基于毫米波雷达目标识别的系统性研究

摘要

本文介绍了基于毫米波雷达目标识别的系统性研究。毫米波（MMW）雷达由于其感知能力与光照和天气无关，因此逐渐成为智能环境中必不可少的传感技术。这种感知能力已经被广泛探索，并且与智能车辆系统集成到一起，通常部署到工业级毫米波雷达中。然而，工业级毫米波雷达通常价格昂贵，并且对于可部署的商用目的的智能环境应用而言是难以实现的。另一方面，商用级毫米波雷达带来了隐藏的挑战，这些挑战尚未在识别物体、实时行人跟踪、目标定位等任务中得以很好地研究。这类任务经常伴随着图像和视频数据，这些数据对个人而言相对容易获取、解释和标注。然而，图像和视频数据与光照和天气无关，容易受到遮挡效应的影响，并且本质上会引起个人的隐私问题。研究替代感知机制的性能是至关重要的，商用级毫米波雷达可以成为消除依赖性和保护隐私问题的可行替代方案。在支持毫米波雷达之前，需要回答若干关于毫米波雷达在不同操作环境下实用可行性和性能的问题。为了回答这些问题，我们使用商用级毫米波雷达（德克萨斯仪器公司的车载毫米波雷达AWR2944）采集数据集，并且在本研究中使用若干深度学习算法来给出目标识别性能的最优实验设置。此外，鲁棒的数据采集过程使我们能够系统性地研究和识别交叉环境场景下目标识别任务的潜在挑战。我们已经探索了克服隐藏挑战的潜在方法，并且给出大量的实验结果。

主要贡献

本文的贡献如下：

1）本文开发了在具有不同设置的三种室内和室外环境（包括静态或者动态雷达投影以及高度或者距离）中使用低分辨率和稀疏点云毫米波雷达数据识别小型目标的模型；

2）本文使用域自适应技术来大规模提高深度学习模型的鲁棒性，特别是用于从毫米波雷达获取的低分辨率和稀疏点云数据中识别小型物体。据我们所知，这是探索这些类型物体域自适应的首项研究；

3）我们已经在使用TI AWR2944毫米波雷达采集的大规模数据集（包括阳光充足的室外、光线充足的室内和黑暗的室内环境）上进行实验以验证本文所提出的系统。特别地，我们着重于一项可行性研究，以在不同的环境配置（距离、高度、光照、背景）下识别不同尺寸的小型物体（例如一角硬币、铅笔、塑料板、无人地面车辆（UGV）、水瓶、木头、铅笔和纸张），并且采集大约5个小时的毫米波雷达数据集。本文基于DA的方法为训练和测试数据之间动态因素的变化提供鲁棒性，并且获得0.898的F1分数。

论文图片和表格

总结

本文研究已经展示了使用毫米波雷达进行静态目标识别的良好结果。我们评估了本文所提出模型在各种条件下的性能，发现其在同类环境的数据上表现良好，但是在异类环境的数据上表现不佳。为了解决这个问题，我们引入了域自适应技术以提高准确率。然而，当前的模型仅着重于识别静态目标，为了解决现实世界中的应用，需要开发更先进的技术来同时识别已知或者未知的目标、状况和健康问题。这种技术具有多种实际应用，尤其是在隐私问题限制相机部署的领域，例如安全、监控和监测。

文章转载自公众号：自动驾驶专栏