文献阅读笔记:《4D Millimeter-Wave Radar in Autonomous Driving: A Survey》
4D毫米波(mmWave)雷达,能够测量目标的距离、方位角、高度和速度,已经在自动驾驶领域引起了相当大的兴趣。这归因于它在极端环境下的鲁棒性,以及出色的速度和高度测量能力。
4D毫米波雷达不仅是毫米波雷达的改进版本,而且还引入了许多重要的研究课题。4D毫米波雷达的原始数据大小比传统雷达的原始数据大小要大得多,这在信号处理和数据生成方面带来了挑战,更不用说杂波和噪声了。现有信号处理流中产生的4D毫米波雷达点云的稀疏性和噪声比激光雷达点云更严重,需要精心设计的感知、定位和映射算法,以考虑4D毫米波雷达的固有特性。
1.毫米波雷达的传统信号处理流程及相应的数据格式如下图:
(雷达信号处理最核心工作:依次完成径向距离、径向速度、方位角的估计问题(在满足一定条件下都可等价为各自独立频率的估计问题),常见的处理架构是Range-Doppler-Angle 或Range-Angle-Doppler。4D毫米波雷达引入高度信息、芯片级联→信号处理框架更加丰富(FFT增加),需基于应用场景选择合适的处理框架,二者处理流程不同之处如下)
2.如上所述: 4D毫米波雷达最关键的能力是测量目标的标高,这相当于提高标高的分辨率。具体方法可分为硬件和软件级别:
1) 硬件:在硬件层面,增加TX-RX对的数量或天线孔径是提高分辨率的两种主要方法,包括:
2)软件:通过虚拟实现沿着处理流程的硬件改进或优化信号处理算法,可以在软件层面上提高雷达的分辨率。
3.外部补偿:
雷达点云相对稀疏,频谱数据也不够直观。由于多路径效应和杂波干扰,噪声也相当大,给校准带来了挑战。对于4D毫米波雷达,较高的分辨率缓解了这一问题,但仍缺乏足够鲁棒的实时校准方法。
根据传统的3D毫米波雷达的校准方法,通常采用角反射器来提高校准精度。通过在特定位置仔细放置几个角反射器,分析4D毫米波雷达的传感结果,并将其与激光雷达和相机数据进行比较,可以实现校准。
4.基于学习的雷达点云生成:
4D雷达点云稀疏性的一个主要原因是CFAR造成的大量信息损失。为了解决这一问题,越来越多的基于深度学习的方法被提出来取代CFAR,并直接使用RD-MAP或4D张量,以提高4D雷达点云的质量和下游自动驾驶任务的性能,如感知和定位。相关工作,以及4D mmWave雷达的数据集、感知、定位和映射算法,一致显示在下图的时间线上。
通常,如果cell是独立且同分布的,则CFAR是一种最优的检测算法。然而,由于现实世界中的目标通常具有不同的形状,占据多个单元,CFAR方法会产生掩蔽效应,降低点云的分辨率,并遭受信息损失。
Brodeski等人首先将CNN应用于RD-MAP对多个目标的检测和定位,称为DRD(深度雷达探测)网。他们将RD图中的目标检测制定为一个分割任务,并采用类似于2D-U-Net的模型结构。由于缺乏标注良好的数据集,特别是雷达RD地图,他们参考了雷达校准过程,在消声室中安排角反射器来收集相应的数据,并将其作为标签映射回RD-MAP。实验表明,DRD网络可以实时工作,在检测精度方面优于经典方法。
然而,由于在暗室中收集的数据与在真实驾驶场景中收集的数据不同,因此RD-MAP的标记挑战仍然存在,这在多路径反射、干扰、衰减等方面更具挑战性。为了解决这一挑战,Cheng等人使用LiDAR点云作为监督,并依次设计了基于U-Net和GAN的网络结构。在复杂的道路场景中,与经典的CFAR探测器相比,生成的四维雷达点云不仅包含更少的杂波点,而且提供了更密集的真实目标点云。
5.感知应用:
