基于点网的雷达数据二维汽车检测

基于点网的雷达数据二维汽车检测

摘要——对于许多自动驾驶功能来说，对车辆环境的高度准确感知是至关重要的先决条件。现代高分辨率雷达传感器为每个物体生成多个雷达目标，这使得这些传感器特别适合于2D物体检测任务。这项工作提出了一种使用PointNets仅根据稀疏雷达数据检测2D对象的方法。只提出了对对象进行对象分类或边界框估计的方法。相反，这种方法有助于使用单个雷达传感器对物体进行分类和边界框估计。为此，针对雷达数据调整PointNets，执行具有分割的2D对象分类和2D边界框回归，以估计任意2D边界框。该算法使用自动创建的数据集进行评估，该数据集由各种逼真的驾驶动作组成。

该算法使用自动创建的数据集进行评估，该数据集由各种逼真的驾驶动作组成。结果表明，使用PointNets在高分辨率雷达数据中进行目标检测具有巨大的潜力。

图1：雷达数据中的二维目标检测。雷达点云，反射属于汽车（红色）或杂波（蓝色）。箭头的长度显示多普勒速度，点的大小表示雷达横截面值。红色框是预测的amodal 2D边界框。

图2:PointNets雷达数据中的二维目标检测。首先，补丁方案使用整个雷达目标列表来确定多个感兴趣的区域，称为补丁。其次，分类和分割网络对这些补丁进行分类。随后，对n个雷达目标中的每个目标进行分类，以获得实例分割。最后，回归网络使用m个分段的汽车雷达目标来估计物体的模态2D边界框。

图3：使用PointNets在雷达数据中进行2D目标检测的网络架构。该模型基于PointNet。

输入点是雷达目标的列表。为了在分类网络中获得全局特征，该模型由多层感知器（mlp）和最大池化层组成。在完全连接（FC）层之后，获得整个点云的分类分数。在分割网络中，将局部和全局特征与分类的输出分数相结合，模型应用mlp来获得目标概率。在box估计网络中，它包含mlp和max池化层以获得全局特征。特征与分类分数相结合，并被转发到FC层以确定框参数。

表一：雷达数据中2D物体检测的结果。对象检测器在测试集上进行评估。对分类和分割的准确性和F1分数进行评估。IoU通过使用平均IoU（mIoU）和阈值为0.7的IoU的比率来评估2D边界框估计。考虑了整个测试数据集以及单个驾驶操作。