前言

Image Radar即4D 毫米波雷達(dá)，它輸出3D位置+徑向速度，相對(duì)于傳統(tǒng)的3D毫米波雷達(dá)（2D位置+速度）多了一維高度信息輸出。Image Radar具備傳統(tǒng)3D雷達(dá)所有的特點(diǎn)，同時(shí)彌補(bǔ)了后者高度信息缺失導(dǎo)致的一系列問題。在特斯拉在其下一代V4智駕硬件上接入Image Radar[1]后引起了行業(yè)內(nèi)的關(guān)注。Image Radar在成本以及雨雪等極端天氣上表現(xiàn)上優(yōu)于激光雷達(dá)，因此，基于Image Radar設(shè)計(jì)自動(dòng)駕駛的感知和定位方案，可能會(huì)是接下來兩年的一個(gè)熱點(diǎn)的研究方向。

硬件原理和信號(hào)處理

ImageRadar的硬件原理

這部分可以參考[2]，在硬件上，和3D毫米波的主要差異在于Image Radar多了垂直方向的天線排布(如下圖綠色框所示)，這些天線實(shí)現(xiàn)了垂直方位的測(cè)量，進(jìn)而可以解算出高度信息，但同時(shí)也給信號(hào)處理算法帶來了新的挑戰(zhàn)。

圖1 Image Radar硬件示意圖(4片級(jí)聯(lián)) [1]

Image Radar的測(cè)量原理

這部分主要參考[3], ImageRadar的速度測(cè)量原理主要是借助多普勒效應(yīng)，距離測(cè)量借助發(fā)送和接收信號(hào)的時(shí)間差，這是中學(xué)教材上就熟悉的物理知識(shí)。這里稍微復(fù)雜的是目標(biāo)的方位測(cè)量，方位測(cè)量主要借助多輸入多輸出技術(shù)(MIMO),n個(gè)發(fā)射端(TX)和m個(gè)接收端(RX)構(gòu)成了n乘m個(gè)TX-RX對(duì)。某個(gè)發(fā)射端發(fā)送的信號(hào)會(huì)被不同的接收端接收，構(gòu)成多個(gè)TX-RX組合，而不同的TX-RX組合接收到的信號(hào)有不同的相位差，這個(gè)相位差可以轉(zhuǎn)換為距離差，借助不同TX-RX接收同一個(gè)target信號(hào)的距離差和不同TX-RX天線對(duì)在硬件上的外參關(guān)系，可以解算出target的方向。由于存在多組發(fā)射端，為了區(qū)分不同的發(fā)射信號(hào)，不同的發(fā)射端的信號(hào)是互相正交的。

圖2 Image Radar的信號(hào)處理流程[3]

提升測(cè)量精度的方法

提升ImageRadar的方法分為硬件方法和軟件方法兩種方式[3]。硬件方式上，目前多采用多片級(jí)聯(lián)(cascading)的方式提升測(cè)量精度，這種方式通過增加TX-RX對(duì)數(shù)提升分辨率，是一種比較直觀且樸素的方法，也是目前的主流方法，這種方法的缺點(diǎn)是尺寸和功耗會(huì)增加。上圖1展示的硬件即4片級(jí)聯(lián)的方式。此外，也可以通過提升單個(gè)芯片集成的天線數(shù)量提升測(cè)量精度，是目前比較有潛力替代級(jí)聯(lián)的方案，但是天線間的干擾增加，目前主要處于前沿探索階段。

軟件方式上，可以使用虛擬孔徑成像(Virtual aperture imaging)技術(shù)，它通過軟件方法擴(kuò)大天線的虛擬孔徑，比較明顯地提升角度分辨率，一般需要和級(jí)聯(lián)搭配，降低信號(hào)干擾。以及超分辨率算法，通過設(shè)計(jì)新的信號(hào)處理方法，優(yōu)化目前基于FFT算法的信號(hào)處理流程，提升精度。

噪聲特性和濾波方法

ImageRadar的信號(hào)噪聲和處理方法和傳統(tǒng)的3D毫米波雷達(dá)相似，主要包括斑點(diǎn)噪聲和多路徑反射兩種噪聲信號(hào)的干擾[3]。在噪聲信號(hào)處理上，也可以借鑒傳統(tǒng)的3D毫米波雷達(dá)的信號(hào)處理方法，常用的比如CTFR濾波和速度濾波等。

Speckle Noise 斑點(diǎn)噪聲: 天線發(fā)送的電磁脈沖信號(hào)，與環(huán)境物體相互作用，導(dǎo)致天線接收到的是被干擾的信號(hào)，在沒做任何處理的情況下，產(chǎn)生了斑點(diǎn)分布的點(diǎn)。

