1、物體檢測與跟蹤算法

1.1DBSCAN

DBSCAN: Density Based SpatialClusteringof Applications with Noise;DBSCAN是基于密度的聚類方法，對樣本分布的適應能力比K-Means更好。

紅色的點是核心對象 黑色的點是非核心對象

注意:距離的度量不限于點的空間距離，還可以是其它點特征，比如速度、反射強度等

基本思路

假定類別可以通過樣本分布的緊密程度決定，通過將緊密相連的樣本分為一類，得到不同的聚類類別。

基本概念

(ε,MinPts):用來描述鄰域的密度;

ε :描述了某一樣本的鄰域距離閾值;

MinPts:描述了鄰域中的最小樣本數。

核心對象:對于任一樣本，其鄰域至少包含MinPts個樣本。

算法流程

找到所有的核心對象

對于每一個未處理的核心對象，生成新的聚類;

搜索其 ε 鄰域，將 ε鄰域中的點加入該聚類;

不斷重復以上步驟

K-Means與DBSCAN 的對比

K-Means

需要手工指定cluster的數量

所有點都進行聚類，不會去除outlier

各個方向同等重要，只適合于球形的cluster

具有隨機性，每次運行結果不一致

DBSCAN

不需要指定cluster個數

可以排除outlier

對樣本分布的適應性更好

每次運行結果是一致的

1.2 卡爾曼濾波

基本概念

雷達目標跟蹤:多目標.Tracking-by-Detection

由聚類算法在單幀點云得到目標輸出;

提取目標的特征，包括統計特征(比如點位置的均值，方差等)和運動特征(比如速度和加速度等) ;

根據特征計算當前幀的檢測目標(detections)與已跟蹤的多個目標(tracks)的相似度;

按照相似度將de tections分配給tracks;

卡爾曼濾波更新tracks的狀態參數(位置、速度等)。

2、毫米波雷達公開數據庫的未來發展方向

單模態數據庫

只包含雷達數據，相對來說應用范圍較窄

很難進行準確有效的標注

多模態數據庫

除了雷達數據，還包括同步的圖像和激光雷達數據

雷達數據：數據塊或者點云

NuScenes，CARRADA，SCORP，CRUW，SeeingThroughFog

未來發展方向

多模態數據

?包括同步的圖像，激光雷達等數據，用來進行多傳感器融合的研究。

多數據類型

?包括ADC數據，RAD數據，點云數據等，為不同層次的算法研究和實際應用提供支持。

360度視場

?需要多個雷達配合完成，以滿足多種自動駕駛應用的需求。8.01。

大規模數據

?一般來說，至少要有超過10萬幀的不同場景，不同天氣條件下采集的數據。

豐富的標注信息

?物體級:類別，位置，大小，方向，分割的mask

?場景級:語義信息，比如free space, occupied space等。

3、4D毫米波雷達特點及發展趨勢

4D指的是距離(Range) ，水平角度(Azimuth) ，俯仰角度( Elevation)和速度(Doppler) 。一般來說， 4D 毫米波雷達的角度分辨率相對較高，因此也經常被稱為4D成像雷達。

4D毫米波雷達的兩個主要特點是: 1)可以測量高度的信息; 2)角度分辨率較高。

為了更好的理解這兩點，首先要了解FMCW雷達角度分辨率的依賴因素,以及為了增加角度分辨率所采用的MIMO機制。

3.1.1 FMCW雷達角度分辨率

想要測量目標的方位角，至少需要兩個接收天線(RX).可以通過相位差來求得方位角

在有多個接收天線時，每個接收信號與前一個接收信號之間的相位差都是 ω。以下圖為例，假設有4個接收天線，以第一個接收天線為基準，4個接收信號的相位差分別為0， ω，2 ω，3 ω。這個序列信號的變化頻率就是 ω ，因此我們通過FFT來提取這個分量(也就是角度FFT)。

