多雷达数据融合调研报告
前言
在雷达领域，数据融合技术在多雷达系统中的使用有着显著的优势。多雷达系统可以增加目标信息维度和雷达检测的覆盖面积，在多雷达系统中运用数据融合技术之后，除了有传统的多雷达系统的优点，还可以增强信息的可靠性、提高信息置信度以及提高整个系统的容错能力和自适应能力等等，从而提升整个系统的性能。
本文将在多雷达数据融合在自动驾驶领域的需求现状、多雷达数据融合关键问题、多雷达数据融合的发展现状进行调研分析，并列举了目前常用的技术方案。
一、多雷达数据融合需求现状分析
同大型雷达一样，一台汽车雷达传输的数据相对于多雷达系统是不够精确的。所以，为了提高汽车雷达数据的置信度，在车载平台的条件下进行多雷达数据融合，从而增加“视野”范围，增强信息的可靠性，提高系统性能，减少车辆事故发生概率。将数据融合技术引入到民用车辆方面可以说是非常有意义的。
单雷达处理系统存在的关键问题：
1）多雷达上报的同一目标航迹在系统中不重合，难以很好地跟踪，且当目标密集时不能保证目标信息的正确和完整，容易产生错误估计；
2）雷达探测的目标位置与目标真实位置间偏差较大，无法提供精确的目标坐标；
3）对机动和微弱目标的跟踪效果差，容易跟错目标、重新编批。
二、多雷达数据融合关键问题
1 多传感器信息融合简介
多传感器信息融合也称为信息融合或数据融合，指的是对不同 知识源和多个传感器所获得的信息进行综合处理，消除多传感器信 息之间可能存在的冗余和矛盾，利用信息互补，降低不确定性，以形成对系统环境相对完整一致的理解，从而提高智能系统决策和规划 的科学性、反应的快速性和正确性，进而降低决策风险的过程。由其 定义可见，多传感器信息融合避免了单一传感器的局限性，可以获取更多信息，得出更为准确、可靠的结论。
多传感器数据融合的示意图, 传感器之间的冗余数据增强了系统的可靠性, 传感器之间的 互补数据扩展了单个的性能。一般而言, 多传感器融合系统具有以下优点:
1) 提高系统的可靠性和鲁棒性;
2) 扩展时间上和空间上的观测范围;
3) 增强数据的可信任度
4) 增强系统的分辨能力。
2 多雷达数据融合关键问题
车载雷达组网系统的本地处理器收到的点迹并不是雷达的原始点迹，而是经过了预处理的数据，所以需要对点迹数据进行误差配准，补偿各个雷达子系统的误差。然后在各个雷达的本地处理中心对得到的点云数据进行空间对准和点云聚类凝聚，这是本地处理中心进行的点迹处理。而在融合处理中心所需要进行的点迹数据处理首先是时间对准,然后将两部雷达数据进行稀疏点迹聚类凝聚。
在数据融合时，主要涉及以下几个关键问题：
1. 原始的预处理
2. 系统误差修正
3. 空间对准
4. 时间对准
5. 密集点迹聚类
1. 稀疏点迹聚类
具体内容可参考文献3.
