蘭呂鴻康 黃巖 鄭凱航 劉江 劉育銘 張慧 洪偉

（東南大學(xué)毫米波國家重點(diǎn)實(shí)驗(yàn)室，江蘇南京 210096）

1 引言

近幾年，人工智能和自動(dòng)駕駛技術(shù)的快速發(fā)展對(duì)毫米波雷達(dá)提出了更高的要求，目前能夠提供目標(biāo)距離、速度、方位角、俯仰角四個(gè)維度信息的4D成像雷達(dá)是毫米波雷達(dá)的主要發(fā)展方向，它能夠通過點(diǎn)云描繪出車輛、行人等目標(biāo)的輪廓，重構(gòu)雷達(dá)周圍場(chǎng)景，后期結(jié)合點(diǎn)云數(shù)據(jù)處理算法實(shí)現(xiàn)跟蹤、定位和分類等更高級(jí)別的功能［1-2］。

自動(dòng)駕駛車輛的點(diǎn)云成像方面，激光雷達(dá)因?yàn)榫哂薪嵌确直媛矢?、生成點(diǎn)云密度大、成像信息準(zhǔn)確、場(chǎng)景還原度高等優(yōu)點(diǎn)而成為目前市面上自動(dòng)駕駛應(yīng)用的主要傳感器。但是激光雷達(dá)存在許多問題也制約了其在實(shí)際應(yīng)用方面的發(fā)展，首先是激光雷達(dá)系統(tǒng)價(jià)格高昂，限制了其在民用領(lǐng)域的普及，然后是激光雷達(dá)系統(tǒng)一般體積較大，在汽車?yán)走_(dá)領(lǐng)域不具備便捷性，再者是激光雷達(dá)與光學(xué)傳感器一樣受限于應(yīng)用場(chǎng)景與氣候條件，無法像毫米波雷達(dá)一樣全天時(shí)全天候工作，最后是激光雷達(dá)成像數(shù)據(jù)龐大，對(duì)設(shè)備硬件要求較高［3］。因此，對(duì)毫米波雷達(dá)點(diǎn)云成像的研究對(duì)于推動(dòng)自動(dòng)駕駛的發(fā)展具有十分重要的意義。

傳統(tǒng)毫米波雷達(dá)由于角度分辨率較差，目前大多數(shù)對(duì)于毫米波雷達(dá)點(diǎn)云成像的研究得到的圖像點(diǎn)云密度較為稀疏，根據(jù)點(diǎn)云圖像僅僅能確定目標(biāo)點(diǎn)的基本空間位置，無法顯示目標(biāo)的輪廓，對(duì)目標(biāo)信息進(jìn)行細(xì)致地刻畫，而這遠(yuǎn)遠(yuǎn)不能滿足自動(dòng)駕駛場(chǎng)景下的應(yīng)用要求。近年來，隨著MIMO 技術(shù)以及控制多片級(jí)聯(lián)同步技術(shù)的逐步成熟，毫米波雷達(dá)器件能夠?qū)崿F(xiàn)在空間上虛擬出了比物理天線孔徑大得多的虛擬陣列［4］，讓毫米波雷達(dá)天線的角度分辨率得到了很好的提升，為毫米波雷達(dá)點(diǎn)云成像奠定了硬件基礎(chǔ)，推動(dòng)了毫米波雷達(dá)在點(diǎn)云成像上的發(fā)展。

目前，毫米波雷達(dá)目標(biāo)檢測(cè)和定位技術(shù)發(fā)展已經(jīng)相對(duì)成熟，但使用毫米波雷達(dá)生成能夠適用于自動(dòng)駕駛這一復(fù)雜場(chǎng)景下的致密點(diǎn)云仍然是一個(gè)挑戰(zhàn)。本文設(shè)計(jì)了一套完整的毫米波雷達(dá)系統(tǒng)級(jí)點(diǎn)云成像算法，通過對(duì)傳統(tǒng)的恒虛警率檢測(cè)（CFAR，Constant False Alarm Rate）方法進(jìn)行改進(jìn)，提出了根據(jù)雷達(dá)感興趣的距離區(qū)間分段以及根據(jù)雷達(dá)接收信號(hào)功率與目標(biāo)距離之間的關(guān)系來設(shè)計(jì)的CFAR 門限系數(shù)設(shè)置方法。并使用安裝在汽車側(cè)前方的TI公司AWR2243雷達(dá)開發(fā)板對(duì)實(shí)際場(chǎng)景進(jìn)行數(shù)據(jù)采集，生成了較為致密的毫米波雷達(dá)點(diǎn)云圖像，實(shí)現(xiàn)了對(duì)雷達(dá)周圍場(chǎng)景的測(cè)繪和還原，驗(yàn)證了文章所提方法的有效性。

