DenserRadar：基于密集LiDAR點云的4D毫米波雷達點云檢測器

作者：自動駕駛Daily 2024-05-15 10:16:18

本文介紹了DenserRadar，這是一個新穎的4D毫米波雷達點云檢測網絡，以及一個用于生成密集真值的創新流程。

本文經自動駕駛之心公眾號授權轉載，轉載請聯系出處。

原標題：DenserRadar: A 4D millimeter-wave radar point cloud detector based on dense LiDAR point clouds

論文鏈接：https://arxiv.org/pdf/2405.05131

作者單位：清華大學

論文思路：

4D毫米波 (mmWave) 雷達以其在極端環境下的魯棒性、廣闊的探測范圍以及測量速度和高度的能力，已經顯示出在自動駕駛系統面臨邊緣情況(corner-case)時增強感知能力的顯著潛力。然而，4D 毫米波雷達點云的固有稀疏性和噪聲限制了它的進一步發展和實際應用。本文介紹了一種新型的4D 毫米波雷達點云檢測器，它利用高分辨率的密集LiDAR點云。本文的方法從拼接的LiDAR點云構建密集的3D占據空間真值，并采用一個特別設計的網絡，名為DenserRadar。所提出的方法在點云密度和準確性方面超越了現有的基于概率和基于學習的毫米波雷達點云檢測器，在K-Radar數據集上取得了更好的效果。

主要貢獻：

本文的工作是第一個由密集3D占據空間真值監督的4D 毫米波雷達點云檢測器，該真值是通過拼接多幀LiDAR點云生成的，從而增密了檢測到的毫米波雷達點云。

本文提出了一種創新的密集3D占據空間真值生成流程，以及K-Radar數據集的拼接密集LiDAR點云，這些點云提供了全面的場景真值，在發表后將可供進一步研究使用。

由于DenserRadar網絡的專門設計，本文的算法在點云的密度和準確性方面均優于現有的CFAR類型和基于學習的毫米波雷達點云檢測方法。

網絡設計：

自動駕駛技術旨在提供安全、便捷且舒適的交通體驗，其發展速度令人印象深刻。要實現高級別自動駕駛，復雜環境感知和定位的能力是不可或缺的。因此，自動駕駛車輛上裝備的傳感器，包括相機、激光雷達（LiDAR）和毫米波雷達，以及與之相關的算法，正吸引越來越多的研究興趣。

鑒于其體積緊湊、成本效益高、全天候適應性、測速能力和廣闊的檢測范圍等優勢[1]，毫米波（mmWave）雷達已被廣泛應用于自動駕駛領域。最近在多輸入多輸出（MIMO）天線技術方面的進步進一步提高了其高度分辨率，促成了4D毫米波雷達的出現。因此，4D毫米波雷達越來越被視為自動駕駛中感知和定位能力的關鍵增強，特別是在雨天、雪天、霧天等具有挑戰性的邊緣案例場景中。正如其名，4D毫米波雷達能夠測量目標信息的四個維度：距離、方位、高度和多普勒速度，提供了一個全面的感測解決方案。

然而，4D毫米波雷達點云的質量顯著落后于激光雷達點云。首先，4D毫米波雷達點云在分辨率上，尤其是在角度測量上，存在低分辨率的問題。這一限制主要是因為毫米波雷達的天線配置和到達方向（DOA）估計[2]。其次，4D毫米波雷達點云比激光雷達點云要稀疏得多。第三，由于多路徑效應、信號干擾和地面反射，4D毫米波雷達點云常常包含大量的雜波點。所有這些缺點阻礙了4D毫米波雷達在自動駕駛中的應用。

4D毫米波雷達點云的質量不僅受到硬件的限制，還受到信號處理算法的限制[3]。特別是，從原始雷達圖或張量中檢測實際目標以生成點云可能會極大地影響質量。傳統上，False Alarm Rate（CFAR）檢測器及其變種[4]、[5]被廣泛應用于毫米波雷達點云的檢測。然而，作為基于概率的算法，CFAR型檢測器在檢測大小不一的物體時可能會遇到問題，因為這些物體不是獨立同分布的[6]，這在自動駕駛場景中經常出現。

為了解決與4D毫米波雷達相關的點云質量問題，本文提出了一種基于學習的4D毫米波雷達點云檢測器，該檢測器由來自激光雷達點云生成的密集真實信息監督。最初，本文拼接多幀預處理過的激光雷達點云，以生成密集的3D占用率真值。然后本文介紹了DenserRadar網絡，該網絡提取原始4D毫米波雷達張量的特征，生成密度更高、精度更高的4D毫米波雷達點云。該網絡采用了加權混合損失函數以及其他新穎設計元素，以捕獲多分辨率特征并生成分辨率優于傳統技術的點云。在K-Radar數據集[7]上進行的對比實驗證明了本文方法的有效性。

本文的算法如圖 1 所示。首先，本文設計了一個真值生成流程，通過拼接多幀激光雷達點云數據來獲得密集的3D占用空間真值作為監督信息，然后建立了DenserRadar網絡，該網絡的任務是從原始的4D毫米波雷達張量數據中檢測毫米波雷達點云。