4D毫米波雷达的必要性与可行性

原创 已于 2024-01-26 10:41:27 修改 · 2.9k 阅读 · 35
标签
#算法 #自动驾驶 #目标跟踪 #目标检测 #人工智能
于 2022-08-10 15:26:03 首次发布
本文探讨了4D毫米波雷达相较于3D毫米波雷达的优势，包括提高目标检测精度、增强目标尺寸及航向信息获取能力等。此外，还讨论了4D雷达在算法层面的挑战与解决方案，并对比了其在深度学习处理方面的表现。

一、4D毫米波雷达的必要性和先进性

        使用4D毫米波雷达替代3D毫米波雷达，主要用于解决3D毫米波雷达的性能瓶颈，得到更优的感知结果，从而提升ADAS系统的精准度和舒适度。一般来说，3D毫米波雷达主要有以下几点性能瓶颈：

        1.无法准确检测前方障碍物

        由于3D雷达俯仰分辨能力弱，几乎不能区分高空目标和地面目标，容易产生虚警。通常3D雷达俯仰维分辨率超过10°，而4D雷达基本在1~2°，可以准确测量目标高度。

        2.目标探测精度差

        3D雷达使用3T4R的天线设计，总计12通道，一般角精度1~1.5°，横向偏差大，部分场景出现目标偏离车道情况，导致ADAS系统误判。

        4D雷达通常

最低0.47元/天 解锁文章
自动驾驶中的多智能体协作
AI Python 编程之道的博客
04-15 169
核心问题：在一个由大量异构智能体构成的交通系统中，每个智能体收集的感知信息都是局部、不完整、不准确、可能冲突的，而且V2X通信的带宽是有限的——如何在有限的信息带宽下，将所有智能体收集的感知信息融合成全局、完整、准确、一致的环境感知结果？具体表现感知信息的异构性：不同的智能体使用不同的传感器（如AV使用摄像头、激光雷达、毫米波雷达，RSU使用高清摄像头、毫米波雷达，WID使用GPS、加速度计、陀螺仪），收集的感知信息的格式、精度、维度都不同——如何将这些异构的感知信息融合成统一的格式？感知信息的不确定性。
自动驾驶感知——物体检测与跟踪算法|4D毫米波雷达
sinat_52032317的博客
01-31 7599
物体检测与跟踪算法。
最全的整理：毫米波雷达在检测、分割、深度估计等多个方向的近期工作及简要介绍
AI训练师中的点滴
09-29 1万+
进展介绍
从博世到特斯拉：手把手拆解4D毫米波雷达MIMO天线阵列设计的实战思路
最新发布
weixin_29210727的博客
03-25 496
本文深入解析了博世4T4R角雷达与特斯拉6T8R 4D成像雷达的MIMO天线阵列设计，揭示了4D毫米波雷达在自动驾驶感知系统中的关键技术。通过对比分析最小冗余阵列、可重构接收阵列等创新设计，展示了如何优化角度分辨力、旁瓣抑制等核心性能指标，为工程实践提供宝贵参考。
【论文笔记】—毫米波雷达穿雾式高分辨率成像—Supervised—HawkEye系统—2020-CVPR
chaiky的博客
07-04 3311
题目：Through Fog High-Resolution Imaging Using Millimeter Wave Radar 利用毫米波雷达进行穿雾式高分辨率成像 解决方案： HawkEye系统：一个利用cGAN体系结构从原始低分辨率毫米波热图恢复高频形状的系统。 创新点： 1、提出了一种新颖的设计，解决了特定于所涉及的雷达信号的结构和性质的挑战。 2、开发了一个数据合成器，以帮助生成用于培训的大规模数据集。......
4D毫米波雷达和3D雷达、激光雷达全面对比
奔袭的算法工程师
11-21 1万+
指示牌和交通杆也是城市道路常见的，下图中408雷达将高处的交通横杆识别为静止目标，但4D雷达的点迹有一定高度，明显高于车辆，会识别为高处点并过滤，不会输出静止目标。当然，指标是抽象的，典型场景的表现更具象，也更有说服力。下图是典型的城市道路，408雷达将前方的窨井盖识别为静止目标并输出，但4D雷达输出点迹判断为地面点直接过滤，不会形成目标，避免了FCW、AEB等误触发。实车测试同步输出激光雷达和4D雷达目标，可以看到激光雷达尺寸朝向优于4D雷达，但远处目标难以检测，不如4D雷达。
4D毫米波雷达点云处理思考
weixin_44670677的博客
