奔向量产之路 | 4D成像毫米波雷达产品化问题思考-CSDN博客

作者 | 赵孔瑞编辑 | 汽车人

原文链接：https://zhuanlan.zhihu.com/p/574529404?

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

点击进入→自动驾驶之心【多传感器融合】技术交流群

后台回复【多传感器融合综述】获取图像/激光雷达/毫米波雷达融合综述等干货资料！

在过去的一段时间里我们同步开发了3款4D毫米波雷达，并在十一之前紧张但顺利的取得了阶段性的成果，验证了我们方案的正确性。目前在业内可以算是点云数量最高的，真正实现了“成像”。简单来讲，我们的雷达达到了以下效果：

高密度点云成像：我们实现了单帧3~4万点云的成像能力，也就是60~80万pts/s的点云效果
车辆目标：单个车辆目标的单帧点云数量达到6000点
静态目标：护栏目标的单帧点云数量可达上万点
杂点极少：虽然我们单帧点云数量很多，但是杂点却极少，杂点占比不到1%，这得益于我们创新性的信号处理算法，在信号处理阶段就很好地进行了抑制
探测距离：125m/300m，探测距离可以通过软件实时配置

我们充分挖掘了4D毫米波雷达的潜力，实现了惊艳的效果。同时，在开发的过程中，也促使我们有了新的思考。

1波导天线以后会成为4D毫米波雷达的标配

1）会使毫米波雷达面积不那么大，会减小雷达体积

2）大带宽工作模式更容易实现，实现更高的分辨率

3）插损变小，但是这个优势对4D雷达来讲，不是那么重要，因为4D雷达本身天线通道数大幅增加，这点插损可以忽略不计

4）可以降低高频板材的使用，但是综合成本并不一定降低，因为波导天线贵

2非对称形式的板材叠构才是出路

因为对称叠构的PCB板成本太高了，用2层甚至3层高频板材，成本hold不住。

3传统信号处理流程无法形成高密度点云

在4D毫米波雷达方案设计中，一定要谨记这条假设：一切万物都是扩展目标。传统的信号处理流程，尤其是CFAR和测角模块，都是假设目标为点目标。如果还是遵循传统雷达的思路，设计出来的4D雷达是无法实现高密度点云的。而我们之所以实现单帧高密度点云，是采用了全新的雷达算法流程，具体如下：

传统信号处理流程

全新的信号处理流程

当然，除了流程变化较大外，我们的相干/非相干积累、目标检测、测角等模块跟传统的算法已经不一样了。

4雷达互干扰紧靠波形设计是避免不了的，躺平接受吧！

毫米波雷达的渗透率越来越高且4D雷达的发波的占空比越来越高，雷达间互干扰影响越来越明显，越来越严重。虽然跳频、调频、调相等复杂波形设计方法可以一定程度上减小雷达间互干扰，但是仅仅靠这些是不够的，还要结合检测、测角、点云预处理等环节综合处理才能减少雷达间互干扰的影响。

5深度学习是个好东西

4D雷达的数据体现出了对深度学习比较友好的特征，不论是R-D谱还是点云上，将来深度学习会是很好的雷达信号处理方式。这也是我们下一步的研发方向。

6稀疏阵/冗余阵也有很多问题

稀疏阵列相对均匀阵列孔径大幅增加，提高了测角精度，但是在4D毫米波雷达中也有很大的问题。比如近距离强目标，点云会发散，主要是因为栅瓣产生了强峰值，大于真实角度下的峰值。但是，通过算法优化设计也是可以解决的。

7扩展目标跟踪是个新问题

如何处理4D毫米波雷达生成的大规模点云，也是未来大家的新挑战。扩展目标跟踪虽然学术界研究了很多年，但是自动驾驶场景下还是有很多问题。首先，大部分交通目标的轮廓是方型的，不是椭圆型的。除了丢给深度学习这种偷懒的手段外，期望大佬们能够提出新的扩展目标跟踪理论框架。

总之，4D毫米波雷达开发紧紧围绕的一个假设是：万物都是扩展目标。

4D毫米波雷达虽然红得发紫，当红炸子鸡之一，但是4D毫米波雷达应该做成什么样？

从使命上来讲，4D毫米波雷达是为L3及以上的自动驾驶而生。目前已经量产的并且上车的已经有大陆的ARS540和采埃孚的4D成像雷达，它们在产品化方面可谓走在了行业的前列。但是通过实测效果来看，并没有满足大家对4D+“成像”的期待，虽然具备了高度向上的测量能力，且精度比传统的ADAS雷达有了大幅提高，点云数量很稀疏，很难成像。可能他们的重点是体现4D能力，而不是成像能力。这两款4D毫米波雷达从直观上来讲，还难以满足高级别自动驾驶的需求，还不能担当主角。

那么，衡量4D毫米波雷达综合能力的指标是什么呢？应该是单帧点云数量，也即点云成像能力（点云力）。因为在高级别自动驾驶中，参与道路交通的目标不再是点目标，而是有轮廓、形状、类别和姿态的扩展目标。只有形成高密度点云，才能精准探测道路环境中的动态目标和静态目标的精准位置信息、轮廓信息、类别信息、姿态和行为信息。点云数量高，其角度分辨率一定不会低。但是角度分辨率高，点云数量不一定高，这也是为什么业内很多4D雷达分辨率指标很高，但是点云数量不一定多的原因。因为生成高密度点云不仅涉及到测角，还涉及到雷达算法全流程的各个环节，包括2D-FFT、CFAR和测角等各个模块。

其次，4D毫米波雷达需要替代激光雷达么？

目前行业内面对4D毫米波雷达时的一个常见的疑问是：4D毫米波雷达能否替代激光雷达或者低线束激光雷达？但是，4D毫米波雷达有必要背负这样的历史使命吗？个人认为是没有必要的。自动驾驶路线肯定是多样化的，有特斯拉的纯视觉路线，有激光雷达+视觉路线，也会有4D毫米波雷达+视觉路线，甚至其他混搭路线。至于选择那种路线最优，我想没有所谓的最优解，全靠每家的算法技术能力。另外，很多人拿点云数量来对4D毫米波雷达和激光雷达对比，显然这是不恰当的。就像人类不如牛的力气大，就认为人不如牛吗？激光雷达有点云成像的优势，但是点云数量高这一个维度不是万金油。毫米波雷达有很高的测速的分辨率，以及很高的测速精度，相比激光雷达多了一个信息维度，在解决自动驾驶的很多cornercase（比如过分割和前分割问题）中起到了四两拨千斤的作用。

所以，具备高分辨点云成像能力的4D毫米波雷达和激光雷达将在高级别自动驾驶中大放异彩，平分秋色。

视频课程来了！

自动驾驶之心为大家汇集了毫米波雷达视觉融合、高精地图、BEV感知、传感器标定、传感器部署、自动驾驶协同感知、语义分割、自动驾驶仿真、L4感知、决策规划、轨迹预测等多个方向学习视频，欢迎大家自取（扫码进入学习）

（扫码学习最新视频）

国内首个自动驾驶学习社区

近1000人的交流社区，和20+自动驾驶技术栈学习路线，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目标检测、Occpuancy、多传感器融合、目标跟踪、光流估计、轨迹预测）、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，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频，期待交流！