Skip to content
机器人系统与感知阅读约 7 分钟
4D RadarPoint CloudDoppler VelocityAll-Weather

解析 FMCW 4D 毫米波雷达的物理观测量、多径鬼影成因、基于多普勒残差的自车运动估计以及全天候时序目标追踪。

4D 毫米波雷达点云稀疏性建模与跨模态时序感知 ​

相比传统 3D 毫米波雷达缺失俯仰角、以及激光雷达(LiDAR)在雨雾扬尘中的散射衰减,4D 成像毫米波雷达能够同时输出距离 r、方位角 θ、俯仰角 φ、径向多普勒速度 vd 与雷达散射截面积(RCS),在全天候自主移动平台中扮演着不可替代的传感器角色。


1. 4D 雷达物理观测量与稀疏性挑战 ​

调频连续波(FMCW)雷达输出的每一个点云目标可表示为五维向量 pi = [ri, θi, φi, vd,i, σi]T。尽管其具备厘米级测距精度与直接测速能力,工程落地仍面临三个核心难点:

  1. 点云极度稀疏:单帧通常仅数百至两千个有效点,远低于 64 线激光雷达的十万级密度,静态结构轮廓不连续。
  2. 多径反射(Ghost Targets):毫米波在光滑路面、护栏或金属墙面易发生镜面二次反射,在真实目标背后产生虚假“鬼影”。
  3. 角度旁瓣与网格量化:MIMO 虚拟孔径受限导致方位/俯仰角分辨率通常在 1°–3°,易受强反射体旁瓣掩蔽。
Radial Doppler Projection
vd,i = − uiT (vego + ωego × tr) + vobj,i · ui(1)

其中 ûi = [cos φi cos θi, cos φi sin θi, sin φi]T 为雷达坐标系下的单位视线向量。对于环境中大量静态背景点(vobj,i = 0),径向多普勒速度与视线方向严格满足线性投影关系。


2. 端到端信号处理与时序状态估计流水线 ​

3D-FFT 谱估计Range / Doppler / AngleOS-CFAR 检测自适应局部杂波门限RANSAC 自车测速静动态点云解耦多帧滑窗累积IMU 运动补偿对齐时序跟踪UKF / 诊断门控

关键工程设计要点 ​

  • OS-CFAR 替代 CA-CFAR:在多目标密集场景下,有序统计(Ordered-Statistic)CFAR 对邻近强反射体造成的阈值抬升不敏感,可有效保留弱 RCS 目标(如行人、非机动车)。
  • IMU 辅助跨帧密集化:利用高频率 IMU 对过去 3–5 帧静态雷达点进行自我运动补偿并叠加,可将局部静态点密度提升 3–5 倍,显著改善后续 BEV 特征提取质量。
  • 多普勒残差抑制鬼影:若某检测点的空间位置与动态目标一致,但其 vd 违背刚体运动投影一致性或位于高反射面镜像延长线上,可在追踪前通过概率图直接降权过滤。

讨论区开启了自动与人工双重审核,文明交流的评论会在短时间内展示。

Built with VitePress