718
前段時(shí)間Tesla正式“開除”毫米波雷達(dá)，以純視覺實(shí)現(xiàn)FSD，引起不小熱議。包括Tesla以及Musk都曾公開表示，去除雷達(dá)的重要原因之一在于雷達(dá)輸出結(jié)果過于noisy。
相比于視覺以及Lidar，雷達(dá)輸出(比如點(diǎn)云輸出)存在更多雜點(diǎn)或者噪點(diǎn)，這一定程度上是由雷達(dá)的電磁散射特性決定的。某些場景下，反射，漫發(fā)射，多次反射，折射，繞射，衍射等豐富的電磁傳播方式使得在雷達(dá)接收端，大概率產(chǎn)生一定數(shù)量的虛假點(diǎn)云（ghost detections）進(jìn)而產(chǎn)生虛假目標(biāo)（ghost objects），這些虛假目標(biāo)將對雷達(dá)系統(tǒng)功能產(chǎn)生一定影響(比如虛假目標(biāo)導(dǎo)致的AEB誤剎車等)，因此，如何抑制或減輕這些虛假點(diǎn)是提高雷達(dá)可靠性相當(dāng)重要的工作。
▲ 雷達(dá)多次反射引起的虛假目標(biāo)（橙色圈內(nèi)）
事實(shí)上，虛假點(diǎn)按類型分有多種，這期重點(diǎn)關(guān)注4D雷達(dá)下多徑效應(yīng)引起的虛假點(diǎn)處理。我們按照傳播路徑，雷達(dá)多徑傳播可以大致分為兩大類：
Type 1
▲ Multipath Propagation Type 1
Type 2
▲ Multipath Propagation Type 2
Type 1與Type 2的主要差別在于主反射路徑（directpath）與多徑（indirectpath）之間的夾角不同，Type1夾角較小，而Type 2夾角往往比較大。通常，Type 1相較于Type 2更為常見，更具普遍性。本文主要討論Type 1多徑問題。
值得注意的是，雷達(dá)電磁傳播產(chǎn)生Type 2 多徑也不一定是壞事，它常常被用于“隱藏”目標(biāo)檢測與識別，這是其他車載傳感器（如camera和Lidar）難以做到的。
▲ Multipath 用于“隱藏”目標(biāo)檢測
當(dāng)然，多數(shù)情況下的多徑雜波需要被抑制。多徑抑制算法一般都是被動(dòng)式方法，所謂被動(dòng)式方法，說白了就是多徑導(dǎo)致的虛假點(diǎn)已經(jīng)產(chǎn)生，依賴算法識別這些虛假點(diǎn)并抑制，屬于亡羊補(bǔ)牢類型。廣義上，我將多徑抑制類算法分為基于模型的方法（model based）以及基于數(shù)據(jù)驅(qū)動(dòng)的方法（data driven）兩大類。并且，每一大類又根據(jù)方法的個(gè)性不同分為多個(gè)小類，我拋磚引玉，做一些介紹。
需要注意的是，我們一般認(rèn)為多徑虛假目標(biāo)具有動(dòng)態(tài)屬性，也就是說，一般靜態(tài)目標(biāo)不做多徑行為分析。這里的動(dòng)靜態(tài)是依據(jù)大地坐標(biāo)系而非車輛坐標(biāo)系。
基于模型的方法（model based）
首先是基于幾何的多徑識別，這類方法依賴于電磁傳播的幾何表示，并總結(jié)歸納出所有可能的傳播路徑。在此基礎(chǔ)上識別目標(biāo)多徑傳播路線。這類方法應(yīng)用于車載效果不是很好，主要原因在于車載行駛環(huán)境多樣性使得幾何表示往往與實(shí)際真實(shí)情況不符。
▲ 多徑傳播，幾何表示
另一條常見思路就是識別環(huán)境道路邊界。比如高速護(hù)欄，隧道邊界，橋邊界等等?？梢韵惹蠼膺吔纾缓髮⑦吔缤夥夏承┨卣鞯倪\(yùn)動(dòng)目標(biāo)視作ghost。至于如何識別道路邊界，一般的方法還是基于道路邊界反射的靜態(tài)點(diǎn)做多項(xiàng)式擬合，從而獲得到道路邊界估計(jì)。這類方法對邊界估計(jì)的穩(wěn)定性，魯棒性要求較高。
另外，這類方法的適應(yīng)范圍也比較窄，往往要求實(shí)際環(huán)境能夠形成清晰的反射邊界。
▲ 基于道路邊界的多徑目標(biāo)識別
▲ 道路邊界識別
另外，4D雷達(dá)具有較高的分辨率，同一目標(biāo)往往具有多個(gè)反射點(diǎn)。Daimler AG聯(lián)合Ulm基于高分辨雷達(dá)設(shè)計(jì)了一種多徑ghost識別算法。由于真實(shí)目標(biāo)range-doppler map表征的doppler分布應(yīng)該與shape估計(jì)的orientation基本一致。算法基于多徑ghost的運(yùn)動(dòng)狀態(tài)（Motion State）與其反射點(diǎn)的多普勒分布(Doppler Distribution)不匹配這一特征來可靠識別ghost，感興趣的可以參考文獻(xiàn)[1]。不過該方法適應(yīng)場景類別也比較少。
▲ orientation與多普勒分布
對于上述基于模型的多徑目標(biāo)識別方法判斷的潛在多徑ghost，賦予其多徑概率，或者多徑目標(biāo)置信度，成為上層數(shù)據(jù)處理的判斷依據(jù)。
基于數(shù)據(jù)驅(qū)動(dòng)的方法（data driven）
數(shù)據(jù)驅(qū)動(dòng)類的方法主要是基于機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的監(jiān)督類學(xué)習(xí)算法。這類方法目前不是很成熟，可能也難以部署于當(dāng)前雷達(dá)嵌入式系統(tǒng)，不過這類方法優(yōu)勢明顯，比如對應(yīng)用場景往往不做任何假設(shè)，普適性強(qiáng)，這對應(yīng)用環(huán)境千變?nèi)f化的車載雷達(dá)來講是巨大福音。
