解密重庆长安4D毫米波雷达专利

　　【爱集微点评】重庆长安4D毫米波雷达专利，通过4D毫米波雷达检测，采用聚类算法处理，对检测出的障碍物进行高度计算，将杂点和障碍物反射的点云进行区分，再将可通行空间用边界关键点形成的边框输出，使得可通行空间的显示更加精确，同时反应速度更快。
　　集微网消息，特斯拉或启用4D毫米波雷达，预计4D毫米波雷达市场将迎来新的增长点。其实除了特斯拉之外，国内好多企业已经搭展了4D毫米波雷达。
　　在智能驾驶领域，自动泊车技术快速发展，地下停车库场景的多传感器感知融合技术成为自动泊车技术的重要组成部分。其中，毫米波雷达具有探测范围广，障碍物坐标、速度、高度信息探测相对准确等优点，并且可以在全天候环境下工作，因此，毫米波雷达被广泛装配于车载感知传感器。然而现有方法不能很好的适用于地下停车库等室内封闭场景，因为地下停车库天花板多铺设有金属管道等反射特性强的物体，车道上方的天花板将会被探测到很多点云，这些点云投影到地面二维坐标系下时，将会被误检为不可通行，导致误检率上升，甚至可通行空间检测方法的失效。因此，需要开发一种基于毫米波雷达的适用于地下停车库等室内封闭场景的可通行空间检测方法。
　　为此，重庆长安于2022年1月30日申请了一项名为＂基于4D毫米波雷达的地下停车库可通行空间检测方法＂的发明专利（申请号：202210114643.3），申请人为重庆长安汽车股份有限公司。
　　图1检测流程图
　　图1为本专利提出的一种检测流程图，在步骤1中，获取4D毫米波雷达点云数据的具体过程包括如下步骤，首先步骤11，通过以太网udp协议，按照一定周期从雷达读取一帧探测数据。其中，探测数据包括距离、方位角、俯仰角、速度以及信噪比。接着步骤12，先对读取雷达的一帧数据进行物理值转换，根据车辆坐标系定义和三角函数关系，把距离、方位角和俯仰角值转换为（车辆坐标系）X、Y、Z坐标值，然后再把坐标值转换到车辆坐标系下，形成点云数据，并存储在全局变量中。
　　步骤2中，主要对点云数据在三维空间上进行聚类。首先，步骤21初始化一个点的对象容器，并将点云数据存储到该容器中。接着步骤22设置聚类参数：邻域半径R、邻域最小数据个数MinPts和数据维度。然后步骤23从点云数据中任意选取一个点，将该点标记为已访问，计算该点的邻域半径R内点的个数，如果大于设置的阈值MinPts，则将该点标记为核心点，并且分配一个簇ClusterID。同时遍历该点邻域半径R内所有点进行以下操作，将点属性标记为已访问，分配同样的簇ClusterID，并且对这些点重复进行步骤23的操作，直到遍历访问点云数据中所有的点之后结束。最后步骤24，对于聚类成功的点云簇，计算出每个点云簇的平均Z坐标，并进行存储。
　　步骤3通过遍历从云数据中删除未聚类成功的杂点，即ClusterID为0…而步骤4则从云数据中删除高度值不满足阈值的聚类点。步骤5表示从点云数据中获取可通行空间的边界点。首先步骤51，遍历每个点云数据，计算每个点与坐标原点的距离，和原点到该点向量在坐标系下的角度。接着步骤52，将点云数据按照坐标系下的角度从0度到360度进行排序并设置角度参数阈值。然后步骤53制定筛选可通行空间的边界点规则。
　　图2 上位机可通行空间的显示图
　　最后步骤6表示在上位机中显示可通行空间的边界点的具体过程，主要是遍历步骤53最终输出变量中的每一个点，并作图，这些点即为可通行空间的边界点。
　　简而言之，重庆长安4D毫米波雷达专利，通过4D毫米波雷达检测，采用聚类算法处理，对检测出的障碍物进行高度计算，将杂点和障碍物反射的点云进行区分，再将可通行空间用边界关键点形成的边框输出，使得可通行空间的显示更加精确，同时反应速度更快。
　　现如今，在特斯拉的影响下，4D毫米波雷达获车企热捧，国内众多企业也都早早开始了相关布局，相信如重庆长安等公司可以在4D毫米波雷达这一热潮下快速发力。