05-27 5254
4D毫米波雷达点云处理
毫米波雷达的点云形式与分辨能力详解！
CV_Autobot的博客
07-25 9259
作者|frostblade 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/386615052点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取1引言对于不了解毫米波雷达原理的人而言，在毫米波雷达使用过程中最大的困惑可能就是对某一个场景，毫米波雷达最终输出的点云或是跟踪目标究竟是怎样的一种形式，点云的数目和分布究...
TI AWR1843毫米波雷达采集三维点云数据（ROS）
热门推荐
晓晨的博客
01-28 2万+
毫米波雷达以其稳定性、对不同环境的适应能力、价格等方面的优势逐步引起了科研人员的注意，本文主要介绍利用了TI（德州仪器）的AWR1843设备，基于ROS系统进行采集点云数据的流程。供大家参考及为自己做一个笔记。 准备 Ubuntu 18.04 + ROS Melodic （推荐工作环境） 使用Uniflash成功烧录对应SDK版本中的Demo（mmwave_sdk_03_05_00_04/packages/ti/demo/xwr18xx/mmw/xwr18xx_mmw_demo.bin） 能够在mmwav
FMCW雷达基础（四）：点云数据
xinrenxiaobai的博客
07-02 4925
从前面的博文中，已经了解了毫米波雷达距离、速度、角度的探测原理，而这三种结合到一起，就是当前应用较为火热的3D点云信息，将毫米波雷达获取的目标信息表示为一系列的距离-速度-角度三元组，每个三元组代表一个目标点。是一种改进的卡尔曼滤波方法，其基本原理是利用雷达信号对雷达目标的状态进行估计，并利用估计值预测雷达目标的未来状态，而不需要对雷达目标的状态进行显式的估计。是一种最简单的目标检测方法，其基本原理是将雷达信号的幅度与一个预设的阈值进行比较，如果雷达信号的幅度大于阈值，则认为存在雷达目标。
图像、点云以及毫米波雷达之间的区别
qq_37848398的博客
01-28 1万+
文章目录前言一、激光雷达和相机二、使用步骤1.引入库2.读入数据总结 前言 从得到图像和点云的硬件，存储大小、算法复杂度以及检测目标速度等各方面去对比。 一、激光雷达和相机 下图为激光雷达（Lidar）和相机（Camera）的对比： ToFu测距： Lidar 部分简单来说是这样工作的： （1）输入为 Lidar 得到的点云数据，输出为检测到的障碍物 （2）由 HDmap 来确定 ROI (region of interest），过滤 ROI 区域外的点 （3）处理点云数据，探测并识别障碍物 (由 .
万字长文讲清楚4D毫米波雷达
CV_Autobot的博客
01-05 7241
作者|苏清涛 编辑| 九章智驾点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【多传感器融合】技术交流群后台回复【多传感器融合综述】获取图像/激光雷达/毫米波雷达融合综述等干货资料！前言：毫米波雷达，在自动驾驶传感器配置中的地位，正在快速上升。随着自动驾驶能力的持续提升，自动驾驶系统在车辆行驶过程中的参与程度不断上升，传统毫米波雷越来越力不从心了。为...
毫米波雷达点云分割实战：处理稀疏数据的5大炼丹技巧（自动驾驶丨深度学习丨人工智能丨机器学习丨计算机视觉丨3D点云丨图像分割丨图像处理）
2501_91798322的博客
05-13 1885
/ PyTorch稀疏卷积C++扩展（前向传播关键片段）const at::Tensor& features, // [M, C] 非空体素特征const at::Tensor& coordinates, // [M, 3] 体素坐标 (x,y,z)const at::Tensor& kernel, // [K, K, K, C_in, C_out] 卷积核const at::Tensor& bias) { // [C_out] 偏置// 1. 构建体素坐标到索引的映射++i) {
【WSN定位】基于matlab狼群算法结合BP神经网络四基站UWB定位【含Matlab源码 4104期】
