车载毫米波雷达目标检测综述

2024-04-30丁左武童金武

电讯技术 2024年4期

丁左武,徐杰,周龙,童金武

(1.南京工程学院汽车与轨道交通学院,南京 211167;2.先进数控技术江苏省高校重点建设实验室,南京 211167;3.南京工程学院工业中心、创新创业学院,南京 211167)

0 引言

近年来,随着汽车数量的增加,交通压力变大,交通事故频发,汽车安全驾驶引发国民的关注,汽车安全驾驶系统的主动刹车功能成为了汽车研发的重点。主动刹车作为自动驾驶的关键性技术得到了快速的发展[1-2]。作为汽车防撞系统里的一部分,该系统利用传感器侦测车辆周围的动态状况,将距离数据传输到控制单元,控制单元收集车速信号、加速度信号,结合先进的智能算法,对车辆的运行状态进行调整,辅助汽车行驶。主动刹车系统主要由摄像头或雷达传感器、数据处理车载电脑控制器和制动控制执行器3部分组成[3]。车身雷达传感器实时监测前方交通状况,将目标信息以数据的方式传输给车载电脑,车载电脑进行计算分析,并发出控制车辆运行指令[4]。

毫米波雷达目前广泛应用于主动刹车领域,拥有距离分辨率高、无距离盲区、抗干扰能力强、可检测微小目标等优点,可检测中远距离范围的目标,获取车辆前方道路信息,预测汽车行驶轨迹,提前避免障碍物,大幅度提高了主动刹车系统的安全性能[5]。毫米波雷达依靠自身发射的毫米波获取目标的信息,可以穿透云,雨,雾等恶劣环境,通过目标运动的多普勒信息获取有效距离内物体的距离和速度,并且计算量小,算法简单[6]。随着半导体及控制技术的发展,车载毫米波技术逐渐成熟,分辨率提高,可以获取目标的详细信息,使其成为主动刹车系统的核心传感器[7]。

1 国内外发展状况

毫米波雷达的研制开始于20世纪的40年代,主要应用于船舶导航。受限于当时的集成电路和半导体工艺技术,加上其传输损耗大且工作效率极低,大部分科研公司放弃了毫米波雷达的研发。直到20世纪70年代,德国的AEG-Telefunken和Bosch开始投资研发汽车防撞系统[8-9],毫米波雷达作为该系统检测的关键传感器得到了重视和发展,但当时落后的科技水平加上毫米波雷达的研发成本昂贵,使其无法完成后续发展。直到20世纪80年代后期,随着欧洲高效安全交通系统计划的开展,毫米波雷达技术在车载研发应用方向获得了新生[10-12]。

随着汽车行业对交通安全的要求越发严格,毫米波雷达检测精度也需要不断提高。智能计算机算法和毫米波雷达结合应用成为21世纪汽车技术的主流方向。2012年,一种基于网格的DBSCAN聚类算法[13]被提出,解决了不同采样方向获取的雷达数据不均匀的问题,且该算法对周围环境的噪声不敏感[14],通过预先计算空间采用密度和计算不同的位置搜索区域,来解决数据采样密度会随距离变化而改变的问题[15]。改进后的算法使毫米波雷达检测结果具有更好的聚类效果,也大大提高了数据的处理速度。

2015年,文献[16]对DBSCAN算法进行改进,在DBSCAN之前添加了尺寸缩放的预处理技术,找出了距离维和方位维缩放的尺度,实现对运动行人的聚类。

2017年,Meinl等人[17]研发了一套具有高信号接收能力的毫米波雷达系统,使各大企业对毫米波雷达的检测原理有了新的认知,为后来的毫米波雷达算法的研发提供了巨大的助力[18]。2018年,Bilik等人[19]研发出了以多射频芯片级联的汽车雷达多输入多输出(Multiple-Input Multiple-Output,MIMO)系统,通过软件与硬件的结合设计,可实现高分辨率成像,适用于复杂的交通状况[20]。俄国计算机系统科学设计局的Belyaev[21]通过实验测试得出77 GHz毫米波雷达适用于大部分城市环境,进一步推动了77 GHz毫米波雷达的技术发展。2019年,Michael等人[22]将雷达点云检测方法与相机图像结合实现深度学习,通过人工标记边界框训练深度卷积神经网络,实现3D目标检测。目前4D成像雷达是市场主流2D雷达的下一步技术演进,继承了原有的优势,同时打破了低分辨率瓶颈。

