摘要：随着自动驾驶技术的快速发展,环境感知系统对多传感器融合的需求日益增加。4维(4d)毫米波雷达因其在复杂天气和光照条件下的稳定性能而成为自动驾驶领域的重要传感器之一。尽管4d毫米波雷达通过增加俯仰角信息和提高点云密度改善了目标检测的精度,但其点云稀疏性和噪声问题限制了其独立应用。因此,4d毫米波雷达与视觉传感器的融合成为提升自动驾驶感知精度的关键。然而,传统的外参配准方法依赖繁琐的手动操作,难以满足高效自动化配准的需求。为解决这一问题,该文提出了一种基于标定板的4d毫米波雷达与视觉图像自动外参配准方法。该方法首先设计了包含ChArUco标记、红色圆环和角反射器的标定板,然后通过圆检测算法和角反射器检测算法自动提取配准点的图像坐标和雷达点云坐标。此外,还提出了一种通过3d Max和Unity仿真的方式实现配准数据采集与验证的方法。最后,通过实验比较直接线性变换(dLT)和外参配准(EC)2种方法的性能,评估配准精度。结果表明,所设计的标定板和自动配准算法能够有效地减少人工操作,并且在配准点个数较多时,EC方法具有更高的配准稳定性和配准精度。

摘要：目前智能空调的研究主要基于视觉或红外传感器,基于单个4d毫米波雷达的相对较少。采用单个4d毫米波雷达传感器采集数据,根据不同目标反射点位置的不同提出了密度聚类(density-Based Spatial Clustering of Application with Noise,dBSCAN)算法实现目标的聚类识别,并与K均值(K-means)聚类算法进行了效果对比。针对多目标跟踪问题,设计了一种基于联合概率数据关联算法(Joint Probabilistic data Association,JPdA)和卡尔曼滤波(Kalman Filter,KF)的目标跟踪算法,从而实现多目标的匹配和跟踪。将所研究的算法应用到4d毫米波雷达系统,并在室内采集了行人目标数据,分析对比实际场景和算法跟踪效果,误差大约在8 cm内,准确率可达91.8%。结果表明:该算法可以较好地实现多目标跟踪,可用于智能空调中。