基于毫米波雷达的道路目标检测与分类.pdf

基于毫米波雷达的道路目标检测与分类

摘要

随着自动驾驶技术的快速发展，环境感知作为汽车驾驶的“眼睛”，正确识

别道路周围的情况对于车辆后续的驾驶决策和控制至关重要。在环境感知中，

道路目标的精确检测与分类准确性直接影响到汽车是否能够根据道路环境做出

正确的决策，与自动驾驶安全问题密切相关。毫米波雷达作为一种重要的传感

器，可以提供高精度的距离和速度信息。此外，毫米波雷达芯片的高度集成化

和低功耗的特点使它更便于安装于车身不同位置。因此毫米波雷达的道路目标

检测与分类的研究引起自动驾驶应用领域的极大重视。论文主要研究内容包括

以下三个部分：

首先，分析了毫米波雷达道路目标回波信号特点、获取的关键方法。在获取

目标距离、速度、角度信息及杂波干扰抑制方法的基础上，针对现有密度聚类算

法受参数影响较大无法适应雷达数据特点的问题，设计了基于位置距离改进的密

度聚类算法（Density-BasedSpatialClusteringofApplicationswithNoise，DBSCAN）。

通过与传统的聚类算法进行对比分析，验证了改进的DBSCAN算法在处理实际

场景中的点云割裂问题和不同距离下雷达点云密度变化问题的适用性与有效性。

其次，针对毫米波雷达数据采集复杂导致开源数据稀缺的问题，设计了两种

时序预测网络模型CBLA（CNN-BiLSTM-Attention）和LT（LSTM-Transformer）

来生成道路目标的运动特征。通过训练这两种模型，并将预测数据与真实数据通

过评价指标进行比较，证实了利用深度学习网络模型预测道路目标运动特征的可

行性和有效性。

最后，针对基于特征提取的道路目标分类网络模型效果不佳且模型解释能力

差的问题，设计了一种基于动态特征选择机制的TabNet网络模型。该模型适用

于处理表格类型数据，并具有强大的解释性和高分类准确度。它利用无监督预训

练方法进行预特征选择，简化了后续模型训练中的特征选择过程。训练结果表明，

该模型在测试集下分类准确度达到97.4%，在更换场景采集的验证集下的准确率

达到95.1%，说明该模型的分类准确度较高并且有一定的泛化能力。

关键词：毫米波雷达；点云聚类；预测生成网络；目标分类

基于毫米波雷达的道路目标检测与分类

ABSTRACT

Asautonomousdrivingtechnologyrapidlydevelops,environmentalperception

servesastheeyesofvehicledrivingandcorrectlyidentifyingthesurroundingroad

conditionsiscrucialforsubsequentdrivingdecisionsandcontrol.Inenvironmental

perception,theaccuracyofroadtargetdetectionandclassificationdirectlyaffects

whetherthevehiclecanmakecorrectdecisionsbasedontheroadenvironment,which

iscloselyrelatedtoautonomousdrivingsafety.Millimeter-waveradar,asanimportant

sensor,canprovidehigh-precisiondistanceandspeedinformation.Inaddition,the

highlyintegratedandlow-powercharacteristicsofmillimeter-waveradarchipsmakeit

moreconvenienttobeinstalledindifferentpositionsonthevehiclebody.Therefore,

theresearchonroadtargetdetection