1. 前⾔
近年来，随着⼈⼯智能的兴起⽆⼈驾驶汽车获得了越来越多的关注，⽽⽆⼈驾驶车辆想要真正上路⾏驶，最关键的技术在于精确掌握现实中复杂的交通状况，这样⼀来就必须使⽤雷达装置。由于毫⽶波雷达相对于摄像头及激光雷达，其感知特性具有距离远、可靠性⾼、不受光线及尘埃影响等特点 [1]，特别是不会受恶劣天⽓的影响并且能够全天候⼯作，因此是⽆⼈驾驶技术的最佳选择。 毫⽶波雷达是利⽤⽬标对电磁波的反射来发现并测定⽬标位置，⽽充满杂波的外部环境给毫⽶波雷达感知带来⽆法避免的虚警问题。为此，本⽂针对 L3 级⾃动驾驶样车所配备的 77 GHz 长距毫⽶波雷达和中距毫⽶波雷达在感知识别中的主要问题进⾏了分析并提出了解决对策，为后续毫⽶波雷达的应⽤和测试提供参考。 2. 毫⽶波雷达识别问题解析
2.1 毫⽶波雷达⼯作原理
单向离合器轴承
亚克力灯箱制作图 1 毫⽶波雷达系统整车布置⽰意
L3 级⾃动驾驶样车车⾝周围布置了 2 枚长距毫⽶波雷达和 4 枚中距毫⽶波雷达，可实现车⾝ 360° 环境感知范围覆盖。毫⽶波雷达系统整车布置⽅案及探测范围如图 1 所⽰。
图 2 毫⽶雷达系统⽹络架构⽰意
毫⽶波雷达通过 CAN 信号与⾃动驾驶控制器进⾏交互（图 2），将其感知结果输⼊⾄下⼀级规划控制模块，其输出参数如表 1 和表 2 所列。
表 1 长距毫⽶波雷达输出参数
表 2 中距毫⽶波雷达输出参数
公牛辅助由表 1 和表 2 可知，相对其它传感器（如视觉传感器、激光雷达传感器），毫⽶波雷达具有速度精度较⾼、⾓分辨率相对较低等特点。由于中距雷达、长距雷达的短距模式⾓度覆盖范围相对更⼤，其⾓分辨率进⼀步下降。
2.2 毫⽶波雷达识别⽬标虚警⼲扰问题
2.2.1 问题描述
低温脱硝催化剂在长距毫⽶波雷达使⽤过程中，发现前长距雷达有⼤量虚警信号出现。通过观察发现：
图 3 试验场景及第 1、2 类虚警
第 1 类虚警信号通常与⾦属护栏信号同时出现，为⼀系列连续点，其回波点相对车辆的距离与护栏回波点相对车辆的距离接近，夹⾓相对护栏回波点偏右，特征是由远及近、从右向左穿过车辆所在点上的⽔平轴，在接近车辆的过程中突然消失，其与车的相对速度与道路护栏与车的相对速度⼀致（图 3 中虚线圆圈）；
第 2 类虚警信号通常与车辆同时出现，车辆虚警信号的⽬标距离与⽬标车辆回波点接近，⽅位⾓相对⽬标车辆回波点偏右，其相对速度与⽬标车辆⼀致（图 3 中实线圆圈），⽽后置长距毫⽶波雷达图像中没有出现这些虚警信号。将前、后毫⽶波雷达调换后重新在该路段进⾏了测试，发现虚警信号依然存在，预测是车辆前、后保险杠不同所导致。将前保险杠拆除后再次在该路段进⾏了测试，发现两种虚警信号均消失。
图 4 试验场景及第 3 类虚警信号⽰意
但在拆除保险杠后发现了第 3 类虚警信号（图 4），此类虚警信号在车辆静⽌时不出现，⾏车过程中出现⽬标跳动，⽬标距离⼀般在 3~15 m，⽅位⾓为 0 度，相对速度⼀般与车速接近，且具有闪动的特点（⾮持续⽬标）。
2.2.2 原因解析
通过对样车进⾏分析发现，该样车前保险杠油漆的材质为⾦属漆，其中包含的⾦属颗粒对前向雷达发射和接收的电磁波产⽣了折射、反射⼲扰，从⽽导致前向雷达接收的同⼀⽬标在多个⽅位产⽣回波，错误判定为多个⽬标，因⽽造成了第 1 类和第 2 类虚警信号。
