4Dミリ波レーダーSLAMソリューション研究

この記事は、Heart of Autonomous Driving の公開アカウントから許可を得て転載したものです。転載については出典元にお問い合わせください。

序文

イメージレーダーは、3D位置+視線速度を出力する4Dミリ波レーダーです。従来の3Dミリ波レーダー（2D位置+速度）と比較すると、高さ情報の出力という新たな次元が追加されています。イメージレーダーは従来の 3D レーダーのすべての特性を備えており、高さ情報の不足によって生じる一連の問題を補います。テスラは次世代V4インテリジェント運転ハードウェアにイメージレーダー[1]を統合した後、業界から注目を集めました。イメージレーダーは、雨や雪などの極端な気象条件におけるコストとパフォーマンスの点で LiDAR よりも優れています。そのため、イメージレーダーに基づく自動運転の認識および位置決めソリューションの設計は、今後 2 年間の注目の研究方向になる可能性があります。

ハードウェアの原理と信号処理

ImageRadarのハードウェア原理

この部分については[2]を参照してください。ハードウェアの面では、イメージレーダーと3Dミリ波の主な違いは、イメージレーダーには追加の垂直アンテナ配置があることです（下の図の緑色のボックスに示すように）。これらのアンテナにより、垂直方位測定が可能になり、高さ情報を計算できますが、これにより信号処理アルゴリズムに新たな課題ももたらされます。

図1 画像レーダーハードウェア図（4チップカスケード接続）[1]

画像レーダーの測定原理

この部分は主に[3]を参考にしています。ImageRadarの速度測定原理は主にドップラー効果に基づいており、距離測定は送信信号と受信信号の時間差に基づいています。これは中学校の教科書でよく知られている物理学の知識です。ここで少し複雑になるのは、ターゲットの方位角測定です。方位角測定は主に、MIMO (Multiple Input Multiple Output) 技術に依存しています。n 個の送信機 (TX) と m 個の受信機 (RX) が n × m 個の TX-RX ペアを形成します。ある送信機から送信された信号は、異なる受信機によって受信され、複数の TX-RX の組み合わせを形成します。異なる TX-RX の組み合わせで受信された信号には、異なる位相差があります。この位相差は、距離差に変換できます。同じターゲット信号を受信する異なる TX-RX の距離差と、ハードウェア内の異なる TX-RX アンテナペアの外部パラメータ関係を利用して、ターゲットの方向を計算できます。送信端が複数グループあるため、異なる送信信号を区別するために、異なる送信端の信号は互いに直交しています。

図2 画像レーダー信号処理フロー[3]

測定精度を向上させる方法

ImageRadarを改良する方法には、ハードウェア方式とソフトウェア方式の2つがある[3]。ハードウェア面では、測定精度を向上させるために、複数のチップをカスケード接続する現在の方法が使用されています。この方法は、TX-RXの対数を増やすことで解像度を向上させます。これは比較的直感的で簡単な方法であり、現在の主流の方法でもあります。この方法の欠点は、サイズと消費電力が増加することです。上の図 1 に示すハードウェアは 4 チップのカスケードです。また、1チップに集積されるアンテナの数を増やすことで、測定精度を向上させることができます。これは現在、カスケードソリューションに代わる大きな可能性を秘めたソリューションですが、アンテナ間の干渉が増大するため、現在は主にフロンティア探索の段階にあります。

ソフトウェアの面では、仮想開口イメージング技術を使用できます。ソフトウェア方式でアンテナの仮想開口を拡大し、角度分解能を大幅に向上させます。通常、信号干渉を減らすためにカスケード接続と組み合わせて使用する必要があります。超解像アルゴリズムだけでなく、新たな信号処理方式を設計することで、FFTアルゴリズムをベースにした現在の信号処理プロセスを最適化し、精度を向上させます。

ノイズ特性とフィルタリング方法

ImageRadarの信号ノイズと処理方法は、従来の3Dミリ波レーダーと似ており、主にスペックルノイズとマルチパス反射[3]の2種類のノイズ信号による干渉が含まれます。ノイズ信号処理に関しては、CTFR フィルタリングや速度フィルタリングなど、従来の 3D ミリ波レーダーの信号処理方法を利用することもできます。

