引言
目前，智能驾驶技术在汽车领域得到了广泛的应用。但是在实际生活中，智能驾驶汽车所产生的交通事故屡见不鲜，其中，有很大比例的交通事故均为正面碰撞。因此，更加精确和具有更鲁棒性的车辆感知技术成为智能驾驶领域的重点之一。
尽管业界在不断的提升智能车辆中感知设备的性能，但在复杂多变的路况和恶劣的天气条件下，感知性能仍受到较大限制。如图1所示，黄色车辆由于受到前方车辆的影响而无法感知到处在物理检测范围以外的红色车辆，这很可能会导致交通事故的发生。其次，为了安全增加的感知设备所带来的成本提升与多设备之间的互相干扰问题也值得考虑。除此之外，协作感知的方法，也会因低延迟、高带宽的数据交换要求和数据隐私、互相信任协议无法确保及时性的数据交换而难以应用。
图1 智能车辆视野受限的例子
系统整体介绍
论文中提出新设计：增强智能驾驶车辆感知（Enhancing perception for Intelligent Vehicle，EIV）。该设计通过识别检测出不同智能车辆的电磁泄漏从而区分不同的车辆，同时可以根据信号的强弱检测出外界车辆的位置和距离。该技术主要解决了三个难题：
1. 由于电磁兼容规定和监管要求，每个车辆产生的内存电磁泄漏信号很弱且很容易被外界噪声影响（信噪比较低），如何在众多信号中识别出智能车辆的EMR信号十分困难。
2. 如何从信号中正确识别出不同车辆的内存电磁泄漏。
3. 城市交通环境中的无线信号的传播存在着多径效应和阴影效应，如何正确识别出外界车辆的方位。
图2展示了EIV系统的整体架构，三部分分别对应解决上述三个难题。第一部分用于增强电磁辐射信号，包含信号预处理、卡尔曼滤波、短时傅里叶变换、折叠算法，最终得到一个增强的电磁辐射序列；第二部分是指纹识别，首先构建电磁辐射设备的数据库，在此基础上配合微多普勒特征构建车辆的数据库。第三部分是车辆定位，利用RSSI特征和支持向量机进行分类，实现车辆区域的判定和异常检测。下面将从这三部分分别介绍系统的设计细节。
图2 系统整体架构
电磁辐射与信号增强的相关技术研究
1.内存的电磁辐射泄露
图3所展示的是现代车辆的智能驾驶系统。感知模块和定位模块在获取信息后需要先传输至SOC的内存中，而后CPU、GPU/NPU会从内存模块中获取数据并进行运算并做出决策。由于智能车辆需要实时通过雷达等设备获取外界感知信息，故各模块与内存模块的数据传输量极大，使得内存模块总是处于高负载状态。车辆的内存模块主要采用DRAM，DRAM具有低成本、低能耗、大容量和高效率的特点。经过调查发现，大部分车辆都是用先进的SOC，并且内置DDR内存。
图片
图3 现代车辆的智能驾驶系统
2.扩频时钟技术
图片
3. 卡尔曼滤波
由于存在大量的外界噪音，所以直接提取得到的信号信噪比较低，难以直接分离出内存EMR信号。卡尔曼滤波器（Kalman Filter）是一种广泛应用于估计线性动态系统状态的递归算法。它以高斯噪声假设为基础，通过对系统的当前状态和观测数据进行预测与更新，提供对系统状态的最优估计。卡尔曼滤波器可以用来提高信号的信噪比。
4. 折叠算法
在处理内存的EMR信号时，信号通常是周期性的，带有谐波成分。由于信号较弱且被噪声淹没，直接提取这些信号比较困难。这就可以使用折叠算法。折叠算法通过将周期性的信号能量累积起来，增强信号的强度，使得信号的信噪比提高，便于后续的检测和分析。其核心思想是增强信号中重复出现的成分，并同时降低随机噪声的影响，步骤如下：
1) 设定窗口：首先选取一个滑动窗口的大小，这个窗口的长度与信号的周期性成分相对应，通常是内存时钟信号的基本频率或其谐波频率的整数倍。
2) 信号对齐：将信号分段，按窗口长度对信号进行划分。这些分段可以理解为每个周期的信号。
3) 能量累加：对于每个分段的信号，计算它们的谐波分量，并将这些分量累加。由于这些谐波分量具有相同的周期性，它们的能量会相互叠加。