2 毫米波雷達(dá)信號(hào)模型

通常情況下，F(xiàn)MCW 毫米波雷達(dá)連續(xù)發(fā)射頻率隨時(shí)間線性變化的鋸齒波信號(hào)［5］，也稱為Chirp 信號(hào)，如圖1所示。

圖1 FMCW雷達(dá)信號(hào)模型Fig.1 FMCW radar signal model

2.1 發(fā)射信號(hào)模型

FMCW 雷達(dá)向空間連續(xù)發(fā)射Chirp 信號(hào)，發(fā)射信號(hào)模型為：

其中，fc為發(fā)射信號(hào)載頻分別為全時(shí)間、快時(shí)間和慢時(shí)間（三者之間關(guān)系為。假設(shè)v為目標(biāo)相對(duì)于雷達(dá)的運(yùn)動(dòng)速度，那么目標(biāo)與雷達(dá)的瞬時(shí)距離可以表示為R計(jì)算可到回波信號(hào)與發(fā)射信號(hào)之間的時(shí)延此時(shí)回波信號(hào)可以表示為

將發(fā)射信號(hào)和回波信號(hào)進(jìn)行混頻，得到中頻信號(hào)：

由于目標(biāo)相對(duì)雷達(dá)運(yùn)動(dòng)的速度遠(yuǎn)遠(yuǎn)小于光速，因此上式可以近似表示為：

2.2 距離-多普勒2D-FFT

對(duì)式（4）中的中頻信號(hào)進(jìn)行分析可知，通過對(duì)中頻信號(hào)做一次二維的傅里葉變換即可以得到目標(biāo)的相對(duì)于雷達(dá)的距離和速度信息［6-7］，如圖2 所示。具體實(shí)現(xiàn)方式如下：

圖2 2D-FFT示意圖Fig.2 2D-FFT schematic

其中，Tc為掃頻時(shí)間，包絡(luò)項(xiàng)中為掃頻周期內(nèi)多普勒頻率引入的附加偏移項(xiàng)，為了獲得R(tm)的信息，需要對(duì)該項(xiàng)進(jìn)行補(bǔ)償，將R(tm)=R0-vtm代入式（5），為簡化運(yùn)算，將式（5）距離包絡(luò)中的R(tm)看作常數(shù)項(xiàng)，可得：

然后對(duì)上式指數(shù)項(xiàng)中的慢時(shí)間tm做傅里葉變換可得：

其中Ta為單幀Na個(gè)脈沖對(duì)應(yīng)的相干處理時(shí)間，對(duì)上式第二項(xiàng)可知，由目標(biāo)的多普勒頻率可以計(jì)算出目標(biāo)速度，即

由式（7）可知，包絡(luò)位置對(duì)應(yīng)目標(biāo)位置R(tm) -，即：

代入式（8）得到目標(biāo)在距離-多普勒域的信號(hào)表達(dá)式：

3 車載毫米波雷達(dá)點(diǎn)云成像方法

汽車毫米波雷達(dá)通過發(fā)射多個(gè)線性調(diào)頻連續(xù)波信號(hào)，經(jīng)過目標(biāo)反射之后，接收到的回波信號(hào)與發(fā)射信號(hào)混頻得到中頻信號(hào)，將中頻信號(hào)進(jìn)行2DFFT、非相干積累、目標(biāo)檢測(cè)后能夠估計(jì)出目標(biāo)的距離和速度，然后再利用不同通道之間接收信號(hào)的相位差，采用數(shù)字波束形成（DBF，Digital Beamforming）方法可以得到目標(biāo)的方位角和俯仰角［7］，從而實(shí)現(xiàn)對(duì)目標(biāo)在三維空間上的定位和成像。完整的信號(hào)分析流程如圖3所示。

