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

 

 

  • 3
    点赞
  • 31
    收藏
    觉得还不错? 一键收藏
  • 4
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值