1. FMCW雷达数据形式
(1)FMCW雷达数据处理流程
- 输入信号:是指混频器输出的中频信号(IF信号),数据维度是K x M x N。其中,K为天线个数,M为每一帧内的Chirp个数,N为一个Chirp内采样个数
- 对Chirp采样维度N进行FFT操作,得到距离Range
- 对Chirp个数维度M进行FFT操作,得到速度Doppler
- 对天线维度K进行FFT操作,得到角度Angle
- 输出形式:RDA数据块,它是一个稠密的数据块,但是大部分点都是来自于背景噪声,因此需要对数据块进行过滤
- 稀疏点云:通过CFAR动态阈值的方式对RDA稠密数据块进行过滤,得到离散的三维点,从而得到稀疏点云
- 为了提高计算效率,可直接在距离和速度维度进行CFAR动态阈值过滤操作,不用生成RDA稠密数据块
(2)CFAR(Constant False-Alarm Rate)
通过设定动态阈值来更好地过滤噪声
- 固定阈值
如图所示,蓝色曲线表示信号,绿点表示真正的目标,红点表示噪声。通过设定阈值,高于阈值的认为是真正的目标点,低于阈值的认为是噪声点,需要过滤掉。
图中通过设定阈值1,可将大部分噪声红点过滤掉,具有较低的误检率。但同时也有很多真正点被过滤掉,因此召回率也很低。
图中通过设定阈值2,可将所有真正点检测出,具有较高的召回率。但同时也有很多噪声红点没有被过滤,因此误检率也很高。
- 动态阈值
如下图所示,在信号的不同位置设定不同阈值,使得将大部分真正点检测出来,并且将大部分红色噪点过滤掉,在提高召回率的同时,将误检率保持在一个较低的水平。
-
CFAR的具体流程(一维数据处理流程)
-
对输入数据的每个单元,计算其邻域单元的均值(不包括保护单元,因为场景中的目标是有一定大小的,它可能覆盖当前处理单元周围的多个单元,因此保护单元也有可能是目标上的点。若将其当成背景来估计噪声,会带来一定的误差。所以,在计算时需要将保护单元去除掉)
-
该均值乘以比例因子后与当前单元值进行对比
-
如果当前单元值大,则认为是正确的目标检测,反之则认为是噪声
-
比例因子控制着误检率的级别。比例因子越小,当前处理单元越容易被认为是正确目标点,有可能带来较大的误检。比例因子越大,判断较严格,此时误检率较低,但召回率也相对较低
-
(3)FMCW雷达的两种数据形式——总结
- 稠密的数据块(常用于深度学习中的感知算法)
- 三维Tensor:距离 x 角度 x 速度
- 常见大小:256 x 150 x 512
- 稀疏点云(常用于传统感知算法)
- 点特征:距离、角度、速度、反射强度
- 常见大小:每帧64或128个点