毫米波雷达点云去噪技术三大主流路线对比解析
上个月某自动驾驶团队在封闭园区测试AEB时,车辆在晴天干燥路面上对前方空载塑料托盘连续三次误刹。回放点云日志看到,托盘位置散布着四十多个强度值低于-8dB的孤立噪点,直接触发了聚类算法的障碍物判定。这

上个月某自动驾驶团队在封闭园区测试AEB时,毫米车辆在晴天干燥路面上对前方空载塑料托盘连续三次误刹。波雷回放点云日志看到,达点对比托盘位置散布着四十多个强度值低于-8dB的云去孤立噪点,直接触发了聚类算法的噪技主流障碍物判定。这套系统用的解析还是某品牌前向毫米波雷达。噪点不除,毫米后面跟踪、波雷融合做得再漂亮也是达点对比给错误数据打工。
统计滤波靠先验概率硬筛孤立点
这是云去最古老也最省算力的路线。核心假设是噪技主流真实目标点彼此靠近,噪点则随机游走。解析对每个点计算其K近邻平均距离,毫米若偏离全局均值超过一个标准差阈值即剔除。波雷某Tier1量产雷达的达点对比默认参数是K=8、阈值1.2σ,在高速公路场景能吃掉约78%的杂散点,单帧耗时1.3ms。代价是真实弱目标容易被误伤——行人在70米外只返回两三个点,邻域距离大,直接被打成噪点。实测对比中,统计滤波对行人召回率下降21%,对侧向骑行者下降34%。速度快,但脑子直。
密度聚类把噪点识别变成归属权争夺
DBSCAN及其变体不预设噪点数量,而是要求核心点邻域Radius内至少存在MinPts个点。毫米波雷达点云稀疏特性让参数选择成了真正的毫米波雷达点云去噪技术注意事项:Radius取0.6米时六十米外车辆只剩两个点,取1.2米时两个相邻行人会被合并成同一个物体。2024年某新势力车型OTA日志显示,雨天模式Radar自动放宽到1.8米,代价是相邻车道卡车和护栏出现三次目标合并。密度方法的生存规则很残酷:你聚不成团,就什么都不是。但聚成团的也未必是人。
基于强度与多普勒速度的物理约束派
这条路线最接近雷达信号本质。真实反射体的RCS和径向速度存在物理自洽性,噪点没有。有团队用强度-距离衰减拟合曲线做第一层筛选,超过拟合包络±2.5dB的点直接丢弃;第二层用多普勒速度连续性做帧间配对检验,静止噪点会被打上“零速孤立”标记。一项2023年公开测试数据里,该方法在保持行人召回率91%的前提下,把噪点密度压到每帧0.4个/平方米,相比纯统计方法降低63%。不过速度约束要求雷达帧率不低于15Hz,帧间关联失败时算法会整体降级成裸奔。经验分享里最常见的一句话:这套东西调通了很强,调不通连统计滤波都不如。
三种路线各占一个生态位:低算力MCU用统计滤波,中等算力且场景开放度高用密度聚类,追求物理一致性且有帧间时序储备的团队可以碰速度约束。一个可操作的建议是,别指望单一算法通吃,把噪点分层处理——强度极低的先砍掉,空间孤立的交给聚类裁决,速度异常的留到最后物理层收口。三层漏斗下来,剩下的噪点基本翻不出浪来。