毫米波雷达感知速度异常，如何解决？(标签-AR|关键词-世界坐标)

Question

使用大陆ARS408毫米波雷达进行目标检测，速度和目标运动状态不理想，请求指点

按照大陆ARS408毫米波雷达手册，选择Object模式，输入自车的横摆角速度yaw_rate和自车线速度speed，相关代码参考Apollo，解析并输出目标的相对运动状态和检测速度，此时出现问题：
1）自车向右旋转时，静止目标状态检测错误，均为运动状态；自车向左旋转时，静止目标运动状态输出为静止；自车直线行驶时，目标运动状态输出正确；
2）按照毫米波雷达速度+自车线速度+角速度附加速度的公式计算目标在世界坐标系下的速度，自车直线行驶时目标运动速度正确，但是当车辆旋转时最终计算的速度不准确，具体表现在静止目标最终计算速度不接近0m/s，误差在2-3m/s左右。

//添加速度给radar
void MotionInputSpeed300::UpdateData(uint8_t* data) {
  if (std::isnan(speed_)) {
    AWARN << "speed is nan";
    return;
  }
  uint32_t speed_direction = 0;
  if (fabs(speed_) < 0.02) {
    speed_direction = 0;
  } else if (speed_ < 0) {
    speed_direction = 2;
  } else {
    speed_direction = 1;
  }
  uint32_t speed_value = static_cast<uint32_t>(fabs(speed_) / 0.02);
  Byte frame_speed_direction(data);
  frame_speed_direction.set_value(
      static_cast<unsigned char>((speed_direction << 6) & 0x00C0) |
          static_cast<unsigned char>((speed_value & 0x1F00) >> 8),
      0, 8);
  Byte frame_speed(data + 1);
  frame_speed.set_value(static_cast<unsigned char>(speed_value & 0x00FF), 0, 8);
}
//添加yaw_rate给radar
void MotionInputYawRate301::UpdateData(uint8_t* data) {
  if (std::isnan(yaw_rate_)) {
    AWARN << "yaw_rate is nan";
    return;
  }
  // Due to radar 408 manual: max 327.68, res 0.01, unit:deg/s
  uint32_t yaw_rate_value = static_cast<uint32_t>((yaw_rate_ + 327.68) * 100);
  Byte yaw_rate_low(data);
  yaw_rate_low.set_value(
      static_cast<unsigned char>((yaw_rate_value & 0xFF00) >> 8), 0, 8);
  Byte yaw_rate_high(data + 1);
  yaw_rate_high.set_value(static_cast<unsigned char>(yaw_rate_value & 0x00FF),
                          0, 8);
}

//计算世界坐标系下的毫米波雷达目标速度
   Eigen::Matrix4d radar2world = frame->sensor2world_pose.matrix();
    Eigen::Matrix3d radar2world_rotate = radar2world.block<3, 3>(0, 0).cast<double>();
    Eigen::Matrix3d radar2novatel_rot = radar2gnss.matrix().block<3, 3>(0, 0).cast<double>();
    // 2. 提取车辆运动参数
    // 角速度（转换为弧度，并构建叉乘矩阵）
    Eigen::Vector3d angular_speed_body(
        gnss_data.twist.twist.angular.x,
        gnss_data.twist.twist.angular.y,
        gnss_data.twist.twist.angular.z 
    );
    Eigen::Matrix3d omega_skew;  
    omega_skew << 0, -angular_speed_body.z(), angular_speed_body.y(),
                  angular_speed_body.z(), 0, -angular_speed_body.x(),
                  -angular_speed_body.y(), angular_speed_body.x(), 0;
    // 3. 坐标系转换
    // 将车体坐标系下的角速度叉乘矩阵转换到雷达坐标系
    Eigen::Matrix3d omega_radar = radar2novatel_rot.inverse() * omega_skew * radar2novatel_rot; 
    // 4. 遍历目标进行速度修正
    for (auto& obj : frame->objects) {
        // 获取目标在雷达坐标系中的位置
        Eigen::Vector3d pos_radar = obj->center_orig.cast<double>()；
        // 计算角速度引起的附加速度: ω × r (雷达坐标系)
        Eigen::Vector3d angular_induced_speed = omega_radar * pos_radar;
        // 雷达检测的目标速度（雷达坐标系）
        Eigen::Vector3d velocity_radar = obj->velocity.cast<double>();
        // 总速度 = 检测速度 + 角速度附加速度
        Eigen::Vector3d total_velocity_radar = velocity_radar + angular_induced_speed;
        // 转换到世界坐标系
        Eigen::Vector3d velocity_world = radar2world_rotate * total_velocity_radar;
        // 叠加车辆线速度
        velocity_world += linear_speed_world;
        // 更新目标速度
        obj->velocity = velocity_world.cast<float>();
        Eigen::Vector4d coor_in_radar(obj->center(0), obj->center(1), obj->center(2), 1.0);
        Eigen::Vector4d coor_in_world = radar2world * coor_in_radar; 
        obj->center = coor_in_world.head<3>();
        obj->anchor_point = obj->center;

