[论文解读] Beyond Point Clouds: A Knowledge-Aided High Resolution Imaging Radar Deep Detector for Autonomous Driving

Ruxin Zheng, Shunqiao Sun+2 more|arXiv (Cornell University)|Nov 1, 2021

Radar Systems and Signal Processing参考文献 18被引用 5

一句话总结

本文提出了一种基于知识增强的高分辨率成像雷达系统，采用多输入多输出（MIMO）信号处理链与交错时分复用（TDM）方案，并结合速度展开技术，生成用于自动驾驶的高分辨率距离-方位谱。通过利用雷达领域知识与信号结构，该方法在2,000帧雷达数据上使用Faster R-CNN ResNet-50模型实现了96.1%的平均精度（0.5 IoU），尽管训练数据集规模有限，仍表现出优异性能。

ABSTRACT

The potentials of automotive radar for autonomous driving have not been fully exploited. We present a multi-input multi-output (MIMO) radar transmit and receive signal processing chain, a knowledge-aided approach exploiting the radar domain knowledge and signal structure, to generate high resolution radar range-azimuth spectra for object detection and classification using deep neural networks. To achieve waveform orthogonality among a large number of transmit antennas cascaded by four automotive radar transceivers, we propose a staggered time division multiplexing (TDM) scheme and velocity unfolding algorithm using both Chinese remainder theorem and overlapped array. Field experiments with multi-modal sensors were conducted at The University of Alabama. High resolution radar spectra were obtained and labeled using the camera and LiDAR recordings. Initial experiments show promising performance of object detection using an image-oriented deep neural network with an average precision of 96.1% at an intersection of union (IoU) of typically 0.5 on 2,000 radar frames.

研究动机与目标

• 为克服传统汽车雷达系统在L4/L5级自动驾驶中角分辨率和距离分辨率低的局限性。
• 开发一种保持雷达数据完整性、避免因阈值化或点云转换导致信息丢失的信号处理链。
• 利用12个发射与16个接收天线构成的大规模虚拟阵列，生成高分辨率距离-方位谱。
• 即使训练数据有限，也能通过深度神经网络在高分辨率雷达谱上实现精确的目标检测与分类。
• 通过真实世界现场实验与多模态传感器融合（摄像头、LiDAR、雷达）验证系统性能。

提出的方法

• 设计了一种交错时分复用（TDM）方案，确保四个级联TI雷达收发器中12个发射天线之间的波形正交性。
• 速度展开算法利用中国剩余定理与重叠阵列原理，解决因TDM调度延迟引起的模糊多普勒速度问题。
• 应用相位补偿以校正TDM传输中因时间延迟导致的各天线间相位迁移，提升角度估计精度。
• 利用校准后的MIMO信号处理链，在笛卡尔坐标系中生成高分辨率距离-方位谱。
• 在COCO 2017数据集上预训练的Faster R-CNN ResNet-50模型，对雷达谱数据进行微调，输入图像缩放为640×640。
• 通过在5米距离处使用角反射器进行一次性的对准校准，校正各收发器之间的幅度、相位与频率失配。

实验结果

研究问题

• RQ1 交错TDM方案能否在具有级联收发器的大规模MIMO雷达系统中有效实现波形正交性？
• RQ2 如何利用信号结构与领域知识，在基于TDM的MIMO雷达系统中解决模糊多普勒速度问题？
• RQ3 在不因阈值化或点云转换导致信息丢失的前提下，高分辨率雷达谱在多大程度上能保持目标形状与空间信息？
• RQ4 当训练数据有限时，面向图像的深度神经网络能否在高分辨率雷达谱上实现高检测精度？
• RQ5 相位补偿在基于TDM的MIMO雷达系统中如何提升角度分辨率与目标定位精度？

主要发现

• 所提出的交错TDM与速度展开方法成功解决了模糊多普勒速度问题，实现了精确的目标速度估计。
• 相位补偿将移动汽车的角估计误差从-5.5°降低至1.2°，显著提升了角度精度。
• 系统实现了1.2°的角度分辨率与0.6 m的距离分辨率，能够清晰分离间距14 cm（1.6°夹角）的两个角反射器，以及距离间隔0.6 m的两个目标。
• 在2,000帧真实世界雷达数据集上，Faster R-CNN ResNet-50模型在0.5 IoU下的平均精度达到96.1%，表明检测性能优异。
• 小目标（≤32×32像素）的平均召回率为79.7%，展示了对行人与车辆等紧凑目标的有效检测能力。
• 本研究证明，即使数据集规模有限，高分辨率雷达谱仍可支持深度学习实现高性能目标检测，为MIMO雷达在自动驾驶中的应用开辟了新可能。