圖3 毫米波雷達(dá)點(diǎn)云成像算法處理流程Fig.3 Mmwave radar point cloud imaging algorithm processing flow

3.1 目標(biāo)檢測(cè)

在雷達(dá)信號(hào)處理中通常采用CFAR 檢測(cè)方法來對(duì)目標(biāo)進(jìn)行檢測(cè)，其中最常使用的是適用于均勻雜波的單元平均恒虛警（CA-CFAR，Cell Averaging-Constant False Alarm Rate）算法［8］。該算法的基本步驟是估計(jì)回波信號(hào)中待檢測(cè)單元周圍單元的平均噪聲功率，利用該功率確定一個(gè)門限值，如式（12）所示，再利用這個(gè)門限值判斷待檢測(cè)單元，若檢測(cè)單元大于檢測(cè)門限，則判定為目標(biāo)；如果檢測(cè)單元小于檢測(cè)門限，則認(rèn)為是噪聲［9］，其原理如圖4所示。

圖4 CFAR原理示意圖Fig.4 Schematic diagram of CFAR principle

其中α為門限系數(shù)，其與虛警概率-pFA和參考單元總數(shù)2n有關(guān)。

在車載毫米波雷達(dá)點(diǎn)云成像中，所謂的點(diǎn)云實(shí)際就是通過CFAR 檢測(cè)出來的目標(biāo)以點(diǎn)的形式在三維坐標(biāo)系上表示，生成的點(diǎn)數(shù)量多、密度大也就形成了點(diǎn)云。要想生成密集的點(diǎn)云，其中一種方法就是減小CFAR 檢測(cè)的門限S，但門限的降低也會(huì)相應(yīng)地導(dǎo)致檢測(cè)到的場(chǎng)景周圍的雜波和干擾增加，而這會(huì)極大地影響成像的質(zhì)量。由式（12）可知，門限系數(shù)α和檢測(cè)單元附件的噪聲功率共同決定了CFAR 檢測(cè)器的門限大小，所以門限系數(shù)α的選取會(huì)對(duì)最終的點(diǎn)云成像結(jié)果造成很嚴(yán)重的影響。

由式（14）可知，門限系數(shù)α與虛警概率及參考單元總數(shù)相關(guān)，但應(yīng)用式（14）準(zhǔn)確計(jì)算門限系數(shù)α的前提是已知實(shí)際環(huán)境中噪聲的分布規(guī)律，所以在實(shí)際的應(yīng)用中門限系數(shù)α的選取更多的是工程師憑借對(duì)環(huán)境的先驗(yàn)知識(shí)自行設(shè)置。

本文在CA-CFAR檢測(cè)的基礎(chǔ)上，提出了兩種在車載毫米波雷達(dá)點(diǎn)云成像場(chǎng)景下CFAR 的門限系數(shù)α的選取方法，選取合適的門限系數(shù)能極大地改善點(diǎn)云成像的質(zhì)量。

3.1.1 分段門限設(shè)置

毫米波雷達(dá)作為智能汽車的重要傳感器之一，會(huì)分別安裝多顆在車輛的前方、側(cè)方和后面，以發(fā)揮不同的作用。實(shí)現(xiàn)功能有差別的同時(shí)，對(duì)探測(cè)距離范圍的需求也不同，一般來說安裝在車輛前方和后方的雷達(dá)需要探測(cè)的距離范圍較長，而安裝在車身兩側(cè)的雷達(dá)需要探測(cè)的距離相對(duì)較短。為了更準(zhǔn)確地通過點(diǎn)云圖像還原出車輛周圍的環(huán)境，我們總是希望能在雷達(dá)近場(chǎng)生成致密的點(diǎn)云，根據(jù)目標(biāo)與雷達(dá)之間的距離來分段設(shè)置CFAR 檢測(cè)的門限系數(shù)不失為其中一種方法。

