DenserRadar: 고밀도 LiDAR 포인트 클라우드를 기반으로 한 4D 밀리미터파 레이더 포인트 클라우드 탐지기

원제: DenserRadar: 밀도가 높은 LiDAR 포인트 클라우드를 기반으로 한 4D 밀리미터파 레이더 포인트 클라우드 감지기

논문 링크: https://arxiv.org/pdf/2405.05131

저자 소속: Tsinghua University

논문 아이디어:

4D 밀리미터파(mmWave) 레이더는 극한 환경에서의 견고성, 넓은 감지 범위, 속도 및 고도 측정 기능을 갖추고 가장자리 상황(코너-모퉁이)에 직면한 자율 주행 시스템에 유용한 것으로 나타났습니다. 경우) 인식을 향상시킬 수 있는 상당한 잠재력이 있습니다. 그러나 4D 밀리미터파 레이더 포인트 클라우드의 고유한 희박성과 노이즈로 인해 추가 개발과 실제 적용이 제한됩니다. 본 논문에서는 고해상도의 밀집된 레이더 포인트 클라우드를 활용하는 새로운 4D 밀리미터파 레이더 포인트 클라우드 검출기를 소개합니다. 우리의 방법은 스티치된 LiDAR 포인트 클라우드로부터 조밀한 3D 점유 공간 지상 진실을 구성하고 DenserRadar라는 특별히 설계된 네트워크를 사용합니다. 제안된 방법은 포인트 클라우드 밀도 및 정확도 측면에서 기존의 확률 기반 및 학습 기반 밀리미터파 레이더 포인트 클라우드 탐지기를 능가하여 K-Radar 데이터 세트에서 더 나은 결과를 얻습니다.

주요 기여:

이 작업은 다중 프레임 LiDAR 포인트 클라우드를 연결하여 생성된 조밀한 3D 점유 데이터 공간 지상 진실이 감독되는 최초의 4D 밀리미터파 레이더 포인트 클라우드 탐지기로, 탐지된 밀리미터의 치밀화를 증가시킵니다. 웨이브 레이더 포인트 클라우드.

이 논문은 K-Radar 데이터 세트의 밀도 LiDAR 포인트 클라우드 연결뿐만 아니라 혁신적인 밀집 눈 3D 점유 데이터 공간 지상 진실 생성 프로세스를 제안하며 이러한 포인트 클라우드는 출판 시 사용할 수 있습니다. 추가 연구.

DenserRadar 네트워크의 특수 설계로 인해 이 기사의 알고리즘은 포인트 클라우드의 밀도 및 정확성 측면에서 기존 CFAR 유형 및 학습 기반 밀리미터파 레이더 포인트 클라우드 감지 방법보다 우수합니다.

웹 디자인:

자율주행 기술은 안전하고 편리하며 편안한 교통 경험을 제공하는 것을 목표로 하며, 그 개발 속도는 인상적입니다. 높은 수준의 자율주행을 위해서는 복잡한 환경을 인지하고 위치를 파악하는 능력이 필수입니다. 따라서 자율주행차에 장착되는 카메라, 라이다(LiDAR), 밀리미터파 레이더 등 센서와 관련 알고리즘에 대한 연구 관심이 점점 더 높아지고 있다.

작은 크기, 높은 비용 효율성, 전천후 적응성, 속도 측정 기능 및 넓은 감지 범위[1] 등의 장점을 고려하여 밀리미터파(mmWave) 레이더는 자율 주행 분야에서 널리 사용되었습니다. 최근 다중 입력 다중 출력(MIMO) 안테나 기술의 발전으로 높이 분해능이 더욱 향상되어 4D 밀리미터파 레이더의 출현이 가능해졌습니다. 따라서 4D 밀리미터파 레이더는 특히 비, 눈, 안개와 같은 까다로운 가장자리 장면에서 자율 주행의 인식 및 위치 파악 기능을 향상시키는 핵심 요소로 점점 더 간주되고 있습니다. 이름에서 알 수 있듯이 4D 밀리미터파 레이더는 거리, 방위각, 고도, 도플러 속도 등 4가지 차원의 대상 정보를 측정할 수 있어 포괄적인 감지 솔루션을 제공합니다.