图1为德国大陆汽车的ARS540毫米波雷达结构示意图。ARS540是该公司推出的4D成像毫米波雷达,是第一个能够测量目标高度的毫米波雷达,其垂直分辨率达到2.3°。结构上其采用4片级联的形式,将4片NXP的77 GHz毫米波雷达收发器MR300级联,使其虚拟通道高达192个[23]。

图1 ARS540结构Fig.1 Schematic diagram of the ARS540 structure

国内对于毫米波雷达的研究相比于欧美等发达国家起步较晚,早期以24 GHz毫米波雷达研究为主。2012年,工信部发布了《短距离雷达使用频率通知》[24],规定了24.25～26.65 GHz频点用于短距离车载雷达使用。目前,很多国内厂商已经研发出国产24 GHz毫米波雷达,在77 GHz毫米波雷达研究方面依旧处于验证阶段。国内对车载毫米波雷达的研究主要集中于高新汽车企业、中科院以及部分高校实验室[25]。2012年芯片行业的重大改革,降低了毫米波雷达的技术门槛及其技术成本,同时也推动了毫米波雷达在国内各领域的应用[26]。

以北京行易道、沈阳承泰科技等为主的国内毫米波雷达研究企业,攻克了多个77 GHz车载毫米波雷达应用难题,研制出了77 GHz频段的防撞雷达和79频段的成像雷达,通过单片微波集成电路(Monolithic Microwave Integrated Circuit,MMIC)技术将毫米波雷达芯片集成于微小的雷达芯片板上[26]。在毫米波雷达成像领域也获得了突破性的进展,实现了对道路的高精度感知。西南科技大学孙元等人[27]在CA-CFAR的基础上提出了CO-CFAR,对左右邻近单元的能量最大值进行剔除,有效增强了雷达在复杂路况下对小目标的检测能力。电子科技大学蒋新和浙江大学周子豪等人[28]分别通过虚拟数据库和DBSCAN算法对目标进行识别分类达到检测要求,使国内毫米波雷达目标检测技术的发展达到了新的高度。

2 毫米波雷达目标检测

目标检测作为自动驾驶的关键技术,可以帮助驾驶员在行驶时更好地掌握道路状况。通过毫米波雷达进行道路状况检测,已成为当下汽车产业的重点研究内容。毫米波雷达抗干扰能力强,检测精度高,模块小巧,易于安装,是汽车前端检测的最佳选择。车载毫米波雷达通常在调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达模式下进行收发信号,FMCW雷达基本原理是利用发送信号和回波信号之间的频率差来确定目标的速度和距离[29]。

FMCW毫米波雷达工作原理如图2所示。控制波形发生器产生毫米波雷达控制信号,通过压控振荡器产生相应的调制信号,调制信号一部分经功率放大器放大之后通过天线发射出去,另一部分作为本振信号用于信号混频。发射信号与接收的回波信号经过放大处理后进行混频生成一个中频信号,对中频信号进行低通滤波、A/D采样,最后通过信号处理模块得到目标的状态信息。为提高毫米波雷达的检测性能,研究人员采取改进毫米波雷达目标检测算法、多传感器融合等策略[30]。

图2 FMCW毫米波雷达工作原理Fig.2 Working principle of FMCW millimeter wave radar

2.1 多传感器融合的目标检测

随着人工智能的快速崛起,智能汽车环境感知技术得到了突飞猛进的发展,基于多传感器融合的目标检测技术也成为当下的研究热门。不同的传感器组合能互补各自的缺点,增加智能汽车的鲁棒性。

2.1.1 基于毫米波雷达与激光雷达融合的目标检测算法

基于毫米波雷达和激光雷达融合的目标检测算法,充分发挥了毫米波雷达输出确定目标、激光雷达点云深度信息的优势,将激光雷达检测到的点云信息进行数据转换,利用改进的数据金字塔结构[31],丰富所获取的点云信息;加入毫米波雷达数据点,提取检测目标的感兴趣区域,最后进行信息处理完成目标检测[32]。图3所示为基于点云的鸟瞰图视角的目标检测算法[33],其中加入了毫米波雷达数据设计算法预瞄框[34]。

