CN117008072A - 一种雷达点云的降维表征方法 - Google Patents

Abstract

本发明涉及一种雷达点云的降维表征方法，雷达传感器向目标场景发射探测信号并接收该目标场景散射的回波信号，然后对该回波信号进行数据处理并生成目标点云集合，再对该目标点云集合进行降维表示，并得到谱分布，最后构造不同的时变特征和空变特征。本发明通过对雷达点云进行降维等数据处理，可以更有效地利用雷达获取的目标场景信息，充分表征感兴趣目标，这对于自动驾驶、物联网等场景中的雷达感知应用至关重要。

Description

一种雷达点云的降维表征方法

技术领域

本发明关于雷达传感器技术领域，特别是有关于一种雷达点云的降维表征方法。

背景技术

现有技术中，随着5G、人工智能和自动驾驶的快速发展，自动驾驶、通信感知一体化、集成传感器等领域对雷达传感技术的需求越来越强烈。

目前，自动驾驶领域常用的车载传感器包括摄像头、激光雷达、超声波雷达和毫米波雷达。其中，超声波雷达的探测距离较短，主要用于近距离避障。摄像头和激光雷达在雨、雪、雾、霾等不良天气下探测能力会急剧下降，在弱光或强光环境下探测能力也会受到影响。而毫米波雷达基本不受光照、天气等因素影响，而且能够穿透一定厚度的非金属遮挡，具有独特的传感优势。得益于毫米波雷达芯片式传感器和对应智能传感技术的进步，毫米波雷达在自动驾驶和物联网等领域的商业化应用已经获得较大成功。

常规光学摄像头获取的场景信息以二维图像的形式呈现。激光雷达、超声波雷达和毫米波雷达虽然也能获得目标场景的图像信息，但为了节省存储和计算资源，通常以点云的形式呈现目标场景。如何能够更高效准确地利用雷达获取的目标场景信息来充分表征感兴趣目标，对于自动驾驶、物联网等场景中的雷达感知应用至关重要。

发明内容

针对上述问题，本发明提供一种雷达点云的降维表征方法，该方法包括如下步骤：

S1：雷达传感器向目标场景发射探测信号；

S2：该雷达传感器接收该目标场景散射的回波信号；

S3：对该回波信号进行数据处理并生成目标点云集合；

S4：对该目标点云集合进行降维表示，并得到谱分布；

S5：构造不同的时变特征和空变特征。

进一步地，该目标场景包括静态目标场景和动态目标场景，其中静态目标场景不含运动的目标，动态目标场景包含运动的目标。

进一步地，步骤S3中该目标点云集合包含的目标测量参数有径向距离、径向速度、方位角、俯仰角、振幅和相位，具体表示为：其中，S表示目标点云集合，r_p表示该目标场景中第P个目标点的径向距离，v_p表示该目标场景中第P个目标点的径向速度，θ_p表示该目标场景中第P个目标点的方位角，/>表示该目标场景中第P个目标点的俯仰角，A_p表示该目标场景中第P个目标点的振幅，ψ_p表示该目标场景中第P个目标点的相位，N_S表示目标点云集合中目标点云的数目。

进一步地，步骤S4前包含步骤：将该目标点云集合的坐标系从球坐标系转换为三维直角坐标系。

进一步地，转换后的目标点云集合为：S＝{v_p，x_p，y_p，z_p，A_p，ψ_p|p＝1，2，3，...，N_S}，其中， x_p、y_p和z_p表示该目标场景中第P个目标点的三维空间坐标，/>表示该目标场景中第P个目标点的俯仰角，ψ_p表示该目标场景中第P个目标点的相位。

进一步地，步骤S4降维包括一维降维，得到一维参量分布集合{w_p|p＝1，2，3，...，N_S}，其中，w为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意一个参量。

进一步地，步骤S4降维包括二维降维，得到二维参量分布集合{¹w_p，²w_p|p＝1，2，3，...，N_S}，其中，¹w_p和²w_p为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意两个参量。

进一步地，步骤S4降维包括三维降维，得到三维参量分布集合[¹w_p，²w_p，³w_p|p＝1，2，3，...，N_S}，其中，¹w_p、²w_p和³w_p为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意三个参量。

进一步地，步骤S4中该谱分布包括振幅谱和径向速度谱。

进一步地，步骤S5包括如下步骤：

S51：构造参量w的2D点云w-时间振幅谱特征，具体公式为：其中，A(w(T_i))表示第T_i帧的1D点云w振幅谱，上标的T表示转置符号；

S52：构造¹W和²W的3D点云振幅谱时间序列特征，具体公式为：A(¹w，²w，T)＝{A(¹w(T_i)，²w(T_i))，i＝1，2，3，...，NT}，其中，A(¹w(T_i)，²w(T_i))表示第T_i帧的2D点云¹W-²W振幅谱；

