一种基于AnomalyTransformer的毫米波雷达异常信号检测方法及系统与流程

一种基于anomaly transformer的毫米波雷达异常信号检测方法及系统
技术领域
1.本发明属于车辆雷达安全技术领域,尤其涉及一种基于anomaly transformer的毫米波雷达异常信号检测方法及系统。


背景技术：

2.毫米波雷达是辅助驾驶系统和自动驾驶中被广泛使用的一种传感器，主要应用于中长距离的自动跟车、紧急制动、碰撞预警以及中短距离的盲点监测、变道辅助等功能中。随着智能汽车越来越普及，信息技术的发展越来越快，芯片数据采样率迅猛提高，针对毫米波雷达的恶意攻击方式也随之变化。例如，可以借助高采样率射频存储及转发技术，可将毫米波雷达发射的电磁波探测信号进行复制存储，快速伪造相似度极高的对应于探测信号的虚假回波信号，俗称密集假目标干扰；甚至于，可以直接采集实际检测到探测目标的探测信号所对应的回波信号，然后将采集到的回波信号在其他时间进行重放发射至车辆，实现重放攻击；还有诸如灵巧噪声干扰，距离速度联合拖引干扰等，这些攻击造成了极大的财产损失，而相关技术中所提供的针对毫米波雷达的防干扰方法难以避免上述恶意攻击，如何避免恶意攻击是亟待解决的技术问题。
3.从时间序列的本质出发，每一个时间点都可由其与整个序列的关联关系表示，即表示为在时间维度上的关联权重分布。相比于点级别的特征，这种关联关系暗含了序列的模式信息，比如周期、趋势等，因此更具信息含量。
4.同时，与正常点相比较，异常点很难与正常模式主导的整个序列都建立强关联关系，它们往往更加关注邻近区域(由于连续性)。因此，这种与整体序列、邻近先验之间的关联差异，为异常检测提供了一个天然的、强区分度的判据。
5.因此，亟需一种毫米波雷达异常信号检测方法及系统。


