感器202使用更多天线有助于使用相干信号处理提取位置信息，并且在计算上不那么密集。另一方面，包括较少天线的更多数量的毫米波雷达传感器202可以通过使用非相干信号处理来实施，这具有附加的计算和补偿。

图4a至图4d示出了毫米波雷达传感器202的放置的各种配置。图4a示出了毫米波雷达传感器202配置在均匀线性阵列中，每个传感器之间具有距离y。虽然图示中示出了六个毫米波雷达传感器202，但应该理解，根据具体实施例及其规格，可以使用比六个更多或更少的毫米波雷达传感器202。

图4b示出了配置在均匀矩形阵列中的毫米波雷达传感器202，每个传感器之间具有距离y。虽然图中示出了2×6毫米波雷达传感器202的阵列，但应当理解，根据具体实施例及其规格，可以使用任何矩形阵列尺寸。在矩形配置中配置毫米波雷达传感器202有助于提高交叉范围分辨率(cross-rangeresolution)。在各个实施例中，雷达系统的范围是传感器与目标之间的距离，而分辨率的交叉范围涉及雷达传感器202的感测位置内的空间分辨率。

毫米波雷达传感器202也可以非均匀配置来实施。例如，图4c示出了配置在非均匀线性阵列中的毫米波雷达传感器202，以及图4d示出了配置在非均匀二维阵列中的毫米波雷达传感器202。

在各个实施例中，毫米波雷达传感器202彼此之间的最小距离介于0.5λ和0.7λ之间，其中，λ是毫米波rf信号的波长。当已知每个传感器的位置用于处理提取的数据时，可以增加毫米波雷达传感器202之间的距离。

在各个实施例中，毫米波雷达传感器202可以安装在各种表面上，并且可以隐藏在不同材料和/或天线罩类型下方，其例如包括聚碳酸酯、玻璃、塑料和其他材料。在一些实施例中，在传感器系统上方不使用金属。在其他实施例中，金属可以在传感器平面上方用作屏蔽或波导，这取决于具体系统。例如，在设置在毫米波雷达传感器202的衬底上的八木天线中，可用于在与传感器相同的平面中发射或接收信号。在这种情况下，天线可以旋转90度，使得由雷达传感器产生的波束被定向到目标。金属屏蔽可以设置在天线上方。

在一些实施例中，针对7ghz带宽，毫米波雷达传感器202在57ghz至64ghz的频率范围内操作。然而，可以使用不同的频率范围和带宽，因为系统的分辨率通常与带宽成比例。在一些情况下，由毫米波雷达传感器202发射的功率等级可能被限制以遵守政府法规，诸如美国联邦通信委员会(fcc)颁布的规则。在一些实施例中，可以根据分辨率要求、功耗、可用系统空间等使用任意均匀线性阵列(ula)、非均匀线性阵列(nula)、均匀矩形阵列(ura)或非均匀矩形阵列(nura)。

图5示出了用于n个毫米波雷达传感器的接收rf信号的频率的波形图，其中每个毫米波雷达传感器都具有m个接收天线。例如，标记为s1，rx1的波形表示在第一传感器s1的第一天线rx1上接收到的rf信号的接收频率；s1，rx2表示在第一传感器s1的第二天线rx2上接收的rf信号的接收频率；s2，rx1表示在第二传感器s2的第一天线rx1上接收的rf信号的接收频率；s2，rx2表示在第二传感器s2的第二天线rx2上接收到的rf信号的接收频率；以及sn，rxm表示在第n个传感器sn的第m个天线rxm上接收到的rf信号的接收频率。在一些实施例中，这些波形被下变频到基带，并且信号的相位被确定/记录以及频率被确定/记录。波形图的每个轨迹的每个锯齿形部分代表由相应的雷达传感器接收的一个反射的“芯片”。例如，每个锯齿形部分的最小值代表最小接收频率(例如，57ghz)，并且每个锯齿形部分的最大值代表最大接收频率(例如，64ghz)。在一个具体示例中，每个毫米波雷达传感器在两秒的时间周期内发射64个线性调频(chirp)，并且系统在每个线性调频获得256个样本。可以在每个毫米波传感器内获得并数字化这些样本，然后发送给处理器(诸如图1e所示的spu164)用于进一步处理。在各种实施例中，对接收信号的相位进行采样和记录，以及对信号的频率进行采样和记录。

