基于先验距离约束的3D卷积毫米波雷达目标检测方法

用于辅助和自动驾驶系统的各种传感器中,相机和激光雷达的感知性能受天气影响较大,而车载毫米波雷达是一种低成本且几乎不受天气影响的全天候工作器件,对于运动的物体,可提取丰富的多普勒信息。随着雷达技术和开源标注数据集的发展,基于底层雷达数据的目标检测已经成为一个非常有前景的领域。为解决车载毫米波雷达数据的角度分辨率低导致的目标检测和定位不准确的问题,并提升毫米波雷达目标检测的性能,提出了一种基于先验框距离约束的3D卷积毫米波雷达目标检测方法,以实现多种动态目标的检测及分类。在本文方法中,通过设计3D ResNet的特征提取器来表征距离-角度-多普勒张量中的目标信息,解决现有的模型因忽略来自原始3D雷达信号的多普勒信息而表征不足的问题;其次,添加了绝对距离损失函数来训练模型,克服距离对目标呈现的影响,提高目标检测的准确性和鲁棒性;此外,还提出了分距离单元区间重新设置先验框的方法,解决现有方法中先验框设计不合理的问题。所提出的模型在RADDet数据集上进行训练以及测试,实验结果表明:与目前的最先进的方法相比,本文模型在IoU阈值为0.1、0.3、0.5、0.7时均达到最优,其中IoU为0.1和0.3时提升最为显著方法,分别提升了6.6%和5.1%。