三、多雷达数据融合发展现状
1 相关产品
1.1 毫米波成像雷达ARS 430
360°成像雷达系统是由德国大陆电子开发的一款ADAS高级辅助驾驶系统，该系统采用了一项基于多台77GHz毫米波雷达点云成像的新技术，可以将本车四周360°区域的环境以点云的方式形成图像，通过百兆网络将检测到的数据传输到同一个雷达网关，网关再将多台雷达的数据通过千兆网络传输到车载处理器，对雷达检测到的目标进行跟踪、检测本车周围的静态环境、提取本车周围的自由空间。该系统是由6-8台大陆远距雷达ARS430、系统专用的雷达网关以及连接器组成，输出的数据包括各目标的相对径向速度和距离、目标相对雷达的角度以及目标的反射截面积。360°成像雷达系统能够全天候稳定运行，受环境影响小，并具备故障自诊断功能，快速检查操作的准确性，准确判断障碍物的位置，从而完成高级辅助驾驶功能。
毫米波成像雷达ARS 430 (jcsy-china.com)
1.2 纳瓦电子将于2022年推出360度4D成像雷达、六轴姿态成像雷达
2 相关专利
2.1 一种多雷达融合感知处理方法、装置、车辆及存储介质 [发明]
摘要: 本发明公开了一种多雷达融合感知处理方法、装置、车辆及存储介质，包括接收多个雷达输出的目标车辆的原始点云数据；其中多个雷达设置于本车的不同位置上，多个原始点云数据分别位于对应的雷达自身的雷达坐标系中；对多个所述原始点云数据进行同步处理，得到多个同步点云数据；对多个所述同步点云数据进行坐标转换预处理，得到多个位于同一车身坐标系中的坐标转换数据；对所述坐标转换数据进行感知融合处理，得到所述目标车辆的目标航迹。本发明能够将雷达获取的原始点云数据直接输出，减少雷达本身的运算处理过程，降低雷达本身的算力需求，降低成本；同时在车辆的域控制器中进行集中处理，能够大大提升整车雷达感知性能的准确性与鲁棒性。
主权利要求: 1.一种多雷达融合感知处理方法，其特征在于，包括：接收多个雷达输出的目标车辆的原始点云数据；其中，多个所述雷达设置于本车的不同位置上，多个所述原始点云数据分别位于对应的所述雷达自身的雷达坐标系中；对多个所述原始点云数据进行同步处理，得到多个同步点云数据；对多个所述同步点云数据进行坐标转换预处理，得到多个坐标转换数据；其中，多个所述坐标转换数据位于同一个车身坐标系中；对多个所述坐标转换数据进行感知融合处理，得到所述目标车辆的目标航迹。
2.2 多雷达点云融合的虚假目标抑制方法、装置及终端设备 [发明]
摘要: 本发明适用于雷达技术领域，提供了一种多雷达点云融合的虚假目标抑制方法、装置及终端设备，该方法包括：获取目标装置上多个雷达探测的原始目标数据，生成点云集；对所述点云集中的点云进行聚类，得到至少一个点云融合目标；根据各个点云融合目标对应的点云的属性值，计算融合属性值，根据各个点云融合目标的融合属性值和各个雷达的探测区域，确定每个点云融合目标的区域属性；并根据融合区域的点云融合目标对应的雷达个数和融合属性值，计算融合区域内点云融合目标的虚假概率；删除虚假概率超出预设概率范围的第一点云融合目标及该第一点云融合目标对应的点云。通过上述方案，本申请能够有效抑制雷达探测的虚假目标，提高雷达探测准确性。
主权利要求: 1.一种多雷达点云融合的虚假目标抑制方法，其特征在于，包括：获取目标装置上多个雷达探测的原始目标数据，生成点云集；对所述点云集中的点云进行聚类，得到至少一个点云融合目标，并将各个点云融合目标与对应的雷达编号和点云进行关联；获取所述点云集中各个点云的属性值，并根据各个点云融合目标对应的点云的属性值，计算对应点云融合目标的融合属性值；根据各个点云融合目标的融合属性值和各个雷达的探测区域，确定每个点云融合目标的区域属性，所述区域属性包括非融合区域和融合区域；将区域属性为融合区域的点云融合目标作为第一点云融合目标，并根据各个第一点云融合目标对应的雷达个数和融合属性值，计算各个第一点云融合目标的虚假概率；删除虚假概率超出预设概率范围的第一点云融合目标及该第一点云融合目标对应的点云。
四、多雷达数据融合技术路线
1 多雷达系统组网方式