在一些实施例中，基于图5所示的接收信号计算一系列fft。例如，可以对每个波形进行fft。在一些实施例中，窗口fft具有线性调频长度(例如，256个样本)，并且可以针对整个64个线性调频持续时间或64芯片持续时间的一部分沿着每个波形计算。每个波形的这些fft可以称为“范围fft”。此外，可以根据每个毫米波雷达传感器和天线的位置计算一个或多个采样点的空间fft。这些fft可以称为“方位fft”。在备选实施例中，除了fft之外，还可以使用其他变换类型，诸如离散傅立叶变换(dft)或其他变换类型(诸如z变换)。

图6示出了根据本发明一个实施例的提取特征的方法。在各个实施例中，该方法采取由毫米波雷达传感器产生的采样数据(相位和频率)，并以范围和方位fft的形式产生提取特征。在一些实施例中，可以导出附加特征。这些提取的特征可以被存储用于将来的比较，或者可以与存储的参数进行比较，以便使用机器学习算法来识别和认证用户。

在步骤602中，执行干扰抑制。这包括预白化接收到的雷达传感器数据，用于减轻天线相关性和有色杂波响应。在步骤604中，接收到的传感器数据通过开窗和零填充其上执行方位fft的数据阵列(表示训练数据)来准备用于方位fft的性能。在一些实施例中，开窗减少了沿方位/交叉范围轴的变换的旁瓣。在步骤606中，执行方位fft，这是一系列二维fft，代表在特定的所选时间点(诸如时间点502)处横跨传感器的空间接收的传感器数据。在一些实施例中，在单个线性调频上收集方位fft的集合以形成频谱。线性调频的每个时间点的fft在多个线性调频周期内的两个或更多个线性调频上平均。

在步骤608中，对来自步骤606的范围方位数据进行多普勒质心估计，其中在随后的步骤(步骤624)中估计由于来自所有传感器的沿着缓慢时间的人体运动引起的多普勒效应用于补偿。对接收到的雷达传感器数据执行预求和步骤，以确定横跨线性调频的平均值，从而提高信号质量(步骤610)。执行610中的预求和，以消除杂波响应并提高系统的信噪比。可以对范围-方位数据映射执行预求和来用于平滑。在步骤612中，通过线性调频的对准来校正可能从雷达传感器的方位轴引起的雷达传感器与范围行走(rangewalk)之间的范围失配。在步骤614中，范围开窗中，在准备从每个传感器接收的传感器数据的范围fft中执行零填充。在该步骤中，对接收到的雷达数据施加窗函数，随后进行零填充，以提高沿距离轴的精度。在步骤616中，对由每个传感器和/或每个传感器的每个天线在开窗和零填充的范围数据上接收的数据执行范围fft。

在步骤618中，调整步骤616中产生的范围fft，以校正天线方向图和路径损耗。在一些实施例中，根据r⁴路径损耗校正天线方向图。在步骤620中，选择例如包括关键面部特征(诸如眼睛、鼻子、耳朵、脸颊)的潜在范围点，并且使用多项式拟合相位梯度算法将自动聚焦校正应用于步骤622中的范围fft数据。在步骤624中，基于在步骤608中执行的多普勒质心估计，将多普勒质心补偿应用于自动聚焦的范围-方位数据。在该步骤中，对人体运动进行校正以改善范围交叉范围图像。

在步骤626中，执行方位偏移校正。方位偏移自身可以表现为沿着范围和方位方向的fft频谱的拖尾形式。在各个实施例中，通过压缩来校正方位偏移。可以使用匹配滤波技术压缩横跨方位fft的数据。对步骤630中的范围-方位压缩数据映射执行剩余范围单元偏移校正(rcmc)。虽然在步骤612中为显式范围行走校正了早期rcmc，但在步骤630中执行的剩余rcmc校正由不同传感器看到的不同范围所引起的相位变化。最后，在步骤632中，对最终范围-方位映射执行缩放和移位操作，以确保所有图像具有相同的尺度。

图7示出了用于特征提取和识别的机器学习管线的框图。图7的顶部700致力于特征的处理存储，用于与稍后的测量进行比较。该部分中示出的数据和步骤表示当为新用户执行和处理雷达测量时所执行的动作。底部720致力于新测量值的处理和比较，用于与存储数据进行比较。这些数据和步骤表示当系统在正常操作期间识别和验证用户时所执行的动作。