Multipath 多路徑反射: 對(duì)于同一個(gè)物體，產(chǎn)生了多個(gè)不同的檢測(cè)路徑，信號(hào)在返回過程中，除了直接返回的信號(hào)，也存在被墻體，地面反射的信號(hào)，這些信號(hào)對(duì)于接收源來說，看起來就是在地下或者墻體后面有一個(gè)goast-object,是一個(gè)靜態(tài)的outlier

斑點(diǎn)噪聲(speckle noise,青色)和多路徑反射噪聲(multipath-reflections noise,紅色)表現(xiàn)如下：

Image Radar 的斑點(diǎn)噪聲和多路徑反射噪聲 [4]

數(shù)據(jù)格式：4D Tensor VS PointCloud

一般地，我們從Radar上獲取的是稀疏的點(diǎn)云形式+速度測(cè)量，但在點(diǎn)云數(shù)據(jù)格式之前，存在一種4D Tensor的更稠密的信息表達(dá)形式，相對(duì)于稀疏點(diǎn)云形式，它包含了更多的關(guān)于目標(biāo)特性的信息，學(xué)術(shù)上尤其是感知領(lǐng)域，也有討論使用4D tensor作為信息輸入的算法方案[3][4]。

4D tensor的Image Radar數(shù)據(jù)形式 [5]

算法方案

針對(duì)于Image Radar的SLAM方案，我和團(tuán)隊(duì)小伙伴做了一些調(diào)研，目前已有的方案[6][7][8][9][10]的實(shí)現(xiàn)思路，主要集中在如何充分利用Image Radar提供的多普勒速度測(cè)量上，來彌補(bǔ)Image Radar點(diǎn)云過少的問題。

這里的基本思路是：對(duì)于空間中靜止的物體和環(huán)境，其反射點(diǎn)提供的多普勒測(cè)量速度，根據(jù)相對(duì)運(yùn)動(dòng)，反饋的即是車體本身的速度，即每個(gè)靜止點(diǎn)都提供了車體本身的速度觀測(cè)，這是一個(gè)非常強(qiáng)且有用的約束。

以其中比較經(jīng)典的DICP[6]算法為例，它推導(dǎo)了基于多普勒速度的觀測(cè)方程，且這個(gè)觀測(cè)方程僅和點(diǎn)的測(cè)量速度有關(guān)，與所處環(huán)境的空間結(jié)構(gòu)性無關(guān)，可以彌補(bǔ)ICP在非結(jié)構(gòu)化場(chǎng)景下的約束退化問題。方案采用ICP約束和多普勒速度約束兩種形式的觀測(cè)進(jìn)行狀態(tài)估計(jì)。4d iRIOM[7]融合了Image Radar 和 IMU信息，實(shí)現(xiàn)了類似LIO的算法框架，對(duì)于多普勒速度的使用上，則是先用多個(gè)靜止測(cè)量點(diǎn)的信息，解算出車體速度，然后將這個(gè)車體速度結(jié)果作為車體速度狀態(tài)的觀測(cè)，核心也是基于靜態(tài)點(diǎn)的多普勒速度是車體速度的測(cè)量的事實(shí)。

DICP算法方案 [6]

基于以上思路的Image radar SLAM算法，和傳統(tǒng)的激光SLAM算法方案相比，除了需要做一些radar噪聲信號(hào)的特殊處理之外，靜態(tài)點(diǎn)的篩選策略也是比較關(guān)鍵的部分，其中借助IMU或者輪速計(jì)的測(cè)量輔助進(jìn)行靜態(tài)點(diǎn)篩選，在實(shí)際工程中會(huì)是比較實(shí)用的方式。

除此之外，Image Radar的反射特性不同于大部分的激光雷達(dá)，也會(huì)給算法研發(fā)帶來一些新的挑戰(zhàn)。比如，對(duì)于Image Radar，其在金屬物體的反射強(qiáng)度會(huì)比較好，對(duì)于塑料以及水泥墻體的反射效果會(huì)差一些，此外，地面點(diǎn)一般也會(huì)當(dāng)做雜波給濾除，這些都會(huì)造成Image Radar 的點(diǎn)云分布和激光雷達(dá)的點(diǎn)云表現(xiàn)不太相似?？紤]到Image Radar點(diǎn)云的實(shí)際表現(xiàn)，索性扔掉點(diǎn)云觀測(cè)，僅使用其多普勒速度測(cè)量，結(jié)合IMU和輪速觀測(cè)，實(shí)現(xiàn)一種增強(qiáng)型的DR，倒也不失為一種比較實(shí)際且節(jié)省算力的方案[10]。

即使挑戰(zhàn)重重，作為一種低成本提供深度測(cè)量和速度測(cè)量的傳感器，Image Radar仍然是一種可以充分討論和探索的實(shí)現(xiàn)SLAM技術(shù)的傳感器之一。

審核編輯：黃飛

?