厚勢按：針對 L3 級自動駕駛車輛所配備的 77 GHz 長距毫米波雷達和中距毫米波雷達在感知識別中的主要問題進行了分析，並對毫米波雷達與整車系統適配過程中存在的兩類問題提出瞭解決措施。

一是在毫米波雷達與整車系統的適配過程中，需考量車身材質和形狀對其回波的干擾；二是結合車速、應用場景對雷達輸出信息進行濾波，減少虛警和誤報，使雷達系統獲得更穩定、準確的感知結果。

本文來自 2018 年 8 月 24 日出版的《汽車技術》，作者是東風汽車公司技術中心楊航和高源。

厚勢聯合中汽產培推出多門自動駕駛方向、新能源汽車方向培訓課程，歡迎點擊鏈接報名：

自動駕駛：「培訓報名：自動駕駛和智能網聯汽車技術體系及其信息系統」

燃料電池：「培訓報名：燃料電池關鍵技術開發與測試」

工業機器人：「培訓報名：人工智能機器人和工業 4.0—全面解讀未來製造業」

1. 前言

近年來，隨着人工智能的興起無人駕駛汽車獲得了越來越多的關注，而無人駕駛車輛想要真正上路行駛，最關鍵的技術在於精確掌握現實中複雜的交通狀況，這樣一來就必須使用雷達裝置。由於毫米波雷達相對於攝像頭及激光雷達，其感知特性具有距離遠、可靠性高、不受光線及塵埃影響等特點 [1]，特別是不會受惡劣天氣的影響並且能夠全天候工作，因此是無人駕駛技術的最佳選擇。

毫米波雷達是利用目標對電磁波的反射來發現並測定目標位置，而充滿雜波的外部環境給毫米波雷達感知帶來無法避免的虛警問題。爲此，本文針對 L3 級自動駕駛樣車所配備的 77 GHz 長距毫米波雷達和中距毫米波雷達在感知識別中的主要問題進行了分析並提出瞭解決對策，爲後續毫米波雷達的應用和測試提供參考。

2. 毫米波雷達識別問題解析

2.1 毫米波雷達工作原理

圖 1  毫米波雷達系統整車佈置示意

L3 級自動駕駛樣車車身周圍佈置了 2 枚長距毫米波雷達和 4 枚中距毫米波雷達，可實現車身 360° 環境感知範圍覆蓋。毫米波雷達系統整車佈置方案及探測範圍如圖 1 所示。

圖 2  毫米雷達系統網絡架構示意

毫米波雷達通過 CAN 信號與自動駕駛控制器進行交互（圖 2），將其感知結果輸入至下一級規劃控制模塊，其輸出參數如表 1 和表 2 所列。

表 1  長距毫米波雷達輸出參數

表 2  中距毫米波雷達輸出參數

由表 1 和表 2 可知，相對其它傳感器（如視覺傳感器、激光雷達傳感器），毫米波雷達具有速度精度較高、角分辨率相對較低等特點。由於中距雷達、長距雷達的短距模式角度覆蓋範圍相對更大，其角分辨率進一步下降。

2.2 毫米波雷達識別目標虛警干擾問題

2.2.1 問題描述

在長距毫米波雷達使用過程中，發現前長距雷達有大量虛警信號出現。通過觀察發現：

圖 3  試驗場景及第 1、2 類虛警

第 1 類虛警信號通常與金屬護欄信號同時出現，爲一系列連續點，其回波點相對車輛的距離與護欄回波點相對車輛的距離接近，夾角相對護欄回波點偏右，特徵是由遠及近、從右向左穿過車輛所在點上的水平軸，在接近車輛的過程中突然消失，其與車的相對速度與道路護欄與車的相對速度一致（圖 3 中虛線圓圈）；

第 2 類虛警信號通常與車輛同時出現，車輛虛警信號的目標距離與目標車輛回波點接近，方位角相對目標車輛回波點偏右，其相對速度與目標車輛一致（圖 3 中實線圓圈），而後置長距毫米波雷達圖像中沒有出現這些虛警信號。將前、後毫米波雷達調換後重新在該路段進行了測試，發現虛警信號依然存在，預測是車輛前、後保險槓不同所導致。將前保險槓拆除後再次在該路段進行了測試，發現兩種虛警信號均消失。

圖 4  試驗場景及第 3 類虛警信號示意

但在拆除保險槓後發現了第 3 類虛警信號（圖 4），此類虛警信號在車輛靜止時不出現，行車過程中出現目標跳動，目標距離一般在 3~15 m，方位角爲 0 度，相對速度一般與車速接近，且具有閃動的特點（非持續目標）。

2.2.2 原因解析

通過對樣車進行分析發現，該樣車前保險槓油漆的材質爲金屬漆，其中包含的金屬顆粒對前向雷達發射和接收的電磁波產生了折射、反射干擾，從而導致前向雷達接收的同一目標在多個方位產生回波，錯誤判定爲多個目標，因而造成了第 1 類和第 2 類虛警信號。

