《利用传感器融合和机器学习增强毫米波雷达功能》145页

毫米波（mmWave）雷达与光学传感器不同，体积小巧、精度高、穿透力强且符合隐私保护标准，因此在多传感器应用中无处不在。然而，光学传感器的高分辨率和图像数据集的广泛可用性导致了使用光学传感器的机器学习解决方案的快速发展，从而将毫米波雷达推向了辅助传感器的角色。本论文针对医疗保健、军事和自主感知领域，介绍了一系列尝试利用传感器融合和机器学习方法增强毫米波雷达能力的新方法。首先，论文介绍了骨骼姿态估计技术，该技术可检测到 15-25 个关键点，三维定位误差小于 3 厘米，可潜在应用于病人/老年人监测、步态分析和识别以及行人监测。其次，介绍了一种自动雷达标注方案，以鼓励快速开发雷达图像数据集，帮助自主感知。这项研究还包括使用传感器融合特征向量和 12 维雷达特征向量进行目标分类，在车辆与行人检测研究中，准确率分别达到 98% 和 92%。最后，利用雷达-摄像头传感器融合技术探索了基于 DNN-LSTM 的目标跟踪方法和基于三卡尔曼滤波器的目标跟踪方法，在这两种方法中，系统不仅提高了定位精度，而且对单个传感器故障具有鲁棒性。基于 DNN-LSTM 的跟踪器的优势在于它不需要事先在雷达和摄像头之间进行校准，而且对于确定单个传感器提供的定位差异至关重要。基于三卡尔曼滤波器的方法将这些发现用于多目标跟踪，精度达到 26 厘米，与最先进的方法不相上下，漏检率小于 4%，与文献中大于 16% 的 FNR 相比有了显著提高。本研究提出的方法大大提高了感知能力，使自主系统更加安全。