自动驾驶感知——物体检测与跟踪算法4D毫米波雷达.docxVIP

1、物体检测与跟踪算法

1.1?DBSCAN

DBSCAN:DensityBasedSpatial?Clustering?ofApplicationswithNoise;

DBSCAN是基于密度的聚类方法，对样本分布的适应能力比K-Means更好。

红色的点是核心对象

黑色的点是非核心对象

注意:距离的度量不限于点的空间距离，还可以是其它点特征，比如速度、反射强度等

基本思路

假定类别可以通过样本分布的紧密程度决定，通过将紧密相连的样本分为一类，得到不同的聚类类别。

基本概念

(ε,MinPts):用来描述邻域的密度;

ε:描述了某一样本的邻域距离阈值;

MinPts:描述了邻域中的最小样本数。

核心对象:对于任一样本，其邻域至少包含MinPts个样本。

算法流程

找到所有的核心对象

对于每一个未处理的核心对象，生成新的聚类;

有哪些信誉好的足球投注网站其ε邻域，将ε邻域中的点加入该聚类;

不断重复以上步骤

K-Means与DBSCAN的对比

K-Means

需要手工指定cluster的数量

所有点都进行聚类，不会去除outlier

各个方向同等重要，只适合于球形的cluster

具有随机性，每次运行结果不一致

DBSCAN

不需要指定cluster个数

可以排除outlier

对样本分布的适应性更好

每次运行结果是一致的

1.2卡尔曼滤波

基本概念

雷达目标跟踪:多目标.

Tracking-by-Detection

由聚类算法在单帧点云得到目标输出;

提取目标的特征，包括统计特征(比如点位置的均值，方差等)和运动特征(比如速度和加速度等);

根据特征计算当前帧的检测目标(detections)与已跟踪的多个目标(tracks)的相似度;

按照相似度将detections分配给tracks;

卡尔曼滤波更新tracks的状态参数(位置、速度等)。

2、毫米波雷达公开数据库的未来发展方向

单模态数据库?

只包含雷达数据，相对来说应用范围较窄

很难进行准确有效的标注

多模态数据库?

除了雷达数据，还包括同步的图像和激光雷达数据

雷达数据：数据块或者点云

NuScenes，CARRADA，SCORP，CRUW，SeeingThroughFog

未来发展方向

多模态数据

?包括同步的图像，激光雷达等数据，用来进行多传感器融合的研究。

多数据类型

?包括ADC数据，RAD数据，点云数据等，为不同层次的算法研究和实际应用提供支持。

360度视场

?需要多个雷达配合完成，以满足多种自动驾驶应用的需求。8.01。

大规模数据

?一般来说，至少要有超过10万帧的不同场景，不同天气条件下采集的数据。

丰富的标注信息

?物体级:类别，位置，大小，方向，分割的mask

?场景级:语义信息，比如freespace,occupiedspace等。

3、4D毫米波雷达特点及发展趋势

4D指的是距离(Range)，水平角度(Azimuth)，俯仰角度(Elevation)和速度(Doppler)。一般来说，4D毫米波雷达的角度分辨率相对较高，因此也经常被称为4D成像雷达。

4D毫米波雷达的两个主要特点是:

1)可以测量高度的信息;

2)角度分辨率较高。

为了更好的理解这两点，首先要了解FMCW雷达角度分辨率的依赖因素,以及为了增加角度分辨率所采用的MIMO机制。

3.1.1FMCW雷达角度分辨率

想要测量目标的方位角，至少需要两个接收天线(RX).可以通过相位差来求得方位角

在有多个接收天线时，每个接收信号与前一个接收信号之间的相位差都是ω。以下图为例，假设有4个接收天线，以第一个接收天线为基准，4个接收信号的相位差分别为0，ω，2ω，3ω。这个序列信号的变化频率就是ω，因此我们通过FFT来提取这个分量(也就是角度FFT)。

如果场景中存在多个目标，而且其距离和速度都相同,那么雷达能够区分这些目标的最小角度差称之为角度分辨率。假设有以下场景，场景中有两个目标，其方位角分别为θ和θ+Δθ，对应的相位差分别为ω1?和ω2。

因为sin?(θ)的导数为cos?(θ)，所以可得

根据傅里叶变换理论，N点的FFT可以区分的频率分量最小为2π/N,这里的N就是接收天线的个数。这样我们就可以得到可以分辨的最小角度差，也就是角度分辨率。

从上面的推导可以看出，角度分辨率主要依赖于两个因素:1)?目标的方位角。在boresight方向分辨率最高。越靠近雷达FOV的边缘,角度分辨率越低。2)天线的个数。角度分辨率与天线个数城正比关系。第一个因素我们无法控制，而提高FMCW雷达角度分辨率的主要手段就是增加天线个数。

3.1.2MIMO(MultipleInputMultiple