引言

目前，智能駕駛技術在汽車領域得到了廣泛的應用。但是在實際生活中，智能駕駛汽車所產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，更加精確和具有更魯棒性的車輛感知技術成為智能駕駛領域的重點之一。

盡管業界在不斷的提升智能車輛中感知設備的性能，但在復雜多變的路況和惡劣的天氣條件下，感知性能仍受到較大限制。如圖1所示，黃色車輛由于受到前方車輛的影響而無法感知到處在物理檢測范圍以外的紅色車輛，這很可能會導致交通事故的發生。其次，為了安全增加的感知設備所帶來的成本提升與多設備之間的互相干擾問題也值得考慮。除此之外，協作感知的方法，也會因低延遲、高帶寬的數據交換要求和數據隱私、互相信任協議無法確保及時性的數據交換而難以應用。

圖1 智能車輛視野受限的例子

系統整體介紹

論文中提出新設計：增強智能駕駛車輛感知（Enhancing perception for Intelligent Vehicle，EIV）。該設計通過識別檢測出不同智能車輛的電磁泄漏從而區分不同的車輛，同時可以根據信號的強弱檢測出外界車輛的位置和距離。該技術主要解決了三個難題：

1.   由于電磁兼容規定和監管要求，每個車輛產生的內存電磁泄漏信號很弱且很容易被外界噪聲影響（信噪比較低），如何在眾多信號中識別出智能車輛的EMR信號十分困難。

2.   如何從信號中正確識別出不同車輛的內存電磁泄漏。

3.   城市交通環境中的無線信號的傳播存在著多徑效應和陰影效應，如何正確識別出外界車輛的方位。

圖2展示了EIV系統的整體架構，三部分分別對應解決上述三個難題。第一部分用于增強電磁輻射信號，包含信號預處理、卡爾曼濾波、短時傅里葉變換、折疊算法，最終得到一個增強的電磁輻射序列；第二部分是指紋識別，首先構建電磁輻射設備的數據庫，在此基礎上配合微多普勒特征構建車輛的數據庫。第三部分是車輛定位，利用RSSI特征和支持向量機進行分類，實現車輛區域的判定和異常檢測。下面將從這三部分分別介紹系統的設計細節。

圖2 系統整體架構

電磁輻射與信號增強的相關技術研究

1.內存的電磁輻射泄露

圖3所展示的是現代車輛的智能駕駛系統。感知模塊和定位模塊在獲取信息后需要先傳輸至SOC的內存中，而后CPU、GPU/NPU會從內存模塊中獲取數據并進行運算并做出決策。由于智能車輛需要實時通過雷達等設備獲取外界感知信息，故各模塊與內存模塊的數據傳輸量極大，使得內存模塊總是處于高負載狀態。車輛的內存模塊主要采用DRAM，DRAM具有低成本、低能耗、大容量和高效率的特點。經過調查發現，大部分車輛都是用先進的SOC，并且內置DDR內存。

圖片

圖3 現代車輛的智能駕駛系統

2.擴頻時鐘技術

圖片

3. 卡爾曼濾波

由于存在大量的外界噪音，所以直接提取得到的信號信噪比較低，難以直接分離出內存EMR信號。卡爾曼濾波器（Kalman Filter）是一種廣泛應用于估計線性動態系統狀態的遞歸算法。它以高斯噪聲假設為基礎，通過對系統的當前狀態和觀測數據進行預測與更新，提供對系統狀態的最優估計。卡爾曼濾波器可以用來提高信號的信噪比。

4. 折疊算法

在處理內存的EMR信號時，信號通常是周期性的，帶有諧波成分。由于信號較弱且被噪聲淹沒，直接提取這些信號比較困難。這就可以使用折疊算法。折疊算法通過將周期性的信號能量累積起來，增強信號的強度，使得信號的信噪比提高，便于后續的檢測和分析。其核心思想是增強信號中重復出現的成分，并同時降低隨機噪聲的影響，步驟如下：

1) 設定窗口：首先選取一個滑動窗口的大小，這個窗口的長度與信號的周期性成分相對應，通常是內存時鐘信號的基本頻率或其諧波頻率的整數倍。

2) 信號對齊：將信號分段，按窗口長度對信號進行劃分。這些分段可以理解為每個周期的信號。

3) 能量累加：對于每個分段的信號，計算它們的諧波分量，并將這些分量累加。由于這些諧波分量具有相同的周期性，它們的能量會相互疊加。