4D雷达之多径问题探讨

前段时间Tesla正式“开除”毫米波雷达，以纯视觉实现FSD，引起不小热议。包括Tesla以及Musk都曾公开表示，去除雷达的重要原因之一在于雷达输出结果过于noisy。

相比于视觉以及Lidar，雷达输出(比如点云输出)存在更多杂点或者噪点，这一定程度上是由雷达的电磁散射特性决定的。某些场景下，反射，漫发射，多次反射，折射，绕射，衍射等丰富的电磁传播方式使得在雷达接收端，大概率产生一定数量的虚假点云（ghost detections）进而产生虚假目标（ghost objects），这些虚假目标将对雷达系统功能产生一定影响(比如虚假目标导致的AEB误刹车等)，因此，如何抑制或减轻这些虚假点是提高雷达可靠性相当重要的工作。

▲ 雷达多次反射引起的虚假目标（橙色圈内）

事实上，虚假点按类型分有多种，这期重点关注4D雷达下多径效应引起的虚假点处理。我们按照传播路径，雷达多径传播可以大致分为两大类：

Type 1

▲ Multipath Propagation Type 1

Type 2

▲ Multipath Propagation Type 2

Type 1与Type 2的主要差别在于主反射路径（directpath）与多径（indirectpath）之间的夹角不同，Type1夹角较小，而Type 2夹角往往比较大。通常，Type 1相较于Type 2更为常见，更具普遍性。本文主要讨论Type 1多径问题。

值得注意的是，雷达电磁传播产生Type 2 多径也不一定是坏事，它常常被用于“隐藏”目标检测与识别，这是其他车载传感器（如camera和Lidar）难以做到的。

▲ Multipath 用于“隐藏”目标检测

当然，多数情况下的多径杂波需要被抑制。多径抑制算法一般都是被动式方法，所谓被动式方法，说白了就是多径导致的虚假点已经产生，依赖算法识别这些虚假点并抑制，属于亡羊补牢类型。广义上，我将多径抑制类算法分为基于模型的方法（model based）以及基于数据驱动的方法（data driven）两大类。并且，每一大类又根据方法的个性不同分为多个小类，我抛砖引玉，做一些介绍。

需要注意的是，我们一般认为多径虚假目标具有动态属性，也就是说，一般静态目标不做多径行为分析。这里的动静态是依据大地坐标系而非车辆坐标系。

基于模型的方法（model based）

首先是基于几何的多径识别，这类方法依赖于电磁传播的几何表示，并总结归纳出所有可能的传播路径。在此基础上识别目标多径传播路线。这类方法应用于车载效果不是很好，主要原因在于车载行驶环境多样性使得几何表示往往与实际真实情况不符。

▲ 多径传播，几何表示

另一条常见思路就是识别环境道路边界。比如高速护栏，隧道边界，桥边界等等。可以先求解边界，然后将边界外符合某些特征的运动目标视作ghost。至于如何识别道路边界，一般的方法还是基于道路边界反射的静态点做多项式拟合，从而获得到道路边界估计。这类方法对边界估计的稳定性，鲁棒性要求较高。

另外，这类方法的适应范围也比较窄，往往要求实际环境能够形成清晰的反射边界。

▲ 基于道路边界的多径目标识别

▲ 道路边界识别

另外，4D雷达具有较高的分辨率，同一目标往往具有多个反射点。Daimler AG联合Ulm基于高分辨雷达设计了一种多径ghost识别算法。由于真实目标range-doppler map表征的doppler分布应该与shape估计的orientation基本一致。算法基于多径ghost的运动状态（Motion State）与其反射点的多普勒分布(Doppler Distribution)不匹配这一特征来可靠识别ghost，感兴趣的可以参考文献[1]。不过该方法适应场景类别也比较少。

