【论文笔记】Dynamic Occupancy Grids for Object Detection: A Radar-Centric Approach

原文链接：https://arxiv.org/abs/2402.01488

I. 引言

感知环境对于自动驾驶系统至关重要，在传统技术中主要可分为两个关键环节：一是基于视觉技术的动力物体检测与跟踪算法设计；二是基于栅格法的空间静态环境建模方案开发。然而由于传统的占栅格法在表示高动态物体时存在局限性

III. 方法

A. 环境表达

围绕自行车的环境被建模为以自行车为中心的网格地图。每个单元格存储了四种可能性：空闲状态、静态状态、动态状态以及未知状态的概率值。粒子被用来辅助追踪动态占据的情况。每一个粒子根据其位置信息与相关联的一个或多个单元格建立联系。如图所示

B. 以雷达为中心的动态占用网格建图

1) 确定测量网格

首先识别由当前测量结果影响的网格区域（被占用、空闲或未知状态），这要求采用逆传感器模型(ISM)进行处理。对于激光雷达系统而言，默认采用基于射线投射的方法实现目标检测（如左图所示）。然而，在实际应用中发现雷达设备由于更高的角度不确定性，在不同材质表面仍能产生较大的穿透效果。此外，在测距精度方面相比激光雷达而言具有显著劣势；因此在空间感知能力上也显得不足。本文所采用的方法则综合考虑了更高的角度不确定性和波传播特性，并结合了逆传感器模型（如右图所示）。

2) 网格状态计算

基本的假设是，所有未被占用的网格为静态的。

雷达的测量涉及位置坐标车辆运动带来的速度变化率以及RCS值：x_{meas}=[x_{map},y_{map},v_r,rcs]^T

空空间概率值为P_{free}取决于测量与目标之间的距离d的计算结果：
首先计算坐标向量差\mathbf{d}_c = \|\begin{bmatrix}x_{map} & y_{map}\end{bmatrix}^\top - \begin{bmatrix}x_c & y_c\end{bmatrix}^\top\|_2；接着根据距离d应用概率密度函数f_d(d) = \frac{1}{\sigma_f\sqrt{2\pi}}\exp\left(\frac{1}{2}\left(\frac{d - \mu_f}{\sigma_f}\right)^2\right)进行评估；最后通过将临界距离d_c代入上述公式得到空空间概率值为P_{free}=1-f_d(d_c)。

属于未知状态的概率P_{unk}的运算步骤仅就未知网格进行计算，在处理方式上与之前一致。

不同于基于激光雷达的方法采用网格内粒子平均速度的方式，在本文中，则采用测量得到的距离变化率v_r来判断占据网格单元体的物体运动特性。用于计算静态单元体和动态单元体的概率，则是通过以下方式实现：假设非零的速度变化率v_r能够反映物体运动状态，在实际应用中这种情况发生的频率较低；因此可以通过这一特征识别静止单元体。这样一来就减少了所需粒子数量，并能有效降低计算复杂度（见后文）。具体而言：

P_{dyn}=f_d(d)\times P(v_r\neq0)+(1-f_d(d))\times prior(dyn)\\ P_{static}=f_d(d)\times P(v_r=0)+(1-f_d(d))\times prior(static)

在其中，在该方法中使用归一化RCS值对雷达测量结果进行加权处理。该方法通过减少测量结果受距离影响的程度来提高其准确性。公式如下：
rcs_{norm}=\frac{rcs-\min(rcs)}{\max(rcs)-\min(rcs)}

通过下述公式可以得出各状态的概率：
P_{*}=rcs_{norm}\times P_*+(1-rcs_{norm})\times0.5,\ \ * \in \{unk, free, static, dyn\}

最后，使用贝叶斯公式更新网格的概率。

3) 状态修正

考虑到运动物体的距离变化率可能不恒为零,本研究探索并提出了两种修正网格状态的方法

修正测量网格：以"动态网格无法立即转换为静态"为前提。本文在此基础上采用累积DOGM进行改进：
P_c=[P_{unk}, P_{free}, P_{static}, P_{dyn}]^T
P_{corr,c}=\begin{bmatrix}1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 \\ 0 & 0 & 1 - s_l P(v \neq 0) & d_l P(v = 0) \\ 0 & 0 & s_l P(v \neq 0) & 1 - d_l P(v = 0)\end{bmatrix} P_c

其中，在DOGM中基于平均粒子速度计算出的概率值为P(v\neq0)与P(v=0)……这些参数均处于区间[0,1]内，并对最新测量结果及现有DOGM赋予相应的权重

避免低速动态物体误判：本研究采用 Dynablox 算法以防止误判低速动态物体为静态体素。该方法通过统计网格每次被识别为静止区域或空闲空间的频率来判断物体是否属于运动类别。当一个单元格在过去连续 T_{free} 次识别为空闲区域的同时，在最近 T_{static} 次判定中出现过多静止标记时，则将其状态更新为运动型。其中参数 T_{static} 和 T_{free} 用于调节算法的敏感度和响应速度。

4) 粒子创建、权重计算和重采样

根据每个网格的状态概率值进行计算后，在新出现的动态状态下（具有最高概率状态的空间单元）生成相应的粒子，并将其与现有粒子共同构成完整的粒子池集合。其中速度参数是在全局坐标系中定义的；而位置参数则基于局部网格坐标系来确定。其中权重参数w_t由两部分组成：一是通过距离度量函数f_d(d_p)计算的距离度量项；二是通过相似度度量函数f_r(r_p)计算的位置相似度项。

其中d_p表示粒子与最近测量点之间的距离（即考虑了距离衰减效应后的测量影响），而f_r(r_p)则表示用于比较粒子运动速度r_p与被测运动速度的这一概率密度函数。

此外, 采样粒子具备与最近测量的距离变化速率相适应的速度, 并不会超过最大速率以确保测距误差范围的缩减. 最终采用的是加权重要性重采样的粒子.

5) 归一化与占用预测

每一个状态的概率以及相应的粒子权重要经过归一化处理来计算出准确的概率值。
同时，在整个网格区域内分配给各个粒子的权重会按照其对应的权重比例进行分布。

最后，在遵循线性运动模型的基础上进行分析后得出结论：各个粒子在下一时间点上将被计算出在各区域中的动态占用情况。所使用的状态转移矩阵具体如下：

IV. 评估

A. 评估数据

可通过使用HDBSCAN算法聚类粒子生成动态物体。

B. 定性评估

通过可视化可以看出, 本方法较HSBOF-RS展现出更高的召回率（能够有效避免动态物体的漏检）。然而由于聚类算法与雷达Dynablox算法存在不足, 以及粒子数量相对较少, 致使精度有所降低。

在跟踪方面上，在目标以垂直于雷达方向的方式运动时会出现问题的情况，在这种情况下传统方案会导致丢失目标信息；而本文的方法通过引入修正算法避免了这一问题。

C. 定量评估

基于RadarScenes数据集实施的目标检测任务采用了算法生成边界框。整体而言，本文所提出的方法在性能上略逊于基于深度学习方法。然而，在某些关键指标方面表现依然较为出色。此外，该方法不仅限于提供动态目标检测的结果。

该方法在大货车上的检测得分最低，在雷达测量中这些物体通常表现为分散的回波信号。

本文方法的识别精度低于其召回率程度。通过优化聚类算法并微调雷达Dynablox参数可以有效降低假阳性率从而提升识别精度；通过融合基于粒子分类的方法能够实现对动态变化的更精确感知进而提高召回率值。（在DOGM框架中由于该框架将动态网格误判为静态物体导致召回率不足）