以安裝在車身兩側(cè)的雷達(dá)為例，雷達(dá)作用的距離區(qū)間大約為0～30 m，主要用于實(shí)現(xiàn)監(jiān)測(cè)車輛周圍環(huán)境、盲點(diǎn)監(jiān)測(cè)等功能。對(duì)于成像雷達(dá)而言，更感興趣的是車輛側(cè)面10 m 左右的環(huán)境，因此對(duì)于距離雷達(dá)10 m 以內(nèi)的所有目標(biāo)，可以設(shè)置一個(gè)較低的門限系數(shù)α，以檢測(cè)出更多的目標(biāo)點(diǎn)，準(zhǔn)確還原出雷達(dá)周圍環(huán)境；對(duì)于10～30 m處的目標(biāo)，當(dāng)車輛處于一些較為狹小的空間，例如停車場(chǎng)、隧道等場(chǎng)景，位于這一距離區(qū)間的目標(biāo)容易受到多徑反射的干擾導(dǎo)致成像效果較差，因此可以設(shè)置一個(gè)較高的門限系數(shù)，適當(dāng)?shù)販p少多徑反射造成的干擾，大致還原出這一距離區(qū)間的場(chǎng)景；而距離大于30 m 外的場(chǎng)景不是雷達(dá)感興趣的目標(biāo)，因此可以設(shè)置一個(gè)高門限，抑制該區(qū)間目標(biāo)點(diǎn)的生成并減小系統(tǒng)的計(jì)算量。

3.1.2 自適應(yīng)門限設(shè)置

除了分段門限設(shè)置方法外，本文還提出了一種自適應(yīng)門限設(shè)置的方法，該方法根據(jù)雷達(dá)接收天線接收功率與距離的關(guān)系，動(dòng)態(tài)地分配CA-CFAR檢測(cè)的門限系數(shù)，并與檢測(cè)單元附近單元的噪聲功率結(jié)合得到自適應(yīng)檢測(cè)門限。與傳統(tǒng)的CA-CFAR相比，該方法能有效地抑制多徑反射造成的干擾，極大地提高點(diǎn)云成像的質(zhì)量；與分段門限設(shè)置方法相比，該方法對(duì)周圍環(huán)境的先驗(yàn)知識(shí)要求較低，并且該方法能為不同距離門分配不同的檢測(cè)門限，更好地實(shí)現(xiàn)對(duì)周圍場(chǎng)景的還原。下面將詳細(xì)描述自適應(yīng)門限的設(shè)置方法。首先給出雷達(dá)接收回波功率方程：

其中Pt為雷達(dá)發(fā)射功率，Gt、Gr分別為發(fā)射天線和接收天線的增益，σ為目標(biāo)的雷達(dá)散射截面積。因?yàn)槲覀儷@得的雷達(dá)接收功率此前需要經(jīng)過平方律檢波器，所以實(shí)際上雷達(dá)接收功率與目標(biāo)、雷達(dá)之間的相對(duì)距離R具有如下關(guān)系：

我們希望能根據(jù)雷達(dá)信號(hào)隨距離衰減的關(guān)系為不同距離門分配不同的檢測(cè)門限，并且能在雷達(dá)感興趣的距離區(qū)間設(shè)置更低的檢測(cè)門限，以此生成更密集的點(diǎn)云。對(duì)于安裝在車身兩側(cè)的成像雷達(dá)而言，其更感興趣的是近處的場(chǎng)景。假設(shè)為第i個(gè)距離門分配的門限系數(shù)為h(i)，則有

其中，α為根據(jù)式（14）計(jì)算得到的固定門限系數(shù)，r(i)是目標(biāo)位于的第i個(gè)距離門，r1、r2分別表示雷達(dá)感興趣區(qū)域的距離區(qū)間邊界值，S(x)為機(jī)器學(xué)習(xí)中常用作激活函數(shù)的Sigmoid函數(shù)：