如图7的顶部700所示，训练数据702被转换为存储的特征向量710和对应标记712。训练数据702表示由雷达传感器测量的一个或多个集合产生的原始数据，特征向量710表示代表训练数据702的生成向量的集合，并且标记712表示与对应训练数据702和特征向量710相关联的用户元数据。如图所示，根据压缩的方位-范围映射，使用图像形成算法706将训练数据702变换为特征向量710。该图像形成算法可以对应于用于提取关于上文参照图6示出和描述的特征的方法。数据准备块704表示原始传感器数据的初始格式化，并且数据注释块708表示用户标识的导出，诸如来自训练数据702的名称和官方凭证。在一些实施例中，标记712包括用户元数据的类别和隔离。

在操作期间，使用上述毫米波传感器得到用户的一个或多个雷达图像。在一些情况下，记录多个雷达图像以增加识别的精度。机器学习算法714评估预测模型730识别特征向量的能力，并且迭代地更新图像形成算法706和训练数据702，以增加算法的分类精度。机器学习算法的训练性能可以通过计算交叉熵性能来确定。在一些实施例中，机器学习算法714迭代地调整图像形成参数，以获得至少90％的分类精度。备选地，可以使用其他分类精度。

机器学习算法714可使用本领域已知的各种机器学习算法来实施。例如，随机森林算法或神经网络算法可用于存储特征向量710的分类和分析。在存储特征向量710的迭代优化期间，可以更新图像形成706的多个参数。可以使用机器学习处理更新的图像形成参数的示例包括但不限于：在范围fft和/或方位fft的计算期间平均化的线性调频数目；范围fft和/或方位fft的开窗和零填充；所选范围点的数目以及用于自动聚焦算法的多项式阶数。

一旦系统使用表示多个参考位置(例如，人脸的各个部分)上进行的参考雷达测量的参考训练数据702进行了训练，则在识别用户和目标的过程期间，通过示例性的毫米波雷达传感器接收新目标数据722。数据准备块724准备用于图像形成的新目标数据722，并且图像形成块726例如使用上文关于图6描述的方法形成新的提取特征向量728。预测模型730利用机器学习算法714将新提取的特征向量728与存储的特征向量710相匹配。当识别出匹配时，提供标识新特征向量的预测标记。在一些实施例中，来自存储标记712的数据被提供作为预测标记。预测模型730可以是通过机器学习算法计算/评估的具有最优参数的机器学习模型。

图8示出了示例性面部识别系统800的框图，其示出了本文公开的各个实施例中的系统功能的可能划分。如图所示，面部识别系统800包括毫米波雷达传感器202。虽然为了便于说明仅示出了四个毫米波雷达传感器202，但是应该理解，可以使用任何数量的毫米波传感器。在各个实施例中，毫米波雷达传感器202例如可以如上文的图4a至图4d所示进行布置。

数据获取功能802负责传输由毫米波雷达传感器202产生的数据，并通过信号处理单元804对数据进行格式化以进行进一步处理。例如，数据获取功能802可以监控耦合至毫米波雷达传感器202的一个或多个数据总线，接收来自一个或多个数据总线的数据，格式化接收到的数据，并将格式化的数据存储在存储器中用于信号处理单元804的进一步处理。数据获取功能802的功能可以使用应用处理器、cpu、fpga或能够执行数据获取功能的其他电路来实施。

在一些实施例中，除了机器学习算法714(例如，步骤702、704、706、708、710和712)之外，信号处理单元804执行图7的顶部700所示的训练步骤，其中包括为最终压缩方位-范围图像映射的产生进行准备数据的步骤。更具体地，信号处理单元804执行数据准备704和724、图像形成706和726的步骤，以形成存储的特征向量710和提取的特征向量728，以及执行数据注释708以形成标记712。信号处理单元804可以执行附加功能，诸如将多个传感器数据融合在一起。在各个实施例中，信号处理单元804的功能可以被实施为在处理器上运行的软件。备选地，信号处理单元804的所有或部分功能可以硬件实现，例如使用在定制逻辑、标准单元逻辑或可编程逻辑(诸如fpga)中实施的专用数字信号处理硬件(dsp)。在一些实施例中，可以使用计算机服务器或基于云的计算远程地实施信号处理单元804的所有或部分功能。

