毫米波雷达数据处理_无人船 | 毫米波雷达与激光雷达的应用
无人船现状
- 准确捕捉动态障碍物是无人驾驶技术面临的重要挑战。
- 未来将是构建智能环境感知基础的关键路径。
当下几种感知传感设备的优劣分析
基于图像的目标识别技术虽然在障碍物辨识和分类方面表现得极为直观,但在实际应用中存在显著的感知精度问题；由于需要处理大量图像数据而对计算资源的需求异常高；此外,该技术对实时性也有很高的要求,因为目标识别结果必须迅速反馈以便做出决策；在复杂天气条件下（如雨雪雾等恶劣天气）,该系统可能会出现故障或者降低性能
针对上述问题,AIS 系统作为一种船舶自动识别技术具有一定的优势；然而其刷新频率较低会导致系统运行效率下降；此外,AIS 系统仅适用于安装了相应设备的船只,而对于许多常见的船只（如休闲艇和皮艇）则不具备这样的设备支持,从而无法实现有效的监控与预警
导航雷达虽然具有覆盖范围极大、感知精度相对较低的特点;但其最大的优势在于能够在较为恶劣的天气条件下正常工作;然而其存在一个50米的盲区限制了其在近距离避障方面的实用性;此外,该系统还无法实时获取水面目标的数据信息
激光雷达则凭借其卓越的优势成为当前无人船避障领域的首选设备；这种技术能够提供极高的精确度来确定反射点的位置信息；更重要的是,它可以在无人船进行近距离避碰时实时获取150米范围内水面目标的点云数据；通过这种方式,系统能够动态构建出无人船周围环境的三维模型并进行持续监测
与激光雷达相比,毫米波雷达在许多方面表现得更为出色：它不仅能够在复杂天气条件下（如大雾、大雨、尘埃等）正常工作;而且体积小、重量轻、抗干扰能力强、空间分辨率高等特点使其成为现代船舶安全系统中不可或缺的技术手段
点云数据：
- 将扫描信息以分点形式记录，并对每个记录点包含完整的三维坐标信息。
- 其中一些点云数据可能携带颜色信息（RGB）或反射强度信息（Intensity）。其中颜色信息通常通过相机捕获彩色影像，并将对应位置的像素的颜色数据（RGB值）赋值到对应的记录点中。
- 强度数据则是通过激光雷达上的接收装置捕捉回波信号获得的。这些信号强度受多种因素影响,包括目标表面材质.表面粗糙度.入射光线方向.激光发射能量以及所使用的激光波长。
- 在激光雷达系统中使用的点云数据主要包括完整的三维坐标参数和相应的反射强度测量。
具备较高精度的同时能够收集丰富信息，并对外形尺寸的变化高度敏感；但在恶劣天气条件下则表现得不够理想；相比之下，在精确度方面稍逊于激光雷达但其显著的优势在于能够在复杂气象条件下提供精准的目标参数信息并有效提升无人船舶体感知能力；两者形成良好的技术组合从而共同实现了无人船系统的全面感知与评估功能
数据处理与融合
无人船毫米波雷达数据处理
- 毫米波技术在无人驾驶车辆中的应用主要依赖于CAN总线来实现通信与控制功能，在此基础之上实现了必要的数据传输与控制作用。
- 如下图所示展示了完整的毫米波雷达的数据处理流程
1）数据包解析流程。毫米波雷达采用TCP/UDP数据包形式传输信号，并通过实时解码完成数据接收过程，在此过程中能够获取目标物体的具体信息包括数量、位置、距离、速度以及加速度等关键参数。
2）数据预处理步骤。为了提高环境感知精度，在数据分析前会对无意义的目标和无效探测结果进行去除操作。
3）空间同步机制设计。该系统会自动计算毫米波雷达自身的坐标系与船舶中心坐标系之间的转换关系，并将其统一至同一个坐标系统中以便后续运算。
4）实时修正过程实施。基于船舶当前运行状态的信息输入到相关算法模块中进行实时数据更新操作，在此过程中能够有效减少由于船舶自身运动带来的感知误差。
5）智能模式切换功能实现。该系统内置目标模式与群簇模式切换机制，在接收到自动靠泊指令时会自动切换至群簇模式以便辅助无人船完成自动靠泊操作。