S53：将2D点云¹W-²W帧叠加点云振幅谱特征定义为滑动特征窗中所有帧2D点云振幅谱表示的非相干叠加平均，具体公式为：

S54：将2D点云¹W-²W帧拼接点云振幅谱特征定义为滑动特征窗内所有帧的2D点云振幅谱表示沿¹W或²W方向的拼接，具体公式为：

本发明提供一种雷达点云的降维表征方法，雷达传感器向目标场景发射探测信号并接收该目标场景散射的回波信号，然后对该回波信号进行数据处理并生成目标点云集合，再对该目标点云集合进行降维表示，并得到谱分布，最后构造不同的时变特征和空变特征。本发明通过对雷达点云进行降维等数据处理，可以更有效地利用雷达获取的目标场景信息，充分表征感兴趣目标，这对于自动驾驶、物联网等场景中的雷达感知应用至关重要。

附图说明

图1为本发明一种雷达点云的降维表征方法流程示意图。

具体实施方式

为使对本发明的目的、构造、特征、及其功能有进一步的了解，兹配合实施例详细说明如下。

针对上述问题，本发明提供一种雷达点云的降维表征方法，参见图1，图1为本发明一种雷达点云的降维表征方法流程示意图，主要包括如下步骤：

S1：雷达传感器向目标场景发射探测信号；

S2：该雷达传感器接收该目标场景散射的回波信号；

S3：对该回波信号进行数据处理并生成目标点云集合；

S4：对该目标点云集合进行降维表示，并得到谱分布；

S5：构造不同的时变特征和空变特征。

本发明中雷达传感器可以为微波类型雷达，也可以非微波类型雷达；微波类型雷达包括但不限于连续波雷达、脉冲雷达、脉冲压缩雷达或频率捷变雷达，非微波类型雷达包括但不限于太赫兹雷达、激光雷达、超声波雷达等。

雷达传感器可以包含1个发射天线与1个接收天线，也可以包含超过1个发射天线与超过1个接收天线。如果仅包含1个发射天线，构成真实天线阵列，超过1个发射天线，可以利用多入多出方法构成虚拟天线阵列；如果真实天线阵列或虚拟天线阵列仅有水平方向或垂直方向超过1个天线，称为一维天线阵列，如果真实天线阵列或虚拟天线阵列的水平方向和垂直方向均超过1个天线，称为二维天线阵列。

雷达传感器如果无距离分辨能力，如频率固定的多普勒雷达，无法获得目标径向距离、振幅和相位参数，可以获得目标场景的散射回波叠加振幅和相位以及运动目标对应的多普勒频移或径向速度。

雷达传感器如果有距离分辨能力，且仅包含1个发射天线与1个接收天线时，可获取的目标参数包括径向距离、径向速度、振幅和相位。

雷达传感器如果有距离分辨能力，且具有一维天线阵列时，可获取的目标参数包括径向距离、径向速度、方位角(或俯仰角)、振幅和相位。

雷达传感器如果有距离分辨能力，且具有二维天线阵列时，可获取的目标参数包括径向距离、径向速度、方位角、俯仰角、振幅和相位。

进一步地，目标场景包括静态目标场景和动态目标场景，其中静态目标场景不含运动的目标，动态目标场景包含运动的目标。若为静态目标场景，无目标径向速度信息，需要利用天线阵列的角度分辨能力在距离-方位-俯仰域分辨目标；若为动态目标场景，可以利用多普勒分辨能力在距离-多普勒域辅助分辨场景中的运动目标，还可以滤除静态目标。

进一步地，步骤S3中，对回波信号进行处理的过程，可以得到距离-多普勒域、距离-方位域、距离-俯仰域、方位-俯仰域等目标场景成像结果，对其进行目标检测后得到的目标点云集合包含的目标测量参数有径向距离、径向速度、方位角、俯仰角、振幅和相位，具体表示为：其中，S表示目标点云集合，r_p表示该目标场景中第P个目标点的径向距离，v_p表示该目标场景中第P个目标点的径向速度，θ_p表示该目标场景中第P个目标点的方位角，/>表示该目标场景中第P个目标点的俯仰角，A_p表示该目标场景中第P个目标点的振幅，ψ_p表示该目标场景中第P个目标点的相位，N_S表示目标点云集合中目标点云的数目。

