【《大型车辆场景下毫米波雷达的风险降低策略设计案例》1800字】

大型车辆场景下毫米波雷达的风险降低策略设计案例目录TOC\o"1-3"\h\u32227大型车辆场景下毫米波雷达的风险降低策略设计案例 1240921.1DBSCAN目标聚类算法 1193981.2风险降低策略设计 221711.3实车试验验证 31.1DBSCAN目标聚类算法DBSCAN聚类算法是一种典型的基于密度的算法，DBSCAN算法可以处理任意形状的聚类类型，而且不需要提前设置聚类结果数目。关于DBSCAN聚类算法，有如下重要概念：①核心点：若点p半径R范围内所有点的数目大于minPts，则记点p为核心点。②临时聚类簇：核心点p及其半径R范围内所有点构成一个临时聚类簇。③边界点：若点p不是核心点，且点p落在某个核心点的临时聚类簇内，则点p为边界点。④噪声点：若点p不是核心点，且点p不是边界点，则点p为噪声点。DBSCAN聚类算法将给定的所有点分为核心点、边界点和噪声点三类（某一类点构成的集合可以为空），DBSCAN聚类算法需要确定两个初始参数：R：阈值半径，临时聚类簇的半径。minPts：临时聚类簇至少包含点的个数。DBSCAN目标聚类算法的效果图和流程图如图3.1所示：图STYLEREF1\s3.SEQ图\*ARABIC\s11DBSCAN目标聚类算法的效果图和流程图1.2风险降低策略设计图STYLEREF1\s3.SEQ图\*ARABIC\s12大型车辆返回多个雷达点示意图当前方存在大型车辆较大的电磁波反射面时，返回的雷达点迹可能发生分裂，如图3.2所示，雷达点之间的距离可能会比较远，仅使用欧式距离进行聚类可能无法区分大型车辆和周围其他物体，或者将不同的小型物体错误地聚为一类。使用雷达点纵向速度v和雷达点坐标距离dS=公式(STYLEREF1\s3SEQ公式\*ARABIC\s11)图STYLEREF1\s3.SEQ图\*ARABIC\s13坐标系转化图常见的大型车辆长度小于12m，取μ=12m，故本课题所设计的风险降低策略仅适用于长度在12m下的大型车辆的运动识别。观察实车试验数据，分裂的雷达点纵向速度差不超过0.5m/s，取ω=0.5m/s。对于DBSCAN目标聚类算法的两个关键初始参数，归一化后S=vi−vj聚类结果整体的目标为一个矩形区域，矩形区域的运动状态由目标包含的成员点迹运动信息计算得到，假设目标n包含的成员点迹数量为k，则目标n的运动信息为：I公式(STYLEREF1\s3SEQ公式\*ARABIC\s12)式中，(xn,yn)表示目标n的矩形区域左下角位置，由成员点迹最小的横坐标和纵坐标表示；xl1.3实车试验验证根据实车试验数据，观察到两段视频中出现毫米波雷达返回多个点的情况。当毫米波雷达前方出现大型车辆的侧面且距离较近时，雷达点容易出现分裂。图STYLEREF1\s3.SEQ图\*ARABIC\s14情况1（图左）和情况2（图右）针对情况1中的一帧数据，如图3.5所示，大型车辆出现在自车前方，毫米波雷达识别到大型车辆的侧面。图STYLEREF1\s3.SEQ图\*ARABIC\s15情况1雷达点返回多个点图STYLEREF1\s3.SEQ图\*ARABIC\s16情况1雷达点运动信息当前时刻返回的雷达点坐标如图3.6所示，与视频信息结合可得，识别到大型车辆的侧面后毫米波雷达返回了三个点。使用风险降低策略，聚类结果如图3.7所示，标记为绿色的点为属于大型车辆的雷达点。图STYLEREF1\s3.SEQ图\*ARABIC\s17聚类结果图聚类后输出的目标运动信息：I公式(STYLEREF1\s3SEQ公式\*ARABIC\s13)矩形区域在坐标系中表示如图3.8所示。图STYLEREF1\s3.SEQ图\*ARABIC\s18矩形区域图针对情况1，经过逐帧分析，聚类效果实现良好，所有帧聚类结果的目标矩形区域如图3.9所示。图STYLEREF1\s3.SEQ图\*ARABIC\s19矩形区域图（总）针对情况2中的一帧数据，如图3.10所示，大型车辆出现在自车前方，毫米波雷达识别到大型车辆的侧面。图STYLEREF1\s3.SEQ图\*ARABIC\s110情况2雷达点返回多个点图STYLEREF1\s3.SEQ图\*ARABIC\s111情况2雷达点运动信息当前时刻返回的雷达点坐标如图3.11所示，与视频信息结合可得，识别到大型车辆的侧面后毫米波雷达返回了三个点。使用风险降低策略，聚类结果如图3.12所示，标记为绿色的点为属于大型车辆的雷达点。图STYLEREF1\s3.SEQ图\*ARABIC\s112聚类结果图聚类后输出的目标运动信息：I公式(STYLEREF1\s3SEQ公式\*ARABIC\s14)矩形区域在坐标系中表示如图3.13所示。图STYLEREF1\s3.SEQ图\*