6）岸堤识别技术实现过程包括两个主要部分：首先在群簇模式下使用点云技术描绘出探测到的目标特征；其次通过训练神经网络模型或支持向量机分类器来识别常见岸堤形状；最后在靠泊过程中实时扫描水面区域以检测潜在障碍物并发出预警信息。
7）信息融合输出阶段首先输出水面目标的相关参数信息包括ID编号距离数值速度值以及加速度值随后将这些数据 fed into 避碰界面系统完成最终的显示与交互操作
无人船激光雷达数据处理
- 无人船的激光雷达同样利用以太网进行数据传输。
- 完整的数据处理流程可通过下图查看。
1）UDP 包解析。进行 UDP 的解析，获取激光测距值、回波的反射率值、水平旋转角度值和时间戳等信息。
2）数据预处理。由于设备精度和环境因素等带来的影响，采集到的原始点云数据中不可避免地会出现一些噪声点与离群点，需通过滤波算法对其进行预处理。
3）时空对准。根据雷达在无人船上具体的安装位置，确定一个合适的坐标变换，将各个视角得到的点集合并到一个统一的坐标系下，形成一个完整统一的数据点云。
4）栅格化。构建栅格地图可以为动态障碍物检测提供所需的关联帧，还可以大大简化点云数量（比如以某个栅格代替多个点），从而提高算法效率
5）数据融合。提供船舶自身的速度、加速度以及运动姿态数据，与毫米波雷达和激光雷达数据进行融合，才能确定障碍物真实准确的运动信息。毫米波雷达数据可以为激光雷达点云数据提供感兴趣区域，简化点云处理过程；激光雷达点云数据可以通过识别岸堤等标志性物体，为毫米波雷达滤除范围以外的虚警点，从而大大提高算法效率。
6）聚类分割。在聚类方法中每个点都与一个特征向量相关联，特征向量又包含了几何或辐射度量值，据此，在特征空间中通过聚类的方法（如 K-means 法、DBSCAN 法和模糊聚类法）分割点云数据，从而提取出感兴趣的对象。
7）特征提取。3D 点云特征描述与提取是点云信息处理中最基础也是最为关键的一部分，点云的识别、分割、重采样、配准、曲面重建等大部分算法都严重依赖特征描述与提取的结果。通过提取点云表面法线可以快速识别某些规则形状物体。
8）目标识别。提取感兴趣对象的特征后，通过支持向量机对样本数据的训练进行目标识别，如船舶、岸堤、水面等物体，识别出水面目标的种类对后续避碰算法及路径规划算法有极大的参考意义。
9）可视化。将处理后的点云进行曲面重建，使用泊松重建等算法直观地表示出障碍物的形状尺寸及种类，或者以具有一定体积的立方体简化地表示船舶等目标，从而在无人船驾驶室控制中心与电子海图结合输出至可视化界面。
两种雷达组合感知
激光雷达主要生成实时三维点云信息，并通过复杂的点云处理算法实现自身定位及目标识别功能。将构建的船舶周围三维环境与电子海图融合后即可确定船舶位置这一操作对船舶避障至关重要。此外该系统对周围船只岸堤及码头等物体的识别同样为无人船自主靠泊提供了重要技术支撑。
毫米波雷达具备Object模式与Cluster模式两种目标感知方式这两种模式可在感知过程中动态切换当进行障碍物感知时毫米波雷达切换至Object模式在此模式下雷达能够直接返回多个目标的位置距离速度与加速度信息从而辅助实现船舶小范围避障功能；而在自动靠泊过程中毫米波雷达需切换至Cluster模式此状态下雷达输出二维稀疏点云用于岸堤识别以此辅助实现船舶自动靠泊功能。
激光雷达与毫米波雷达在数据处理方面的差异较为显著以16线激光雷达为例其每秒可返回32万个点而毫米波雷达仅能返回几百个点这种巨大的数据量必然会导致程序负担增加影响系统的实时性关键区域融合处理算法主要通过毫米波雷达的目标定位在激光点云中筛选感兴趣的目标区域从而大幅减少数据处理量显著提升了代码运行效率与系统实时性。
改进空间
由于摄像头类视觉传感器在障碍物识别与分类方面具有显著优势，
未来研究重点将聚焦于毫米波雷达、激光雷达与视觉传感器三者的深度集成应用，
以实现多模态感知数据的有效融合，
从而显著提升系统性能和可靠性。
关注公众号，让我们携手共进