技术实现要素：

6.本发明为了解决上述技术问题，从两个方面进行，一方面，提供一种基于anomaly transformer的毫米波雷达异常信号检测方法，包括以下步骤：
7.步骤1：通过注意力机制anomaly-attention，计算关联差异，统一建模先验关联和序列关联；
8.步骤2：计算各个层次的先验关联、序列关联的对称kl距离，作为后续异常检测的判断依据；
9.步骤3：通过可视化在不同异常判据下的分析，区分基于关联分析的异常评判曲线；
10.步骤4：将每一样本看作一组相关数据输入到anomaly transformer中进行训练，就得到正常工况数据监测模型。
11.进一步的，注意力机制anomaly-attention的关联公式为：
12.initialization：
13.prior-association：
14.series-association：
15.reconstruction：
16.进一步的，对称kl距离的计算公式为：
[0017][0018]
进一步的，训练方法包括以下步骤：
[0019]
步骤1：训练样本的制作，搭建ti车载毫米波雷达数据采集平台，室外环境实测正常工况数据样本；
[0020]
步骤2：anomaly transformer模型训练集训练，将训练集样本以向量的形式导入模型；
[0021]
步骤3：anomaly transformer模型测试集验证，通过人为制造干扰数据并将该数据输入anomaly transformer模型中，得到anomaly transformer毫米波雷达异常信号检测模型。
[0022]
另一方面，提供一种基于anomaly transformer的毫米波雷达异常信号检测系统，包括目标结果接收模块，目标可信度定义、建模和分析模块，状态监视和故障管理模块，执行控制器，can网络，数据标注平台和ai训练平台；
[0023]
目标结果接收模块接收摄像头图像数据和毫米波雷达发出的信号数据，并进行预处理，为之后的目标结果可信度计算做准备，并将目标结果上传到数据标注平台；
[0024]
目标可信度定义、建模和分析模块通过机器学习算法对接收结果进行分析，判断该结果是否为欺诈数据，实现adas感知数据的检测与防御；
[0025]
状态监视和故障管理模块对感知数据和可信度结果实时监视和管理，实现欺诈识别的实时监控；
[0026]
执行控制器用于生成防御指令，阻断欺诈攻击；
[0027]
can网络采用星型结构，各can网络通过中央网关连接；
[0028]
数据标注平台通过生成模型进行伪标签标注，为增量训练提供数据基础；
[0029]
ai训练平台对可信度分析模型进行增量训练，优化模型参数。
[0030]
进一步的，毫米波雷达的工作频率范围为30ghz至300ghz，用于检测目标、测速、测距和测量方位。
[0031]
进一步的，毫米波雷达在检测过程中使用汉宁窗进行信号加窗，公式为：
[0032][0033]
进一步的，毫米波雷达的检测还涉及频域转换，其频域转换公式为：
[0034][0035]
有益效果：
[0036]
本发明基于anomalytransformer的毫米波雷达异常信号检测，用于检测针对毫米波雷达进行攻击所产生的异常数据，做到阻断和防御。
附图说明
[0037]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0038]
图1基于anomaly transformer的毫米波雷达异常信号检测方法图；
[0039]
图2数据的先验关联和序列关联图；
[0040]
图3额外的关联差异损失图；
[0041]
图4基于关联分析的异常评判曲线图；
[0042]
图5先验关联异常评判曲线图；
[0043]
图6基于anomaly transformer的毫米波雷达异常信号检测系统流程图；
[0044]
图7正常毫米波雷达数据状态图；
[0045]
图8数据采集主要检测流程图；
[0046]
图9目标回波频谱图。
具体实施方式
[0047]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0049]
在anomaly transformer的基础上重新设计了一个anomaly-attention单元，用于从多层次的深度特征中学习潜在的时序关联，如图2所示，anomaly-attention同时建模了数据的先验关联(prior-association，即更关注邻近区域的先验)和序列关联(series-association，即从数据中挖掘的依赖)。
[0050]
同时还采用了极大极小策略(minimax)用于进一步增大异常点和正常点所具有的关联差异的差距，从而使得异常点能够被更加容易的检测出来。
[0051]
为计算关联差异，提出了一种全新的注意力机制anomaly-attention，用于统一建模先验关联和序列关联。
[0052]
initialization：
[0053]
prior-association：
[0054]
series-association：
[0055]
reconstruction：
[0056]
1.先验关联用于表示由于时间序列连续性带来的，每个时刻更多关注其邻近区域的先验。才用了可学习尺度参数的高斯核函数来表示。核函数的中心位于对应时间点的索引上，由于高斯分布本身具有的单峰分布特性，这样设计能够帮助学习到的权重天然的集中于对应时间点的领域内。同时，自适应的尺度参数可以帮助先验关联动态适应不同的时序模式。
[0057]
