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。

定义 — 感知模态对比
主流自动驾驶感知传感器包含三类：摄像头（Camera）、激光雷达（LiDAR）、毫米波雷达（mmWave Radar）。

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：

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

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：

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

推论 — 分辨率极限　mmWave 雷达的角度分辨率 $\Delta\theta \approx \lambda / (N \cdot d_{ant})$，典型值为 $15°$，相比摄像头的像素级分辨率差距悬殊，这是直接用雷达做目标检测困难的根本原因。

---

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）

定义 — 条件生成对抗网络（cGAN, Conditional Generative Adversarial Network）
在标准 GAN 的基础上，生成器（Generator）以条件输入（这里是雷达点云）为约束生成深度图，判别器（Discriminator）区分生成的深度图与真实深度图（来自 LiDAR）。

Hawkeye 生成器架构：

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

• 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

推论 — 仿真数据的价值　当真实世界数据采集代价高昂（驾驶数百小时、标注成本）时，物理仿真可以低成本生成大规模训练数据，是 IoT/自动驾驶 AI 的重要数据来源策略。

---

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。

---

本讲总结

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。