【研究目的】

随着自动驾驶技术进步，高级驾驶辅助系统对传感器性能要求更高。毫米波雷达因探测距离远、对照明和天气条件鲁棒性强，在恶劣环境下表现优异，特别适用于L2/L3级自动驾驶。它能提供准确的车辆距离和方位信息。但毫米波雷达的点云分辨率受硬件和环境影响，本项目利用深度学习算法提升毫米波雷达探测效能，对自动驾驶发展意义重大。

【技术创新】

毫米波雷达工作原理的缺陷以及分辨率受硬件（如天线阵列尺寸）以及环境的影响较大，其点云通常比较稀疏，拥有精确的车辆目标的位置信息但是缺乏其特征信息。因此直接利用毫米波雷达原始点云进行车辆检测受到了极大的限制。针对上述问题，首先利用生成式对抗网络对毫米波雷达点云进行补全，然后将补全后的点云输入3D目标检测网络实现交通场景中车辆的检测。主要创新点如下：

（1）提出使用毫米波雷达点云数据进行车辆检测，相比于雷达热力图更加直观。为了增加点云数量，使用多个毫米波雷达叠加检测，并且使用点云处理相关算法对地面反射和多径效应造成的杂波点和离群点进行预处理；

（2）提出了一种端到端的雷达点云补全网络(RPCNet)，在保留毫米波雷达点云精确的位置信息的基础上丰富目标的特征信息。使用生成式对抗网络(GAN)框架，学习车辆雷达点云丰富的空间特征以及与地面真值的差异，最小化输入（未补全点云）与输出（补全后点云）、输出与地面真值（激光雷达点云）的差异。在nuSence数据集上进行实验验证。保真误差(FD)达到0.0213，F-Score达到70.68%，相比目前性能最好的ASFM-Net模型分别提高了14.8%、2.85%。倒角距离(CD)为0.2678，也达到最优性能；

（3）提出一种基于单阶段多锚框检测(SSD)的3D目标检测算法对补全后的多毫米波雷达点云进行检测。并且考虑到输入点云的不均匀性，使用Point Transformer来捕捉点云中的局部和全局特征，以便更好地处理不同数量和分布的点。相比于激光雷达，实现了对较远距离车辆探测性能20%左右的提升。

【知识产权】

发表研究论文1篇。

【应用领域】

自动驾驶、人工智能、机器人、汽车等。

【应用情况】

目前与AGV企业开展合作转化工作。