Millimeter-wave Radar Point Cloud Classification and Interference Mitigation

Recently,  millimeter-wave  (mmWave)  radar  has  been  widely  used  in  many  applications,  such  as  advanced  driver-assistance  systems  (ADAS)  on  vehicles  and  short-rangeremote  sensing  (e.g.,  road  traffic  monitoring  and  elderly  health  monitoring),  due  toits  advantages  including  robustness  to  adverse  weather  and  illumination  conditions,privacy  compliance,  high  resolution  and  compact  size,  compared  to  the  other  sensingcounterparts.  In  principle,  the  mmWave  radar  can  measure  the  range,  angle  andDoppler  (radial  velocity)  of  moving  objects  in  a  scene.  With  a  chain  of  detection,clustering  and  tracking  algorithms,  a  radar  point  cloud  can  be  obtained  to  offer  theinformation  including  location,  velocity  and  trajectory  of  objects.  However,  objectclassification  or  recognition  from  its  radar  point  cloud  is  a  major  problem  that  needsto  be  solved  to  meet  the  latest  demands  in  those  advanced  applications.  In  this  dissertation,  we  leverage  the  recent  developments  in  deep  learning  to  explore  the  solutionsof  radar  point  cloud  classification  from  supervised,  unsupervised  and  semi-supervisedapproaches.  Particularity,  we  proposed  the  Hybrid  Variational  RNN  Autoencoder(HVRAE),  as  a  generative  model,  to  detect  the  elderly  fall  from  the  radar  pointcloud,  among  other  applications  such  as  traffic  monitoring  and  patient  behavior  classification.

On  the  other  hand,  as  the  mmWave  radars  have  increasingly  been  used  widely,  theinterference  among  these  radars  will  become  a  severe  problem  in  the  near  future.  Tomitigate  the  radar  interference,  we  proposed  an  adaptive  noise  canceller  (ANC)  basedsolution  that  can  increase  the  Signal-to-Interference  Ratio  (SIR)  of  targets  at  a  lowcost.  Both  the  simulation  and  experiment  show  excellent  SIR  improvement.