fmcw综述

一、数据处理方法

在处理毫米波 FMCW 雷达时，原始数据带宽很大，信息量也很大，但并不总是有用的。此外，原始数据的噪声可能非常大。因此，人们创造或应用了许多雷达数据降噪方法。它们在传感器内部使用，以完善原始数据。它们通常用作主要算法之前的预处理。

1.传感器后处理

雷达通常嵌入数字信号处理器 (DSP)，如德州仪器公司的产品。通过模数转换器后，快速傅里叶变换用于检索测距和多普勒信息的二维表示。然而，这种表示法充满了噪声和杂波。

为了减少数据量，必须降低背景噪声。恒虚警率( CFAR )是该任务的常用算法。还有些雷达（如大陆公司的 ARS 408-21）嵌入了一些更高级的算法，并提出了集群模式。在这种模式下，检测到的点会被归入不同的群组。这些簇也会收到标签，如静态标签。然后可以根据应用情况对这些聚类进行过滤。

2.预处理

雷达系统输出的数据信噪比很低。为了减少噪音或用人工噪音增强数据，人们创造了许多算法。

1)噪声减小：

由于噪声一般是非相干的，因此将两部雷达(被基线隔开至少等于待检测的主要对象)进行融合是实现降噪的有效途径。我们可以对每个点云产生的聚类进行比较，以去除那些没有正确匹配的聚类。在车辆检测中，两个雷达之间的距离必须根据经验来确定，这样才能达到最佳效果。

也可以通过一些基于深度学习的方法，通过去除噪声来生成假的干净样本。降低雷达数据的噪声具有广泛的应用前景。这些方法可用于多种汽车应用，如定位或地点识别。虽然这些方法可以生成干净的样本，但并不能保证这些样本在物体检测等更高层次的应用中有用。这些网络没有预测信念度量，而信念度量可以帮助我们了解它们对去噪准确性的信心。不过，这些网络可以添加到用于分类的神经网络中，并同时进行训练，这将提高它们的可靠性。

2)数据扩充：

可以通过使用数据增强方法来增加虚拟数据。其中一种方法是使用卷积神经网络（CNN）生成合成孔径雷达（SAR）扫描的SAR图像。通过将两个雷达扫描的组合作为输入，CNN可以生成由64个雷达扫描组成的SAR图像。此外，还可以使用数据增强方法，通过迭代地将估计的传感器输出替换为真实数据，并优化以获得更真实的网络输出。这些方法可以用于各种应用，包括目标检测。因此，通过使用数据增强方法，可以增加虚拟数据的数量和多样性。

另外，还可以使用多输入多输出（MIMO）雷达系统来增加虚拟数据。MIMO雷达系统使用多个天线，每个发射天线使用不同的信号，所有接收天线可以接收每个发射的信号。在具有N个发射天线和M个接收天线的系统中，雷达可以像具有N*M个虚拟元素一样工作。

二、信息提取和表示

雷达输出由包括噪声在内的各种数据组成，必须对其进行适当处理。根据不同的应用和硬件，最佳的表示方法有多种形式。

1.数据表示

         为了有效使用毫米波 FMCW 雷达的数据，人们提出了各种格式。它们可分为两类：二维网格（如图像，可使用计算机视觉开发的算法进行处理）或三维点云（以更高的稀疏性为代价，避免删除有用数据）。

1）二维表示法：

        二维表示法之所以流行，是因为计算机视觉算法可以很容易地适应这些表示法。

• Range FFT 图：表示在给定距离内输入信号的强度。
• Azimuth - Elevation stack（方位角 俯仰角）：将数据表示为一叠二维图像。每个图像代表不同的范围。每个像素是给定方位角和仰角下的功率强度。这种表示方法摒弃了测量速度。这需要在叠加长度和测距分辨率之间进行权衡。第二个权衡是图像尺寸和角度分辨率之间的权衡。在处理过程中的一个优势是，场景方位角或仰角的旋转是通过图像的平移完成的。与文献  一样，输入是一叠二维图像。因此，它特别适合基于卷积的滤波器，这种滤波器可以在 CNN 等学习方法中找到。
• 范围-角度：以二维格式提供极坐标空间信息，通常包括范围和方位角。
• 鸟瞰图 (BEV)：代表俯视图中反射目标的子集，其中包含对定位、雷达测距、自我运动和地点识别目的或完全SLAM的信息。
• 透视图像：是以像素表示目标的二维图像。
• 多普勒特征：通过汇总原始波形的时间序列来制作的。多普勒特征在二维图像上显示出随时间变化的微多普勒信号。
• 累积分段：表示取决于二维图像每个像素的功率信号。每一行代表一个雷达仓。每列相当于一个方位角。
• 投影：在同时使用相机和雷达时，通常会将点云投影到 RGB 图像上。点云可以通过适当的变换投影到图像上。这有助于通过提供感兴趣区域来减少计算量。投影有助于 RGB 处理管道将障碍物与背景区分开来，并从静态物体中检测出动态物体。

