毫米波雷达的点云形式与分辨能力详解！

作者 | frostblade  编辑 | 汽车人

原文链接：https://zhuanlan.zhihu.com/p/386615052

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

1 引言

对于不了解毫米波雷达原理的人而言，在毫米波雷达使用过程中最大的困惑可能就是对某一个场景，毫米波雷达最终输出的点云或是跟踪目标究竟是怎样的一种形式，点云的数目和分布究竟是怎样的？与激光雷达固定的线束分辨和视觉固定的像平面分辨不同，毫米波雷达对观测空间目标的检测和分辨与雷达的信号特性和目标电磁散射特性息息相关。这篇文章就从毫米波雷达信号处理和目标散射特性两个方面展开，谈谈毫米波雷达的点云形式与分辨能力。

2毫米波雷达的信号处理：成像与检测

毫米波雷达的成像

毫米波雷达一般在每个脉冲周期发射调频连续波，在接收端对回波进行混频，最终得到的是多个目标回波的叠加，进而对这个一维回波信号进行傅里叶变化，得到如下形式的一维回波像，称为一维距离像，其体现为多个峰值的曲线形式。每个谱峰一般代表一个强目标的存在，其强度和目标的回波强度正相关，而位置正比于目标相对雷达的距离。而谱峰的尖锐程度则取决于雷达的距离分辨能力——距离分辨率越低（即分辨力越高），谱峰越尖锐。

图1

进一步地，对多个连续发射的回波所得到的一维距离像在另一个维度进行傅里叶变换，最终可以得到观测空间中的目标在距离-多普勒速度图像上的分布，如下图所示，一个维度表示距离，另一个维度表示速度，每个目标点在“距离-多普勒图（Range-Doppler Map，RDM）”上呈现为一个亮点，这个亮点的位置体现了目标自身的距离和速度，强度体现了目标的回波强度。

从离散单元的形式看，RDM即如下的形式：

图2

实际上，考虑噪声的影响，并且会采用加窗的形式抑制旁瓣（图2中的十字阴影），实际获取的的RDM是如下的形式，特别的，在接近距离=0的区域，由于DCDC抑制滤波器的存在，其整体噪底功率是低于其他区域的。

图3

毫米波雷达的检测

在获取了上述RDM后，信号处理的下一步是检测，通常的算法是恒虚警（CFAR）检测，即自适应的估计每个点的周围噪底，再将这个点的强度和周围点的强度进行比较，最终确定该点是否是目标。如下图所示，图5为RDM，经过检测后，输出了每个点是否为目标的布尔值图像图6.

图5

图6

基于上述检测原理可以看出，一个目标被有效检测的条件是：

目标的回波强度大于基本的噪底；

目标在RDM上呈现局部峰值的形式；

目标的回波强度大于周围邻近区域的回波强度的均值。

下面给出了一个车辆的RDM，其中标黑的部分表示主车体，还有一些横向的扩展局部极值是车轮微动引起的微多普勒目标点。

图7

3参数估计

测速和测距

TI给出的基本信号处理流程如下，上面已经完成CFAR检测，在CFAR检测后。得到的目标在RDM图中的位置，即可完成基本的速度测量和距离测量，并且通过注入二项式插值的方法进一步提高测量精度。此时可以获取的目标点数就已经基本确定了。

图8

测角与测角分辨率

当毫米波雷达具有多个接收天线时，每个天线都可以得到一张RDM，如图9.其上目标的强度分布是基本一致的，但相位取决于目标的角度，因此将目标点在每个RDM中的复回波取出，进行波束形成，即可测角。

图9

实际测角的过程也是找局部极值的过程，测角处理给出的一维曲线称为空间谱，目标的位置与角度有关，强度和目标强度有关。但一般而言，测角的分辨率较差，多存在多个目标时，弱目标的位置极易被强目标的旁瓣和副瓣干扰，而且基于相位的测角又很容易受天线通道间的一致性影响，因此多数情况下，只找整个谱的峰值，仅由少数情况，可能会查找次峰值也作为真实目标，此时最终输出的目标数就会多于CFAR检测后的目标数。

图10

4点云的分布和形式

通过上述分析，我们可以知道，雷达输出的点云一般应符合以下特征：

其回波强度够强，并至少应为局部最强；其应与邻近目标的回波的在距离、速度或角度上分开。由于雷达一般在RDM上检测，而当雷达静止且空间也静止时，所有目标均分布于速度为0的一条线上，此时分辨能力时最差的，当雷达运动或和目标存在相对运动时，速度的分辨可以提高很大的分辨能力。

另一方面，对目标的检测能力也受目标的散射特性影响很大，因为散射直接决定了RDM图的样子。而目标的散射非常复杂，对同一个目标，不同的观测角度下散射强度可能相差百倍。因此在实际场景中可能出现目标的闪烁和位置的跳动（称为角闪烁）。

图11

下图给了一个场景的雷达点云，可以看出，对整个场景，雷达的点云观测是非常稀疏的，但一般不影响动目标的探测，因为动目标通常可以至少在距离和速度一个维度上和周围场景区分开，这样易于其被检测到。

5参考文献

Kellner D, Barjenbruch M, Klappstein J, et al. Wheel extraction based on micro doppler distribution using high-resolution radar[C]// IEEE Mtt-S International Conference on Microwaves for Intelligent Mobility. IEEE, 2015:1-4.

【自动驾驶之心】全栈技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D感知、多传感器融合、SLAM、高精地图、规划控制、AI模型部署落地等方向；

加入我们：自动驾驶之心技术交流群汇总！

自动驾驶之心【知识星球】

想要了解更多自动驾驶感知（分类、检测、分割、关键点、车道线、3D感知、多传感器融合、目标跟踪）、自动驾驶定位建图（SLAM、高精地图）、自动驾驶规划控制、领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球（三天内无条件退款），日常分享论文+代码，这里汇聚行业和学术界大佬，前沿技术方向尽在掌握中，期待交流！