スペックルノイズ: アンテナから送信された電磁パルス信号が周囲の物体と相互作用し、アンテナが干渉信号を受信する原因となります。処理を行わないと、斑点状の点が生成されます。

マルチパス: 同じ物体に対して、複数の検出パスが生成されます。信号が戻ってくる過程で、直接戻ってくる信号のほかに、壁や地面で反射した信号もあります。受信元にとって、これらの信号は地下や壁の後ろにあるゴースト物体のように見え、静的な外れ値となります。

スペックルノイズ (シアン) とマルチパス反射ノイズ (赤) を以下に示します。

画像レーダースペックルノイズとマルチパス反射ノイズ[4]

データ形式: 4D テンソル VS ポイントクラウド

一般的にレーダーから得られるのはスパースポイントクラウド形式＋速度計測である。しかし、ポイントクラウドデータ形式以前に、4Dテンソルと呼ばれるより密度の高い情報表現形式が存在する。スパースポイントクラウド形式と比較すると、対象物の特性に関する情報がより多く含まれている。学術界、特に知覚分野では、4Dテンソルを情報入力として利用するアルゴリズムソリューションの議論も行われている[3][4]。

4Dテンソルの画像レーダーデータ形式[5]

アルゴリズムの解決

私のチームメンバーと私は、Image RadarのSLAMソリューションについて研究を行ってきました。既存のソリューション[6][7][8][9][10]の実装アイデアは、Image Radarが提供するドップラー速度測定を最大限に活用して、Image Radarポイントクラウドが少なすぎる問題を補う方法に主に焦点を当てています。

ここでの基本的な考え方は、宇宙空間の静止した物体や環境の場合、その反射点によって提供されるドップラー測定速度が、相対的な動きに基づいて車両自体の速度としてフィードバックされるというものです。つまり、各静止点は車両自体の速度観測値を提供し、これは非常に強力で有用な制約となります。

古典的なDICP[6]アルゴリズムを例にとると、ドップラー速度に基づいて観測方程式を導出します。この観測方程式は、測定された点の速度にのみ関連しており、環境の空間構造とは関係ありません。非構造化シナリオにおけるICPの制約劣化問題を補うことができます。この方式では、状態推定に ICP 制約とドップラー速度制約という 2 つの形式の観測を使用します。 4d iRIOM[7]は、画像レーダーとIMU情報を統合して、LIOと同様のアルゴリズムフレームワークを実装しています。ドップラー速度の使用に関しては、まず複数の静的測定点の情報を使用して車両速度を計算し、次にこの車両速度の結果を車両速度状態の観測として使用します。コアは、静的点のドップラー速度が車両速度の測定値であるという事実にも基づいています。

DICPアルゴリズムスキーム[6]

従来のレーザー SLAM アルゴリズムと比較して、上記のアイデアに基づく画像レーダー SLAM アルゴリズムは、レーダーノイズ信号に対して特別な処理を行う必要があるだけでなく、静的ポイントスクリーニング戦略も重要な部分です。その中でも、IMU またはホイールスピードメーター測定の支援による静的ポイントスクリーニングは、実際のエンジニアリングにおいてより実用的な方法になります。

さらに、イメージレーダーの反射特性はほとんどのライダーの反射特性とは異なるため、アルゴリズム開発にも新たな課題が生じます。たとえば、イメージレーダーの場合、金属物体に対する反射強度は良好ですが、プラスチックやコンクリートの壁に対する反射効果は悪くなります。また、地上のポイントは一般に乱雑なものとしてフィルタリングされます。これにより、イメージレーダーのポイントクラウド分布は LiDAR のポイントクラウド分布とは異なります。イメージレーダーポイントクラウドの実際のパフォーマンスを考慮すると、ポイントクラウド観測を破棄し、IMUと車輪速度観測と組み合わせたドップラー速度測定のみを使用してDRを向上させることが実用的で計算効率の高いソリューションです[10]。

さまざまな課題があるにもかかわらず、深度と速度の測定を提供する低コストのセンサーとして、Image Radar は依然として、SLAM テクノロジを実装するために十分に議論および調査できるセンサーの 1 つです。