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
03-16 1133
狼群算法结合BP神经网络四基站UWB定位 完整的代码，方可运行；可提供运行操作视频！适合小白！
【雷达定位】毫米波雷达点云生成流程MATLAB仿真
qq_59747472的博客
09-18 917
在自动驾驶环境感知、智能安防监控、工业目标定位等领域，毫米波雷达凭借其抗恶劣天气（雨、雾、雪）、穿透能力强、测速精度高的优势，成为三维环境感知的核心传感器之一。而毫米波雷达点云作为雷达输出的核心数据形式，是实现目标检测、跟踪、分类的基础 —— 它通过三维坐标（距离、方位角、俯仰角）与目标属性（速度、反射强度）的组合，构建出环境的三维空间分布。本文将以 “雷达定位” 为核心视角，从信号发射到点云输出，系统拆解毫米波雷达点云的生成流程，解析各环节的技术原理与关键影响因素。
自动驾驶环境感知之基于毫米波雷达稀疏点云的物体检测与跟踪
LDST_CSDN的博客
05-14 3644
系统中测量到的速度是目标相对于雷达的径向相对速度，目标的实际运动方向不一定是目标与雷达之间的径向，因此需要先将径向相对速度转换为实际相对速度。然后再结合雷达自身速度（车身速度），得到目标的绝对速度（相对于地面的速度）。基本思路：假定类别可以通过样本分布的紧密程度决定，通过将紧密相连的样本分为一类，得到不同的聚类类别。​ 利用当前时刻具有不确定性的测量数据，结合上一时刻跟踪系统的估计值来预测当前时刻系统的状态。来自于聚类点的速度值，可认为是聚类邻域内所有点的速度均值）（4）目标跟踪：卡尔曼滤波。
毫米波雷达障碍物检测算法介绍
zqshust的博客
05-21 1万+
上一章我们讲到可以通过混频器（Mixer）的中频信号（beat frequency）解算出速度和距离信息。 混频器出来的差频信号，首先需要进行ADC模数转换，转换成数字信号，再给到DSP处理。首先进行的是FFT频谱分析，将时域信号转换为频域信号，再提取有效信息，下面将介绍这一过程。 FFT and FMCW 混频器回波后的差频信号，首先截取中间段的有效信号进行FFT频谱分析，每段采样N次，每次采样得到一个距离单元，从而得到一下Range FFT map图，获得N*(Number of chirps)单
自动驾驶环境感知之基于深度学习的毫米波雷达感知算法
LDST_CSDN的博客
05-14 3889
（1）基本的数据形式（2）折中的表示形式执行两个维度的FFT降低CFAR阈值，保留更多的点（比如5k - 10k），在数据量与信息量之间取得折中。
自动驾驶毫米波雷达物体检测技术-算法
williamhyin的博客
04-09 1万+
Radar target generation and detection - Software 本文的代码均在MATLAB上运行, MATLAB在传统辅助驾驶系统的验证和模拟上相对于其他编程语言具有很强的优势. Github: https://github.com/williamhyin/SFND_Radar_Target_Detection Email: williamhyin@outloo...
【radar】毫米波雷达静态障碍物识别及其相关资料（仿真、生成、标定、运动估计、静态障碍物识别）（3）
踟蹰横渡口,彳亍上滩舟。
03-09 7317
【radar】毫米波雷达相关资料（毫米波仿真、毫米波生成模型、毫米波标定、毫米波运动估计、毫米波静态障碍物识别）（3） 毫米波标定：多毫米波雷达联合标定、相机和毫米波雷达联合标定、毫米波雷达和激光雷达联合标定、毫米波雷达、相机、激光雷达联合标定方案。 毫米波雷达静态障碍物分类、检测、识别和分割方案 仿真 Diversified Radar Micro-Doppler Simulations as Training Data for Deep Residual Neural Networks Measur
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

奔袭的算法工程师

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值