則式（17）所提出的函數(shù)圖像如圖5 所示。圖5可以清晰地看出，在雷達(dá)感興趣距離區(qū)間內(nèi)門限系數(shù)較低，超出距離范圍則門限系數(shù)升高，并且在離雷達(dá)特別近的距離門處檢測(cè)門限也稍高，有利于減輕系統(tǒng)內(nèi)部噪聲對(duì)成像結(jié)果造成的影響。

圖5 自適應(yīng)門限系數(shù)函數(shù)圖像Fig.5 Adaptive threshold coefficient function image

3.2 相位補(bǔ)償

MIMO 雷達(dá)需要發(fā)射天線發(fā)射相互正交的波形，從而保證同一接收天線能夠分離出不同發(fā)射天線發(fā)射的信號(hào)。由于時(shí)分復(fù)用（TDMA，Time Division Multiple Address）成本低且容易實(shí)現(xiàn)而被廣泛應(yīng)用在車載毫米波雷達(dá)中，本文所設(shè)計(jì)的車載毫米波雷達(dá)點(diǎn)云成像方案也是采用的時(shí)分復(fù)用正交波形。

TDMA-MIMO 雷達(dá)在進(jìn)行角度估計(jì)時(shí)，是對(duì)在不同時(shí)間發(fā)射的信號(hào)的回波為原始數(shù)據(jù)進(jìn)行處理的，倘若目標(biāo)存在相對(duì)雷達(dá)運(yùn)動(dòng)的速度，不同發(fā)射天線在不同時(shí)間工作將會(huì)引入相位誤差，從而得到錯(cuò)誤的角度估計(jì)［10］。傳統(tǒng)的解決方案是先通過2DFFT 得到目標(biāo)速度，然后再補(bǔ)償由速度引起的相位誤差。但是對(duì)于TDMA-MIMO 雷達(dá)而言，其中M根發(fā)射天線在時(shí)域上輪流發(fā)射chirp信號(hào)，當(dāng)所有的發(fā)射天線都完成一次發(fā)射才能算是一個(gè)脈沖重復(fù)間隔（PRI，Pulse Repetition Interval）。如式（19）所示，PRI 增加M倍，雷達(dá)的最大無模糊速度將會(huì)相應(yīng)地降低了M倍。因此，當(dāng)目標(biāo)運(yùn)動(dòng)速度超過雷達(dá)可以檢測(cè)的最大無模糊速度時(shí)，由式（9）我們只能得到目標(biāo)相對(duì)雷達(dá)的徑向速度殘差分量vres，這會(huì)導(dǎo)致由相對(duì)運(yùn)動(dòng)引起的相位誤差將無法得到正確的補(bǔ)償，從而得到錯(cuò)誤的角度估計(jì)。只有正確估計(jì)出速度模糊數(shù)n，才能正確估計(jì)目標(biāo)相對(duì)雷達(dá)的徑向速度v和角度。

容易知道，與第一個(gè)發(fā)射通道發(fā)射的數(shù)據(jù)相比，第i個(gè)通道發(fā)射的數(shù)據(jù)具有由目標(biāo)多普勒引起的相位差：

該相位差除了會(huì)造成目標(biāo)速度估計(jì)不準(zhǔn)確之外，還會(huì)導(dǎo)致目標(biāo)角度估計(jì)不準(zhǔn)確，因此需要對(duì)相位差進(jìn)行補(bǔ)償。值得注意的是，當(dāng)速度模糊數(shù)為n+M的時(shí)候，相位誤差與模糊數(shù)為n時(shí)相同，所以可能存在M個(gè)不同的相位誤差，即：

分別計(jì)算對(duì)該目標(biāo)對(duì)應(yīng)的M階多普勒相位差，然后對(duì)不同發(fā)射天線對(duì)應(yīng)的信號(hào)進(jìn)行相位補(bǔ)償，使不同發(fā)射天線對(duì)應(yīng)的信號(hào)等效于第一根發(fā)射天線同時(shí)發(fā)射。由于數(shù)據(jù)序列可以精確地相干積累，所以如果速度模糊得到正確補(bǔ)償，在對(duì)數(shù)據(jù)序列進(jìn)行傅里葉變換后會(huì)在頻譜上出現(xiàn)峰值。相反，如果補(bǔ)償數(shù)錯(cuò)誤，那么信號(hào)將不能在目標(biāo)角度方向上實(shí)現(xiàn)完全相干積累，信號(hào)能量將分散到附近的角度方向。因此可以通過比較不同模糊數(shù)下的頻譜峰值來判斷速度模糊數(shù)n。

