A NEW AUTOMOTIVE RADAR 4D POINT CLOUDS DETECTOR BY USING DEEP LEARNING

ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 被引：8
本文为了解决传统雷达测的点云稀疏和错误点(clutter points)多的为问题，提出了一个基于深度学习利用了目标在空间分布的特征的检测方法。

总体的流程：
1.先经过1dfft和2dfft转化为range-doppler图
2.检测到的信号强的点就被看做物体
3.利用数字波束形成（digital beamforming，DBF）得到目标物体的角度和高度

作者将在RDI中检测物体看做一个语义分割的工作。
RDI和RGB图有一些不同，比如浅层的特征已经够用了，就不需要通过往网络模型中添加更多的层，来提取深层次的特征。(还有两个关于语义分割的分析没看懂，待补
提出了自己的网络RPDNet(radar points detector network)

用激光雷达采集到的数据作为ground truth,再通过坐标变化和时间戳时间戳对齐等操作，同步毫米波雷达点云和激光雷达点云数据。

实验设备是AWR1843，设置3TX 4RX，16-beam的激光雷达，采集4000帧数据，3000帧作为训练集，1000帧作为测试集

提出了一种评估标准，
ΩR2 = {q ∈ ΩR1, s.t, d(q, p) > δ1, ∀p ∈ ΩL1}
ΩL2 = {p ∈ ΩL1, ∃q ∈ ΩR1, s.t, d(p, q) < δ2}