4D毫米波雷达和3D雷达、激光雷达全面对比

         众所周知,传统3D毫米波雷达存在如下性能缺陷:

        1)静止目标和地物杂波混在一起,难以区分;

        2) 横穿车辆和行人多普勒为零或很低,难以检测;

        3) 高处物体和地面目标不能区分,容易造成误刹,影响安全性;

        4) 角度分辨率低,远处目标位置精度低,误差大;

        5) 点云稀疏,难以识别目标类型。

        4D毫米波雷达突破传统雷达局限性,可以高精度探测目标的距离、速度、水平方位和俯仰方位,使得:        

        1)最远探测距离大幅提高,可达300多米,比激光雷达和视觉传感器都要远;

        2) 4D毫米波雷达水平角度分辨率较高,通常可以达到1°的角度分辨率;

        3) 4D毫米波雷达可以测量俯仰角度,可达到2°的角度分辨率,可在150m处区分地物和立交桥;

        4)多普勒为零或很低的横穿车辆和行人, 通过高精度的水平角和俯仰角可以有效识别目标;

        5)目标点云更密集,信息更丰富,更适合与深度学习框架结合。

        国内外有很多公司在研发4D毫米波雷达,国外有博世、大陆等,国内有森斯泰克、华域汽车等,下表列出了一些典型的公司和产品:

国外主要4D毫米波雷达企业及产品

企业名称

产品频率

通道数

博世

77GHz

12*16=192

大陆

77GHz

12*16=192

电装

77GHz

海拉

77GHz

采埃孚

77GHz

12*16=192

安波福

77GHz

日立

77GHz

Mobileye

77GHz

48*48=2304

特斯拉

77GHz

Arbe

77GHz

48*48=2304

Uhnder

77GHz

Oculii

77GHz

Echodyne

77GHz

Vayyar

77GHz

国内主要4D毫米波雷达企业及产品

企业名称

产品频率

通道数

隼眼科技

77GHz

森思泰克

77GHz

12*16=192

德赛西威

77GHz

楚航科技

77GHz

6*8=48

北京行易道

77GHz

深圳安智杰

77GHz

华域汽车

77GHz

12*16=192

苏州豪米波

77GHz

几何伙伴

77GHz

12*16=192

纳瓦电子

77GHz

12*16=192

华为

77GHz

12*16=192

中兴

77GHz

12*16=192

复睿智行

77GHz

12*16=192

赛恩领动

77GHz

12*16=192

        4D毫米波雷达在各项指标上明显由于传统3D雷达,这里用大陆经典的408雷达和采埃孚frgen21做对比,有更直观的认识。

技术参数

ARS408

FRGEN21

通道数

4T*6R=24

12T*16R=192

工作周期

60ms

60ms

最大点云数

512

3072

最远距离

220m

300m

距离分辨率

0.4m

0.4m

速度分辨率

0.1m/s

0.1m/s

方位角分辨率

1.2°

俯仰角分辨率

10°

2.3°

尺寸估计误差

1.0m

0.5m

朝向估计误差

2.5°

        可以看到,4D雷达在通道数,点云数,最远距离,角分辨力等各方面都明显优于传统3D雷达。当然,指标是抽象的,典型场景的表现更具象,也更有说服力。

典型场景1:地面窨井盖或金属物

​​        下图是典型的城市道路,408雷达将前方的窨井盖识别为静止目标并输出,但4D雷达输出点迹判断为地面点直接过滤,不会形成目标,避免了FCW、AEB等误触发。        下图是路面的连接处,通常是金属,可以看到4D雷达完全检测出来,判断为地面点,不会引起功能问题。典型场景2:指示牌或交通杆

        指示牌和交通杆也是城市道路常见的,下图中408雷达将高处的交通横杆识别为静止目标,但4D雷达的点迹有一定高度,明显高于车辆,会识别为高处点并过滤,不会输出静止目标。典型场景3:十字路口横穿斜穿目标

        十字路口的各类车辆行人等目标对于传统雷达来说很难估计尺寸和朝向,但4D雷达由于点云数量多且精度高,可以基本输出目标轮廓,再通过算法处理得到目标更准确的尺寸和朝向。​        4D雷达性能强,有很多人认为能替代激光雷达,这里用速腾的128线激光雷达M1做对比,两者的指标参数如下。     