图3 毫米波雷达与激光雷达融合算法Fig.3 Millimeter wave radar and lidar fusion algorithm

为了保证汽车在复杂道路环境下安全行驶,融合激光雷达和毫米波雷达获取的目标信息,获取更加准确的道路情况[35]。单一的传感器对目标检测的结果都存在不同程度的误差,为此文献[36]设计多传感器时空同步算法、多目标关联算法、目标状态融合算法来解决异构传感器融合难题,提高了毫米波雷达在复杂道路环境下目标检测和跟踪能力。针对毫米波雷达经常产生虚警误报问题,文献[37]加入了虚警滤除算法,利用分区的点云信息来获取代价函数,增强了毫米波雷达目标检测的鲁棒性。在目标检测的基础上加入目标跟踪,可通过分析汽车的轨迹信息进行多目标跟踪,提高了目标检测的稳定性。

图4为毫米波雷达与激光雷达融合的感知系统框架。该检测手段多用于智轨电车,融合激光雷达技术和毫米波雷达技术,提高了电车在全天候工作环境中更加准确获取道路信息的能力[38]。文献[39]采用多传感器异步融合策略,提高了电车行驶时目标检测和跟踪的鲁棒性和实时性,可在150 m范围内对车辆进行检测,50 m范围内对行人进行检测。

图4 毫米波雷达与激光雷达融合的感知系统框架Fig.4 Framework of the perception system fused with millimeter wave radar and lidar

2.1.2 基于毫米波雷达与视觉融合的目标检测算法

传统机器视觉融合毫米波传感器用于前方车辆检测,打破了单一传感器的局限性,融合两者的优势,使车辆检测功能大幅度提高,但其实时性差,同时无法保证高效的检测效率。针对该问题,文献[40]将毫米波雷达所检测的数据利用阈值筛选,并进行前后帧数据关联,设计出适用于毫米波雷达数据的自适应扩展卡尔曼滤波算法。通过收集到的车辆数据,进行卷积神经网络训练,完成深度视觉的车辆检测,以此来提高目标检测的精度与速率。文献[41]将深度视觉信息与毫米波雷达采取决策级融合策略,使其可以应用于复杂的道路环境,可以实时检测跟踪前方车辆,提高智能汽车对环境的感知,增强汽车检测的可靠性和稳定性。

基于毫米波雷达和视觉融合的目标检测算法原理如图5所示,主要以毫米波雷达为主,相机为辅。首先通过相机进行视觉检测,将检测结果发送给毫米波雷达,根据马氏距离[42]的思想,对检测结果进行融合,该框架属于决策级融合。对Faster-RCNN进行改进,通过区域建议网络和分类回归网络分别提供单独的特征,以此提高检测速度。融合部分采用马氏距离思想,利用两个传感器输出目标序列对观测值进行匹配,利用联合概率数据关联方法[43]进行融合,建立匹配模型和状态模型。毫米波雷达与视觉融合的目标检测算法可以解决复杂环境下漏检、误检等问题。

图5 毫米波雷达与视觉融合的目标检测算法原理Fig.5 Principle of target detection algorithm fused with millimeter wave radar and vision

文献[44]在视觉与毫米波雷达融合的基础上,增加基于层次聚类的雷达杂波剔除方法,针对视觉数据处理,提出了一种基于目标景深的自适应车辆检测方法,通过组合滤波的目标跟踪方法对车辆几何运动进行有效的估计。如图6所示,首先对毫米波雷达采集的数据进行预处理,去除干扰性杂波,提取可用的目标信息,配对雷达数据和图像数据,将雷达数据以图像像素坐标系的形式呈现。车辆检测部分以所获取的数据为基础生成感兴趣区域(Region of Interest,ROI),接着进行阴影处理,去除非车辆目标,并重新生成车辆ROI,最后通过支持向量机(Support Vector Machine,SVM)分类器进行识别,确定车辆目标[55]。该方法降低了毫米波雷达的误检率,扩大了检测的范围和数目,提高了检测精度。

图6 毫米波雷达与视觉融合整体流程Fig.6 The overall process of millimeter wave radar and vision fusion

不同检测方法的检测结果如表1所示,可见相比于单个毫米波雷达检测,融合视觉或者激光雷达的车辆检测精度和漏检情况皆有所提高。针对两种融合算法,毫米波雷达与激光雷达融合大大提高了汽车行驶时目标检测的鲁棒性和实时性。毫米波雷达与视觉融降低了误检率,扩大了检测的范围和数目,提高了检测精度。

表1 不同检测方法检测结果统计[31,42]Tab.1 Statistics of detection results of different detection methods[31,42]