3.3 DOA估計(jì)

DOA 估計(jì)是車載毫米波雷達(dá)對(duì)目標(biāo)進(jìn)行定位的重要基礎(chǔ)，目前常用的DOA 估計(jì)方法有數(shù)字波束形成方法（DBF）、多重信號(hào)分類方法（MUSIC）、旋轉(zhuǎn)不變子空間方法（ESPRIT），其中DBF 方法因?yàn)槠溆?jì)算復(fù)雜度低、易于在芯片上實(shí)現(xiàn)的優(yōu)點(diǎn)而被廣泛地應(yīng)用于市面上的車載毫米波雷達(dá)中［11］。假設(shè)使用一個(gè)具有N個(gè)陣元且陣元間距為d的天線陣列測(cè)量一個(gè)位于遠(yuǎn)場(chǎng)角度為θ的目標(biāo)，如圖6所示。

圖6 DBF示意圖Fig.6 Schematic diagram of DBF

在實(shí)際的應(yīng)用中，我們需要對(duì)目標(biāo)的方位角和俯仰角同時(shí)進(jìn)行估計(jì)，此時(shí)用于角度估計(jì)的天線陣列將是二維的平面陣。假設(shè)二維天線陣列中方位維陣元個(gè)數(shù)為M，俯仰維陣元個(gè)數(shù)為N，方位維陣元間距為dy，俯仰維陣元間距為dz，假設(shè)目標(biāo)所在方位角為θ，俯仰角為φ。由此可得目標(biāo)在方位維的導(dǎo)向矢量為：

則接收信號(hào)的矢量形式可以表示為：

其中S(t)為信號(hào)矢量，N(t)為噪聲矢量，A為陣列的方向矩陣，假設(shè)存在p個(gè)信號(hào)源，則有

由式（26）可知，由于目標(biāo)的方位維信息和俯仰維信息的耦合，需要對(duì)目標(biāo)進(jìn)行二維波束形成。假設(shè)方位維角度掃描間隔為Δθ，俯仰維角度掃描間隔為Δφ，波束掃描方位角范圍為[θd，θu]，俯仰角范圍為[φd，φu]，則根據(jù)以上參數(shù)能夠分別構(gòu)造波束掃描中方位維和俯仰維的權(quán)矢量［12］。

方位維的權(quán)矢量為：

對(duì)M×N個(gè)通道接收信號(hào)進(jìn)行加權(quán)求和，使整個(gè)陣列的輸出信號(hào)為：

根據(jù)波束形成的原理，利用權(quán)矢量對(duì)回波信號(hào)做數(shù)字波束形成，根據(jù)波束形成后輸出模值最大值對(duì)應(yīng)的角度作為目標(biāo)的角度估計(jì)值。則目標(biāo)方位角和俯仰角的估計(jì)值可以根據(jù)下式求出：

經(jīng)過上述步驟，我們能夠得到待測(cè)目標(biāo)相對(duì)于雷達(dá)的距離R、徑向速度vr、方位角θ和俯仰角φ等運(yùn)動(dòng)信息，代入下述的球坐標(biāo)系與三維直角坐標(biāo)系的轉(zhuǎn)換公式，即可得到待測(cè)目標(biāo)的三維點(diǎn)云圖像，如圖7所示。

圖7 點(diǎn)云成像示意圖Fig.7 Schematic diagram of point cloud imaging

假設(shè)通過速度傳感器已知安裝在汽車側(cè)方的雷達(dá)的運(yùn)動(dòng)速度vradar，由式（9）、（20）以及式（33）可以得到目標(biāo)相對(duì)雷達(dá)運(yùn)動(dòng)的相對(duì)徑向速度vr、方位角θ。如圖8 所示，假設(shè)目標(biāo)與雷達(dá)前進(jìn)方向相同，則可以得到目標(biāo)沿著雷達(dá)前進(jìn)方向的速度估計(jì)vest：