        可以看到激光雷达点云数远大于4D雷达,角分辨率也远高于4D雷达,唯二不足的探测距离和速度分辨率。

技术参数

RS-M1

FRGEN21

工作周期

100ms

60ms

最大点云数

70000

3072

最远距离

180m

300m

距离分辨率

0.05m

0.4m

速度分辨率

0.1m/s

方位角分辨率

0.2°

1.2°

俯仰角分辨率

0.2°

2.3°

尺寸估计误差

0.2m

0.5m

朝向估计误差

2.5°

        实车测试同步输出激光雷达和4D雷达目标,可以看到激光雷达尺寸朝向优于4D雷达,但远处目标难以检测,不如4D雷达。        对于近处小目标,激光雷达由于更高的距离角度精度,可以分辨十字路口的行人,但4D雷达对此无能为力。        综合来看,4D毫米波雷达相比3D毫米波雷达功能有明显提升,且产业链成熟,可靠性高,大规模量产价格可控;激光相比4D毫米波雷达功能有提升,但价格较高,性价比偏低;毫米波雷达和视觉融合优势互补,软硬件成熟可靠,性价比高。因此,传感器方案架构可以从多方面综合考虑选择合适的传感器,这里给出一些方案作为参考,仅作为探讨。

传感器配置

性能瓶颈

性能提升

功能提升

当前价格

量产价格

3D前雷达+3D角雷达

静止目标误检

横向误差较大

350+4*200=1150

350+4*200=1150

4D前雷达+3D角雷达

横向误差较大

静止目标误检概率降低85%

正前方切入、切出

AEBACC

1200+4*200=2000

600+4*200=1400

4D前雷达+4D角雷达

侧方、后方切入切出

AEBACCALCLCA

1200+4*400=2800

600+4*300=1800

3D前雷达+3D角雷达+1前激光

横向误差较大

静止目标误检概率降低98%

正前方切入、切出

AEBACC

350+4*200+3500

=4650

350+4*200+2000

=3150

4D前雷达+4D角雷达

+1前激光

侧方、后方切入切出

AEBACCALCLCA

1200+4*400+3500

=6300

600+4*300+2000

=3800

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/174102.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

基于SSM的进销存管理系统设计与实现

末尾获取源码 开发语言:Java Java开发工具:JDK1.8 后端框架:SSM 前端:采用JSP技术开发 数据库:MySQL5.7和Navicat管理工具结合 服务器:Tomcat8.5 开发软件:IDEA / Eclipse 是否Maven项目&#x…

ArcGIS如何处理并加载Excel中坐标数据?

做GIS行业的各位肯定免不了跟数据打交道,其中数据的处理说复杂也复杂,因为我们要花时间去做数据的转换及调整工作,那说简单也简单,因为我们有很多的工具可以使用,那么今天我就给大家带来处理Excel中的GIS数据中的其中一…

Windows to Go U盘系统制作(未测完成)

三、Windows U盘系统制作 1、下载windows镜像,并通过Windows To Go方式制作,具体选项参考下面截图 2、选择Windows版本 3、配置Windows 体验相关参数

基于SSM的网络财务管理系统设计与实现

末尾获取源码 开发语言:Java Java开发工具:JDK1.8 后端框架:SSM 前端:采用JSP技术开发 数据库:MySQL5.7和Navicat管理工具结合 服务器:Tomcat8.5 开发软件:IDEA / Eclipse 是否Maven项目&#x…

ArkTS基础知识

ArkTS基础知识 ArkUI开发框架 ArkTS声明式开发范式 装饰器: 用来装饰类,结构体,方法及变量。如: Entry:入口组件 Component :表示自定义组件 State 都是装饰器:组件中的状态变量,该…

[机缘参悟-119] :一个IT人的反思:反者道之动;弱者,道之用 VS 恒者恒强,弱者恒弱的马太效应

目录 前言: 一、道家的核心思想 二、恒者恒强,弱者恒弱的马太效应 三、马太效应与道家思想的统一 3.1 大多数的理解 3.2 个人的理解 四、矛盾的对立统一 前言: 马太效应和强弱互转的道家思想,都反应了自然规律和社会规律&…

【JavaEE】Spring的创建和使用(保姆级手把手图解)

一、创建一个Spring项目 1.1 创建一个Maven项目 1.2 添加 Spring 框架支持 在pom.xml中添加 <dependencies><dependency><groupId>org.springframework</groupId><artifactId>spring-context</artifactId><version>5.2.3.RELEASE&…

艺术作品3D虚拟云展厅能让客户远程身临其境地欣赏美

艺术品由于货物昂贵、易碎且保存难度大&#xff0c;因此在艺术品售卖中极易受时空限制&#xff0c;艺术品三维云展平台在线制作是基于web端将艺术品的图文、模型及视频等资料进行上传搭配&#xff0c;构建一个线上艺术品3D虚拟展厅&#xff0c;为艺术家和观众提供了全新的展示和…

SpringBoot——》配置logback日志文件

推荐链接&#xff1a; 总结——》【Java】 总结——》【Mysql】 总结——》【Redis】 总结——》【Kafka】 总结——》【Spring】 总结——》【SpringBoot】 总结——》【MyBatis、MyBatis-Plus】 总结——》【Linux】 总结——》【MongoD…

