毫米波雷达栅格建图

Fig.1 RFbeam公司以NXP芯片为核心集成封装的一款77GHz雷达。

Fig.2 天线H/V平面3dB波束宽度。

Fig.3 毫米波雷达距离和速度分辨率。

而毫米波雷达这样做就有一些问题，一个是毫米波雷达的角度分辨率远不及激光，手上这款雷达号称角度分辨率约1°左右，同时，由于毫米波雷达不同于激光是单次覆盖角度小，通过机械旋转得到大角度覆盖范围目标情况，毫米波雷达天线覆盖角度约60°左右，具体可见上图；之后通过多天线测角得到目标角度。

此外，由于多径效应的影响，雷达在室内环境下，多径产生的伪目标影响较大。针对这个问题，【2】通过修改建图中的sensor inverse model 对自由空间的更新进行改变。

下图给出几种更新方式实测建图的结果，其中红色框标出的是真实障碍位置，红色曲线是小车行进轨迹。

不更新自由空间概率实测建图结果：

均匀栅格地图，更新自由空间概率建图结果：

自适应分辨率栅格地图建图结果，由于分裂栅格中使用chi-square的方法，由于伪目标点引起的错误自由空间更新被当作栅格分辨率问题，延缓了自由空间更新的问题：

一种构建概率随机汽车雷达模型的方法基于深度学习和GAN，产生的模型体现了基本的雷达效应，同时保持实时计算的速度。采用深度神经网络作为雷达模型，从数据中学习端到端的条件概率分布。网络的输入是空间栅格和对象列表，输出是读取的传感器数据。

如上图是在深度学习框架下模拟雷达数据的表示。空间栅格是具有两个主要尺寸，即距离和方位角的的3D张量，第3维度是由不同类型的信息层组成。这个类似于RGB图像，其像素信息存储在空间维度和颜色通道中。那么，这种空间栅格同样适合CNN模型。

提供两个直接参数化概率分布的基准雷达模型：正态分布和高斯混合模型。多变量正态分布通常用于机器学习，因为它具有良好的数学性能。

不过，正态分布是单峰的。而且正态分布的参数与目标变量的维数呈二次方增长。这里CNN模型的输出是具有两层的张量网格：一个平均值，一个对角对数方差。

随机雷达模型的一个重要挑战是，传感器输出是多模态和空间相关的。回归方法将平滑可能的解决方案，导致模糊的预测。而变分自动编码器（VAE）允许学习一对多概率分布而无需明确输出哪个分布。

该模型的架构是一个编码器-解码器网络。

编码器获取光栅和对象列表并产生潜在的特征表示x，解码器采用特征表示和随机生成的噪声值并产生预测的传感器测量值。

编码器由两分支组成，即一个空间光栅和一个对象列表，这些分支合并在一起产生潜在的特征表示。两个分支完全由卷积层组成。输出被扁平化级联在一起，然后使用有ReLU的全连接层处理。

解码器使用编码特征和随机噪声生成功率值的雷达极坐标网格。 在VAE重新参数化时候，随机噪声加入输入信号。使用ReLU激活的全连接层连接和处理噪声和潜在特征，然后重新整形和一系列反卷积层处理，产生输出雷达信号。

转载请备注来源知乎温文、智车行家