Answer 1

让 “紫雾凌寒” 来帮你回答,本回答结合 DeepSeek

如果还有问题，请评论或点击头像私信，如果有帮助到您, 请关注、采纳、点赞

1. 关键点分析：
   - 毫米波雷达感知速度异常，涉及到大陆ARS408毫米波雷达的Object模式设置及相关参数输入。
   - 输入的自车横摆角速度yaw_rate和自车线速度speed可能存在不准确或设置不当的情况。
   - 雷达本身的校准、环境因素等也可能影响速度和目标运动状态的检测。
2. 解决方案：
   - 检查输入参数准确性：
   • 确保自车横摆角速度yaw_rate和自车线速度speed的获取准确。可以通过车辆的其他传感器（如轮速传感器、IMU等）交叉验证。例如，在一些车辆数据采集系统中，可以读取多个传感器的数据进行对比分析。
   • 检查数据传输过程是否有丢失或错误。如果是通过CAN总线等方式传输数据，要确保CAN协议的配置正确，数据帧无损坏。
   • 雷达校准：
   • 按照大陆ARS408毫米波雷达手册进行精确校准。包括距离校准、角度校准等。
   • 距离校准示例代码（假设使用Python和相关雷达库）：

import radar_library

# 初始化雷达
radar = radar_library.init_radar()

# 进行距离校准
calibration_distance = radar.calibrate_distance()
if calibration_distance:
    print("Distance calibration successful")
else:
    print("Distance calibration failed")

 - 角度校准类似，根据具体雷达库的函数进行操作。

• 环境因素考虑：
  • 检查雷达安装位置是否有遮挡，确保雷达视野清晰。
  • 考虑环境中的干扰因素，如强电磁干扰、多径效应等。如果存在电磁干扰，可以采取屏蔽措施；对于多径效应，可以通过优化雷达的安装角度或使用一些信号处理算法来减轻影响。
• 检查雷达配置参数：
  • 再次确认Object模式下的其他相关配置参数是否正确设置，如检测范围、分辨率等。不同的应用场景可能需要调整这些参数。例如，如果检测远距离目标较多，可以适当增大检测范围。
    3. 不同方案优缺点：
• 检查输入参数准确性：
  • 优点：简单直接，能够快速定位是否是输入数据的问题。
  • 缺点：依赖其他传感器，且可能需要对车辆数据采集系统有一定了解和调试能力。
• 雷达校准：
  • 优点：从根本上解决雷达本身的精度问题，提高检测准确性。
  • 缺点：操作相对复杂，需要严格按照手册进行，且可能需要一些专业设备辅助校准。
• 环境因素考虑：
  • 优点：容易实施，能快速排除一些明显的外部干扰因素。
  • 缺点：环境因素复杂多样，难以全面考虑和解决所有可能的问题。
• 检查雷达配置参数：
  • 优点：针对性强，能直接调整与目标检测相关的参数。
  • 缺点：可能需要多次尝试不同参数组合，调试过程较繁琐。
    4. 总结：
    毫米波雷达感知速度异常需要综合考虑多个方面。首先要确保输入参数准确，然后进行雷达校准，同时注意环境因素影响，最后检查配置参数。通过这些步骤逐步排查和解决问题，以提高毫米波雷达对目标速度和运动状态检测的准确性。

希望以上解答对您有所帮助。如果您有任何疑问，欢迎在评论区提出。