什么是4D成像雷达

Posted Being_young

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了什么是4D成像雷达相关的知识,希望对你有一定的参考价值。

公众号致力于分享点云处理,SLAM,三维视觉,高精地图相关的文章与技术,欢迎各位加入我们,一起每交流一起进步,有兴趣的可联系微信:920177957。本文来自点云PCL博主的分享,未经作者允许请勿转载,欢迎各位同学积极分享和交流。

摘要

汽车行业致力于尽可能高效、经济地制造出最智能的汽车,目前,汽车制造商面临三个密切相关的核心问题:合规性、复杂性和成本。不断提高的安全标准传统上要求部署额外的单功能传感器,这些传感器的技术在分辨率、鲁棒性、可承受性、FOV和维护隐私的能力方面受到严重限制,这些附加传感器还增加了车辆复杂性。随着现代汽车满载着各种技术,汽车原始设备制造商必须应对复杂的硬件结构以及涉及多种开发语言、操作系统和软件设计的软件架构所带来的开发风险,这种情况在经济上是不可持续的。

传感器技术比较

多年来,出现了各种汽车传感器技术来解决一系列功能,然而,基于相机、激光雷达(LIDAR)、超声波或二维雷达传感器的主流解决方案都受到固有的限制。

相机和激光雷达是检测物体和测量距离的有效方法,最常见的功能是避免碰撞,它们能够提供高分辨率成像,可以跟踪多个目标,但由于它们依赖于光学,受到无法看穿固体物体的限制,并且可能受到不利天气或照明条件的阻碍。例如,镜头上的污垢或泥土会严重影响其功能。而且它们可能侵犯了隐私,并且成本比较昂贵,使它们面临被更经济的技术取代的风险,超声波传感器是一种技术含量相对较低、不可靠的解决方案,无法支持成像或跟踪目标。

另一方面,2D雷达可以检测物体的存在、方向、距离和速度,是一种强大、可扩展的保护隐私的解决方案,然而,由于它仅基于少数发射天线和少数接收天线,因此其受限波束在短距离、极低分辨率和窄视场上只能提供有限的覆盖范围,并且无法生成图像。其有限的视场主要围绕一个轴方向上,其有限的角度分辨率使其无法区分近距离目标。所以传感器制造商必须选择能够满足不断发展的安全要求的传感器,以保护道路上的每一条生命,只有一种传感器技术融合了所有优点,那就是4D成雷达。

表1:各种传感器比较

什么是4D Radar?

4D成像雷达是一种利用回声定位和飞行时间测量概念在3D环境中绘制物体形状的技术,目前正在自动驾驶汽车行业进行应用,以绘制车辆路径物体的位置,它不同于激光雷达、标准雷达和摄像头等较老的技术,因为4D雷达可以在各种天气和环境条件下判断车辆的移动时间和速度。相机可能会受到明亮阳光或黑暗的影响,并且可能存在深度和对比度问题,标准雷达在恶劣天气下工作良好,但无法探测到物体的细节,激光雷达非常适合探测空间中的物体,但容易受恶劣天气条件的影响。

4D成像雷达解决了这些传感器存在的许多问题,这是一项相对较新的技术,它使用大型射频(RF)通道阵列来检测道路中物体的相对速度、距离和方位,以及道路上物体的高度。第四维是指时间,但4D雷达并不能真正描绘时间,它只是在计算中使用时间来确定对象的高程及其相对移动速度。为了以高分辨率绘制车辆周围的环境,4D成像雷达使用多输入多输出(MIMO)天线阵列,这可能包括几十个天线,它们将信号发射到周围环境中的目标,然后接收物体反射回来的信号。天线接收到的数据用于生成表示阵列周围区域的点云。大型阵列可以同时精确检测静态和动态对象的高度细节,它还可以捕捉环境中的多普勒频移,并用它们指示物体移动的方向。