如果場景中存在多個目標，而且其距離和速度都相同,那么雷達能夠區分這些目標的最小角度差稱之為角度分辨率。假設有以下場景，場景中有兩個目標，其方位角分別為 θ 和 θ + Δ θ ，對應的相位差分別為 ω 1 和 ω 2 。

因為 sin ? ( θ ) 的導數為 cos ? ( θ ) ，所以可得

根據傅里葉變換理論，N點的FFT可以區分的頻率分量最小為2π/N,這里的N就是接收天線的個數。這樣我們就可以得到可以分辨的最小角度差，也就是角度分辨率。

從上面的推導可以看出，角度分辨率主要依賴于兩個因素: 1)目標的方位角。在boresight方向分辨率最高。越靠近雷達FOV的邊緣,角度分辨率越低。2)天線的個數。角度分辨率與天線個數城正比關系。第一個因素我們無法控制，而提高FMCW雷達角度分辨率的主要手段就是增加天線個數。

3.1.2 MIMO ( Multiple Input Multiple Output)技術

從角度分辨率的計算公式中可以看到，想要提高雷達的角度分辨率，必須增加接收天線的個數。但是，增加天線的個數，會使天線體積變得很大，此外每一個接收天線上都要附加一個單獨的鏈路來處理信號，比如混頻器、IF濾波器和ADC。不僅硬件設計變得復雜，而且成本也會增加。

采用MIMO (多發多收)的天線設計來降低接收天線的個數。比如，如果想要得到8個接收天線，采用2個發射天線和4個接收天線，這樣就可以得到等效的8個虛擬接收天線陣列。一般來說，不同的發射天線會間隔發射，或者發射不同波形的信號，這樣接收天線就可以區分來自不同發射天線的信號。

當發射天線有垂直方向的分布時，就可以測量目標的俯仰角度。下圖就是一個典

型的3發4收的天線排列結構。等效的接收天線有12個，垂直方向上有兩個天線

可以用來測量俯仰角度。

3.24D毫米波雷達發展趨勢

3.2.1 芯片級聯

4D成像雷達的核心在于較高的水平和垂直角度分辨率，這就需要增加發射和接收天線的個數。目前絕大多數毫米波雷達都是采用單片收發器，通常只有3發4收，也就是只有12個虛擬天線。一個增加虛擬天線的方案是基于現有的量產雷達，將多個雷達芯片進行級聯，比如德國大陸的ARS540和華為的4D成像雷達。

ARS540采用4片級聯的形式，將4片NXP的77GHz毫米波雷達收發器(MMIC)MR3003進行級聯。每個MR3003是3發4收，4片聯在一起就是12發16收，這樣就可以產生192個虛擬天線。ARS540是第一個具備能夠真正測量目標高度的毫米波雷達，其垂直角度分辨率可以達到2.3°，水平角度分辨率可以達到1.2°

3.2.2 專用芯片

除了采用現有的量產雷達進行級聯，還有的公司直接將多發多收的天線嵌入到一個雷達芯片里，比如Arbe, Vayyar 以及Mobileye。Arbe 提供的4D成像毫米波雷達Phoenix，采用48發48收，虛擬通道達到個2304個。Mobileye 同樣也是48發48收的天線配置，水平和垂直角分辨率可以做到0.5°和2°。

3.2.3 標準芯片+軟件提升

這種方案基于標準的雷達芯片，但是采用軟件和AI的方法來提高雷達的分辨率。這里比較有代表性的是傲酷的虛擬孔徑成像技術。傳統FMCW雷達重復單一的發射波形，相位差來自于多根實體接收天線，而傲酷虛擬孔徑成像雷達波形可以對發射波進行調頻，調相、調幅，也就是說每根接收天線在不同時間產生不同的相位，形成“虛擬天線孔徑”。而且這種調整是可以根據當前環境進行自適應的，也就是說根據上一幀的檢測結果來調整當前幀的波形。

審核編輯 ：李倩