机器学习块810实施本发明实施例的机器学习方面，诸如上文关于图7所描述的机器学习算法714和/或预测模型730。信号处理单元804的功能可以被实施为在处理器上运行的软件或者以硬件实施，例如使用在定制逻辑、标准单元逻辑或可编程逻辑(诸如fpga)中实施的专用数字信号处理硬件(dsp)。在一些实施例中，机器学习块810可以使用计算机服务器或基于云的计算来远程实施。

认证引擎812执行图7所示的预测模型730并确认所提取的特征向量的步骤。用户反馈814可以包括经由诸如led或lcd显示器的电子显示器的图形用户反馈。在一些实施例中，用户反馈814还可以包括响应于认证处理执行动作。例如，如果用户被成功地识别和认证，则动作包括但不限于解锁诸如车门或建筑物门的门、授予对计算机系统的访问、允许访问软件应用程序(诸如银行应用程序)或执行计算机程序。在一些实施例中，用户反馈814还可以包括当认证处理失败时的动作，例如发出警报或警告授权人员可能的安全漏洞。

在一些实施例中，可以通过将来自示例性毫米波雷达传感器与其他生物和光学传感器(包括但不限于指纹扫描仪、光学面部识别系统、身体扫描仪、相机传感器和和视网膜扫描仪)的测量相结合来识别和认证目标114。从这些扫描仪导出的数据可以包括在目标数据集合702和722内和/或特征向量710和728内，并且机器学习算法714可以应用于组合数据集合和向量，其中包括来自毫米波雷达传感器和其他传感器的数据。

现在参照图9，根据本发明的实施例提供了处理系统900的框图。处理系统900示出了通用平台以及可用于实施示例性雷达系统的部分和/或与示例性雷达系统接口作用的外部计算机或处理设备的通用部件和功能。例如，处理系统900可以包括被配置为执行上文讨论的处理的连接至总线908的中央处理单元(cpu)902、存储器904和大容量存储设备906。如果期望或需要，处理系统900还可以包括视频适配器910以提供与本地显示器912的连接以及输入输出(i/o)适配器914以提供用于一个或多个输入/输出设备916(诸如鼠标、键盘、打印机、带驱动器、cd驱动器等)的输入/输出接口。

处理系统900还包括网络接口918，其可以使用网络适配器来实施，该网络适配器被配置为耦合至诸如以太网电缆、usb接口等的有线链路和/或与网络920通信的无线/蜂窝链路。网络接口918还可以包括适当的用于无线通信的接收器和发射器。应该注意，处理系统900可以包括其他部件。例如，处理系统900可以包括电源、电缆、母板、可移动存储介质、外壳等。虽然未示出，但这些其他部件被认为是处理系统900的一部分。

这里总结了本发明的示例性实施例。其他实施例也可以从本文提交的说明书和权利要求的整体中理解。

示例1.一种识别生物目标的方法，该方法包括：使用毫米波雷达传感器对生物目标上的多个位置执行雷达测量；基于雷达测量针对多个位置产生目标数据集合；从目标数据集合中提取特征；将提取的特征与存储的特征进行比较；以及基于比较确定提取的特征是否与存储的特征相匹配。