4D成像雷达也适用于短距离、中距离和远距离的应用,因为它比当前的计算机视觉技术范围更广,4D雷达的另一个特点是能够看穿物体,因为它不依赖相机或光学设备。

总而言之,以下是4D雷达的基本特性有

  • 4D雷达使用大型多输入多输出(MIMO)天线阵列进行回声定位,它接受从环境中的对象反弹的信号,并捕获结果以计算环境中对象的大小、位置、方向、速度和高程。

  • 4D雷达取代了用于计算机视觉和车辆自动驾驶的摄像头、雷达和激光雷达等旧技术。

  • 4D雷达的优点是能够在任何天气和任何照明水平下工作,准确检测高度、速度和方向,并检测环境中其他物体后面的目标。

为什么说4D成像雷达融合了所有优点

4D成像雷达是下一代雷达技术,它为车辆配备了必要的感知能力,使其能够做出救命的瞬间决策,同时大幅降低OEM和Tier1的直接和间接成本。

该技术能够实时检测和跟踪车辆内外的人和物体,与传统雷达解决方案不同,4D成像雷达利用多输入多输出(MIMO)天线阵列对周围环境进行高分辨率感知,它生成可以跟踪多个目标的3D图像,这项技术结合了第四维度,即速度,以及对运动引起的波形畸变的多普勒分析,以创建额外的维度-速度,使其能够跟踪运动。4D成像MIMO雷达系统测量从每个发射(Tx)天线到目标并返回到每个接收(Rx)天线的飞行时间,处理来自形成的无数椭球体的数据。椭球体相交的点(称为热点)显示了目标在任何给定时刻的精确位置。

该技术的三大核心优势可归纳如下

解决的问题:大型天线阵列能够同时准确检测和跟踪多个静态和/或动态目标。在驾驶室内,这项技术检测乘客,对儿童和成人进行分类,监测生命体征,并检测姿势和位置,在车外,它检测并跟踪其他车辆、障碍物和VRU。

稳健性:由于不涉及光学元件,因此该技术在所有照明和天气条件下都很可靠,4D成像雷达不需要目标视线就能可靠地监视它们,例如在机舱内,它还可以检测墙壁后面的目标和其他物体,从而在街角附近实现可见性,这使得该技术在ADAS和车辆安全应用方面具有关键优势,例如在十字路口避免碰撞、地下停车场代客泊车和在黑暗的小巷检测障碍物。

隐私:4D成像雷达还可以始终保持隐私,这是汽车行业越来越关注的一个问题,尤其是对于出租车或公共交通等车辆,因为在这些车辆上,乘客不断变化,领先的汽车制造商致力于汽车消费者隐私原则,使座舱内摄像头成为次优选择,这些特性使4D成像雷达成为提高汽车安全性的理想技术,它可以增强汽车的感知能力,更好地保护乘员。

基于4D成像雷达的ADAS应用

高级驾驶员辅助系统(ADAS)处于汽车发展的前沿,但其前身巡航控制和防抱死制动(ABS)已经存在了几十年。这些应用程序以及盲点检测(BSD)、车道变换辅助(LCA)、牵引力控制和电子稳定程序(ESP)等其他应用程序都有相同的目标:通过最小化或消除人为错误来提高道路安全性。

基于4D成像雷达的ADAS应用目前分为四类:

  • 停车场场景使用uSRR( Ultra Short-Range Radar )。

  • 用于停车场和低速城市驾驶的SRR( Short-Range Radar )。

  • MRR( Mid-Range Radar )用于高速城市驾驶。

  • 公路和高速公路驾驶的LRR( Long-Range Radar )。

为了在所有这些场景中提供所需的性能,ADAS传感器必须覆盖非常宽的FOV,包括水平和垂直FOV,高程组件对于深度感知以及车辆检测高度障碍物和头顶标牌的能力至关重要,另一个要求是高分辨率:能够在VRU(Vulnerable Road User)靠近车辆时检测VRU,特别是在城市社区和拥挤的停车场,在这些停车场中,行人突然从车辆之间出现。除了精确检测外,最佳ADAS功能要求传感器区分静态障碍物,如分隔器、路缘和停放的车辆,以及不同类型的VRU、移动车辆或其他危险物体。