該類方法還屬于前沿技術(shù)研究方面，random forest, PointNet++以及CNN已被用于ghost識別。在機(jī)器學(xué)習(xí)(ML)方面，random forest已被證實(shí)是非常有效的分類器。而基于雷達(dá)柵格地圖(gridmap)，CNN也可以用于ghost識別。基于點(diǎn)云數(shù)據(jù)，應(yīng)用PointNet++也取得相當(dāng)矚目的雜波抑制效果。理論上，只要數(shù)據(jù)集夠豐富，算法處理多徑類型的能力也越強(qiáng)。
我比較關(guān)注基于ML的多徑雜波抑制，原因在于：
比基于模型的方法具有更強(qiáng)的場景適應(yīng)性，不需要對場景做任何假設(shè)；
復(fù)雜度略高于模型方法，但遠(yuǎn)低于DL；
算法具有可解釋性；
可以擴(kuò)展至非多徑雜波ghost抑制，一定程度上實(shí)現(xiàn)雜波抑制方法的統(tǒng)一；
當(dāng)然，挑戰(zhàn)也不小，比如特征提取是重中之重。
▲ 基于數(shù)據(jù)驅(qū)動(dòng)的方法流程
這類方法通常分為3步，首先是運(yùn)動(dòng)目標(biāo)識別，將detections做動(dòng)靜區(qū)分（相對于大地坐標(biāo)系），一般來講，ghost目標(biāo)都是動(dòng)態(tài)目標(biāo)。如下圖，在考慮本車車速，yawrate，雷達(dá)安裝位置等信息下，可以獲得動(dòng)靜態(tài)目標(biāo)信息。
▲ 靜態(tài)目標(biāo)識別
第二步為特征設(shè)計(jì)，這里如果是深度學(xué)習(xí)類方法，特征是網(wǎng)絡(luò)自學(xué)習(xí)的（屬于Automated feature learning），對于ML類方法需要人工設(shè)計(jì)特征，下圖也提供了相應(yīng)的多徑識別特征設(shè)計(jì)參考。
▲ 特征設(shè)計(jì)
▲ 多徑特征分析及提取
第三步就是分類器分類，將分類類別設(shè)計(jì)為3類，包括真實(shí)運(yùn)動(dòng)目標(biāo)（Real Moving(RM) Detection），靜態(tài)目標(biāo)（static detections）以及虛假目標(biāo)（ghost detections）,送入訓(xùn)練完成的分類器分類將產(chǎn)生虛假目標(biāo)的分類概率。
▲ 分類效果示例
事實(shí)上，這些方法的普適性非常高，不僅適應(yīng)適用于多徑產(chǎn)生的虛假點(diǎn)，其他原因產(chǎn)生的虛假點(diǎn)同樣適用。
還有些更酷炫的基于DL的多徑ghost識別及抑制算法，比如文獻(xiàn)[2]將PointNet++引入多徑雜點(diǎn)抑制?；赑ointNet++的方法效果出眾，基本能夠非常好的保留真實(shí)動(dòng)態(tài)點(diǎn)，抑制雜點(diǎn)，感興趣參考閱讀文獻(xiàn)[2]。
這類方法比較新穎，雖尚無法得到高效應(yīng)用及部署，但有利于打開思路，為多徑雜波抑制提供新途徑。
▲ PointNet++ Ghosts識別效果
小結(jié)
我們希望在多徑雜波抑制的解決方案上，需要滿足如下條件：普適，簡單，有效。
基于模型的傳統(tǒng)多徑抑制算法具有較強(qiáng)的可解釋性，思路清晰簡單，但適用場景有限（往往要求有能夠形成清晰的反射邊界，比如高速護(hù)欄等），另外還需要所假設(shè)的模型能夠與實(shí)際數(shù)據(jù)具有較好的匹配度。
基于數(shù)據(jù)驅(qū)動(dòng)類的方法不需要假設(shè)任何模型，適用場景將大幅度擴(kuò)展，甚至能夠擴(kuò)展至非多徑引起的雜點(diǎn)抑制。由于目前深度學(xué)習(xí)類的方法暫無法直接部署至車載雷達(dá)系統(tǒng)，因此，可以重點(diǎn)考慮機(jī)器學(xué)習(xí)類的方法，隨機(jī)森林已被驗(yàn)證具有非常好的雜點(diǎn)抑制效果，所以矛盾點(diǎn)轉(zhuǎn)變?yōu)镸L類方法所必須關(guān)注的特征工程。只有設(shè)計(jì)合適的特征，配合隨機(jī)森林等ML算法，才能實(shí)現(xiàn)多徑ghosts乃至各類型雜點(diǎn)高效抑制。
[參考文獻(xiàn)]
[1] Roos F , Sadeghi M , Bechter J , et al. Ghost target identification by analysis of the Doppler distribution in automotive scenarios[C]// 2017 18th International RadarSymposium (IRS). IEEE, 2017.
[2] Chamseddine M , Rambach J , O Wasenmüller, et al. GhostTarget Detection in 3D Radar Data using Point Cloud based Deep NeuralNetwork[C]// International Conference on Pattern Recognition (ICPR) 2020. 2020.