그러나 4D 밀리미터파 레이더 포인트 클라우드의 품질은 LiDAR 포인트 클라우드보다 크게 뒤떨어집니다. 우선, 4D 밀리미터파 레이더 포인트 클라우드는 특히 각도 측정에서 해상도가 낮은 문제를 가지고 있습니다. 이러한 제한은 주로 mmWave 레이더의 안테나 구성 및 DOA(도착 방향) 추정으로 인해 발생합니다[2]. 둘째, 4D 밀리미터파 레이더 포인트 클라우드는 라이더 포인트 클라우드보다 훨씬 희박합니다. 셋째, 다중 경로 효과, 신호 간섭 및 지면 반사로 인해 4D 밀리미터파 레이더 포인트 클라우드에는 종종 많은 수의 클러터 포인트가 포함됩니다. 이러한 모든 단점은 자율주행에 4D 밀리미터파 레이더를 적용하는 데 방해가 됩니다.

4D 밀리미터파 레이더 포인트 클라우드의 품질은 하드웨어뿐만 아니라 신호 처리 알고리즘에 의해서도 제한됩니다[3]. 특히 원시 레이더그램이나 텐서에서 실제 표적을 탐지하여 포인트 클라우드를 생성하면 품질에 큰 영향을 미칠 수 있습니다. 전통적으로 CFAR(False Alarm Rate) 검출기와 그 변형[4], [5]은 밀리미터파 레이더 포인트 클라우드 검출에 널리 사용됩니다. 그러나 확률 기반 알고리즘인 CFAR 유형 감지기는 서로 다른 크기의 물체를 감지할 때 이러한 물체가 독립적이지 않고 동일하게 분포되어 있기 때문에 문제에 직면할 수 있습니다[6]. 이는 자율 주행 시나리오에서 자주 발생합니다.

4D 밀리미터파 레이더와 관련된 포인트 클라우드 품질 문제를 해결하기 위해 본 논문에서는 LiDAR 포인트 클라우드에서 생성된 조밀한 지상 진실 정보가 감독되는 학습 기반 4D 밀리미터파 레이더 포인트 클라우드 검출기를 제안합니다. 처음에 이 문서에서는 사전 처리된 LiDAR 포인트 클라우드의 여러 프레임을 연결하여 조밀한 3D 점유 지상 진실을 생성합니다. 그런 다음 이 기사에서는 원본 4D 밀리미터파 레이더 텐서의 기능을 추출하고 더 조밀하고 정확한 4D 밀리미터파 레이더 포인트 클라우드를 생성하는 DenserRadar 네트워크를 소개합니다. 네트워크는 다중 해상도 기능을 캡처하고 기존 기술보다 더 나은 해상도로 포인트 클라우드를 생성하기 위해 다른 새로운 설계 요소와 함께 가중 하이브리드 손실 함수를 사용합니다. K-Radar 데이터 세트에 대해 수행된 비교 실험[7]은 이 방법의 효율성을 입증합니다.

이 기사의 알고리즘은 그림 1에 나와 있습니다. 먼저, 본 논문에서는 다중 프레임 LiDAR 포인트 클라우드 데이터를 접합하여 감독 정보로서 조밀한 3D 점유 공간 지상 진실을 얻기 위한 지상 진실 생성 프로세스를 설계한 후 원본 4D 밀리미터파에서 데이터를 생성하는 DenserRadar 네트워크를 구축합니다. 레이더 텐서 데이터에서 밀리미터파 레이더 포인트 클라우드를 감지합니다.

그림 1. 전체 알고리즘 개요.

그림 2. 진실값 생성 흐름도.

실험 결과:

그림 4. 이 기사의 DenserRadar 알고리즘과 CA-CFAR 알고리즘 간의 질적 포인트 클라우드 비교. 사진과 조밀한 3D 점유 공간 실제 포인트 클라우드를 참조로 사용합니다. 다이어그램의 각 화살표는 10미터의 길이를 나타냅니다.

요약:

이 문서에서는 새로운 4D 밀리미터파 레이더 포인트 클라우드 탐지 네트워크인 DenserRadar와 조밀한 지상 정보를 생성하는 혁신적인 프로세스를 소개합니다. 실험 결과 및 절제 연구는 네트워크 아키텍처 및 실제 정보 생성 방법의 효율성을 보여줍니다. 이 연구는 특히 까다로운 시나리오에서 자율 주행 시스템의 인식 및 위치 파악 기능을 향상시킬 수 있는 잠재력을 가지고 있습니다.