2.2 毫米波雷达多目标检测算法

毫米波雷达测量多目标时,将检测目标新的状态与已存的目标轨迹进行匹配,确定新的目标状态是否属于已知目标的轨迹,然后将新的目标与最匹配的目标轨迹进行关联。接着对轨迹进行跟踪滤波,完成对目标运动轨迹的预测与修正,减少轨迹的突变与抖动。但由于新目标的不断产生和旧目标的丢失,以及杂波信号的干扰,需要通过相关算法对目标状态进行判断。

2.2.1 基于复合FMCW波形的多目标检测

传统的车载毫米波雷达大多数采用调频连续波对单一目标的物理信息进行探测分析。为实现多目标检测,减少过多虚假目标,文献[45]提出了基于复合型调频连续波的多目标检测算法,通过改进FMCW波形,结合梯形波形和快速锯齿波的特性,剔除虚假目标,保留真实目标,更准确地完成了多目标检测。

三角波可以获取目标的速度和距离,但多目标检测时会出现大量的虚假目标,检测精度随之降低。梯形波可以消除大部分虚假目标,但面对相同速度的虚假目标时检测性能大大降低。快速锯齿波通过二维快速傅里叶变换在短时间内处理大量的数据,处理时间较长且检测高速目标会产生速度模糊现象,降低了检测精度[46]。文献[47]针对这些FMCW波形检测的优缺点,提出了一种复合型FMCW波形,在传统的三角波形的后加上一段恒定频率和快速上升段,分别获取多个目标的速度信息和距离信息,通过速度信息进行目标筛选,剔除虚假目标。改进后的波形提升了目标经检测的性能,降低了运算量和运算难度。

2.2.2 多运动目标检测算法检测

毫米波雷达多目标检测时,存在交叉项干扰和复杂的运动补偿等问题。基于分数阶傅里叶变换(Fractional Fourier Transform,FRFT)和CWD(Choi-Williams-distribution)变换,并结合Hough变换,文献[48]提出了一种可减少交叉项干扰和避免复杂的运动补偿的检测方法。该方法将信号进行分数阶傅里叶变换,计算所需要的旋转角度,使分数阶傅里叶域的u轴与线性调频(Linear Frequency Modulation,LFM)信号的时频分布垂直,可以得到能量高度聚集的FRFT域分布;再通过CWD变换获取冲击函数,冲击函数的位置与信号分量的调频斜率有关,通过CWD转换,可以避免多分量调频信号进行时频分析被交叉项干扰。Hough变换方法可以增强检测方法的抗干扰性和鲁棒性。

3 目标检测问题及解决措施

车载毫米波雷达以其高带宽和极强的穿透能力,将成为5G时代车联网的重要组成部分。融合其他传感器可以提升辅助驾驶系统对于道路环境的感知能力,识别可能存在危险的目标信息。但车载毫米波雷达在检测定位技术层面仍存在一些不足：

1)毫米波雷达识别目标虚警干扰问题

长距离毫米波雷达出现大量虚警信号。由于车辆检测环境中存在大量金属漆,其中金属颗粒对检测雷达发射和接收的电磁波产生折射和反射干扰,导致同一个目标在多个方位产生回波,错误判断为多个目标。同时在车辆颠簸过程中其姿态仰角发生变化,导致毫米波雷达接收来自路面的回波作为目标输出。针对这类虚警问题,可通过更新目标检测算法,增加前后帧滤波判定,过滤掉断续出现的目标。同时,汽车的保险杠等材料可避免采用金属漆,用非金属漆代替。

2)毫米波雷达目标提取问题

中距离毫米波雷达不支持目标跟踪和提取功能,将目标回波与地面杂波及目标跳变杂波混杂,导致环境感知结果并不稳定、准确,容易造成对后续规划模块的干扰。同时,中距离毫米波雷达角度分辨率相对较低,无法返回物体的宽度信息。对于连续出现的障碍物或者长条,中距离毫米波雷达将识别为多个回波点并输出。针对这类问题,可采用聚类算法对原始数据进行处理,并结合车速以及探测范围进行目标提取。

3)如何快速处理获取的回波数据

随着毫米波雷达使用的实际天线和虚拟天线数量增加,在复杂的环境中目标与干扰的增多,单位时间内获取的数据也成倍增加,导致毫米波雷达目标检测系统高负荷工作。针对该类问题,可以采取提升芯片运算能力和优化信号处理算法的措施。