▲ orientation与多普勒分布

对于上述基于模型的多径目标识别方法判断的潜在多径ghost，赋予其多径概率，或者多径目标置信度，成为上层数据处理的判断依据。

基于数据驱动的方法（data driven）

数据驱动类的方法主要是基于机器学习或深度学习的监督类学习算法。这类方法目前不是很成熟，可能也难以部署于当前雷达嵌入式系统，不过这类方法优势明显，比如对应用场景往往不做任何假设，普适性强，这对应用环境千变万化的车载雷达来讲是巨大福音。

该类方法还属于前沿技术研究方面，random forest, PointNet++以及CNN已被用于ghost识别。在机器学习(ML)方面，random forest已被证实是非常有效的分类器。而基于雷达栅格地图(gridmap)，CNN也可以用于ghost识别。基于点云数据，应用PointNet++也取得相当瞩目的杂波抑制效果。理论上，只要数据集够丰富，算法处理多径类型的能力也越强。

我比较关注基于ML的多径杂波抑制，原因在于：

比基于模型的方法具有更强的场景适应性，不需要对场景做任何假设；

复杂度略高于模型方法，但远低于DL；

算法具有可解释性；

可以扩展至非多径杂波ghost抑制，一定程度上实现杂波抑制方法的统一；

当然，挑战也不小，比如特征提取是重中之重。

▲ 基于数据驱动的方法流程

这类方法通常分为3步，首先是运动目标识别，将detections做动静区分（相对于大地坐标系），一般来讲，ghost目标都是动态目标。如下图，在考虑本车车速，yawrate，雷达安装位置等信息下，可以获得动静态目标信息。

▲ 静态目标识别

第二步为特征设计，这里如果是深度学习类方法，特征是网络自学习的（属于Automated feature learning），对于ML类方法需要人工设计特征，下图也提供了相应的多径识别特征设计参考。

▲ 特征设计

▲ 多径特征分析及提取

第三步就是分类器分类，将分类类别设计为3类，包括真实运动目标（Real Moving(RM) Detection），静态目标（static detections）以及虚假目标（ghost detections）,送入训练完成的分类器分类将产生虚假目标的分类概率。

▲ 分类效果示例

事实上，这些方法的普适性非常高，不仅适应适用于多径产生的虚假点，其他原因产生的虚假点同样适用。

还有些更酷炫的基于DL的多径ghost识别及抑制算法，比如文献[2]将PointNet++引入多径杂点抑制。基于PointNet++的方法效果出众，基本能够非常好的保留真实动态点，抑制杂点，感兴趣参考阅读文献[2]。

这类方法比较新颖，虽尚无法得到高效应用及部署，但有利于打开思路，为多径杂波抑制提供新途径。

▲ PointNet++ Ghosts识别效果

小结

我们希望在多径杂波抑制的解决方案上，需要满足如下条件：普适，简单，有效。

基于模型的传统多径抑制算法具有较强的可解释性，思路清晰简单，但适用场景有限（往往要求有能够形成清晰的反射边界，比如高速护栏等），另外还需要所假设的模型能够与实际数据具有较好的匹配度。

基于数据驱动类的方法不需要假设任何模型，适用场景将大幅度扩展，甚至能够扩展至非多径引起的杂点抑制。由于目前深度学习类的方法暂无法直接部署至车载雷达系统，因此，可以重点考虑机器学习类的方法，随机森林已被验证具有非常好的杂点抑制效果，所以矛盾点转变为ML类方法所必须关注的特征工程。只有设计合适的特征，配合随机森林等ML算法，才能实现多径ghosts乃至各类型杂点高效抑制。

[参考文献] 

[1] Roos F ,  Sadeghi M , Bechter J , et al. Ghost target identification by analysis of the Doppler distribution in automotive scenarios[C]// 2017 18th International RadarSymposium (IRS). IEEE, 2017.

[2] Chamseddine M ,  Rambach J , O Wasenmüller, et al. GhostTarget Detection in 3D Radar Data using Point Cloud based Deep NeuralNetwork[C]// International Conference on Pattern Recognition (ICPR) 2020. 2020.