【高级雷达感知与学习】 第十三章 可解释性与物理–感知融合（Physics-Informed ML）

——面向雷达感知的可解释建模与物理约束学习

---

1. 引言：为何需要物理–感知融合？

在自动驾驶、智能交通与军事感知系统中，雷达（尤其是毫米波与MIMO雷达）因其全天候、抗干扰、测速精准等优势，成为核心传感器之一。然而，纯数据驱动的深度学习模型（如CNN、Transformer）在雷达信号处理中面临三大瓶颈：

1. 样本效率低：高质量标注的雷达数据获取成本高；
2. 泛化能力弱：训练集外工况（如极端天气、新目标类型）性能骤降；
3. 决策不可信：黑盒模型难以通过安全认证（如ISO 21448 SOTIF）。

为此，物理–感知融合（Physics-Informed Machine Learning, PI-ML）应运而生：

将雷达物理先验（如雷达方程、散射模型、信噪比理论）嵌入神经网络结构或损失函数，实现“数据驱动 + 机理约束”的协同建模。

本章将从建模范式与可解释性适配两个维度，系统阐述 PI-ML 在雷达感知中的实现路径，并通过实验验证其对样本效率与鲁棒性的提升效果。