Lec 8 自动驾驶汽车（Self-Driving Cars）

MIT 6.1820/MAS.453 · Mobile and Sensor Computing 阅读材料：Hawkeye [MobiCom'22] — MIT CSAIL

1. 自动驾驶感知技术全景

自动驾驶汽车的核心挑战是全天候、全场景的环境感知。

传感器	分辨率	天气鲁棒性	深度信息	成本
摄像头	极高	弱（雨/雾/黑暗）	需立体/深度学习	低
LiDAR	高	弱（雨/雾）	直接点云	高
mmWave 雷达	低	极强	直接距离+速度	低

问题：毫米波雷达（mmWave Radar）能穿透雨雾、成本低，但分辨率远低于摄像头，无法直接用于物体识别。

---

2. mmWave 雷达工作原理

工作频段：77 GHz（波长 $\lambda \approx 3.9$ mm）。

2.1 FMCW 测距

与 WiTrack（Lec 4）相同，通过差频 FFT 测量目标距离：

$d = \frac{c \cdot f_\text{beat} \cdot T_\text{chirp}}{2B}$

2.2 多普勒速度测量

连续发射多个 chirp，帧间相位差给出目标径向速度：

$v = \frac{\lambda \cdot \Delta\phi}{4\pi T_\text{PRI}}$

其中 $T_\text{PRI}$ 为脉冲重复间隔（Pulse Repetition Interval）。

2.3 角度测量（AoA）

利用多天线阵列（MIMO），通过相位差估计目标角度：

$\theta = \arcsin\left(\frac{\Delta\phi \cdot \lambda}{2\pi d_\text{ant}}\right)$

---

3. Hawkeye：从雷达点云重建深度图

核心思想：用深度学习将低分辨率雷达点云（Radar Point Cloud）转换为高质量深度图（Depth Map），从而获得相机级别的感知能力，同时保持雷达的天气鲁棒性。

3.1 网络架构：条件生成对抗网络（cGAN）

Hawkeye 生成器架构：

$\text{雷达点云（3D）} \xrightarrow{\text{3D 卷积编码器}} \text{特征向量} \xrightarrow{\text{2D 卷积解码器}} \text{深度图（2D）}$

• 编码器（3D Encoder）：提取雷达数据的距离-角度-多普勒三维特征
• 解码器（2D Decoder）：将三维特征投影为二维深度图

3.2 训练数据问题

挑战：真实道路场景中难以同时获取大量雷达点云与对应的精准深度真值（Ground Truth Depth）。

解决方案：射线追踪仿真（Ray Tracing Simulation）

• 在虚拟城市场景中对交通、行人、建筑进行物理建模
• 仿真毫米波雷达信号传播（包括多径、反射）
• 生成大量配对的"雷达点云 + 真值深度图"训练数据
• 实测结果：仿真训练 + 少量真实数据微调（Fine-Tuning）效果与纯真实数据相当

---

4. 评估结果

指标	Hawkeye（雷达）	相机深度估计	LiDAR 直接测量
雨天 MAE（m）	0.32	1.8+	N/A（失效）
晴天 MAE（m）	0.38	0.41	0.05

关键结论：在恶劣天气下，Hawkeye 精度比相机深度估计提升约 5 倍，接近晴天 LiDAR 精度。

---

5. 拓展：绕角成像（Around-Corner Imaging）

mmWave 雷达的另一个惊人应用：利用建筑角落的漫反射（Diffuse Reflection），感知视线之外的目标。

原理：目标的反射到达雷达的多径（Multipath）中包含"绕角"成分，通过对多径进行逆向分析可重建目标位置。

---

本讲小结

mmWave 雷达具有摄像头和 LiDAR 无法替代的天气鲁棒性，但分辨率低是其主要局限；Hawkeye 通过 cGAN 将雷达点云转换为高质量深度图，利用射线追踪仿真数据解决训练数据稀缺问题，为全天候自动驾驶感知提供了新路径。