[发明专利]一种基于Anomaly Transformer的毫米波雷达异常信号检测方法及系统

说明书

本发明属于车辆雷达安全技术领域,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,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；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；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；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。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。

技术领域

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

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。

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。

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。

因此，亟需一种毫米波雷达异常信号检测方法及系统。

发明内容

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AnomalyTransformer的毫米波雷达异常信号检测方法，包括以下步骤：

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；

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；

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；

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。

进一步的，注意力机制Anomaly-Attention的关联公式为：

Initialization：

Prior-Association：

Series-Association：

Reconstruction：

进一步的，对称KL距离的计算公式为：

进一步的，训练方法包括以下步骤：

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；