物体检测与跟踪算法

1、物体检测与跟踪算法

1.1DBSCAN

DBSCAN: Density Based SpatialClusteringof Applications with Noise;DBSCAN是基于密度的聚类方法，对样本分布的适应能力比K-Means更好。

红色的点是核心对象 黑色的点是非核心对象

注意:距离的度量不限于点的空间距离，还可以是其它点特征，比如速度、反射强度等

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。

基本概念

(ε,MinPts):用来描述邻域的密度;

ε :描述了某一样本的邻域距离阈值;

MinPts:描述了邻域中的最小样本数。

核心对象:对于任一样本，其邻域至少包含MinPts个样本。

算法流程

找到所有的核心对象

对于每一个未处理的核心对象，生成新的聚类;

搜索其 ε 邻域，将 ε邻域中的点加入该聚类;

不断重复以上步骤

K-Means与DBSCAN 的对比

K-Means

需要手工指定cluster的数量

所有点都进行聚类，不会去除outlier

各个方向同等重要，只适合于球形的cluster

具有随机性，每次运行结果不一致

DBSCAN

不需要指定cluster个数

可以排除outlier

对样本分布的适应性更好

每次运行结果是一致的

1.2 卡尔曼滤波

基本概念

雷达目标跟踪:多目标.Tracking-by-Detection

由聚类算法在单帧点云得到目标输出;

提取目标的特征，包括统计特征(比如点位置的均值，方差等)和运动特征(比如速度和加速度等) ;

根据特征计算当前帧的检测目标(detections)与已跟踪的多个目标(tracks)的相似度;

按照相似度将de tections分配给tracks;

卡尔曼滤波更新tracks的状态参数(位置、速度等)。

2、毫米波雷达公开数据库的未来发展方向

单模态数据库

只包含雷达数据，相对来说应用范围较窄

很难进行准确有效的标注

多模态数据库

除了雷达数据，还包括同步的图像和激光雷达数据

雷达数据：数据块或者点云

NuScenes，CARRADA，SCORP，CRUW，SeeingThroughFog

未来发展方向

多模态数据

➢包括同步的图像，激光雷达等数据，用来进行多传感器融合的研究。

多数据类型

➢包括ADC数据，RAD数据，点云数据等，为不同层次的算法研究和实际应用提供支持。

360度视场

➢需要多个雷达配合完成，以满足多种自动驾驶应用的需求。8.01。

大规模数据

➢一般来说，至少要有超过10万帧的不同场景，不同天气条件下采集的数据。

丰富的标注信息

➢物体级:类别，位置，大小，方向，分割的mask

➢场景级:语义信息，比如free space, occupied space等。

3、4D毫米波雷达特点及发展趋势

4D指的是距离(Range) ，水平角度(Azimuth) ，俯仰角度( Elevation)和速度(Doppler) 。一般来说， 4D 毫米波雷达的角度分辨率相对较高，因此也经常被称为4D成像雷达。

4D毫米波雷达的两个主要特点是: 1)可以测量高度的信息; 2)角度分辨率较高。

为了更好的理解这两点，首先要了解FMCW雷达角度分辨率的依赖因素,以及为了增加角度分辨率所采用的MIMO机制。

3.1.1 FMCW雷达角度分辨率

想要测量目标的方位角，至少需要两个接收天线(RX).可以通过相位差来求得方位角

在有多个接收天线时，每个接收信号与前一个接收信号之间的相位差都是 ω。以下图为例，假设有4个接收天线，以第一个接收天线为基准，4个接收信号的相位差分别为0， ω，2 ω，3 ω。这个序列信号的变化频率就是 ω ，因此我们通过FFT来提取这个分量(也就是角度FFT)。

如果场景中存在多个目标，而且其距离和速度都相同,那么雷达能够区分这些目标的最小角度差称之为角度分辨率。假设有以下场景，场景中有两个目标，其方位角分别为 θ 和 θ + Δ θ ，对应的相位差分别为 ω 1 和 ω 2 。

因为 sin ⁡ ( θ ) 的导数为 cos ⁡ ( θ ) ，所以可得

根据傅里叶变换理论，N点的FFT可以区分的频率分量最小为2π/N,这里的N就是接收天线的个数。这样我们就可以得到可以分辨的最小角度差，也就是角度分辨率。

从上面的推导可以看出，角度分辨率主要依赖于两个因素: 1)目标的方位角。在boresight方向分辨率最高。越靠近雷达FOV的边缘,角度分辨率越低。2)天线的个数。角度分辨率与天线个数城正比关系。第一个因素我们无法控制，而提高FMCW雷达角度分辨率的主要手段就是增加天线个数。

3.1.2 MIMO ( Multiple Input Multiple Output)技术

从角度分辨率的计算公式中可以看到，想要提高雷达的角度分辨率，必须增加接收天线的个数。但是，增加天线的个数，会使天线体积变得很大，此外每一个接收天线上都要附加一个单独的链路来处理信号，比如混频器、IF滤波器和ADC。不仅硬件设计变得复杂，而且成本也会增加。

采用MIMO (多发多收)的天线设计来降低接收天线的个数。比如，如果想要得到8个接收天线，采用2个发射天线和4个接收天线，这样就可以得到等效的8个虛拟接收天线阵列。一般来说，不同的发射天线会间隔发射，或者发射不同波形的信号，这样接收天线就可以区分来自不同发射天线的信号。

当发射天线有垂直方向的分布时，就可以测量目标的俯仰角度。下图就是一个典

型的3发4收的天线排列结构。等效的接收天线有12个，垂直方向上有两个天线

可以用来测量俯仰角度。

3.24D毫米波雷达发展趋势

3.2.1 芯片级联

4D成像雷达的核心在于较高的水平和垂直角度分辨率，这就需要增加发射和接收天线的个数。目前绝大多数毫米波雷达都是采用单片收发器，通常只有3发4收，也就是只有12个虛拟天线。一个增加虚拟天线的方案是基于现有的量产雷达，将多个雷达芯片进行级联，比如德国大陆的ARS540和华为的4D成像雷达。

ARS540采用4片级联的形式，将4片NXP的77GHz毫米波雷达收发器(MMIC)MR3003进行级联。每个MR3003是3发4收，4片联在一起就是12发16收，这样就可以产生192个虚拟天线。ARS540是第一个具备能够真正测量目标高度的毫米波雷达，其垂直角度分辨率可以达到2.3°，水平角度分辨率可以达到1.2°

3.2.2 专用芯片

除了采用现有的量产雷达进行级联，还有的公司直接将多发多收的天线嵌入到一个雷达芯片里，比如Arbe, Vayyar 以及Mobileye。Arbe 提供的4D成像毫米波雷达Phoenix，采用48发48收，虚拟通道达到个2304个。Mobileye 同样也是48发48收的天线配置，水平和垂直角分辨率可以做到0.5°和2°。

3.2.3 标准芯片+软件提升

这种方案基于标准的雷达芯片，但是采用软件和AI的方法来提高雷达的分辨率。这里比较有代表性的是傲酷的虚拟孔径成像技术。传统FMCW雷达重复单一的发射波形，相位差来自于多根实体接收天线，而傲酷虚拟孔径成像雷达波形可以对发射波进行调频，调相、调幅，也就是说每根接收天线在不同时间产生不同的相位，形成“虚拟天线孔径”。而且这种调整是可以根据当前环境进行自适应的，也就是说根据上一帧的检测结果来调整当前帧的波形。

审核编辑 ：李倩