多雷达系统实际上是一个多传感器数据融合系统，它将多个单雷达通过一定方式组网，从而实现联合探测目标。早期的多雷达组网系统通常是为了增大雷达的覆盖范围，各个雷达的重叠范围很小。而目前的多雷达组网系统则通常是提高目标探测的精准度，各个雷达的重叠范围较早期更大。
多雷达系统可分为几种不同的结构:分布式、集中式和混合式等。
1.1 集中式雷达系统
在集中式雷达系统中，各个雷达采集目标的原始数据，进行简单的预处理和检测，然后将全部原始数据输送至融合处理中心。所有的数据处理都是在融合处理中心进行的。这样做的好处是在融合过程中能够利用全部的点迹信息，整个雷达系统的信息损失损失小，性能高。从理论上讲，集中式雷达系统的结构可以获得目标最佳的跟踪性能。
但是,集中式结构也有许多缺点。这种融合基于高状态维度和大的计算负荷l，融合中心的计算负荷太重是无法确保实时能力的。所有的数据在融合处理中心集中处理，如果一个子系统失败了，那么这会对整个系统造成很大的影响，使整个数据融合系统的安全性和可靠性变差。而针对这种情况来说，缺点是远大于优点的。
1.2 分布式雷达系统
分布式组网雷达处理流程如图所示。在分布式融合系统中，雷达测量目标的运动参数数据，这些测量数据首先在每个本地处理器进行预处理，预处理过后的点迹再传输到本地处理器，通过跟踪算法预测目标的位置和速度﹐形成局部航迹。之后，再通过融合处理中心收集到本地处理器处理后的数据，使用航迹融合算法对数据进行处理。
分布式雷达系统根据其是否有反馈分为两种，一是分布式无反馈雷达系统，二是分布式有反馈雷达系统。下图就是分布式有反馈雷达系统。
有反馈可以提高每个雷达估计的精度，但是会增加整个系统的通信量。
在分布式雷达系统中，每个雷达都有其各自的处理单元，不必将大量的原始数据传出到融合处理中心，通信量会更小，融合速度更快。分布式雷达系统也是有缺点的，因为各个雷达并不是将全部的原始信息传输到融合处理中心，所以可能会导致部分信息的缺失，进而影响整个雷达系统的精度。
1.3 混合式雷达系统
混合式雷达系统的处理流程如下图1所示。混合式雷达系统同时使用集中式雷达系统和分布式雷达系统的方法，各个雷达既要如同集中式雷达系统将所有原始点迹信息发送至融合处理中心，又要如同分布式雷达系统将各个雷达的局部航机信息发送至融合处理中心。
混合式雷达系统将集中式雷达系统和分布式雷达系统相结合，虽然说可以获得更高的融合精度，但是在整个系统的计算和通信方面，却比集中式和分布式花费更多。
2 系统设计
在设计多传感器融合系统时, 应考虑以下一些 基本问题:
1) 系统中传感器的类型、分辨率、准确率;
2) 传感器的分布形式;
3) 系统的通信能力和计算能力;
4) 系统的设计目标;
5) 系统的拓扑结构( 包括数据融合层次和通信 结构) 。
3 算法实现
实现跨雷达融合和跟踪的步骤顺序如下:自动驾驶汽车360度雷达感知 - 知乎 (zhihu.com)
数据输入：复制雷达扫描，包括短、中或长距离的任何扫描类型。
时间对齐：计算两次雷达扫描之间的时间，并基于此对自运动模块进行采样，得到代表两次雷达扫描之间位置变化的变换矩阵。
自运动补偿：使用变换矩阵旋转和平移追踪雷达对象的状态均值、误差协方差估算值及其他属性。
空间校准：将追踪原点从车辆坐标系移动到传感器坐标系，以便进行正确的预测和数据关联。
预测：根据两次雷达扫描之间的时间，估算被追踪目标对象的新位置和速度，以及用于追踪检测数据关联的估算搜索区域。
关联：基于概率将雷达探测到的内容与当前的雷达追踪进行匹配。
更新：使用关联得分对每项追踪进行群集检测，包括对位置、速度、加速度、边界、统计信息和运动类型（移动、静止、停止）的群集更新状态估算。确认高于某些质量指标的追踪。删除低于某些质量指标的追踪。
参考文献
[1]王耀南,李树涛.多传感器信息融合及其应用综述[J].控制与决策,2001(05):518-522.DOI:10.13195/j.cd.2001.05.7.wangyn.002.
[2]顾兢兢,黄冬梅.浅析多传感器信息融合技术[J].数字技术与应用,2012(05):253.DOI:10.19695/j.cnki.cn12-1369.2012.05.188.
[3]李红月. 车载多雷达数据融合技术研究[D].电子科技大学,2019.