示例2.根据示例1的方法，其中执行雷达测量包括：形成多个雷达波束，其中多个雷达波束中的每一个均被导向生物目标上的多个位置的对应位置。

示例3.根据示例1和2中的一个的方法，其中：生物目标包括人脸；并且执行雷达测量包括：对人脸上的多个位置执行雷达测量。

示例4.根据示例3的方法，还包括：将人脸与毫米波雷达传感器对准。

示例5.根据示例4的方法，其中对准包括：确定人脸何时位于毫米波雷达传感器的第一距离内；以及基于该确定，当人脸位于第一距离内时，执行雷达测量。

示例6.根据示例5的方法，其中第一距离在10厘米到30厘米之间。

示例7.根据示例5和6中的一个的方法，其中对准还包括：使用相机捕获人脸的图像；以及基于捕获的图像将人脸定位在第一区域内。

示例8.根据示例5至7中任一个的方法，其中对准还包括：在多个光发射器之间对准人脸。

示例9.根据示例8-9中的一个的方法，其中毫米波雷达传感器包括多个毫米波雷达传感器电路。

示例10.根据示例9的方法，其中多个毫米波雷达传感器电路中的每一个均与生物目标上的对应位置相关联。

示例11.根据示例9和10中的一个的方法，其中多个毫米波雷达传感器电路以线性阵列进行布置。

示例12.根据示例11的方法，其中线性阵列为均匀线性阵列。

示例13.根据示例9的方法，其中多个毫米波传感器电路以矩形阵列进行布置。

示例14.根据示例13的方法，其中矩形阵列为均匀矩形阵列。

示例15.根据示例1-14中任一个的方法，其中将提取的特征与存储的特征进行比较包括使用随机森林算法。

示例16.根据示例1-14中任一个的方法，其中将提取的特征与存储的特征进行比较包括使用神经网络算法。

示例17.根据示例1至16中任一个的方法，还包括产生存储的特征的集合，产生存储的特征的集合包括：使用毫米波雷达传感器，针对生物目标上的多个参考位置执行参考雷达测量的集合；基于参考雷达测量针对多个参考位置产生训练数据集合；以及基于训练数据集合形成存储的特征。

示例18.根据示例17的方法，其中形成存储的特征包括：使用机器学习算法迭代地调整存储的特征的形成。

示例19.根据示例18的方法，其中：形成存储的特征包括对训练数据集合执行fft；以及迭代地调整存储的特征的形成包括：使用机器学习算法调整fft的参数。

示例20.根据示例19的方法，其中调整fft的参数包括：在执行fft之前，调整fft的开窗并且调整训练数据集合的零填充。

示例21.根据示例19的方法，其中执行fft包括：针对与多个参考位置中的每一个相对应的每个目标数据集合执行范围fft；以及针对所选时间点在多个参考位置上执行二维fft。

示例22.根据示例21的方法，其中：毫米波雷达传感器包括多个毫米波雷达传感器，多个毫米波雷达传感器中的每一个与多个位置中的对应一个相关联；以及该方法还包括：调整范围fft和二维fft，以补偿多个毫米波雷达传感器的范围和方位偏移。

示例23.根据示例1-22中任一个的方法，还包括：基于该确定，当提取的特征与存储的特征相匹配时，执行第一动作。

示例24.根据示例23的方法，其中第一动作包括将门解锁。

示例25.一种系统，包括：处理系统，被配置为耦合至毫米波雷达传感器，处理系统被配置为：从毫米波雷达传感器接收生物目标的多个位置的雷达测量，基于由毫米波雷达传感器执行的雷达测量，产生多个位置的目标数据集合，从目标数据集合中提取特征，将提取的特征与存储的特征进行比较，并且基于比较确定提取的特征是否与存储的特征相匹配。

示例26.根据示例25的系统，还包括毫米波雷达传感器。

示例27.根据示例26的系统，其中毫米波雷达传感器包括多个毫米波雷达传感器电路。

示例28.根据示例27的系统，其中多个毫米波雷达传感器电路中的每一个均包括两个接收天线和一个发射天线。

示例29.根据权利要求27的系统，其中多个毫米波雷达传感器电路中的每一个均包括四个接收天线和两个发射天线。

示例30.根据示例27-29中任一个的系统，其中多个毫米波雷达传感器电路与生物目标上的对应位置相关联。

示例31.根据示例27-30中任一个的系统，其中多个毫米波雷达传感器电路以线性阵列进行布置。

示例32.根据示例31的系统，其中线性阵列是均匀线性阵列。

示例33.根据示例27-30中任一个的系统，其中多个毫米波雷达传感器电路以矩形阵列进行布置。

示例34.根据示例33的系统，其中矩形阵列是均匀矩形阵列。

示例35.根据示例25-34中任一个的系统，其中生物目标是人脸。

示例36.根据示例25-35中任一个的系统，其中处理系统被配置为将提取的特征与存储的特征进行比较，包括使用随机森林算法。

示例37.根据示例25-35中任一个的系统，其中处理系统被配置为将提取的特征与存储的特征进行比较，包括使用神经网络算法。

示例38.根据示例25-37中任一个的系统，其中处理系统进一步被配置为通过以下操作产生存储的特征的集合：从毫米波雷达传感器接收生物目标上的多个参考位置的参考雷达测量的集合；基于参考雷达测量产生多个参考位置的训练数据集合；以及基于训练数据集合形成存储的特征。

