原始笔记链接: https://mp.weixin.qq.com/s?__biz=Mzg4MjgxMjgyMg==&mid=2247486648&idx=1&sn=1c793728b4fe157b36dcf950023e2f5e&chksm=cf51be41f8263757ddf6c8dc17b3fe8c2a993afdde80be3100c70b7fa919bb2f8ef8ff4ea061#rd
↑ \uparrow ↑ 打开上述链接即可阅读全文
MWCL 2022: Radar-Based Mapping of the Environment: Occupancy Grid-Map VS SAR
雷达成像论文阅读笔记:MWCL 2022, MWCL 2022: Radar-Based Mapping of the Environment: Occupancy Grid-Map Versus SAR
Abstract
-
背景
-
自动驾驶车辆对环境表示有的高精度需求
-
基于FMCW radar 生成环境表示主要有 两种方法 :
✅ 基于合成孔径雷达(SAR)
✅ 基于占用网格图(OGM)
-
-
本文工作
- 首次使用相同测量数据,对SAR和OGM环境表示进行定性比较
1 Introduction
背景:基于雷达重建环境有两种方法,缺乏比较
-
自动驾驶车辆对环境表示有的高精度需求
- 毫米波雷达相比于激光雷达有优势
-
基于FMCW radar 生成环境表示主要有 两种方法 :
✅ 基于合成孔径雷达(SAR)
✅ 基于占用网格图(OGM)
本文工作
- 首次使用相同的数据比较两种方法
- 定性比较
- 特别强调了OGM或SAR映射更具优势的场景
2 Processing Chain
-
整个信号处理 steps:
-
raw ADC 通过 FFT 转换到频域
-
到频域后,SAR和OGM的处理流程不同
-
-
SAR和OGM的主要区别:
- 二者都是 cell-based representations of the environment
- 区别:每个单元的分辨率和信息含量 + 不同的 signal processing
-
位置信息
- 由 tachymeter (测速计) 精确获得
2.A Occupancy Grid Map
- OGMs通常是基于目标列表的映射算法
- 幅度OGM和概率OGM
- 概率OGM具有明显的鲁棒性优势
- OGM建图过程
- 通过2D FFT在ADC样本上计算范围多普勒信息
- 使用CFAR、峰值检测、AoA估计提取相关目标信息
- 基于目标列表,为每个frame 和 sensor 生成目标模型和传感器模型
- 使用下式逐帧更新OGM
- p ( m i ∣ z 1 : t , x 1 : t ) = p ( m i ∣ z 1 : t − 1 , x 1 : t − 1 ) 1 − p ( m i ∣ z 1 : t − 1 , x 1 : t − 1 ) ⋅ p ( m i ∣ z t , x t ) 1 − p ( m i ∣ z t , x t ) ⋅ 1 − p ( m i ) p ( m i ) p(m_i|z_{1:t},x_{1:t})=\frac{p(m_i|z_{1:t-1},x_{1:t-1})}{1-p(m_i|z_{1:t-1},x_{1:t-1})}\cdot \frac{p(m_i|z_t,x_t)}{1-p(m_i|z_t,x_t)}\cdot \frac{1-p(m_i)}{p(m_i)} p(mi∣z