第 3 類虛警信號與前保險槓無關，是車輛顛簸過程中其姿態俯仰角發生變化導致前向毫米波雷達將來自路面的回波作爲目標輸出。但第 3 類虛警回波距離固定（對於某一個確定的虛警信號），方位角固定爲 0，持續時間短，因此考慮利用條件判斷進行篩選去除 [2]。

2.2.3 解決措施

圖 5  濾波算法流程

針對第 1 類和第 2 類虛警問題，採取將遮擋雷達的保險槓金屬漆換爲非金屬漆的解決措施；針對第 3 類虛警問題，採取修改雷達信號讀取程序，增加前後幀濾波判定，將斷續出現在路面中間的閃現目標過濾的措施，濾波算法流程如圖 5 所示。

圖 6  第 1、2 類虛警問題解決前、後效果對比

第 1、2 類虛警問題實施解決措施後效果對比如圖 6 所示。

3. 毫米波雷達目標提取問題解析

3.1 問題描述

中距雷達模塊本身不支持目標跟蹤（Tracking）和提取功能。在使用過程中發現，目標回波與地面雜波及目標跳變雜波混雜，如直接將其原始數據作爲感知結果直接輸入後續規劃控制模塊，環境感知結果並不穩定、準確，容易造成對後續規劃模塊的擾動，如圖 7 所示。

3.2 原因解析

中距毫米波雷達角分辨率相對較低，其無法返回物體的寬度信息。對於長條、連續出現的障礙物，中距毫米波雷達將識別爲多個回波點並輸出。根據毫米波雷達感知特性，真實存在的障礙物周圍回波密度及回波出現概率高。

3.3 解決措施

使用聚類算法對原始數據進行處理 [3]，錄製視頻和原始數據包，同時運行實施聚類算法前和實施聚類算法後的程序，驗證算法是否能夠有效提取目標參數。擬採用的濾波算法流程如圖 8 所示，實施聚類算法前、後的探測結果對比如圖 9 所示。

圖 8  中距毫米波雷達聚類算法流程

從圖 9 可看出，通過聚類，從毫米波的點雲數據中可以準確提取障礙物的輪廓信息，並獲知後方來車的情況。

圖 9  中距毫米波雷達聚類算法實施前、後對比

與長距毫米波雷達相比，在功率相同的條件下，中距毫米波雷達因其檢測角度大，分辨率相對更低，虛警和雜波問題相對更爲嚴重。

對於直接輸出 Raw-Data 數據的雷達，需要在開發過程中根據應用場景，結合車速、佈置等自行進行目標提取；對於中距雷達信號，可採用聚類算法並結合車速及探測範圍進行目標提取。

後續可對聚類算法進行優化，並加入前、後幀濾波追蹤算法，以獲得更可靠、穩定的目標識別性能。

4. 結束語

通過對兩類典型毫米波雷達識別問題的解析可知，在毫米波雷達與整車系統的適配過程中，需要重點解決兩類問題：

一是由於毫米波雷達於車身集成，需考量車身材質對其回波的干擾；

二是解決虛警和雜波問題，需要結合歷史數據和全局數據對目標進行濾波和提取操作，使毫米波雷達的感知結果更加接近實際環境。

參考文獻

[1] 蘇賡，劉笛，果敢. 車載毫米波雷達技術及測試方法[J]. 電信網技術，2017(6)：1-6

[2] 高振海，王竣，佟靜，等. 車載毫米波雷達對前方目標的運動狀態估計[J]. 吉林大學學報(工)，2014, 44(6):1537-1544

[3] 欒英宏，李躍華，羅磊. 基於橢球聚類的毫米波主被動複合探測信息融合[J]. 電光與控制，2010, 17(3):19-22

編輯整理：厚勢分析師拉里佩

轉載請註明來自厚勢和厚勢公號：iHoushi

-END-

文章精選

企業家

馬斯克和賈躍亭 ｜福特CEO下臺｜正道汽車仰融

任正非裁員｜電池大牛凱爾提離開特斯拉

智能駕駛

BBC自動駕駛紀錄片

爲什麼說百度阿波羅畫虎不成反類犬

車載雷達通信系統綜述

智能時代測繪與位置服務領域的挑戰與機遇

新能源汽車

全國50個新能源汽車項目大盤點

鋰電池發展趨勢｜中國汽車產業電動化進程

蘋果收購特斯拉？｜豐田和特斯拉決裂

新能源乘用車的補貼綜述及展望

新能源汽車驅動電機發展現狀及趨勢分析

項目和評論

以色列最強10家自動駕駛創業公司

 37個汽車分時項目盤點｜百度投資蔚來汽車

馬化騰或爲共享單車最大贏家｜汽車產業3大趨勢

Momenta獲$4000萬B輪

百度系自動駕駛初創公司 Pony.ai 的突圍之路

這些大神從Google出走，創辦了五家（命運各異的）無人車公司

無需基礎知識，理解自動駕駛高精度行車定位技術

厚

勢

汽

車

爲您對接資本和產業

新能源汽車 自動駕駛 車聯網

聯繫郵箱

[email protected]

點擊閱讀原文，查看文章「高振海：讓自動駕駛消滅路怒和暈車」