第 3 类虚警信号与前保险杠⽆关，是车辆颠簸过程中其姿态俯仰⾓发⽣变化导致前向毫⽶波雷达将来⾃路⾯的回波作为⽬标输出。但第 3类虚警回波距离固定（对于某⼀个确定的虚警信号），⽅位⾓固定为 0，持续时间短，因此考虑利⽤条件判断进⾏筛选去除 [2]。
2.2.3 解决措施
图 5 滤波算法流程
针对第 1 类和第 2 类虚警问题，采取将遮挡雷达的保险杠⾦属漆换为⾮⾦属漆的解决措施；针对第 3 类虚警问题，采取修改雷达信号读取程序，增加前后帧滤波判定，将断续出现在路⾯中间的闪现⽬标过滤的措施，滤波算法流程如图 5 所⽰。
图 6 第 1、2 类虚警问题解决前、后效果对⽐
第 1、2 类虚警问题实施解决措施后效果对⽐如图 6 所⽰。
ingan
3. 毫⽶波雷达⽬标提取问题解析
3.1 问题描述
中距雷达模块本⾝不⽀持⽬标跟踪（Tracking）和提取功能。在使⽤过程中发现，⽬标回波与地⾯杂波及⽬标跳变杂波混杂，如直接将其原始数据作为感知结果直接输⼊后续规划控制模块，环境感知结果并不稳定、准确，容易造成对后续规划模块的扰动，如图 7 所⽰。
3.2 原因解析
中距毫⽶波雷达⾓分辨率相对较低，其⽆法返回物体的宽度信息。对于长条、连续出现的障碍物，中距毫⽶波雷达将识别为多个回波点并输出。根据毫⽶波雷达感知特性，真实存在的障碍物周围回波密度及回波出现概率⾼。
3.3 解决措施
使⽤聚类算法对原始数据进⾏处理 [3]，录制视频和原始数据包，同时运⾏实施聚类算法前和实施聚类算法后的程序，验证算法是否能够有效提取⽬标参数。拟采⽤的滤波算法流程如图 8 所⽰，实施聚类算法前、后的探测结果对⽐如图 9 所⽰。
图 8 中距毫⽶波雷达聚类算法流程
从图 9 可看出，通过聚类，从毫⽶波的点云数据中可以准确提取障碍物的轮廓信息，并获知后⽅来车的情况。
图 9 中距毫⽶波雷达聚类算法实施前、后对⽐
与长距毫⽶波雷达相⽐，在功率相同的条件下，中距毫⽶波雷达因其检测⾓度⼤，分辨率相对更低，虚警和杂波问题相对更为严重。
对于直接输出 Raw-Data 数据的雷达，需要在开发过程中根据应⽤场景，结合车速、布置等⾃⾏进⾏⽬标提取；对于中距雷达信号，可采⽤聚类算法并结合车速及探测范围进⾏⽬标提取。
后续可对聚类算法进⾏优化，并加⼊前、后帧滤波追踪算法，以获得更可靠、稳定的⽬标识别性能。
4. 结束语
高压直流供电通过对两类典型毫⽶波雷达识别问题的解析可知，在毫⽶波雷达与整车系统的适配过程中，需要重点解决两类问题：
⼀是由于毫⽶波雷达于车⾝集成，需考量车⾝材质对其回波的⼲扰；
⼆是解决虚警和杂波问题，需要结合历史数据和全局数据对⽬标进⾏滤波和提取操作，使毫⽶波雷达的感知结果更加接近实际环境。
参考⽂献
[1] 苏赓，刘笛，果敢. 车载毫⽶波雷达技术及测试⽅法[J]. 电信⽹技术，2017(6)：1-6
[2] ⾼振海，王竣，佟静，等. 车载毫⽶波雷达对前⽅⽬标的运动状态估计[J]. 吉林⼤学学报(⼯)，2014, 44(6):1537-1544
[3] 栾英宏，李跃华，罗磊. 基于椭球聚类的毫⽶波主被动复合探测信息融合[J]. 电光与控制，2010, 17(3):19-22
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议