人工智能 计算机视觉 基于毫米波雷达数据目标检测

RADAR目标检测

1. FMCW毫米波雷达

利用高频电路产生特定调制频率（FMCW）的电磁波，并通过天线发送电磁波和接收从目标反射回来的电磁波，通过发送和接收电磁波的参数来计算目标的各个参数。FMCW波形频率随时间线性变化。 工作频率：76~81GHz（长距离探测和高距离分辨率） 信号处理

合成器:生成线性调频信号, 上图B为带宽，Tc为Chirp信号周期，fc为起始频率，S为频率变化率(恒定)。FMCW信号频率线性增长，称为"chirp", 并周期性变化。发射天线(TX): 发射线性调频信号。接收天线(RX): 接收反射信号。混频器：合并两者信号，生成中频(IF)信号。 每帧发出M个Chirp信号，每个Chirp采样个数为N。K个接收天线会收到K组返回信号。

对中频信号处理得到：

RD数据：ADC数据做Range-FFT+Doppler-FFT, 得到RD Map. 含有距离和多普勒信息。RA 数据：ADC数据做Range-FFT+Angle-FFT, 得到RA Map, 含有距离和方位角信息。(+2D Conv)RAD数据: RD Map继续做Angle-FFT, 得到RAD Map. (3d tensor), 含有距离，角度，多普勒频移信息。 (+3D Conv等） 上述三种数据都是Pre-CFAR, 可以看作原始数据，信息丰富但不直观。稀疏点云：RD map做CFAR后处理等，得到Point cloud, 信息稀疏，但易于解释。可做卷积、聚类、Point-wise和voxel-wise的深度学习处理。

检测算法分类

RA(Range-Azimuth)数据: RODNet 预测每个类别置信度分布图 RD数据：UNet分割用于点目标检测 RAD数据: RADDet PointCloud: 4.1. RadarPointNet 输入点云 -> 产生2d proposal初步划分前背景 -> 点云分类&分割提取前景点云 -> 预测提取全局信息，回归目标属性（FC回归：尺寸：分类任务，每类有尺寸模板; 朝向：预测bins+回归修正值；中心位置：绝对坐标+T-Net偏移值+相对中心偏移值）

4.2 RadarPointGNN MLP对单个点云特征编码-> 节点特征更新->预测->后处理NMS

数据集

NuScenesRadarScenes: 第一个点云级别标注数据集CARRADA: RAD数据集CRUW: 大规模的RA数据集

文章链接