一、4D毫米波雷达的必要性和先进性
使用4D毫米波雷达替代3D毫米波雷达,主要用于解决3D毫米波雷达的性能瓶颈,得到更优的感知结果,从而提升ADAS系统的精准度和舒适度。一般来说,3D毫米波雷达主要有以下几点性能瓶颈:
1.无法准确检测前方障碍物
由于3D雷达俯仰分辨能力弱,几乎不能区分高空目标和地面目标,容易产生虚警。通常3D雷达俯仰维分辨率超过10°,而4D雷达基本在1~2°,可以准确测量目标高度。
2.目标探测精度差
3D雷达使用3T4R的天线设计,总计12通道,一般角精度1~1.5°,横向偏差大,部分场景出现目标偏离车道情况,导致ADAS系统误判。
4D雷达通常为6T8R,甚至12T16R,角精度0.1~0.4°,横向偏差小,目标位置准确,ADAS系统效果优异。
3.无尺寸、航向信息
3D雷达点云稀疏,无法准确估计目标尺寸和航向,不能及时发现危险目标对自车的威胁,存在安全风险。
4D雷达点云分布尚可,通过算法处理可准确估计目标尺寸和航向。同时易与摄像头、激光等传感器融合,提供更精准的环境感知。
二、4D毫米波雷达应用的可行性
4D毫米波雷达没有广泛使用,并不是因为传感器本身的性能,而是以下几点原因:
1.算法不够成熟
2.BOM成本较高
3.更新换代动力弱
但随着技术的发展,算法必将成熟可靠,BOM成本也将大幅降低。对主机厂来说,用较高的价格获得更优的性能,将成为可选的方案。
三、传统算法的可行性
3D雷达已有成熟可靠的算法,沿用原来的算法方案,增加如尺度、类别等检测,难度不是太大。
常规的算法一般为下图所示的流程:
从标定、坐标转换到目标关联和跟踪滤波,所有的方法都和3D雷达类似,4D雷达点云数量和精度增加,可以得到更准确的目标位置和尺寸、类别信息。
虽然方法类似,但由于点云数量增加,部分方法需要做适应性修改,比如聚类算法,面对数倍的点云数量,需使用更高效的算法。
另外,3D雷达通常使用点目标跟踪,4D雷达可参考激光雷达,使用扩展目标跟踪算法,获得更好跟踪的效果。
四、深度学习算法的可行性
4D雷达点云数量和通道数(或分辨率)相关,典型的12T16R通常有2k~3k,单个目标的点云数量接近16线激光雷达,可参考激光雷达的点云处理方法,使用CNN等深度学习方式做目标检测。
另外使用叠帧的方式可以增加点云密度,用来获得更好的检测效果。
目前已有不少研究机构对从不同方面研究4D雷达点云的处理,已有一些成果,具体可参考这篇综述:
《Towards Deep Radar Perception for Autonomous Driving:Datasets, Methods, and Challenges》
其中提到的Pointpillars是最近几年效果较好的深度学习方法,其他分类和目标检测方法也提供了较好的思路。
从结果来看,使用深度学习的目标检测达到了预期的效果。
4D雷达和16线激光雷达对比,mAP的分数更高,数据来自《Automotive Radar Dataset for Deep Learning Based 3D Object Detection》
4D雷达和64线激光雷达对比,mAP的分数较低,但驾驶状态下使用叠帧处理和激光差距较小。