示例39.根据示例38的系统，其中形成存储的特征包括：使用机器学习算法迭代地调整存储的特征的形成。

示例40.根据示例39的系统，其中：形成存储的特征包括：对训练数据集合执行fft；以及迭代地调整存储的特征的形成包括使用机器学习算法调整fft的参数。

示例41.根据示例40的系统，其中调整fft的参数包括：在执行fft之前，调整fft的开窗以及调整训练数据集合的零填充。

示例42.根据示例40和41中的一个的系统，其中执行fft包括：针对与多个参考位置中的每一个相对应的每个目标数据集合执行范围fft；以及针对所选时间点在多个参考位置上执行二维fft。

示例43.根据示例42的系统，其中：毫米波雷达传感器包括多个毫米波雷达传感器，多个毫米波雷达传感器中的每一个与多个位置中的对应一个相关联；以及处理系统还被配置为调整范围fft和二维fft，以补偿多个毫米波雷达传感器的范围和方位偏移。

示例44.一种非暂态计算机可读存储介质，其上存储有可执行程序，可执行程序包括指令以执行以下操作：从毫米波雷达传感器接收生物目标的多个位置的雷达测量，基于由毫米波雷达传感器执行的雷达测量，产生多个位置的目标数据集合，从目标数据集合中提取特征，将提取的特征与存储的特征进行比较，并且基于比较确定提取的特征是否与存储的特征相匹配。

示例45.根据示例44的非暂态计算机可读存储介质，其中可执行程序被进一步配置为通过以下操作产生存储的特征的集合：从毫米波雷达传感器接收生物目标上的多个参考位置的参考雷达测量的集合；基于参考雷达测量产生多个参考位置的训练数据集合；以及基于训练数据集合形成存储的特征，其中形成存储的特征包括：使用机器训练算法迭代地调整存储的特征的形成。

示例46.根据示例45的非暂态计算机可读存储介质，其中形成存储的特征包括：使用机器学习算法迭代地调整存储的特征的形成。

示例47.根据示例46的非暂态计算机可读存储介质，其中形成存储的特征包括：对训练数据集合执行fft；以及迭代地调整存储的特征的形成包括使用机器学习算法调整fft的参数。

示例48.根据示例47的非暂态计算机可读存储介质，其中调整fft的参数包括：在执行fft之前，调整fft的开窗并调整训练数据集合的零填充。

示例49.根据示例47的非暂态计算机可读存储介质，其中执行fft包括：针对与多个参考位置中的每一个相对应的每个目标数据集合执行范围fft；以及针对所选时间点在多个参考位置上执行二维fft。

示例50.根据示例49的非暂态计算机可读存储介质，其中：毫米波雷达传感器包括多个毫米波雷达传感器，多个毫米波雷达传感器中的每一个与多个位置中的对应一个相关联；以及该系统还包括：调整范围fft和二维fft，以补偿多个毫米波雷达传感器的范围和方位偏移。

本发明实施例的优点包括准确地识别和认证人脸或其他生物目标的能力。通过使用指向目标的不同部分的多个毫米波雷达传感器，可以评估目标的物理尺寸和rf反射率特性。这些类型的测量有利地通过向传感器呈现目标的照片或人工模型而难以欺骗安全系统。另一个优点包括在适合于便携式智能设备(诸如智能手机)的小形成因子下实施精确的面部识别系统的能力。在面部识别系统具有有线或无线网络接口的低功耗应用中，计算密集型处理任务可以有利地卸载或分割到外部计算设备或基于云的处理系统。

实施例的另一个优点包括在机器学习算法的执行期间校准雷达传感器的电子和物理失配误差的影响的能力。这种在操作期间校准误差的能力有利地允许使用廉价的部件物理实施传感器和传感器阵列，而不需要大量的工厂测试和校准。

虽然参照说明性实施例对本发明进行了描述，但这种描述不用于解释为限制性意义。说明性实施例的各种修改和组合以及本发明的其他实施例将在参考说明书的情况下对本领域技术人员来说是显而易见的。因此，所附权利要求包含任何这样的修改或实施例。