圖8 安裝在汽車側(cè)方的毫米波雷達(dá)Fig.8 The typical scene for side-mounted automotive radar

4 實(shí)驗(yàn)結(jié)果及討論分析

4.1 實(shí)驗(yàn)參數(shù)配置

本實(shí)驗(yàn)采用的FMCW 毫米波雷達(dá)為TI 公司的四片級(jí)聯(lián)AWR2243 毫米波雷達(dá)開發(fā)板，如圖9（a）所示。該開發(fā)板共有12 根發(fā)射天線和16 根接收天線，實(shí)現(xiàn)了較高的信噪比和角度分辨率。對(duì)毫米波雷達(dá)開發(fā)板波形參數(shù)設(shè)置如表1所示。雷達(dá)安裝在測(cè)試車輛副駕駛位置前方，對(duì)車輛側(cè)面的場(chǎng)景進(jìn)行成像，如圖9（b）所示。

表1 實(shí)驗(yàn)參數(shù)設(shè)置Tab.1 Experimental parameter settings

圖9 車載毫米波雷達(dá)點(diǎn)云成像系統(tǒng)Fig.9 Vehicle millimeter wave radar point cloud imaging system

4.2 實(shí)驗(yàn)場(chǎng)景及點(diǎn)云成像結(jié)果

測(cè)試車輛以近似15 km/h的速度駛過圖10所示的停車場(chǎng)，并對(duì)該停車場(chǎng)場(chǎng)景進(jìn)行數(shù)據(jù)采集（圖10所示的場(chǎng)景為實(shí)際成像場(chǎng)景的一部分）。數(shù)據(jù)采集結(jié)束后，經(jīng)過上文所介紹的毫米波雷達(dá)點(diǎn)云成像算法處理得到如圖11 所示的三維點(diǎn)云圖像，圖11（a）為采用傳統(tǒng)同一門限系數(shù)設(shè)置的CA-CFAR 檢測(cè)器得到的點(diǎn)云成像俯視圖，圖11（b）為采用分段門限系數(shù)設(shè)置的CA-CFAR 檢測(cè)器得到的點(diǎn)云成像俯視圖，圖11（c）為采用自適應(yīng)門限系數(shù)設(shè)置的CACFAR 檢測(cè)器得到的點(diǎn)云成像俯視圖，圖11（d）是采用文章提出的自適應(yīng)門限系數(shù)設(shè)置方法對(duì)圖10 所示場(chǎng)景生成的點(diǎn)云三維圖像，即圖11（c）的另一視角展示。

圖10 點(diǎn)云成像實(shí)驗(yàn)場(chǎng)景圖Fig.10 Point cloud imaging experiment scene graph

比較圖11（a）、（b）、（c）所示的點(diǎn)云成像俯視結(jié)果，三張俯視圖中的點(diǎn)云均很密集，較為完整地描繪出被測(cè)場(chǎng)景中車輛的輪廓，且能清晰地分辨出被測(cè)停車場(chǎng)中停放的車輛、車位與車位之間的綠化帶（綠色矩形框起來的部分）以及背景建筑（對(duì)應(yīng)點(diǎn)云圖中約5 m 處的橫線）。但是圖11（a）中采用同一門限系數(shù)方法生成的圖像受到環(huán)境雜波以及多徑反射造成的干擾影響極大，嚴(yán)重地影響了點(diǎn)云成像的質(zhì)量，不利于后續(xù)對(duì)點(diǎn)云數(shù)據(jù)的處理。圖11（b）和（c）所示采用文章提出的分段門限系數(shù)設(shè)置方法以及自適應(yīng)門限系數(shù)設(shè)置方法得到的點(diǎn)云圖像效果相近，受到噪聲和雜波的干擾較小，都很好地實(shí)現(xiàn)了對(duì)測(cè)試車輛側(cè)方場(chǎng)景的還原。相較于分段門限系數(shù)設(shè)置方法，自適應(yīng)門限系數(shù)設(shè)置方法僅需要設(shè)置雷達(dá)感興趣的距離區(qū)間，對(duì)成像環(huán)境先驗(yàn)知識(shí)要求不高，更適用于自動(dòng)駕駛下的應(yīng)用場(chǎng)景。圖11（d）所示的三維點(diǎn)云圖像在俯仰維上對(duì)車輛及周圍場(chǎng)景的還原效果較差，其中一個(gè)原因是采集數(shù)據(jù)使用的AWR2243 毫米波雷達(dá)開發(fā)板的俯仰角度分辨率較低，僅為18°，嚴(yán)重影響了俯仰維的點(diǎn)云成像效果。如何從算法層面提高俯仰維點(diǎn)云成像質(zhì)量也是我們后續(xù)研究的重點(diǎn)內(nèi)容。