2.序列关联用于表示直接从序列数据中挖掘出的依赖。其计算方式与标准anomaly transformer的注意力矩阵计算方式类似，注意力矩阵中每一行的权重分布对应了一个时间点的序列关联。同时，为更好的完成序列重建任务，模型会主动挖掘到合理的时序依赖。
[0058]
通过上述设计，模型可以分别捕捉到先验关联和序列关联，相较于过往的模型这种基于关联表征蕴含着更加丰富的信息。
[0059]
关联差异定义为这两者之间的差异，作为后续异常检测的判断依据，由各个层次的先验关联、序列关联的对称kl距离计算得道：
[0060][0061]
除了无监督任务广泛使用的重建误差外，还引入了一个额外的关联差异损失用于增大正常点和异常点之间的的差距，如图3所示，得益于先验关联中高斯分布的单峰特性，新增的关联差异损失会驱使序列关联更加关注非邻近区域，使得异常点的重建更加艰难，进而正常点和异常点之间的辨别更加容易。
[0062][0063]
在实验中发现，若直接最小化关联差异将使得先验分布中可学习的尺度参数急剧变小，造成模型退化。因此使用了极小极大(minimax)策略用于更好的控制关联学习的过程。
[0064]
minimize phase：
[0065]
maximize phase：
[0066]
1.最小化阶段固定序列关联，使先验关联近似，可使先验关联适用不同的时序模式；
[0067]
2.最大化阶段固定先验关联，优化序列关联以最大化关联之间的差异，该过程可以让序列更加关注于非临接、全局的点，从而使异常点的重建更加困难；
[0068]
3.最终将标准化的关联差异与重建误差组合起来，定义了新的异常检测判据：
[0069][0070]
如图4所示，通过可视化其在不同异常判据下的去分析，可以发现基于关联分析的异常评判曲线有着更加准确的可区分性。
[0071]
对不同异常类别进行了先验关联中学到参数可视化。如图5所示，异常点处的相较于序列中别的点往往会比较小，代表了其与非临接部分的关联较弱，印证了异常点很难与整个序列构建强关联的先验。
[0072]
基于anomaly transformer的毫米波雷达异常信号检测系统如图6所示，目标结果接收模块接收摄像头图像数据和毫米波雷达发出的信号数据，并进行预处理，为之后的目标结果可信度计算做准备，并将目标结果上传到数据标注平台；目标可信度定义、建模和分析模块通过机器学习算法对接收结果进行分析，判断该结果是否为欺诈数据，实现adas感知数据的检测与防御；状态监视和故障管理模块对感知数据和可信度结果实时监视和管理，实现欺诈识别的实时监控；执行控制器用于生成防御指令，阻断欺诈攻击；can网络采用星型结构，各can网络通过中央网关连接；数据标注平台通过生成模型进行伪标签标注，为增量训练提供数据基础；ai训练平台对可信度分析模型进行增量训练，优化模型参数。
[0073]
毫米波雷达的工作频率范围为30ghz至300ghz，用于检测目标、测速、测距和测量方位。当有正常目标出现时，数据状态如图7所示。
[0074]
通过anomaly transformer对每个时间点的正常雷达信号进行整体序列构建关联关系，即表示在时间维度的关联权重分布。相比于点级别的特征，这种关联关系暗含了序列的模式信息，比如周期、趋势等。同时，与正常点比较，异常点很难与正常模式主导的整个序列构建强关联关系。因此这种与整体序列、邻近先验之间的关联差异，为异常检测提供了强区分度判据。
[0075]
anomaly transformer模型，实现了基于关联差异(association discrepancy)的时序异常检测。其包含anomaly-attention机制用于分别建模两种形式的关联，同时以极小极大(minimax)关联学习策略进一步增大正常点与异常点之间差别。
[0076]
毫米波雷达在检测过程中使用汉宁窗进行信号加窗，公式为：
[0077][0078]
毫米波雷达的检测还涉及频域转换，其频域转换公式为：
[0079][0080]
车载毫米波雷达距离多普勒图像包含正常工况下的数据态势，同时正常工况下的数据与全局数据具有高关联性，当欺诈数据出现时，欺诈数据出现的时间点与上文数据的关联性将大幅度降低，将每一样本看作一组相关数据输入到anomaly transformer中进行训练，就得到正常工况数据监测模型。
[0081]
检测精度高且对环境适应性较强的目标检测模型。
[0082]
基于毫米波雷达平台的欺诈检测模型训练，我们主要进行了实测环境道路中目标
检测的工作。
[0083]
数据采集均为ti车载毫米波雷达平台，主要检测流程图如图8所示，
[0084]
具体步骤：
[0085]
第一步：训练样本的制作。首先搭建ti车载毫米波雷达数据采集平台，室外环境实测正常工况数据样本。
[0086]
第二步：anomaly transformer模型训练集训练，将训练集样本以向量的形式导入模型。
[0087]
第三步：anomaly transformer模型测试集验证。通过人为制造干扰数据并将改数据输入anomaly transformer模型中，则可得到anomaly transformer毫米波雷达异常信号检测模型。
[0088]
如图9所示，以目标回波频谱图像为检测基础，设置保护窗单元数np为8，检测窗单元数nd为32，检测门限幅度为1200个单位，以保证合适的虚警概率。
[0089]
检测效果如下表：
[0090] 样本数检测成功样本数检测概率异常数据1009595％正常数据100100100％
[0091]
最后应说明的是：以上所述仅为本发明的优选实施例，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。