RADAR

RADAR(无线电探测与测距)发射无线电波——在汽车传感器中通常是毫米波(mmWave)——并测量其反射。对每个探测点,它返回距离,并借助多普勒效应返回径向速度：目标朝向或远离传感器移动的速度。这种逐点的速度信息是相机和LiDAR都无法直接提供的。

RADAR在外部感觉传感器中所处的位置：

这些弱点决定了RADAR的使用方式。其返回信号稀疏,夹杂多径反射和虚假目标,角分辨率远低于LiDAR——因此原始RADAR扫描难以作为精细建图的基础。相反,RADAR几乎总是传感器融合的一个输入源：其距离-多普勒探测数据与轮式里程计、IMU、相机或LiDAR数据结合,经典做法是通过扩展卡尔曼滤波(并越来越多地通过因子图后端)完成。多普勒速度尤其宝贵——只要静止世界的探测点足够多,就可以从单次扫描中估计出传感器自身的自运动速度,并在建图之前将运动物体与静止背景分离开来。

现代4D成像雷达增加了俯仰角信息以及更密集的点云,而纯RADAR的里程计/SLAM(旋转式和汽车用RADAR均有)是一个活跃的研究领域,恰恰在相机和LiDAR失效的场合极具吸引力：火灾烟雾、多尘矿井、恶劣天气以及长距离高速公路场景。

测量值如何产生(用一段话讲清FMCW)

汽车RADAR通常采用FMCW(调频连续波)：传感器发射一个频率线性斜升的”啁啾(chirp)“信号,并将回波与发出信号混频。距离编码在两者之间的差频中(与往返延迟成正比),径向速度编码在连续啁啾之间观测到的多普勒频移中——对于波长 $\lambda$,以径向速度 $v_r$ 接近的目标会使回波产生 $f_d = 2 v_r / \lambda$ 的频移。角度信息来自天线阵列(各接收单元之间的相位差),这正是角分辨率成为薄弱环节的原因：它受限于物理孔径,而保险杠安装的传感器孔径只有几厘米。处理啁啾数据得到的是距离-多普勒-角度探测结果,以带有逐点速度的稀疏”点云”形式呈现。

多普勒自运动速度：免费的里程计测量

多普勒通道使单次RADAR扫描的信息量出人意料地丰富。对于沿单位方向 $\mathbf{d}_i$ 从以速度 $\mathbf{v}$ 运动的传感器观察到的世界中的一个静止点,其测得的径向速度为

$$v_{r,i} = -\,\mathbf{d}_i^{T} \mathbf{v}.$$

每个静止探测点都给出关于 $\mathbf{v}$ 三个未知量的一个线性方程;只要有三个或更多分布良好的静止探测点,最小二乘就能从一次扫描中恢复完整的自运动速度,不需要任何对应关系或扫描匹配。由于运动物体违反该方程,在RANSAC框架内运行这一过程可以同时完成两件事：它从静止世界的一致集合中估计自运动,同时将离群点标记为运动物体——这是一种简洁的动态/静态分割,而相机和LiDAR流水线要实现这一点则要付出更多努力。这种”多普勒里程计”是RADAR-惯性里程计的标准入门方法。

常见陷阱

• 把RADAR点当作LiDAR点处理 ——一个RADAR探测点是距离-多普勒-角度谱中经过处理的一个峰值,不是表面采样点;对RADAR”点云”直接做ICP会受到稀疏性、杂波和巨大角度不确定性的困扰。
• 多径反射与虚假目标 ——无线电波会从护栏、卡车和隧道壁反弹,在真实物体的后方或侧方产生探测点;必须进行鲁棒的数据关联和离群点过滤。
• 忘记多普勒仅是径向的 ——沿视线垂直方向运动的目标多普勒为零;切向运动对单次扫描是不可见的。
• 各向异性噪声 ——距离的测量精度远高于方位角(如果有俯仰角,也是如此);使用各向同性协方差会丢弃传感器最精确的轴,同时又过度信任其最差的轴。
• 外参与安装误差 ——上面的自运动速度方程假设传感器的方向向量是准确的;微小的安装角度误差会使每一个速度估计产生偏差,因此RADAR外参标定与相机-IMU标定同样重要。

对SLAM的意义

RADAR是全天候传感器：当感知系统必须在雨、雾、尘土或黑暗中继续工作时,它往往是唯一还能返回有用数据的外部感觉传感器。对于从事汽车和野外机器人领域的SLAM工程师来说,这使得RADAR融合——以及理解其不寻常的噪声特性与多普勒测量——成为一项需求日益增长的技能。

相关条目

• LiDAR
• 声呐
• 外部感觉传感器
• 多传感器标定