上海交通大学开发宽带射频信号的光子特征提取器 有望用于自动驾驶

盖世汽车讯 在雷达、机器视觉和医学成像等智能传感领域，用于决策的关键信息往往很少。例如，单音节波形（monosyllabic waveform）需要数千个采样点，但仅含有少量信息。

（图片来源：光：科学与应用期刊）

如果能够直接在信号接收模拟链路中提取关键信息，则可以大幅降低数据冗余度和数据速率，从而大大减少数字处理挑战。因此，“模拟特征提取（AFE）”策略在智能传感领域受到了广泛关注。然而，在射频（RF）传感领域，通常需要几十亿赫兹的宽带信号来区分目标细节。受限于现有RF电路的带宽和可重构性，AFE策略在RF传感领域的应用面临挑战。

据外媒报道，上海交通大学电子工程系智能微波光波融合创新中心（imLic）先进光通信系统与网络国家重点实验室邹卫文教授领导的研究团队开发出可以实现宽带RF信号AFE的光子方案。该论文发表在期刊《光：科学与应用（Light: Science & Applications）》上。

原则上来说，光子因其宽带能力和可重构性而被视为RF信号处理的竞争选项。如果能够在光子电路中实现特征提取物理结构，则可以直接将输入信号转换为特征，而无需进行数字处理。

基于这一想法，研究人员应用了一种光子芯片，可以直接利用从天线接收的原始RF信号输出关键特征，帮助高精度识别不同目标。此次报告的方案将为自动驾驶、机器人和智能工厂中涉及的高效信号处理提供富有前景的途径。

该方案的关键部分是光子芯片。研究人员表示：“本质上来说，特征提取结构是一个卷积神经网络，可以输出输入信号的时空特征。光子芯片模仿神经网络对RF信号进行特征提取。此外，研究人员针对光子特征提取系统设计出高效的训练方法。这大大降低了神经网络的训练成本，使训练成为可能。”

实验结果表明，光子特征提取器可以保持97.5%的目标识别精度，同时将数据率压缩4倍。分析结果显示，光子时空特征提取器的识别精度，比不进行特征提取时提高了7.7%。与一维特征提取相比，时空特征提取的性能提高了6%，由此证明了光子特征提取器的有效性。

研究人员认为，这项提议将促进用于宽带RF信号处理的自然高效的AFE策略的发展，并为开发下一代认知RF传感系统提供富有前景的途径。