基于MIMO雷达预CFAR热图的表示学习方法在位置识别中的创新应用

《IEEE Open Journal of Intelligent Transportation Systems》：Representation Learning for Place Recognition Using MIMO Radar

本文推荐一项针对传统雷达感知依赖CFAR滤波导致信息丢失问题的研究。作者提出直接从预CFAR热图中学习表示的创新方法，通过自监督网络提取鲁棒特征，结合Transformer编码器实现运动估计。该方法在Coloradar和自定义数据集上验证显示显著提升了位置识别准确率，特别在噪声环境中表现突出，为自动驾驶感知系统提供了新思路。

　　

在自动驾驶和智能交通系统领域，可靠的环境感知能力是确保安全导航的核心挑战。传统毫米波雷达虽具备全天候工作优势，但其感知流程中常用的恒虚警率（CFAR）滤波会滤除弱信号，导致点云数据稀疏化，尤其对视野范围有限（140°方位角）的现代多输入多输出（MIMO）片上系统（SoC）雷达影响显著。这种信息损失在复杂环境中会直接影响位置识别（Place Recognition）和闭环检测的准确性，成为制约雷达感知性能的关键瓶颈。

为解决这一问题，坦佩雷大学的研究团队在《IEEE Open Journal of Intelligent Transportation Systems》上发表了创新性研究。他们突破传统思路，直接利用CFAR前处理阶段的高分辨率雷达热图（pre-CFAR heatmap）进行表示学习，开发了一种端到端的自监督网络架构。该方法通过保留原始信号中的细微特征，显著提升了在噪声和杂乱环境中的位置识别能力。

研究采用的核心技术方法包括：1）基于U-Net的特征编码器提取雷达扫描的空间特征；2）Transformer编码器建模连续扫描对间的时序依赖关系；3）利用LiDAR-惯性SLAM系统提供的真值运动轨迹进行监督训练；4）通过余弦相似度计算进行位置匹配。实验数据来源于公开Coloradar数据集和自采的TAU移动实验室数据集，涵盖户外、矿区、走廊等多种场景。

表征学习与运动估计网络设计

研究人员设计了一个包含双U-Net编码器、Transformer编码器和运动预测模块的复合架构。U-Net负责从雷达热图中提取多尺度特征，其瓶颈层输出128维特征描述符。Transformer模块通过多头自注意力机制捕捉扫描对间的时空关联，最终通过全连接层预测相对位移（δx, δy）和偏航角（δψ）。损失函数采用加权均方误差，平衡线性和角度运动的优化目标。

数据增强策略

针对训练数据有限的问题，团队提出反向变换和一跳变换两种增强技术。前者通过创建反向扫描对（S_t+1, S_t）使模型学习双向运动理解，后者通过组合（S_t, S_t+2）模拟更大位移场景，有效提升模型泛化能力。

运动估计性能分析

在五个测试场景（户外、Edger Army、ARPG、走廊、长板）上的实验表明，U-Net+Transformer组合在大多数序列中取得最低RMSE误差，较基线模型提升约20%。特别是在长板高速场景下，该架构对线性位移（δy）的预测误差显著低于传统方法，验证了其对运动动态的捕捉能力。

位置识别准确率评估

通过Recall@N指标评估显示，该方法在Recall@1达到76.21%-88.92%，显著优于对比方法RaPlace和Under The Radar。图8的案例可视化表明，模型能正确匹配具有明显几何特征的扫描对，但在特征稀疏场景仍存在误匹配情况。

研究表明，直接利用预CFAR热图进行表示学习能有效保留雷达信号的完整信息，使MIMO雷达在有限视野下仍可实现高精度位置识别。该方法摆脱了对额外传感器或人工标注的依赖，通过自监督学习实现端到端的特征提取。虽然当前架构在动态物体处理和数据增强适用性方面存在局限，但为雷达感知研究开辟了新方向。未来通过多传感器融合和注意力机制优化，有望进一步提升在复杂场景下的鲁棒性，推动全天候自动驾驶系统的发展。