2）3D表示法：

• 三维点云：提供每个点的空间数据。聚类被用来丰富每个点的信息，如添加它们所属聚类的中心点或速度。点云在进行点对点计算以获得点云图质量分数时非常有用。然而，点云是一种非常稀疏的表示方法，因此需要权衡利弊才能获得更好的性能。三个维度分别代表范围、角度和速度。

三、神经网络

在毫米波 FMCW RADAR 模式方面，最近的许多文献都使用了基于学习的方法。神经网络是人工智能和算法的一个子类。它们通过训练数据进行优化训练。在训练阶段，神经网络会根据已知输入预测输出。输出用于计算损失（在有监督学习设置的情况下，有一个基本事实）。计算出损失后，梯度反向传播就会更新神经网络的参数。当输出预测达到足够准确的分数或准确率不再提高时，训练阶段结束。

四、应用

1.运动估计

利用毫米波 FMCW 雷达的输出，可以检索传感器相对于环境的瞬时速度。但毫米波 FMCW 雷达的旋转精度有限，导致多次扫描之间的精度不高。此外，由于存在动态物体和突然运动，在某些样本上很难进行运动估计。这可能会导致自我运动检索的准确性不足。使用多个雷达来更好地分离静态和动态目标，可以提供更精确的估计。

2.SLAM

SLAM 是“Simultaneous Localization and Mapping”的缩写，翻译为“同时定位与地图构建”。它是一种在无人机、自动驾驶车辆和移动机器人等自主系统中使用的技术，用于同时确定系统的位置（定位）并构建其周围环境的地图。SLAM 的基本思想是，一个移动的系统在未知环境中，通过使用传感器数据（如摄像头、激光雷达、超声波传感器等）来感知其周围环境，并根据这些数据来不断更新自身的位置估计和环境地图。这个过程是实时进行的，系统需要在不断移动的同时建立地图并跟踪自己的位置。

雷达非常适合这项任务，因为它们能感知极远的距离，对环境条件具有良好的鲁棒性。

3.定位

通过 SLAM 可以实现定位，但如果雷达的定位在开始时是未知的，则仅靠 SLAM 是不够的。可以通过位置识别来规避这一问题，从而获得全局定位，一旦完成这一步骤，就可以通过另一个流水线来完善定位。

4.检测和识别

能够识别、检测和跟踪远处的物体对于某些汽车应用（如自动驾驶汽车的导航和定位）至关重要。这对于高速运行或远距离监控都是必要的。

由于毫米波 FMCW 雷达数据稀少，每次扫描只能用几个点来描述物体，即使是大型物体也是如此。这只是物体的近似值，并不能准确描述轮廓和尺寸。虚构的反射和多路径射线会使虚拟的幽灵物体出现。

检测和识别方法分为两类：基于专家的方法和基于学习的方法。

专家设计的物体检测方法在数据层面上使用了雷达和 RGB 摄像机的融合。数据融合需要在雷达和 RGB 摄像机之间进行精确校准。

基于深度学习的FMCW目标检测与识别代表了目标检测领域的最新进展，通过将传感器数据与深度学习相结合，使系统更具智能和适应性，能够更好地理解和应对复杂环境中的目标。这一技术对于自动化驾驶、智能导航、无人机、军事应用等有着广泛的潜在应用。

5.语义分割

语义分割是预测图像中每个像素类别的任务。雷达比照相机看得更远，受恶劣环境的影响也更小，因此具有改进语义分割的潜力。

五、结论

目前，有关毫米波 FMCW RADAR 的大多数研究工作要么使用为计算机视觉开发的专家设计算法，要么使用重量级的基于深度学习的方法。少数方法混合使用了这两种算法，有时还使用专家设计的预处理方法，以便将数据转换成神经网络所需的正确格式。使用混合系统可以提供数据驱动方法的性能和多功能应用，同时保持基于学习的方法足够轻便，以便在廉价的商品硬件上使用。

毫米波 FMCW 雷达面临的主要挑战是稀疏性、高噪声量和杂波，最终导致每次扫描的有意义数据量较少。目前，相关研究依靠时间累积和噪声去除来缓解这一问题。

目前还不清楚哪种数据表示方式更适合毫米波 FMCW 雷达，因为它们的性能、内存、延迟和硬件限制各不相同。根据不同的应用，速度或功率强度会提高性能，但会增加计算要求。很少有工作能处理不断变化的环境。虽然雷达比 RGB 摄像机更能抵御这种变化，但当试图从地图中检索存储的扫描结果时，定位性能仍然会降低。雷达扫描图像因自我运动而产生的运动失真往往被忽视，尽管这种失真在匹配时间不同的数据时会产生不利影响。

尽管毫米波 FMCW 雷达数据最近越来越受欢迎，但其数据集的数量仍低于激光雷达和 RGB 相机。大多数公开的雷达模式数据集都以汽车和驾驶为目标，缺乏多样性。有必要增加数据集的可用性，以进一步加快毫米波 FMCW 雷达的研究。

参考文献Millimeter Wave FMCW RADARs for Perception, Recognition and Localization in Automotive Applications: A Survey