广告
毫米波雷达在多模态视觉任务上的近期工作及简析
3.1 多模态融合的map分割
-
题目：A Simple baseline for BEV Perception Without LiDAR（2022， MIT）
作者的出发点： 在BEV上通过BEVFORMER的方式"无参数化"地完成Lift操作(将图像特征转换到BEV空间)，融合雷达点云特征图，用于分割任务，性能超越了之前的分割模型。
-
网络结构：
-
论文如其名，网络结构比较简单，可以看出很多论文的影子(例如BEVFORMER)，作者就是通过显式的BEV-Queries采样图像特征，并且concate雷达特征并通过卷积进行模态对齐与融合，后面用于分割任务。
-
总结分析：
-
雷达信息处理：
雷达feature-map构成：0\1的occupy map，nuscenes提供的所有特征(RCS,X,Y,Z,V...)作为输入concate到一起作为输入特征。检测范围是[-100, 100m]，网格的大小是200x200。
-
性能提升
-
和主流的工作相比，作者的确在分割上提升非常大，作者将这归功于毫米波的功劳，
-
消融实验
总结为三点：对于分割任务，输入过多的属性提升不明显(occupy only已经达到53)，对multi-path的毫米波雷达点滤除反而导致性能下降(意料之中，因为multi-path的毫米波虽然会导致噪声，但是其扫描到的物体可能正是位于被遮挡的区域)，增加sweeps的数量性能也会提升(毕竟点云密度大了)。
四、密集点云生成
4.1 GAN
4.1.1 通过密集点云监督radar生成密集点云
See Through Smoke: Robust Indoor Mapping with Low-cost mmWave Radar (2020， 斯坦福)
4.2 Lidar Supervision
4.2.1 激光雷达点云监督毫米波生成occupy grid map
Radar Occupancy Prediction With Lidar Supervision While Preserving Long-Range Sensing and Penetrating Capabilities作者的出发点： 通过lidar这种数据质量较高的模态，监督毫米波雷达生成质量较高的占据栅格地图，解决在这个过程中的两个问题：一解决occupy网格生成存在于传感器之间的内生性问题：传感器感知距离不一，传感器穿透性不一问题；二解决长距离网格生成问题；生成的occpy grid map可用于下游的路径规划等问题。
-
本文一些基本定义：
-
极坐标系与笛卡尔坐标转化
作者以笛卡尔坐标系的x,y中心为极坐标系的中心，笛卡尔坐标系的一周等同于极坐标系的一段(如下图所示的蓝色红色对应关系)
-
作者将radar中lidar的感知区域定位trainning-region，将其他范围内的毫米波点云作为inference的输入，如下图所示
-
毫米波雷达噪声来源：
multipath reflection(多路径感染，在交通道路环境下工作的雷达越来越密集，其间产生的多径干扰会导致雷达出现虚假目标), speckle noise, receiver saturation, and ring-shaped noise
关于以上噪声的成因：https://zhuanlan.zhihu.com/p/407095772
-
本文各类颜色含义
- 下一篇：锂电池散热冷却方式综述
- 上一篇：某纯电动汽车空调采暖性能试验研究
广告 
广告
编辑推荐
最新资讯
-
端到端专题：DDPG 基础算法与方法论介绍
2024-12-19 11:42
-
多模态大模型最新论文介绍
2024-12-19 11:42
-
建科股份收购苏州赛宝
2024-12-19 09:57
-
端云协同创变，中科创达与火山引擎共塑AI智
2024-12-19 09:56
-
美国环保署为零排放重型车辆补贴7.35亿美元
2024-12-19 09:56
广告
广告
