4D毫米波雷达点云处理思考

4D毫米波雷达，指的是距离、速度、水平角度和俯仰角度四个维度的信息，其实就比传统毫米波雷达多了一个高度信息的获取，并不是一个很新的东西，比如像TI的iwr1443，3发4收，MIMO虚拟孔径可达到12个孔径，垂直2个，水平8个。其实在17年就上市了。目前很火的4D毫米波雷达准确讲其实是4D成像雷达，比如TI的iwr2243产品。

但极少数雷达厂商为了吸引投资者眼球，在4D的基础上增加上雷达散射截面积、微多普勒或者其他维度信息，自称5D成像雷达。不过业内一般仅提4D成像雷达，把RCS、微多普勒等信息当作目标的特殊属性提取特征，最后采用机器学习模型实现目标分类。

 

与传统毫米波雷达相比，4D成像雷达的特点就是很多的天线孔径，获得的就是更高的角度高分辨，得到的点云数量是传统毫米波雷达的数十倍，根据目前雷达企业的产品指标一般每秒(15~20帧)数万个点。如此密集的散点簇组合后被称为点云，点云能够在一定程度上体现目标的轮廓，就达到成像的效果，这就是4D成像雷达的由来，但和激光雷达(Lidar)、特别是合成孔径雷达（SAR）相比原理上还是很不一样的，当然成像精度也不能比。

虽然点云变多可以得到目标的轮廓，但点云数量并不是越多越好，重要的是提高点云的质量。其中，一个很重要的指标是高动态范围，即不仅可以探测到一辆车，也要探测到车旁边的易拉罐。

获得点云之后，就要进行聚类、跟踪和识别了，这些都属于雷达数据处理算法，也是车厂和雷达整机厂重点关注的地方（未来发展趋势雷达信号处理算法部分被芯片厂商固化）。

点云聚类算法：

聚类算法并不是必须的，有时候不使用聚类算法也行（比如群目标跟踪算法）。常用的聚类算法是DBSCAN，但对于实际场景中如何区分汽车和汽车旁边的行人，并不会引起同簇分裂和异簇合并，却没有那么简单。一些新的聚类算法被提出用于提高算法执行效率或者改善聚类效果，比如多帧联合聚类、分阶段二次聚类等。

点云跟踪算法：

目标跟踪算法主要涉及航迹起始、跟踪滤波和数据关联三大核心技术。航迹起始有逻辑法(滑窗法)、直观法、Hough变换法。跟踪滤波采用卡尔曼滤波，卡尔曼滤波有很多中，如KF、EKF、UKF。关联算法有单目标采用NN、PDA，多目标采用JPDA、匈牙利匹配等。

 PS：TI的官网文档《Tracking radar targets with multiple reflection points 》详细的介绍群目标跟踪算法