进一步地，步骤S4前包含步骤：将目标点云集合的坐标系从球坐标系转换为三维直角坐标系，转换后的目标点云集合包含径向速度、三维直角坐标系位置、振幅和相位，具体为：S＝{v_p，x_p，y_p，z_p，A_p，ψ_p|p＝1，2，3，...，N_S}，其中，x_p、y_p和z_p表示该目标场景中第P个目标点的三维空间坐标，/>表示该目标场景中第P个目标点的俯仰角，ψ_p表示该目标场景中第P个目标点的相位。

进一步地，步骤S4降维包括一维降维，得到一维参量分布集合{w_p|p＝1，2，3，...，N_S}，其中，w为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意一个参量，还可以构造任一目标参量的Γ谱分布，比如，将除振幅参量A之外的任一目标参量w的一维振幅谱分布，具体公式为：/>其中，i为参量w的索引下标，i＝1，2，3……N_w，N_w为参量域的划分点数，w_i为为参量w对应参量域/>的索引，Δw为w参量域的划分间隔，δ(·)为克罗内克δ函数，[·]为四舍五入取整运算符号，b_w为w参量分布的偏移量。

进一步地，步骤S4降维包括二维降维，得到二维参量分布集合{¹w_p，²w_p|p＝1，2，3，...，N_S}，其中，¹w_p和²w_p为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意两个参量，选择这两个目标参量时优先选择有物理意义的组合，例如r和v的组合表示距离多普勒，θ和的组合表示二维角度谱，r、θ和/>的两两组合表示三维位置点云的三视图，同样，x、y和z的两两组合也表示三维位置点云的三视图。同时，还可以构造任意两个目标参量的二维Γ谱分布，比如，将两个目标参量¹w_p和²w_p的二维振幅谱分布，具体公式为：其中，左上标的k为参量索引，^kw表示不同参量，^ki表示不同参量的索引下标，/> 表示^kw域的划分点数，Δ^kw表示^kw域的划分间隔，/>表示^kw域数据分布的偏移量，Π(·)表示连乘符号。

进一步地，步骤S4降维包括三维降维，得到三维参量分布集合{¹w_p，²w_p，³w_p|p＝1，2，3，...，N_S}，其中，¹w_p、²w_p和³w_p为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意三个参量，选择这三个目标参量时优先选择有物理意义的组合，例如，r、θ和/>的组合构成球坐标系的三维位置点云，x、y和z的组合构成三维直角坐标系的三维位置点云。同时，还可以构造任意三个目标参量的三维Γ谱分布，比如，将三个目标参量¹w、²w和³w的三维振幅谱分布，具体公式为：/>

以此类推，可以构造更高维的参量分布集合和Γ谱分布，例如，可以构造参量¹w、²w、³w和w⁴的四维点云振幅谱，具体公式为： ¹w、²w、³w和w⁴这四个参量可以优先选择具有物理意义的组合。

步骤S4中谱分布包括振幅谱和径向速度谱，对目标点云集合的降维表示，除了可以定义振幅谱分布，还可以灵活地定义其他参量的谱分布，下面定义径向速度谱分布作为示例。由于径向速度有正负差异，如果直接进行叠加会出现正负抵消的问题，因此，首先对所有目标点的径向速度值添加偏移量v_max，从而将除了径向速度参量v职位的任一目标参量w的一维径向速度谱分布定义为：更高维的径向速度谱可以参考上述振幅谱的公式，将其中的A_p替换为(v_p+v_max)进行构造。

进一步地，步骤S5包括如下步骤：

S51：构造参量w的2D点云w-时间振幅谱特征，具体公式为：其中，A(w(T_i))表示第T_i帧的1D点云w振幅谱，上标的T表示转置符号；

S52：构造¹W和²W的3D点云振幅谱时间序列特征，具体公式为：A(¹w，²w，T)＝{A(¹w(T_i)，²w(T_i))，i＝1，2，3，...，N_T}，其中，A(¹w(T_i)，²w(T_i))表示第T_i帧的2D点云¹W-²W振幅谱；

S53：将2D点云¹W-²W帧叠加点云振幅谱特征定义为滑动特征窗中所有帧2D点云振幅谱表示的非相干叠加平均，具体公式为：

S54：将2D点云¹W-²W帧拼接点云振幅谱特征定义为滑动特征窗内所有帧的2D点云振幅谱表示沿¹W或²W方向的拼接，具体公式为：

本发明提供一种雷达点云的降维表征方法，雷达传感器向目标场景发射探测信号并接收该目标场景散射的回波信号，然后对该回波信号进行数据处理并生成目标点云集合，再对该目标点云集合进行降维表示，并得到谱分布，最后构造不同的时变特征和空变特征。本发明通过对雷达点云进行降维等数据处理，可以更高效准确地利用雷达获取的目标场景信息，充分表征感兴趣目标，这对于自动驾驶、物联网等场景中的雷达感知应用至关重要。

