4D成像毫米波雷達技術的案例
4D毫米波成像雷達目標分類研究
4D毫米波成像雷達目標分類研究
經緯恒潤新產品系列 | 4D成像毫米波雷達
隨著智能駕駛汽車技術的不斷完善，更多新的技術將被應用到智能駕駛汽車上。當前，毫米波雷達由于不具備測高的能力，很難判斷前方靜止物體是在地面還是在空中。當遇到井蓋、減速帶、立交橋、交通標識牌等地面、空中物體時，無法準確測得物體的高度數據。如果將這樣的數據交給汽車，汽車就會出現頻繁剎車的問題。4D成像毫米波雷達的出現，將彌補這一缺陷。4D成像毫米波雷達在原有的距離、速度、方向的數據基礎上，增加了對目標的高度分析，將第4個維度整合到傳統毫米波雷達中，以更好地了解和繪制環境地圖，使得測到的交通數據更為精準。
產品介紹
經緯恒潤自研的兩款4D成像毫米波雷達，4D成像前雷達具備48發48收通道，4D成像角雷達具備24發12收通道。兩款產品在方位角和俯仰角具有高分辨能力，能夠區分、追蹤、識別數百個目標。對于小汽車目標，能夠探測到350m以上，遠距離探測的同時依然能夠保持寬闊的視野范圍，識別大范圍的高清細節圖像。48發48收共2304個虛擬通道，24發12收共288個虛擬通道，兩款產品均可以形成豐富的點云信息，甚至對目標進行輪廓的點云成像，因此可以稱之為真正意義上的成像雷達。
展開 經緯恒潤4D成像毫米波雷達亮相 CES 2024
image_process=/format,webp/resize,w_400" data-pc-src="https://img.jishulink.com/202401/attachment/fc01e26dc9df4e2cb79d2ae372991e08.jpg?image_process=/format,webp" data-initial-src="https://img.jishulink.com/202401/attachment/fc01e26dc9df4e2cb79d2ae372991e08.jpg">
</figure>
</div><p class="ql-align-center">LRR610在大雪天氣中的點云成像效果</p><p class="ql-align-justify"> 隨著智能駕駛技術的不斷迭代，4D成像雷達作為一款性能優秀的傳感器，處于量產上車爆發的前夜。經緯恒潤將4D成像雷達的研發迭代放在重要位置，已研發出性能優秀的B樣產品，預計在2024年底實現量產。我們堅信，憑借專業的研發團隊及豐富的開發經驗，在不遠的將來，駕駛者一定可以感受這一創新型科技帶來的安全駕駛新體驗！</p><p><br></p>
展開 康謀技術 | 毫米波雷達技術解析
隨著技術的快熟發展，新一代的4D毫米波雷達通過增加對物體俯仰角度的測量，有效地彌補了這一缺陷，實現了對物體高度的識別。
所謂“4D”，是指這種雷達能夠測量目標的距離、水平方位、速度以及高度四個維度的信息。4D毫米波雷達不僅繼承了傳統毫米波雷達在各種天氣和光照條件下穩定工作的能力，以及能夠探測到被遮擋物體的優勢，還在測量精度和分辨率上實現了顯著提升。
它能夠識別更小的物體、靜止物體，甚至是空中的障礙物。這種雷達對復雜道路環境的適應性更強，這得益于其配備的縱向天線和采用的MIMO（多輸入多輸出）技術，這些技術共同作用，形成了虛擬的孔徑陣列，從而提高了對角度、速度和距離的分辨率。
四、總結
隨著技術的不斷進步，毫米波雷達正朝著更高分辨率、更低成本和更強的集成能力的方向發展，特別是在4D成像技術的應用上，它通過增加對物體高度的測量能力，顯著提升了對復雜交通環境的感知和理解。
在自動駕駛領域，毫米波雷達以其全天候的工作能力、遠距離探測性能、高精度測量以及物體識別與分類的能力，成為了實現安全、可靠自動駕駛的關鍵傳感器技術。隨著成本的降低和性能的提升，毫米波雷達不僅能夠作為其他傳感器的有力補充，還能為未來的智能出行提供了堅實的技術基礎。
展開 
毫米波雷達和「圖像數據」的融合｜技術解讀篇
作者言：
由于工作的關系，一直關注自動駕駛技術中的傳感器感知算法，平時會讀相關的論文，跟蹤學術界和工業界最新的進展。
自動駕駛是近些年來非?；馃岬姆较颍兄?em>技術也是日新月異的發展，因此有必要系統性的梳理技術的脈絡，一方面方便自己隨時查閱，另一方面也期望和同道中人多多交流。
