本文經(jīng)自動駕駛之心公眾號授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

原標(biāo)題：DenserRadar: A 4D millimeter-wave radar point cloud detector based on dense LiDAR point clouds

論文鏈接：https://arxiv.org/pdf/2405.05131

作者單位：清華大學(xué)

論文思路：

4D毫米波 (mmWave) 雷達(dá)以其在極端環(huán)境下的魯棒性、廣闊的探測范圍以及測量速度和高度的能力，已經(jīng)顯示出在自動駕駛系統(tǒng)面臨邊緣情況(corner-case)時增強(qiáng)感知能力的顯著潛力。然而，4D 毫米波雷達(dá)點云的固有稀疏性和噪聲限制了它的進(jìn)一步發(fā)展和實際應(yīng)用。本文介紹了一種新型的4D 毫米波雷達(dá)點云檢測器，它利用高分辨率的密集LiDAR點云。本文的方法從拼接的LiDAR點云構(gòu)建密集的3D占據(jù)空間真值，并采用一個特別設(shè)計的網(wǎng)絡(luò)，名為DenserRadar。所提出的方法在點云密度和準(zhǔn)確性方面超越了現(xiàn)有的基于概率和基于學(xué)習(xí)的毫米波雷達(dá)點云檢測器，在K-Radar數(shù)據(jù)集上取得了更好的效果。

主要貢獻(xiàn)：

本文的工作是第一個由密集3D占據(jù)空間真值監(jiān)督的4D 毫米波雷達(dá)點云檢測器，該真值是通過拼接多幀LiDAR點云生成的，從而增密了檢測到的毫米波雷達(dá)點云。

本文提出了一種創(chuàng)新的密集3D占據(jù)空間真值生成流程，以及K-Radar數(shù)據(jù)集的拼接密集LiDAR點云，這些點云提供了全面的場景真值，在發(fā)表后將可供進(jìn)一步研究使用。

由于DenserRadar網(wǎng)絡(luò)的專門設(shè)計，本文的算法在點云的密度和準(zhǔn)確性方面均優(yōu)于現(xiàn)有的CFAR類型和基于學(xué)習(xí)的毫米波雷達(dá)點云檢測方法。

網(wǎng)絡(luò)設(shè)計：

自動駕駛技術(shù)旨在提供安全、便捷且舒適的交通體驗，其發(fā)展速度令人印象深刻。要實現(xiàn)高級別自動駕駛，復(fù)雜環(huán)境感知和定位的能力是不可或缺的。因此，自動駕駛車輛上裝備的傳感器，包括相機(jī)、激光雷達(dá)（LiDAR）和毫米波雷達(dá)，以及與之相關(guān)的算法，正吸引越來越多的研究興趣。

鑒于其體積緊湊、成本效益高、全天候適應(yīng)性、測速能力和廣闊的檢測范圍等優(yōu)勢[1]，毫米波（mmWave）雷達(dá)已被廣泛應(yīng)用于自動駕駛領(lǐng)域。最近在多輸入多輸出（MIMO）天線技術(shù)方面的進(jìn)步進(jìn)一步提高了其高度分辨率，促成了4D毫米波雷達(dá)的出現(xiàn)。因此，4D毫米波雷達(dá)越來越被視為自動駕駛中感知和定位能力的關(guān)鍵增強(qiáng)，特別是在雨天、雪天、霧天等具有挑戰(zhàn)性的邊緣案例場景中。正如其名，4D毫米波雷達(dá)能夠測量目標(biāo)信息的四個維度：距離、方位、高度和多普勒速度，提供了一個全面的感測解決方案。

然而，4D毫米波雷達(dá)點云的質(zhì)量顯著落后于激光雷達(dá)點云。首先，4D毫米波雷達(dá)點云在分辨率上，尤其是在角度測量上，存在低分辨率的問題。這一限制主要是因為毫米波雷達(dá)的天線配置和到達(dá)方向（DOA）估計[2]。其次，4D毫米波雷達(dá)點云比激光雷達(dá)點云要稀疏得多。第三，由于多路徑效應(yīng)、信號干擾和地面反射，4D毫米波雷達(dá)點云常常包含大量的雜波點。所有這些缺點阻礙了4D毫米波雷達(dá)在自動駕駛中的應(yīng)用。

4D毫米波雷達(dá)點云的質(zhì)量不僅受到硬件的限制，還受到信號處理算法的限制[3]。特別是，從原始雷達(dá)圖或張量中檢測實際目標(biāo)以生成點云可能會極大地影響質(zhì)量。傳統(tǒng)上，F(xiàn)alse Alarm Rate（CFAR）檢測器及其變種[4]、[5]被廣泛應(yīng)用于毫米波雷達(dá)點云的檢測。然而，作為基于概率的算法，CFAR型檢測器在檢測大小不一的物體時可能會遇到問題，因為這些物體不是獨(dú)立同分布的[6]，這在自動駕駛場景中經(jīng)常出現(xiàn)。

為了解決與4D毫米波雷達(dá)相關(guān)的點云質(zhì)量問題，本文提出了一種基于學(xué)習(xí)的4D毫米波雷達(dá)點云檢測器，該檢測器由來自激光雷達(dá)點云生成的密集真實信息監(jiān)督。最初，本文拼接多幀預(yù)處理過的激光雷達(dá)點云，以生成密集的3D占用率真值。然后本文介紹了DenserRadar網(wǎng)絡(luò)，該網(wǎng)絡(luò)提取原始4D毫米波雷達(dá)張量的特征，生成密度更高、精度更高的4D毫米波雷達(dá)點云。該網(wǎng)絡(luò)采用了加權(quán)混合損失函數(shù)以及其他新穎設(shè)計元素，以捕獲多分辨率特征并生成分辨率優(yōu)于傳統(tǒng)技術(shù)的點云。在K-Radar數(shù)據(jù)集[7]上進(jìn)行的對比實驗證明了本文方法的有效性。

本文的算法如圖 1 所示。首先，本文設(shè)計了一個真值生成流程，通過拼接多幀激光雷達(dá)點云數(shù)據(jù)來獲得密集的3D占用空間真值作為監(jiān)督信息，然后建立了DenserRadar網(wǎng)絡(luò)，該網(wǎng)絡(luò)的任務(wù)是從原始的4D毫米波雷達(dá)張量數(shù)據(jù)中檢測毫米波雷達(dá)點云。

圖 1. 整個算法的概覽。

圖 2. 真值生成流程圖。

實驗結(jié)果：

圖 4. 本文的DenserRadar算法與CA-CFAR算法的定性點云比較，附有圖片和密集的3D占用空間真值點云作為參考。圖中的每個箭頭代表10米的長度。

總結(jié)：

本文介紹了DenserRadar，這是一個新穎的4D毫米波雷達(dá)點云檢測網(wǎng)絡(luò)，以及一個用于生成密集真值的創(chuàng)新流程。實驗結(jié)果和消融研究證明了本文的網(wǎng)絡(luò)架構(gòu)和真值生成方法論的有效性。這項研究有潛力提升自動駕駛系統(tǒng)的感知和定位能力，特別是在具有挑戰(zhàn)性的邊緣情況場景中。