LangChain 6根据图片生成推广文案HuggingFace中的image-caption模型

根据图片生成推广文案&#xff0c; 用的HuggingFace中的image-caption模型 LangChain 实现给动物取名字&#xff0c;LangChain 2模块化prompt template并用streamlit生成网站 实现给动物取名字LangChain 3使用Agent访问Wikipedia和llm-math计算狗的平均年龄LangChain 4用向量数…

IDEA JRebel安装使用教程

1、下载插件 版本列表&#xff1a;https://plugins.jetbrains.com/plugin/4441-jrebel-and-xrebel/versions 下载&#xff1a;JRebel and XRebel 2022.4.1 这里下载2022.4.1版本&#xff0c;因为后续新版本获取凭证会比较麻烦。下载完成会是一个压缩包。 2、安装 选择第一步…

ssm租房小程序-计算机毕设 附源码42196

SSM租房小程序 摘 要 本论文主要论述了如何使用SSM框架开发一个租房小程序&#xff0c;本系统将严格按照软件开发流程进行各个阶段的工作&#xff0c;采用B/S架构JAVA技术&#xff0c;面向对象编程思想进行项目开发。在引言中&#xff0c;作者将论述租房小程序的当前背景以及系…

118.184.158.111德迅云安全浅谈如何避免网络钓鱼攻击

随着互联网的不断发展&#xff0c;网络钓鱼攻击也越来越猖獗&#xff0c;给个人和企业带来了巨大的经济损失和安全威胁。本文对如何防范网络钓鱼攻击提出的一些小建议 希望对大家有所帮助。 1.防止XSS&#xff08;跨站脚本攻击&#xff09;攻击 XSS攻击指的是攻击者在网站中注入…

NLP:使用 SciKit Learn 的文本矢量化方法

一、说明 本文是使用所有 SciKit Learns 预处理方法生成文本数字表示的深入解释和教程。对于以下每个矢量化器&#xff0c;将给出一个简短的定义和实际示例&#xff1a;one-hot、count、dict、TfIdf 和哈希矢量化器。 SciKit Learn 是一个用于机器学习项目的广泛库&#xff0c;…

ArmSoM-RK3588编解码之mpp编码demo解析:mpi_enc_test

一. 简介 [RK3588从入门到精通] 专栏总目录mpi_enc_test 是rockchip官方编码 demo本篇文章进行mpi_enc_test 的代码解析&#xff0c;编码流程解析 二. 环境介绍 硬件环境&#xff1a; ArmSoM-W3 RK3588开发板 软件版本&#xff1a; OS&#xff1a;ArmSoM-W3 Debian11 三. …

【OpenCV实现图像:在Python中使用OpenCV进行直线检测】

文章目录 概要霍夫变换举个栗子执行边缘检测进行霍夫变换小结 概要 图像处理作为计算机视觉领域的重要分支&#xff0c;广泛应用于图像识别、模式识别以及计算机视觉任务中。在图像处理的众多算法中&#xff0c;直线检测是一项关键而常见的任务。该任务的核心目标是从图像中提…

OpenCV中的形态学8

文章目录 形态学概述图像全局二值化阈值类型自适应阈值二值化OpenCV腐蚀获取形态学卷积核OpenCV膨胀开运算闭运算形态学梯度顶帽运算黑帽操作小结 形态学概述 开运算&#xff1a;先做腐蚀后做膨胀&#xff08;腐蚀可以理解为缩小&#xff09; 闭运算&#xff1a;先膨胀后腐蚀 …

计算机算法分析与设计(24)---分支限界章节复习

文章目录 一、分支界限法介绍二、旅行商问题应用三、装载问题应用3.1 问题介绍与分析3.2 例题 四、0-1背包问题应用4.1 问题介绍与分析4.2 例题 一、分支界限法介绍 二、旅行商问题应用 三、装载问题应用 3.1 问题介绍与分析 3.2 例题 四、0-1背包问题应用 4.1 问题介绍与分析…

完美解决k8s master节点无法ping node节点中的IP或Service NodePort的IP

1、问题一 使用搭建好了K8S集群&#xff0c;先是node节点加入k8s集群时&#xff0c;用的内网IP&#xff0c;导致master节点无法操作node节点中的pod&#xff08;这里的不能操作&#xff0c;指定是无法查看node节点中pod的日志、启动描述、无法进入pod内部&#xff0c;即 kubec…

Cache学习(1):常见的程序运行模型多级Cache存储结构

0 背景&#xff1a;常见的程序运行模型&#xff08;为什么要Cache&#xff09; 主存&#xff1a;Main Memory&#xff0c;硬件实现为RAM&#xff0c;产品形态&#xff1a;DDR&#xff08;例如&#xff1a; DDR3、DDR4等&#xff09;磁盘设备&#xff1a;Flash Memory&#xff…