自動駕駛的應用中通常會包括多種傳感器，以提高系統的可靠性。
從目前來看，常用的傳感器包括可見光相機，激光雷達和毫米波雷達。這些傳感器各有優缺點，也互為補充，因此如何高效的融合多傳感器數據，也就自然的成為了感知算法研究的熱點之一。
毫米波雷達感知算法的研究起步較晚，公開的數據庫也不多，因此，目前多傳感器融合的研究主要集中在融合相機（圖像）和激光雷達（點云）的數據。
隨著毫米波雷達在自動駕駛車輛中越來越多的應用，它的數據如何與圖像進行融合，也成為了一個亟需解決的問題。
毫米波雷達的數據一般以 Point Cloud（點云）的形式呈現。理論上說這與激光雷達的點云類似，只是每個點包含的數據不同：激光雷達的點包括 X、Y、Z 坐標和反射信號強度；而毫米波雷達的點包括 X、Y（也可能有 Z）坐標，RCS（物體反射面積）和 Doppler（物體速度）。
因此，很多激光雷達和圖像的融合方法也可以用來融合毫米波雷達。
但相對于激光雷達，毫米波雷達的點云非常稀疏（幾十 vs 幾千），所以在算法上還需要一些特殊的設計。
目前來看，大多數融合算法采用點云數據作為輸入，但是也有部分工作采用更底層的雷達數據，比如 Range-Doppler-Azimuth （RAD）Tensor。
展開 毫米波雷達和「圖像數據」的融合｜技術解讀篇
知圈 | 進“電子電氣群”請加微13636581676,備注架構
作者言：
由于工作的關系，一直關注自動駕駛技術中的傳感器感知算法，平時會讀相關的論文，跟蹤學術界和工業界最新的進展。
自動駕駛是近些年來非?；馃岬姆较?，感知技術也是日新月異的發展，因此有必要系統性的梳理技術的脈絡，一方面方便自己隨時查閱，另一方面也期望和同道中人多多交流。
自動駕駛的應用中通常會包括多種傳感器，以提高系統的可靠性。
從目前來看，常用的傳感器包括可見光相機，激光雷達和毫米波雷達。這些傳感器各有優缺點，也互為補充，因此如何高效的融合多傳感器數據，也就自然的成為了感知算法研究的熱點之一。
毫米波雷達感知算法的研究起步較晚，公開的數據庫也不多，因此，目前多傳感器融合的研究主要集中在融合相機（圖像）和激光雷達（點云）的數據。
隨著毫米波雷達在自動駕駛車輛中越來越多的應用，它的數據如何與圖像進行融合，也成為了一個亟需解決的問題。
毫米波雷達的數據一般以 Point Cloud（點云）的形式呈現。理論上說這與激光雷達的點云類似，只是每個點包含的數據不同：激光雷達的點包括 X、Y、Z 坐標和反射信號強度；而毫米波雷達的點包括 X、Y（也可能有 Z）坐標，RCS（物體反射面積）和 Doppler（物體速度）。
因此，很多激光雷達和圖像的融合方法也可以用來融合毫米波雷達。
但相對于激光雷達，毫米波雷達的點云非常稀疏（幾十 vs 幾千），所以在算法上還需要一些特殊的設計。
展開 康謀技術 | 高效環境感知：毫米波雷達數據采集、可視化及存儲方案
<p>隨著自動駕駛技術的快速發展，自動駕駛的研發逐漸形成一整套的流程，包括<strong>數據采集，清洗標注，算法訓練，仿真測試</strong>到<strong>量產</strong>等各技術環節。通過復雜的步驟從原始數據中提出高價值的信息，其中對原始數據的精準采集是實現車輛環境感知的基石。毫米波雷達因其出色的測距、測速能力以及對惡劣天氣的魯棒性，成為不可或缺的傳感器之一。</p><p>本文將以4D毫米波雷達ARS548為例，分享毫米波雷達如何快速實現數據采集，可視化及存儲策略。關于毫米波雷達的特性可進一步了解文章<strong>《毫米波雷達技術解析》</strong>。</p><h2>一、ARS548毫米波雷達概述</h2><p><strong>ARS548</strong>是 4D高分辨率成像毫米波雷達（4D High Resolution Radar），如圖1所示。它能夠有效的測量<strong>距離（Range），速度（Velocity），水平角度（Azimuth）</strong>和<strong>俯仰角度或高度（Elevation）</strong>四個維度的信息，具備感知目標三維空間位置能力。
展開 