目前,4D毫米波雷达的点云密度已经达到了与16束激光雷达相当的水平,4D毫米波雷达在低能见度和恶劣天气条件下表现出优越的鲁棒性。因此,研究人员一直试图将激光雷达点云处理模型转移到4D毫米波雷达中,用于目标检测、场景流预测等任务。此外,如前面所述,pre-CFAR雷达数据包含更丰富的信息,促进一些研究人员直接使用RD-MAP或4D张量,绕过点云生成任务。相关工作可进一步分为仅依赖于4D雷达和多模态传感器融合的工作。
A. 自然,大多数相关的4D雷达方法都来自于基于激光雷达的方法。然而,由于毫米波雷达的稀疏性和噪声特性,仍然需要具体的网络设计。
B. 融合方法:考虑到4D毫米波雷达已经可以提供点云信息,一些学者已经将其与摄像机或激光雷达融合进行目标检测,希望提高感知模型的准确性和鲁棒性。一般来说,对于不同的模式有三个融合级别:数据级别、特征级别和决策级别。现有的研究主要集中在特征级的融合上。对于4DRV(4D雷达与视觉)融合,4D毫米波雷达可以以低成本提供高精度的深度和速度信息,弥补了摄像机的不足,从而提高了3D检测的精度。在最近的研究中,4D毫米波雷达信号通常被转换为二维图像样特征,以便它们可以与相机图像一起实际部署。
6.定位和映射应用:
在卫星定位信息不准确或无法获得高清地图的恶劣环境中,需要通过感知传感器进行定位和测绘。利用新兴的4D毫米波雷达进行了一些相关的研究。由于雷达点云比张量轻得多,对激光雷达的研究可以稍微调整即可转移到那里,因此对雷达张量的定位和映射的研究很少。
A. 测程法
雷达测程估计是定位的核心,也是SLAM的关键组成部分。关于4D毫米波雷达的相关研究较多。然而,由于雷达的稀疏性和噪声,测程法主要是在惯性测量单元(IMU)的帮助下产生的。多尔和特罗默使用无人机(UAV)对这个话题做出了很多贡献。他们通过气压计估计无人机的高度,然后利用基于随机样本和共识(RANSAC)的最小二乘,利用雷达点云的多普勒信息来估计自我速度。最后对IMU数据进行融合,构建了基于扩展卡尔曼滤波器(EKF)的雷达惯性测程法。在此基础上,他们考虑了曼哈顿世界的假设,即假设环境中的平面彼此正交,并获得了与最先进的视觉惯性测程法相当的精度。然后将这一贡献扩展到多个雷达,并在退化的视觉条件下显示出令人满意的性能。此外,他们还研究了4D毫米波雷达与视觉和热信息的融合,以进一步提高感知结果。这些研究的唯一缺点是,基于EKF的算法可能会面临应对大规模环境的困难,因为测程漂移会增加。在大多数工作中,曼哈顿世界的假设可能会限制其在恶劣的户外环境中的适用性。
B. 重新定位
重新定位依赖于高精度的在线映射,并且在在SLAM中使用高清晰度映射或检测循环闭合时具有重要意义。考虑到4D毫米波雷达点云的稀疏性和噪声,Cheng等利用多普勒速度去除移动物体,然后通过合并多次连续扫描来增强点云。受著名的点态网络的启发,采用基于多层感知(MLP)的网络将每个点的维数从4增加到1024,进行点态特征提取。通过比较当前扫描的提取特征和全局图,可以实现重新定位。
C. SLAM
由于上述测程和重定位对于SLAM是必不可少的,因此对4D毫米波雷达SLAM的研究是最近才出现的。Zhuang等人开发了一种基于迭代EKF的四维毫米波雷达点云的全过程SLAM。为了避免类RANSAC方法引起的稀疏性,他们采用迭代重加权最小二乘法进行自我速度估计。每个雷达点的重量也反映了它的动态,因此可以帮助去除移动的物体。扫描与子映射之间的非常规分布-分布匹配进一步降低了稀疏性的影响。其效果如下图所示
7.未来趋势:
4D毫米波雷达有可能给自动驾驶汽车带来深刻的变化。尽管如此,目前它还远未成熟。4D毫米波雷达的未来发展趋势可能主要依赖于以下几方面: