4D毫米波雷达SLAM

本人转载于大佬~~

ImageRadar是一种先进的毫米波成像雷达技术（ImageRadar），它能够提供三维位置信息、径向速度数据以及高度信息输出（相比于经典的3D毫米波雷达仅输出二维位置与速度），显著提升了空间信息获取能力。该技术不仅继承了传统三维雷达的优势（如精确定位与速度测量），还有效解决了高度信息缺失所带来的一系列技术难题。当该技术成功应用于特斯拉下一代V4智能驾驶硬件系统后（参考文献：[1]），立即引起了学术界和行业的广泛关注。值得注意的是，在成本控制与恶劣天气适应性方面表现优于激光雷达系统的ImageRadar技术，在自动驾驶感知定位方案的设计过程中具有重要的应用价值与研究意义。因此，在未来两年内围绕该技术展开的研究可能会成为相关领域的热点议题之一

硬件原理和信号处理

ImageRadar的硬件原理

部分建议参考文献[2]。硬件上而言，则与3D毫米波的主要区别在于Image Radar增添了垂直方向的天线阵列（如图中的绿色框所示）。这些天线实现了对垂直方向的测量，并因此能够推算出高度信息；然而这也给信号处理算法带来了新的难题

图1 Image Radar硬件示意图(4片级联) [1]

Image Radar的测量原理

基于文献[3]的研究成果, ImageRadar的速度测量原理是基于多普勒效应这一物理现象,而距离测量则是通过发送与接收信号的时间差实现的,这些都是中学物理教材中所介绍的基础知识。相较于此,方位测量的技术实现相对更为复杂,它主要依赖于多输入多输出技术(MIMO),即由n个独立的发射端(TX)与m个独立的接收端(RX)构成n×m个TX-RX对。具体而言,每个TX都会将特定频率的信号发送出去,而这些信号会因路径不同被多个RX捕获并形成多个TX-RX组合。由于各个RX接收到同一目标反射回波信号时会引入不同的相位偏移量,这些相位偏移量能够转换为对应的距离差异值。通过利用不同RX接收到同一目标回波信号的距离差异信息以及各天线对间的硬件预设参数关系,即可解算出目标物体的具体方位信息。值得注意的是,ImageRadar系统采用了多个发射端来进行通信编码处理,以确保各路独立编码信号之间具有良好的正交特性

图2 Image Radar的信号处理流程[3]

提升测量精度的方法

实现对ImageRadar性能的提升主要通过硬件技术和软件技术两大类方法实现[3]。其中，在硬件技术方面普遍采用多级串接架构以提高测量精度。这种技术通过对接收机与发送机数量进行增加从而达到改善分辨率的目的具有直观且简单易行的特点同时也是当前应用中最为广泛的技术方案其主要缺陷在于带来额外的体积与功耗开销如图1所示的是一个四级级联结构的设计方案。此外还可以考虑在单个芯片上集成更多天线以实现更高的测距精度这种替代级联的技术方案虽然在理论上具有较大的应用潜力但在实际应用中由于各天线之间的相互干扰仍然面临较大的技术挑战目前仍处于研究探索阶段

从软件角度来看，在实现天线性能方面可以通过虚拟孔径成像(Virtual aperture imaging)技术进行优化与扩展。该技术通过软件方法有效扩大了天线的虚拟孔径尺寸，并显著提高了空间分辨能力。一般情况下需要结合级联技术配合使用以获得更好的效果，并且这种方法能够有效降低接收信号中的干扰因素。此外，在信号处理方面也可以采用超分辨率算法来进一步提升测量精度，并开发创新的信号处理方案以改进现有的基于FFT算法的信号处理流程。

噪声特性和滤波方法

ImageRadar与传统3D毫米波雷达在信号噪声及处理方法上具有相似性，并主要表现为斑点噪声以及多路径反射引起的干扰[3]。在噪声信号处理方面，则可参考传统技术中的CTFR滤波与速度滤波等方案

斑点噪声：电磁脉冲信号经由天线发射后与环境中的物体相互作用，经由这种交互作用产生的结果是在未经任何处理的情况下呈现斑点分布的特征。

Multipath 多路径反射：同一个物体形成了多条独立的探测通路，在信号经多次往返过程中不仅包含了主波回传信号还包含经墙壁和地面等表面反射回来的回声信号这些回声对于接收端装置而言就像是地下或墙后存在一个静默型异常体是一种静态的异常现象

斑点类噪声(speckle noise,绿色)和多径反射干扰(multipath-reflections interference,红色)的具体表现为：

Image Radar 的斑点噪声和多路径反射噪声 [4]

数据格式：4D Tensor VS PointCloud

通常情况下我们通过Radar技术获得的是稀疏的空间分布点云数据结合速度信息然而在空间分布型点云数据出现之前一种更为密集的信息表达方式已经存在这种四维张量（4D Tensor）不仅能够提供比传统二维矩阵更高的维度特征而且能够在较短的时间内完成复杂的计算任务相较于这种稀疏的空间分布特性而言四维张量能够提供更多关于目标运动特性和环境细节的信息在学术界特别是计算机视觉与感知技术领域已有研究表明可以通过将四维张量作为输入信号来优化目标跟踪与三维重建算法的设计[3][4].

4D tensor的Image Radar数据形式 [5]

算法方案

针对Image Radar的SLAM方案展开调研工作后发现，在现有研究[6][7][8][9][10]中主要的研究思路集中在如何有效提取多普勒信息以弥补Image Radar点云密度不足的问题，并通过该技术显著提升定位精度

该方法的核心理念在于针对空间内的静止物体与环境进行分析。根据相对运动原理得到的是车辆自身的速度信息。这些静止点则各自提供了车辆自身速度的数据支持。这一特性具有很强的实际应用价值。whaosoft aiot http://143ai.com

选取其中经典的DICP[6]算法作为研究对象。该算法建立了基于多普勒速度的观测方程模型，并且此观测方程仅与点的速度测量相关。然而此观测方程与环境空间结构无关。因此从而弥补了ICP在非结构化场景下的约束退化问题。状态估计方案采用了基于ICP约束与多普勒速度约束相结合的方式进行数据融合处理。iRIOM融合了Image Radar和IMU信息实现了类似于LIO的算法框架，并且对于多普勒速度的应用上则是在多个静止测量点的基础上解算出车体速度然后将车体速度结果作为车体运动状态观测的关键变量核心依据静态点测得的多普勒速度作为车体运动速度量测的事实依据

DICP算法方案 [6]

基于上述思路构建的基于图像雷达的SLAM算法，在性能指标上相较于传统激光SLAM方案具有显著优势。除了在雷达噪声信号处理方面需要采取一些特殊措施之外，在动态过程中结合IMU或轮速计的数据辅助完成静态点识别，在实际应用中具有较高的实用性。其中静态点筛选策略是其核心技术之一。

除此之外，在现有激光雷达技术基础上(ImageRadar)具有独特的反射特性的同时也为算法研发带来了诸多挑战。例如在金属结构上其反射强度较高而在非金属结构如塑料与水泥墙体上的回波则较为微弱此外地表回波通常被视作杂波予以抑制这些因素都会导致ImageRadar所得空间分布数据与传统Lidar结果存在较大差异鉴于ImageRadar在实际应用中的表现特点为了避免对空间分布信息进行分析我们采取放弃基于空间分布的信息处理仅利用多普勒速度测量数据并结合IMU与轮速传感器数据提出了一种辅助改进型DR系统方案这种方案既降低了计算负担又不失其实用性

即使面临诸多困难，在低成本的同时能够完成深度与速度测量的Image Radar仍是一种值得深入探讨以实现SLAM技术的关键传感器之一