DenserRadar：基于密集LiDAR点云的4D毫米波雷达点云检测器

点击下方卡片，关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近15个方向学习路线

>>点击进入→自动驾驶之心『多传感器融合』技术交流群

论文作者 | 自动驾驶Daily

编辑 | 自动驾驶之心

原标题：DenserRadar: A 4D millimeter-wave radar point cloud detector based on dense LiDAR point clouds

论文链接：https://arxiv.org/pdf/2405.05131

作者单位：清华大学

论文思路：

4D毫米波 (mmWave) 雷达以其在极端环境下的鲁棒性、广阔的探测范围以及测量速度和高度的能力，已经显示出在自动驾驶系统面临边缘情况(corner-case)时增强感知能力的显著潜力。然而，4D 毫米波雷达点云的固有稀疏性和噪声限制了它的进一步发展和实际应用。本文介绍了一种新型的4D 毫米波雷达点云检测器，它利用高分辨率的密集LiDAR点云。本文的方法从拼接的LiDAR点云构建密集的3D占据空间真值，并采用一个特别设计的网络，名为DenserRadar。所提出的方法在点云密度和准确性方面超越了现有的基于概率和基于学习的毫米波雷达点云检测器，在K-Radar数据集上取得了更好的效果。

主要贡献：

本文的工作是第一个由密集3D占据空间真值监督的4D 毫米波雷达点云检测器，该真值是通过拼接多帧LiDAR点云生成的，从而增密了检测到的毫米波雷达点云。

本文提出了一种创新的密集3D占据空间真值生成流程，以及K-Radar数据集的拼接密集LiDAR点云，这些点云提供了全面的场景真值，在发表后将可供进一步研究使用。

由于DenserRadar网络的专门设计，本文的算法在点云的密度和准确性方面均优于现有的CFAR类型和基于学习的毫米波雷达点云检测方法。

网络设计：

自动驾驶技术旨在提供安全、便捷且舒适的交通体验，其发展速度令人印象深刻。要实现高级别自动驾驶，复杂环境感知和定位的能力是不可或缺的。因此，自动驾驶车辆上装备的传感器，包括相机、激光雷达（LiDAR）和毫米波雷达，以及与之相关的算法，正吸引越来越多的研究兴趣。

鉴于其体积紧凑、成本效益高、全天候适应性、测速能力和广阔的检测范围等优势[1]，毫米波（mmWave）雷达已被广泛应用于自动驾驶领域。最近在多输入多输出（MIMO）天线技术方面的进步进一步提高了其高度分辨率，促成了4D毫米波雷达的出现。因此，4D毫米波雷达越来越被视为自动驾驶中感知和定位能力的关键增强，特别是在雨天、雪天、雾天等具有挑战性的边缘案例场景中。正如其名，4D毫米波雷达能够测量目标信息的四个维度：距离、方位、高度和多普勒速度，提供了一个全面的感测解决方案。

然而，4D毫米波雷达点云的质量显著落后于激光雷达点云。首先，4D毫米波雷达点云在分辨率上，尤其是在角度测量上，存在低分辨率的问题。这一限制主要是因为毫米波雷达的天线配置和到达方向（DOA）估计[2]。其次，4D毫米波雷达点云比激光雷达点云要稀疏得多。第三，由于多路径效应、信号干扰和地面反射，4D毫米波雷达点云常常包含大量的杂波点。所有这些缺点阻碍了4D毫米波雷达在自动驾驶中的应用。

4D毫米波雷达点云的质量不仅受到硬件的限制，还受到信号处理算法的限制[3]。特别是，从原始雷达图或张量中检测实际目标以生成点云可能会极大地影响质量。传统上，False Alarm Rate（CFAR）检测器及其变种[4]、[5]被广泛应用于毫米波雷达点云的检测。然而，作为基于概率的算法，CFAR型检测器在检测大小不一的物体时可能会遇到问题，因为这些物体不是独立同分布的[6]，这在自动驾驶场景中经常出现。

为了解决与4D毫米波雷达相关的点云质量问题，本文提出了一种基于学习的4D毫米波雷达点云检测器，该检测器由来自激光雷达点云生成的密集真实信息监督。最初，本文拼接多帧预处理过的激光雷达点云，以生成密集的3D占用率真值。然后本文介绍了DenserRadar网络，该网络提取原始4D毫米波雷达张量的特征，生成密度更高、精度更高的4D毫米波雷达点云。该网络采用了加权混合损失函数以及其他新颖设计元素，以捕获多分辨率特征并生成分辨率优于传统技术的点云。在K-Radar数据集[7]上进行的对比实验证明了本文方法的有效性。

本文的算法如图 1 所示。首先，本文设计了一个真值生成流程，通过拼接多帧激光雷达点云数据来获得密集的3D占用空间真值作为监督信息，然后建立了DenserRadar网络，该网络的任务是从原始的4D毫米波雷达张量数据中检测毫米波雷达点云。

图 1. 整个算法的概览。

图 2. 真值生成流程图。

实验结果：

图 4. 本文的DenserRadar算法与CA-CFAR算法的定性点云比较，附有图片和密集的3D占用空间真值点云作为参考。图中的每个箭头代表10米的长度。

总结：

本文介绍了DenserRadar，这是一个新颖的4D毫米波雷达点云检测网络，以及一个用于生成密集真值的创新流程。实验结果和消融研究证明了本文的网络架构和真值生成方法论的有效性。这项研究有潜力提升自动驾驶系统的感知和定位能力，特别是在具有挑战性的边缘情况场景中。

引用：

Han Z, Jiang J, Ding X, et al. DenserRadar: A 4D millimeter-wave radar point cloud detector based on dense LiDAR point clouds[J]. arXiv preprint arXiv:2405.05131, 2024.

投稿作者为『自动驾驶之心知识星球』特邀嘉宾，欢迎加入交流！

① 全网独家视频课程

BEV感知、BEV模型部署、BEV目标跟踪、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、大模型与自动驾驶、Nerf、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码即可学习）

网页端官网：www.zdjszx.com

② 国内首个自动驾驶学习社区

国内最大最专业，近3000人的交流社区，已得到大多数自动驾驶公司的认可！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型、端到端等，更有行业动态和岗位发布！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

③【自动驾驶之心】技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦感知、定位、融合、规控、标定、端到端、仿真、产品经理、自动驾驶开发、自动标注与数据闭环多个方向，目前近60+技术交流群，欢迎加入！扫码添加汽车人助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）

④【自动驾驶之心】全平台矩阵