圖11 點(diǎn)云成像結(jié)果圖Fig.11 Point cloud imaging result map

圖12給出了另一個(gè)測(cè)試場(chǎng)景，經(jīng)過本文所提出的系統(tǒng)級(jí)點(diǎn)云成像算法處理后得到如圖13 所示的成像結(jié)果，由結(jié)果圖可見，文章所提出的算法所生成的點(diǎn)云圖像對(duì)汽車側(cè)方場(chǎng)景實(shí)現(xiàn)了準(zhǔn)確地描繪。

圖12 另一測(cè)試場(chǎng)景圖Fig.12 Another test scene graph

圖13 點(diǎn)云成像結(jié)果圖Fig.13 Point cloud imaging result map

綜上所述，運(yùn)用本文所提出的毫米波雷達(dá)超分辨成像算法能夠生成致密的三維點(diǎn)云圖像，并且能夠較好地實(shí)現(xiàn)對(duì)汽車側(cè)方場(chǎng)景的還原。文章還改進(jìn)了傳統(tǒng)的CA-CFAR檢測(cè)算法，并通過實(shí)際外場(chǎng)測(cè)試表明所提的兩種CFAR 門限系數(shù)設(shè)置方法均有效地抑制了環(huán)境噪聲、雜波對(duì)成像結(jié)果造成的干擾，改善了點(diǎn)云成像的質(zhì)量。

在本文所做的研究中，僅是對(duì)停車場(chǎng)中靜止的車輛進(jìn)行了數(shù)據(jù)采集，但是在實(shí)際的應(yīng)用中，車載平臺(tái)側(cè)方場(chǎng)景不只是有靜止目標(biāo)，還包括運(yùn)動(dòng)目標(biāo)的存在。除此之外，平臺(tái)不穩(wěn)定的速度，路面坑洼導(dǎo)致的車輛顛簸以及急剎車等情況都會(huì)對(duì)成像結(jié)果的正確性造成較大的影響。因此，在后續(xù)的研究中如何實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的成像、如何減輕車載平臺(tái)自身和道路條件對(duì)成像結(jié)果的影響以及如何從算法層面提升點(diǎn)云成像在俯仰維的表現(xiàn)仍然具有十分重要的應(yīng)用價(jià)值和現(xiàn)實(shí)意義。

5 結(jié)論

為實(shí)現(xiàn)毫米波雷達(dá)點(diǎn)云成像，解決毫米波雷達(dá)生成的點(diǎn)云密度稀疏的問題，本文提出了一套完整的系統(tǒng)級(jí)毫米波雷達(dá)點(diǎn)云成像算法，改進(jìn)了目標(biāo)檢測(cè)算法，然后通過外場(chǎng)實(shí)驗(yàn)實(shí)際驗(yàn)證了所提算法的可行性和有效性。由實(shí)驗(yàn)結(jié)果可知，本文所提出的算法生成的點(diǎn)云圖像雖然在精度上還不及激光雷達(dá)，但相較于傳統(tǒng)的毫米波雷達(dá)點(diǎn)云成像，本算法生成的三維點(diǎn)云圖像點(diǎn)云致密，且很好地實(shí)現(xiàn)了對(duì)雷達(dá)周圍環(huán)境的測(cè)繪。當(dāng)然，實(shí)驗(yàn)仍然存在一些不足之處和局限性，還有一些需要完善的地方，這也是下一步的研究內(nèi)容。