标准2D雷达不适合这些需要高角度分辨率的复杂场景,更先进的激光雷达传感器能够满足分辨率要求,但其在黑暗和恶劣天气条件下的局限性严重影响了其整体鲁棒性,更重要的是,由于激光雷达的价格高,它们并不总是可扩展的,这使得基于激光雷达的安全性对于经济型车型来说不切实际。4D成像雷达支持uSRR、SRR、MRR和LRR应用,它通过盲点检测(BSD)、自动紧急制动(AEB)、前后碰撞警告(FCW&RCW)和前后交叉交通警报(FCTA&RCTA),帮助驾驶员在低速行驶(例如,提供高级驻车辅助)和高速行驶时驾驶。

更多详细内容请加入知识星球查看原文。

资源

自动驾驶及定位相关分享

【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法

自动驾驶中基于光流的运动物体检测

基于语义分割的相机外参标定

综述:用于自动驾驶的全景鱼眼相机的理论模型和感知介绍

高速场景下自动驾驶车辆定位方法综述

Patchwork++:基于点云的快速、稳健的地面分割方法

PaGO-LOAM:基于地面优化的激光雷达里程计

多模态路沿检测与滤波方法

多个激光雷达同时校准、定位和建图的框架

动态的城市环境中杆状物的提取建图与长期定位

非重复型扫描激光雷达的运动畸变矫正

快速紧耦合的稀疏直接雷达-惯性-视觉里程计

基于相机和低分辨率激光雷达的三维车辆检测

用于三维点云语义分割的标注工具和城市数据集

ROS2入门之基本介绍

固态激光雷达和相机系统的自动标定

激光雷达+GPS+IMU+轮速计的传感器融合定位方案

基于稀疏语义视觉特征的道路场景的建图与定位

自动驾驶中基于激光雷达的车辆道路和人行道实时检测(代码开源)

用于三维点云语义分割的标注工具和城市数据集

更多文章可查看:点云学习历史文章大汇总

SLAM及AR相关分享

TOF相机原理介绍

TOF飞行时间深度相机介绍

结构化PLP-SLAM:单目、RGB-D和双目相机使用点线面的高效稀疏建图与定位方案

开源又优化的F-LOAM方案:基于优化的SC-F-LOAM

【开源方案共享】ORB-SLAM3开源啦!

【论文速读】AVP-SLAM:自动泊车系统中的语义SLAM

【点云论文速读】StructSLAM:结构化线特征SLAM

SLAM和AR综述

常用的3D深度相机

AR设备单目视觉惯导SLAM算法综述与评价

SLAM综述(4)激光与视觉融合SLAM

Kimera实时重建的语义SLAM系统

SLAM综述(3)-视觉与惯导,视觉与深度学习SLAM

易扩展的SLAM框架-OpenVSLAM

高翔:非结构化道路激光SLAM中的挑战

基于鱼眼相机的SLAM方法介绍

如果你对本文感兴趣,请后台发送“知识星球”获取二维码,务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球,免费下载pdf文档,和更多热爱分享的小伙伴一起交流吧!

以上内容如有错误请留言评论,欢迎指正交流。如有侵权,请联系删除

扫描二维码

                   关注我们

让我们一起分享一起学习吧!期待有想法,乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉,点云,高精地图,自动驾驶,以及机器人等相关的领域。

分享及合作方式:微信“920177957”(需要按要求备注) 联系邮箱:dianyunpcl@163.com,欢迎企业来联系公众号展开合作。

点一下“在看”你会更好看耶

以上是关于什么是4D成像雷达的主要内容,如果未能解决你的问题,请参考以下文章

什么是4D成像雷达

radar毫米波雷达动态障碍物检测相关论文汇总(聚类分类稀疏2D点4D点雷达成像原始数据处理)

radar毫米波雷达动态障碍物检测相关论文汇总(聚类分类稀疏2D点4D点雷达成像原始数据处理)

TJ4DRadSet:自动驾驶4D成像雷达数据集

TJ4DRadSet:自动驾驶4D成像雷达数据集

4D成像雷达,掀起高阶自动驾驶“革命”的黑科技?