从原始ADC信号到感知结果：ADCNet如何端到端学习毫米波雷达信号处理链
1. 毫米波雷达信号处理的传统与革新
毫米波雷达在自动驾驶领域扮演着越来越重要的角色，尤其是在恶劣天气条件下，它的可靠性远超激光雷达。但传统雷达信号处理流程存在一个根本性问题：整个处理链由多个固定算法模块串联而成，每个模块都可能引入信息损失。这就好比用一系列标准滤镜处理照片，每个滤镜都会永久性地改变图像特性，而后续模块只能基于已经被"加工"过的数据工作。
传统处理链通常包含以下几个关键步骤：
- 模拟数字转换（ADC）后的原始信号首先经过距离维FFT
- 接着进行多普勒维FFT生成RD（Range-Doppler）图谱
- 通过CFAR等算法进行目标检测和阈值处理
- 最后进行AOA（到达角）估计
这种分阶段处理的弊端在于，每个模块都是独立优化的，缺乏全局视角。就像工厂的流水线，每个工人只负责自己的工序，没人关心最终产品的整体质量。更糟糕的是，一旦某个环节出现信息损失，后续环节根本无法恢复这些丢失的信息。
ADCNet的创新之处在于，它将整个信号处理流程重构为一个端到端的深度学习网络。想象一下，与其让照片经过一系列固定滤镜，不如直接训练一个智能修图师，让它从原始照片数据开始，学习整个修图流程。这个修图师（ADCNet）能够根据最终效果需求，自动调整中间每个处理步骤的参数。
2. ADCNet的端到端设计哲学
ADCNet的核心设计理念可以用一句话概括：让神经网络直接从原始ADC信号中学习，替代传统的固定算法流程。这就像教一个孩子学习语言，不是先教语法规则再练习说话，而是让他沉浸在语言环境中自然习得。
网络架构包含三个关键组件：
- 可学习的信号处理层：替代传统的DFT等固定变换
- 主干网络：负责特征提取和方位角估计
- 多任务头：同时处理目标检测和可行驶区域分割
与传统方法最大的不同在于，ADCNet的信号处理层是可学习的。传统DFT使用固定的基函数进行频域变换，而ADCNet的变换基是可以根据数据自适应调整的。这就好比传统的傅里叶变换只能用正弦波分析信号，而ADCNet可以学习到更适合雷达信号特性的"自定义波形"。
在实际实现中，ADCNet采用了一个巧妙的技巧来处理复数运算。它将复数张量拆分为实部和虚部，在PyTorch等框架中分别处理。这种设计既保留了复数运算的数学特性，又避免了在神经网络中直接处理复数带来的实现复杂度。
3. 从原始ADC到RAD张量的预训练策略
ADCNet的训练分为两个阶段：预训练和微调。预训练阶段的目标是让网络学会"看懂"原始雷达信号，这相当于先培养网络的基础信号处理能力。
预训练的具体过程很有创意：
- 先用传统方法离线生成RAD（Range-Azimuth-Doppler）张量作为监督信号
- 让网络学习从原始ADC数据预测这些RAD张量
- 使用均方误差作为损失函数，最小化预测与标签的差异
这种设计相当于知识蒸馏（Knowledge Distillation），让神经网络学习模仿传统信号处理流程的结果。但关键在于，网络并不被强制使用与传统方法完全相同的内部表示，它可以在学习过程中发现更有效的信号表示方式。
预训练完成后，网络已经掌握了雷达信号处理的基本能力。这时候再进行目标检测和分割任务的微调，就像在打好基础后再进行专业训练。实验证明，这种两阶段训练策略比直接从原始信号训练检测器效果要好得多。
4. 多任务学习与损失函数设计
ADCNet最终要同时完成两个任务：目标检测和可行驶区域分割。这就好比要求一个学生既要会数学又要会语文，如何平衡两个任务的学习是关键挑战。
网络采用多任务学习框架，共享大部分底层特征提取层，只在最后分成两个任务头。这种设计既保证了特征共享带来的效率提升，又确保了各任务的专用性。
损失函数的设计体现了工程师的智慧：
- 目标检测使用Focal Loss解决类别不平衡问题
- 回归任务使用平滑L1损失（Huber Loss）减少异常值影响
- 分割任务使用二元交叉熵（BCE）损失
- 整体损失是各任务损失的加权和
特别值得注意的是方位角估计的处理。传统方法需要显式计算AOA，而ADCNet通过预训练已经隐式掌握了方位角估计能力。这就像人脑识别声音方向并不需要显式计算时间差，而是通过神经网络隐式学习到的。
5. 实际效果与工程考量
在实际测试中，ADCNet展现出了显著优势。在RADIal数据集上的实验表明：
- 目标检测AP（平均精度）提升明显
- 方位角估计误差显著降低
- 可行驶区域分割的mIOU（平均交并比）优于传统方法
从工程实现角度看，ADCNet还有以下优点：
- 计算效率：避免了传统AOA估计中的复杂矩阵运算
- 内存友好：整个网络可以在现代GPU上高效运行
- 部署简便：端到端设计减少了传统流水线中各模块的接口复杂度
一个有趣的发现是，ADCNet学到的信号处理方式与传统方法有所不同。它倾向于保留更多中间信息，而不是像传统方法那样在早期阶段就进行硬性阈值处理。这就像经验丰富的侦探不会过早排除任何线索，而是保留所有可能性直到最后。
6. 对行业发展的启示
ADCNet的成功给雷达信号处理领域带来了重要启示。它证明深度学习不仅可以用于高级感知任务，还能革新底层的信号处理流程。这种"信号处理即网络"的理念可能会影响未来雷达系统的设计方向。
在实际项目中采用ADCNet时，有几个实用建议：
- 预训练数据要尽可能覆盖各种场景
- 微调阶段需要平衡两个任务的损失权重
- 部署时要注意复数运算的工程实现细节
- 可以尝试不同的主干网络架构替代ResNet
我在测试类似架构时发现，适当调整预训练阶段的RAD张量分辨率可以显著影响最终性能。太高分辨率会增加计算负担，太低又会损失重要信息。经过多次实验，发现将原始512×751×256下采样到128×248×256是个不错的平衡点。
毫米波雷达的原始信号处理正在经历一场革命，ADCNet只是开始。随着计算能力的提升和算法的进步，我们很可能会看到更多端到端学习系统取代传统的信号处理流水线。这不仅会提升性能，还可能催生全新的雷达应用场景。