无线感知/雷达成像部分最新工作<持续更新>: 链接地址
注1:本文系“无线感知论文速递”系列之一,致力于简洁清晰完整地介绍、解读无线感知领域最新的顶会/顶刊论文(包括但不限于Nature/Science及其子刊;MobiCom,Sigcom,MobiSys,NSDI,SenSys,Ubicomp;JSAC,雷达学报等)。\
本次介绍的论文是:<IEEE Transactions on Radar Systems, 2024 | 使用SLAM赋能自动驾驶中的SAR成像> \
文章DOI:https://doi.org/10.1109/TRS.2023.3347734
TRS 2024 | 使用SLAM赋能自动驾驶中的SAR成像 | Simultaneous Localization and Mapping (SLAM) for Synthetic Aperture Radar (SAR) Processing in the Field of Autonomous Driving
乌尔姆大学
1 引言
随着自动驾驶技术的快速发展,对环境感知系统的要求越来越高。为了实现准确的环境绘制和定位,需要利用各种传感器获取丰富的环境信息。毫米波雷达因其作用距离长、抗恶劣天气的稳健性等优点,在自动驾驶领域得到了广泛应用。但是毫米波雷达的角分辨率有限,导致环境图精度较低。
合成孔径雷达(SAR)技术可以通过在移动平台上使用雷达,合成一个巨大的孔径来获得高角分辨率的图像,从而描绘环境细节。但是SAR成像需要精确的车辆定位信息。而仅靠卫星导航系统(GNSS)无法达到SAR成像所需的定位精度。
因此,本文提出一种基于同步定位与制图(SLAM)算法的方法,使用雷达本身的数据进行自主定位,以实现在77GHz频段进行SAR成像,完全独立于外部定位系统,得到高精度的环境图。
2 动机
自动驾驶中的环境感知面临以下问题:
-
摄像头和激光雷达对恶劣天气条件敏感
-
毫米波雷达角分辨率有限
-
SAR成像需要高精度的定位信息
-
GNSS定位精度无法满足SAR成像的需求
因此,本文提出使用雷达传感器网络进行自主定位和环境绘制。主要贡献是:
-
基于目标运动学,提出雷达惯性导航方法估计车辆运动
-
基于图像配准,提出扫描匹配方法估计车辆姿态变化
-
将两种方法融合,构建图优化SLAM算法进行精确自定位
-
仅基于雷达数据,实现77GHz下高分辨率SAR成像
-
完全独立于外部定位系统,进行自主环境感知
3 方法
本文使用的多传感器雷达系统如图1所示。系统由6个77GHz调频连续波(FMCW)雷达组成,安装在测试车辆上。
信号处理流程如图2所示,分为4个步骤:
-
距离压缩:对雷达回波进行FFT,得到距离信息
-
目标检测:基于CFAR检测目标,提取目标运动信息
-
栅格地图构建:基于目标列表构建机率栅格地图
-
SLAM优化:基于雷达惯导和扫描匹配进行图优化SLAM
3.1 雷达成像
对栅格地图进行两种不同成像:
(1)SAR成像:基于距离压缩结果,使用回波成像算法,合成大孔径获得高分辨率SAR图像。
(2)栅格地图:基于检测到的目标,计算每个栅格的占用概率,构建机率栅格地图。
3.2 自主定位
自主定位分为三步:
(1)雷达惯导:基于多传感器检测到的目标运动学,采用RANSAC滤波估计车辆运动状态。
(2)扫描匹配:基于栅格地图的kaze特征检测,使用图像配准方法估计相对运动。
(3)图优化SLAM:将上述两种方法融合,采用图优化算法迭代优化节点位置。
4 实验和结果
实验设置:
- 6个77GHz FMCW雷达,带宽1GHz,距离分辨率15cm
- 目标场景为停车场,长度500m,蜿蜒路径
- 使用天线站测量获得高精度的真值参考轨迹
主要结果:
- 与真值轨迹相比,图优化SLAM平均定位误差仅为42cm
- SAR成像的动态范围仅比真值降低0.35dB
- Monte Carlo仿真验证定位误差对SAR成像质量的影响
图3给出了基于真值轨迹和SLAM轨迹的SAR成像结果。可以看到两者效果几乎一致。
图3 基于不同轨迹的SAR成像结果
5 不足和未来展望
本文方法存在以下值得改进的地方:
- 目前仅适用于车辆平面运动,扩展到三维运动有待研究
- 扫描匹配容易受到多路径效应的影响,可考虑深度学习方法提高鲁棒性
- 可进一步结合视觉和其他传感器进行多模态融合,提高定位精度
- 更长距离和更复杂环境下的定位鲁棒性有待验证
6 总结
本文提出一种构建高精度环境图的方法,使用FMCW雷达在77GHz频段进行SAR成像,完全基于雷达数据实现自主定位。实验表明,与真值相比,该方法能够实现平均42cm的定位精度。本文为利用毫米波雷达进行高精度环境感知提供了可行方案。