本文經自動駕駛之心公眾號授權轉載，轉載請聯系出處。

前言

Image Radar即4D 毫米波雷達，它輸出3D位置+徑向速度，相對于傳統的3D毫米波雷達（2D位置+速度）多了一維高度信息輸出。Image Radar具備傳統3D雷達所有的特點，同時彌補了后者高度信息缺失導致的一系列問題。在特斯拉在其下一代V4智駕硬件上接入Image Radar[1]后引起了行業內的關注。Image Radar在成本以及雨雪等極端天氣上表現上優于激光雷達，因此，基于Image Radar設計自動駕駛的感知和定位方案，可能會是接下來兩年的一個熱點的研究方向。

硬件原理和信號處理

ImageRadar的硬件原理

這部分可以參考[2]，在硬件上，和3D毫米波的主要差異在于Image Radar多了垂直方向的天線排布(如下圖綠色框所示)，這些天線實現了垂直方位的測量，進而可以解算出高度信息，但同時也給信號處理算法帶來了新的挑戰。

圖1 Image Radar硬件示意圖(4片級聯) [1]

Image Radar的測量原理

這部分主要參考[3], ImageRadar的速度測量原理主要是借助多普勒效應，距離測量借助發送和接收信號的時間差，這是中學教材上就熟悉的物理知識。這里稍微復雜的是目標的方位測量，方位測量主要借助多輸入多輸出技術(MIMO),n個發射端(TX)和m個接收端(RX)構成了n乘m個TX-RX對。某個發射端發送的信號會被不同的接收端接收，構成多個TX-RX組合，而不同的TX-RX組合接收到的信號有不同的相位差，這個相位差可以轉換為距離差，借助不同TX-RX接收同一個target信號的距離差和不同TX-RX天線對在硬件上的外參關系，可以解算出target的方向。由于存在多組發射端，為了區分不同的發射信號，不同的發射端的信號是互相正交的。

圖2 Image Radar的信號處理流程[3]

提升測量精度的方法

提升ImageRadar的方法分為硬件方法和軟件方法兩種方式[3]。硬件方式上，目前多采用多片級聯(cascading)的方式提升測量精度，這種方式通過增加TX-RX對數提升分辨率，是一種比較直觀且樸素的方法，也是目前的主流方法，這種方法的缺點是尺寸和功耗會增加。上圖1展示的硬件即4片級聯的方式。此外，也可以通過提升單個芯片集成的天線數量提升測量精度，是目前比較有潛力替代級聯的方案，但是天線間的干擾增加，目前主要處于前沿探索階段。

軟件方式上，可以使用虛擬孔徑成像(Virtual aperture imaging)技術，它通過軟件方法擴大天線的虛擬孔徑，比較明顯地提升角度分辨率，一般需要和級聯搭配，降低信號干擾。以及超分辨率算法，通過設計新的信號處理方法，優化目前基于FFT算法的信號處理流程，提升精度。

噪聲特性和濾波方法

ImageRadar的信號噪聲和處理方法和傳統的3D毫米波雷達相似，主要包括斑點噪聲和多路徑反射兩種噪聲信號的干擾[3]。在噪聲信號處理上，也可以借鑒傳統的3D毫米波雷達的信號處理方法，常用的比如CTFR濾波和速度濾波等。

Speckle Noise 斑點噪聲: 天線發送的電磁脈沖信號，與環境物體相互作用，導致天線接收到的是被干擾的信號，在沒做任何處理的情況下，產生了斑點分布的點。

Multipath 多路徑反射: 對于同一個物體，產生了多個不同的檢測路徑，信號在返回過程中，除了直接返回的信號，也存在被墻體，地面反射的信號，這些信號對于接收源來說，看起來就是在地下或者墻體后面有一個goast-object,是一個靜態的outlier

斑點噪聲(speckle noise,青色)和多路徑反射噪聲(multipath-reflections noise,紅色)表現如下：

Image Radar 的斑點噪聲和多路徑反射噪聲 [4]

數據格式：4D Tensor VS PointCloud

一般地，我們從Radar上獲取的是稀疏的點云形式+速度測量，但在點云數據格式之前，存在一種4D Tensor的更稠密的信息表達形式，相對于稀疏點云形式，它包含了更多的關于目標特性的信息，學術上尤其是感知領域，也有討論使用4D tensor作為信息輸入的算法方案[3][4]。

4D tensor的Image Radar數據形式 [5]

算法方案

針對于Image Radar的SLAM方案，我和團隊小伙伴做了一些調研，目前已有的方案[6][7][8][9][10]的實現思路，主要集中在如何充分利用Image Radar提供的多普勒速度測量上，來彌補Image Radar點云過少的問題。

這里的基本思路是：對于空間中靜止的物體和環境，其反射點提供的多普勒測量速度，根據相對運動，反饋的即是車體本身的速度，即每個靜止點都提供了車體本身的速度觀測，這是一個非常強且有用的約束。

以其中比較經典的DICP[6]算法為例，它推導了基于多普勒速度的觀測方程，且這個觀測方程僅和點的測量速度有關，與所處環境的空間結構性無關，可以彌補ICP在非結構化場景下的約束退化問題。方案采用ICP約束和多普勒速度約束兩種形式的觀測進行狀態估計。4d iRIOM[7]融合了Image Radar 和 IMU信息，實現了類似LIO的算法框架，對于多普勒速度的使用上，則是先用多個靜止測量點的信息，解算出車體速度，然后將這個車體速度結果作為車體速度狀態的觀測，核心也是基于靜態點的多普勒速度是車體速度的測量的事實。

DICP算法方案 [6]

基于以上思路的Image radar SLAM算法，和傳統的激光SLAM算法方案相比，除了需要做一些radar噪聲信號的特殊處理之外，靜態點的篩選策略也是比較關鍵的部分，其中借助IMU或者輪速計的測量輔助進行靜態點篩選，在實際工程中會是比較實用的方式。

除此之外，Image Radar的反射特性不同于大部分的激光雷達，也會給算法研發帶來一些新的挑戰。比如，對于Image Radar，其在金屬物體的反射強度會比較好，對于塑料以及水泥墻體的反射效果會差一些，此外，地面點一般也會當做雜波給濾除，這些都會造成Image Radar 的點云分布和激光雷達的點云表現不太相似。考慮到Image Radar點云的實際表現，索性扔掉點云觀測，僅使用其多普勒速度測量，結合IMU和輪速觀測，實現一種增強型的DR，倒也不失為一種比較實際且節省算力的方案[10]。

即使挑戰重重，作為一種低成本提供深度測量和速度測量的傳感器，Image Radar仍然是一種可以充分討論和探索的實現SLAM技術的傳感器之一。

Reference

[1] 特斯拉HW4.0硬件升級信息匯總

[2] 浙商汽車實驗室-4D毫米波雷達拆解

[3] 4D Millimeter-Wave Radar in Autonomous Driving: A Survey

[4] A New Wave in Robotics: Survey on Recent mmWave Radar Applications in Robotics

[5] K-Radar: 4D Radar Object Detection for Autonomous Driving in Various Weather Conditions

[6] DICP: Doppler Iterative Closest Point Algorithm

[7] 4D iRIOM: 4D Imaging Radar Inertial Odometry and Mapping

[8] Instantaneous ego-motion estimation using Doppler radar

[9] 4DRadarSLAM: A 4D Imaging Radar SLAM System for Large-scale Environments based on Pose Graph Optimization

[10] Need for Speed: Fast Correspondence-Free Lidar Odometry Using Doppler Velocity

原文鏈接：https://mp.weixin.qq.com/s/4oorYtpOlm842DCsUnvdAw