廣告
毫米波雷達在多模態(tài)視覺任務上的近期工作及簡析
3.1 多模態(tài)融合的map分割
-
題目：A Simple baseline for BEV Perception Without LiDAR（2022， MIT）
作者的出發(fā)點： 在BEV上通過BEVFORMER的方式"無參數化"地完成Lift操作(將圖像特征轉換到BEV空間)，融合雷達點云特征圖，用于分割任務，性能超越了之前的分割模型。
-
網絡結構：
-
論文如其名，網絡結構比較簡單，可以看出很多論文的影子(例如BEVFORMER)，作者就是通過顯式的BEV-Queries采樣圖像特征，并且concate雷達特征并通過卷積進行模態(tài)對齊與融合，后面用于分割任務。
-
總結分析：
-
雷達信息處理：
雷達feature-map構成：0\1的occupy map，nuscenes提供的所有特征(RCS,X,Y,Z,V...)作為輸入concate到一起作為輸入特征。檢測范圍是[-100, 100m]，網格的大小是200x200。
-
性能提升
-
和主流的工作相比，作者的確在分割上提升非常大，作者將這歸功于毫米波的功勞，
-
消融實驗
總結為三點：對于分割任務，輸入過多的屬性提升不明顯(occupy only已經達到53)，對multi-path的毫米波雷達點濾除反而導致性能下降(意料之中，因為multi-path的毫米波雖然會導致噪聲，但是其掃描到的物體可能正是位于被遮擋的區(qū)域)，增加sweeps的數量性能也會提升(畢竟點云密度大了)。
四、密集點云生成
4.1 GAN
4.1.1 通過密集點云監(jiān)督radar生成密集點云
See Through Smoke: Robust Indoor Mapping with Low-cost mmWave Radar (2020， 斯坦福)
4.2 Lidar Supervision
4.2.1 激光雷達點云監(jiān)督毫米波生成occupy grid map
Radar Occupancy Prediction With Lidar Supervision While Preserving Long-Range Sensing and Penetrating Capabilities作者的出發(fā)點： 通過lidar這種數據質量較高的模態(tài)，監(jiān)督毫米波雷達生成質量較高的占據柵格地圖，解決在這個過程中的兩個問題：一解決occupy網格生成存在于傳感器之間的內生性問題：傳感器感知距離不一，傳感器穿透性不一問題；二解決長距離網格生成問題；生成的occpy grid map可用于下游的路徑規(guī)劃等問題。
-
本文一些基本定義：
-
極坐標系與笛卡爾坐標轉化
作者以笛卡爾坐標系的x,y中心為極坐標系的中心，笛卡爾坐標系的一周等同于極坐標系的一段(如下圖所示的藍色紅色對應關系)
-
作者將radar中l(wèi)idar的感知區(qū)域定位trainning-region，將其他范圍內的毫米波點云作為inference的輸入，如下圖所示
-
毫米波雷達噪聲來源：
multipath reflection(多路徑感染，在交通道路環(huán)境下工作的雷達越來越密集，其間產生的多徑干擾會導致雷達出現虛假目標), speckle noise, receiver saturation, and ring-shaped noise
關于以上噪聲的成因：https://zhuanlan.zhihu.com/p/407095772
-
本文各類顏色含義
- 下一篇：鋰電池散熱冷卻方式綜述
- 上一篇：某純電動汽車空調采暖性能試驗研究
廣告 編輯推薦
最新資訊
-
聯(lián)合國法規(guī)R60對兩輪車操縱件與指示裝置的
2026-03-04 12:08
-
標準立項|《汽車異種材料鉚接接頭拉伸性能
2026-03-04 11:40
-
“汽車大角度座椅 第1部分：通用要求”將有
2026-03-04 11:39
-
“汽車大角度座椅 第2部分：可靠性要求”將
2026-03-04 11:39
-
電池耐久評價開始從“電池單體性能指標”轉
2026-03-04 11:38