本发明已由上述相关实施例加以描述，然而上述实施例仅为实施本发明的范例。必需指出的是，已揭露的实施例并未限制本发明的范围。相反地，在不脱离本发明的精神和范围内所作的更动与润饰，均属本发明的专利保护范围。

Claims (10)

1.一种雷达点云的降维表征方法，其特征在于，该方法包括如下步骤：

S1：雷达传感器向目标场景发射探测信号；

S2：该雷达传感器接收该目标场景散射的回波信号；

S3：对该回波信号进行数据处理并生成目标点云集合；

S4：对该目标点云集合进行降维表示，并得到谱分布；

S5：构造不同的时变特征和空变特征。

2.根据权利要求1所述的一种雷达点云的降维表征方法，其特征在于，该目标场景包括静态目标场景和动态目标场景，其中静态目标场景不含运动的目标，动态目标场景包含运动的目标。

3.根据权利要求1所述的一种雷达点云的降维表征方法，其特征在于，步骤S3中该目标点云集合包含的目标测量参数有径向距离、径向速度、方位角、俯仰角、振幅和相位，具体表示为：其中，S表示目标点云集合，r_p表示该目标场景中第P个目标点的径向距离，v_p表示该目标场景中第P个目标点的径向速度，θ_p表示该目标场景中第P个目标点的方位角，/>表示该目标场景中第P个目标点的俯仰角，A_p表示该目标场景中第P个目标点的振幅，ψ_p表示该目标场景中第P个目标点的相位，N_S表示目标点云集合中目标点云的数目。

4.根据权利要求1所述的一种雷达点云的降维表征方法，其特征在于，步骤S4前包含步骤：将该目标点云集合的坐标系从球坐标系转换为三维直角坐标系。

5.根据权利要求4所述的一种雷达点云的降维表征方法，其特征在于，转换后的目标点云集合为：S＝{v_p，x_p，y_p，z_p，A_p，ψ_p|p＝1，2，3，...，N_S}，其中，x_p、y_p和z_p表示该目标场景中第P个目标点的三维空间坐标，/>表示该目标场景中第P个目标点的俯仰角，ψ_p表示该目标场景中第P个目标点的相位。

6.根据权利要求1所述的一种雷达点云的降维表征方法，其特征在于，步骤S4降维包括一维降维，得到一维参量分布集合{w_p|p＝1，2，3，...，N_S}，其中，w为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意一个参量。

7.根据权利要求1所述的一种雷达点云的降维表征方法，其特征在于，步骤S4降维包括二维降维，得到二维参量分布集合{¹w_p，²w_p|p＝1，2，3，...，N_S}，其中，¹w_p和²w_p为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意两个参量。

8.根据权利要求1所述的一种雷达点云的降维表征方法，其特征在于，步骤S4降维包括三维降维，得到三维参量分布集合{¹w_p，²w_p，³w_p|p＝1，2，3，...，N_S}，其中，¹w_p、²w_p和³w_p为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意三个参量。

9.根据权利要求1所述的一种雷达点云的降维表征方法，其特征在于，步骤S4中该谱分布包括振幅谱和径向速度谱。

10.根据权利要求1所述的一种雷达点云的降维表征方法，其特征在于，步骤S5包括如下步骤：

S51：构造参量w的2D点云w-时间振幅谱特征，具体公式为：其中，A(w(T_i))表示第T_i帧的1D点云w振幅谱，上标的T表示转置符号；

S52：构造¹W和²W的3D点云振幅谱时间序列特征，具体公式为：A(¹w，²w，T)＝{A(¹w(T_i)，²w(T_i))，i＝1，2，3，...，N_T}，其中，A(¹w(T_i)，²w(T_i))表示第T_i帧的2D点云¹W-²W振幅谱；

S53：将2D点云¹W-²W帧叠加点云振幅谱特征定义为滑动特征窗中所有帧2D点云振幅谱表示的非相干叠加平均，具体公式为：

S54：将2D点云¹W-²W帧拼接点云振幅谱特征定义为滑动特征窗内所有帧的2D点云振幅谱表示沿¹W或²W方向的拼接，具体公式为：