每周学术论文，阅读习惯养成！这是 《毫米波雷达 | 论文品读专栏》 的第 44 篇文章，全文1W字，专栏合集已达43W字。每期的论文原文在文末给出查看方式，便于读者查找阅读。 高分辨率雷达传感器能够通过每个测量周期检测数千个反射点，非常准确地感知车辆周围的环境。
本文提出了一种新的占用网格映射方法，用于对静态环境
随后，该占用网格图被转换为二元网格图，其中包含障碍物的网格单元被定义为已占用。通过连通成分标记算法，对这些被占用的网格单元进行聚类，消除所有只有少量网格单元的异常值。然后，利用Moore-Neighbour 跟踪算法识别聚类网格单元的边界。基于这些边界，利用Bresenham的直线算法确定基于区间模型的自由空间。根据雷达实测数据绘制的占用网格图和自由空间检测结果与实际道路场景吻合较好。
1、概述
凭借全天候鲁棒性的优势，雷达传感器在汽车行业中得到了广泛的应用，特别是在高级驾驶辅助系统 (ADAS) 领域。例如，在自适应巡航控制（ACC）系统中，雷达传感器可以检测大范围内的物体。获取目标距离值后，ACC系统可以自动加速或减速车辆。
ADAS向高度自动驾驶（HAD）方向的发展不断提高对高分辨率雷达传感器的需求。为了处理复杂的应用和交通情况，雷达传感器需要高角度和距离分辨率来捕获足够的环境信息。此外，还需要高分辨率雷达与激光雷达或摄像头传感器进行像素级数据融合。
带有天线阵列的快速线性调频连续波 (FMCW) 雷达系统（线性调频序列雷达）已被证明是最合适的解决方案之一（Meinl 等人，2017 年）。由于在一个测量周期内检测到数千个反射点，该雷达系统的环境感知能力处于高分辨率水平。
在高分辨率数据的环境建模领域，常见的方法之一是占用网格映射 ，它最初是从概率机器人学中得知的（Moravec and Elfes，1985）（Elfes，1989）。该方法将环境划分为均匀的网格单元，然后将检测点填充到相应的网格中。随着时间的推移，网格会代替点进行跟踪，从而消除测量噪声和不确定性。同时，计算每个网格单元被占用的概率。该方法足以对静态环境进行建模，因为在连续的测量周期中，静态物体的反射点在相同的物理位置被检测到，从而获得稳定的占用网格图
基于占用网格图，可以识别自由空间区域。对于车辆轨迹规划，应尽可能精确地估计自由空间，否则可能会与附近的障碍物发生碰撞，特别是在规避机动之后（Mouhagir et all, 2017）。 本文的结构如下：第 2 节 介绍了占用网格映射和自由空间检测方面的最新技术。第 3 节解释了所使用的雷达传感器和坐标系等数据准备任务。在第 4 节中，描述了利用高分辨率雷达数据进行占用网格映射的方法。基于占用网格图，检测自由空间区域所需的算法在第 5 节中介绍。最后，给出了本文的简短总结。 基于贝叶斯定理，在占用网格映射过程中将当前测量周期中的新数据与先前数据相结合，以便计算给定数据的地图上的后验概率： （ ） 式(1)中后验概率 （ ） 其中， 通常假设为0，因为在第一次测量之前对周围环境一无所知。 占用网格地图 通过先进的前向逆传感器模型，LiDAR 传感器的反射数据被转换为占用概率，用作贝叶斯定理中的检测概率（Nuss，2017）。如果 LiDAR 传感器检测到物体，则目标所在的网格将被识别为已占用（见图 1）。
图1：激光雷达传感器模型
在被占用的网格和激光雷达传感器之间，距激光雷达传感器一定径向距离内的网格被标记为空闲。网格超过距离阈值的占用概率是用网格与目标之间距离的线性函数计算的。没有任何测量信息的网格（图 1 中的灰色）被标记为未知。 由于雷达传感器可以感知障碍物后面的物体，因此需要不同的传感器模型来计算占用概率。Degerman、Pernstål 和 Alenljung (2016) 提取了信噪比 (SN R)，并与 Swerling 1 模型一起计算了检测概率 。Clarke 等人使用静态雷达(2012) 计算了占用概率作为反射功率、距离的快速傅里叶变换 (FFT) 箱数以及方位的函数。韦伯等人 (2015) 利用有关雷达截面 (RCS) 的信息开发了基于占用网格地图的幅度方法。考虑到雷达传感器的不同特性和调制方式，可以通过将检测点的反射强度转换为占用概率来创建通用的雷达传感器模型。 由于以前的汽车雷达传感器提供物体级别的反射数据，因此占用网格地图通常是通过同步定位和建图 (SLAM) 算法在有限区域内进行多次测量来创建的。结合所有测量结果，构建整个测量区域的占用网格图，这有助于定位车辆位置。网格图还用于在单元格级别对存储的目标进行分类（Lombacher 等人，2017）。然而，这种方法不适用于实时测量范围内的占用网格地图 。 基于占用网格地图，自由空间检测功能已经在之前的一些工作中使用激光雷达和摄像头传感器开发出来。对于 LiDAR 传感器模型，自由空间被定义为传感器与目标之间距离的函数（Homm 等人，2010）。进一步的工作重点是具有相机传感器数据分类能力的道路边界识别（Badino、Franke 和 Mester，2007）（Andrew 和 Isard，1998）。Konrad、Szczot 和 Dietmayer (2010) 提出了一种使用多层激光扫描仪的道路路线估计方法。Lundquist、Schön 和 Orguner (2009) 创建了一种曲线拟合方法来检测高速公路上的道路边界。Schreier、Willert 和 Adamy（2016）开发了一种参数化自由空间图，它描述了自车周围任意形状的外部自由空间边界的B样条曲线，并具有边界类型的附加属性。在复杂的车辆环境下，需要估计大量的曲线参数。 测试车辆上安装了开发的高性能雷达系统并记录测量数据。使用来自控制器局域网 (CAN) 总线的车辆动态数据来模拟自我车辆运动模型， 车辆的坐标系和网格地图是相互适应的。 开发了77GHz FMCW实验性高性能雷达系统并将其安装在车辆前部（见图 2）（Li，2017）。应用带宽 B = 2.4 GHz、观测周期时间 T = 50 ms ，以及 16 通道接收天线阵列的Chirp序列调制。
