当前位置:首页>美股资讯>毫米波雷达点云去噪:多源融合下的噪声抑制新进展
美股资讯

毫米波雷达点云去噪:多源融合下的噪声抑制新进展

2025年一季度,国内三家头部自动驾驶供应商先后更新了4D毫米波雷达的感知算法版本。变化不在硬件层面,而是点云处理的思路:过去依赖单帧滤波的做法正被多源融合框架取代,静态杂波剔除率从此前平均的78%提

来源:发布时间:2026-11-22 05:21:03栏目:美股资讯浏览:371 次

毫米波雷达点云去噪:多源融合下的噪声抑制新进展

2025年一季度,毫米合下国内三家头部自动驾驶供应商先后更新了4D毫米波雷达的波雷感知算法版本。变化不在硬件层面,达点的噪而是云去源融点云处理的思路:过去依赖单帧滤波的做法正被多源融合框架取代,静态杂波剔除率从此前平均的噪多制新78%提升到91%以上,同时点云密度损失控制在12%以内。声抑毫米波雷达点云去噪技术方法在工程层面出现了一次实质性转向。进展

噪声从哪来:多径与旁瓣不再是毫米合下核心元凶

传统认知里,毫米波雷达的波雷噪声主要来自多径反射和天线旁瓣泄漏。但2024年底某Tier 1在内部测试报告中披露了一个被忽视的达点的噪事实:城市道路场景下,42%的云去源融异常点来自护栏、井盖、噪多制新金属标牌等“合法目标”的声抑二次散射。这类点云在单帧内形似有效目标,进展只有跨帧追踪才会暴露其随机性。毫米合下更棘手的是,雨雾天气中水滴群产生的体杂波在距离维度上呈连续分布,单靠CFAR阈值调整会成片误删近距行人点。去噪问题从来不是简单的信号处理,而是场景理解问题。

多源融合去噪:用确定性约束随机性

新方案的核心是把视觉或激光雷达的几何信息作为先验,约束雷达点的空间分布。上海一家公司2025年3月发布的路测数据显示,引入视觉语义分割结果后,将点云投影到“可行驶区域”与“不可行驶区域”两类掩膜中,剔除落在建筑物立面后方但无对应视觉边缘的悬浮点,误检率下降了19个百分点。激光雷达融合则侧重于速度校验:对每个雷达点查找邻近LiDAR点云簇,若径向速度与点簇运动趋势差异超过0.8m/s,则标记为噪声候选。该策略在隧道内多径严重的场景中效果突出,多径鬼影点减少了67%。

训练数据稀缺:去噪模型的最大瓶颈

毫米波雷达点云去噪技术教程里常被忽略的一点是标注问题。与图像不同,雷达点云无法靠人眼直接判定某个点是“真”是“假”。行业目前的做法是用高线束激光雷达作为真值生成器,在时空同步后将雷达点与LiDAR点做最近邻匹配,匹配不上且连续多帧无轨迹的才标为噪声。这套流程每帧标注成本约0.3元,采集十万帧级别的训练集仍需数周。业内普遍认为,自监督方法——让模型从点云的运动一致性中自行发现异常——可能是绕开标注瓶颈的出路。已有团队在港口AGV场景下验证,无标注训练的去噪网络达到监督学习91%的性能,但在复杂城区只做到78%。差距就是机会。

毫米波雷达点云去噪技术经验分享中最有价值的一条共识是:不要追求单帧完美,要在跟踪器里留有余地。把去噪做得太激进,弱目标(比如蹲下的行人、低速骑行的小孩)会被一并吞掉。建议工程团队把去噪器的输出置信度一并交给下游跟踪模块,由跟踪器结合历史轨迹做最终裁决。噪声抑制率这个数字本身没有意义,有意义的是它换回了多少稳定的真实轨迹。