隨着社會的發展，智能交通的發展已是現代交通的必要趨勢。交通場景中的目標檢測技術是智能交通系統中的一種快速、高效的方法，可以實時檢測道路上的特定目標，其性能直接影響後期對目標的處理。然而在實際的交通場景，目標檢測多處於複雜背景環境中，因此，交通場景中目標檢測對感知設備的性能提出了很高的要求。而毫米波雷達以體積小、重量輕、檢測精度高等特點受到廣泛關注。

△圖1.IWR1843BOOST毫米波雷達實物圖

        基於此先進信息網絡bbin宝盈集团提出了基於深度學習的毫米波與視覺融合感知包括傳感器數據預處理、檢測目標後融合、目標軌跡跟蹤等主要技術方案。

        該技術方案分別採用DBSCAN聚類算法和基於YOLOv5的深度學習算法對傳感器數據進行預處理，結合空間對齊、時間對齊、決策融合算法對多維度目標信息進行融合，使用軌跡關聯和卡爾曼濾波算法克服系統中的噪聲和干擾，提高目標檢測準確性。

△圖2.毫米波雷達反射效果圖                                                      △圖3.毫米波雷達波形原理圖

        毫米波是指工作頻率在30～100GHz，波長在1～10mm之間的電磁波。開放給民用的波段為24GHZ（厘米波）、60GHZ、77GHZ。而77GHZ是規劃給汽車防撞雷達，檢測距離大於160m，可全天候工作。毫米波雷達主要是通過對目標物發送電磁波並接收回波來獲得目標物體的距離、速度和角度。可以用來進行測距、測速、測角度、目標有無的檢測。

        該實驗室基於深度學習方法，對毫米波與視覺傳感器進行感知融合，綜合考慮不同傳感器在精確性及適用場景等方面的優勢，實現高準確的融合感知；結合目標軌跡跟蹤及軌跡關聯算法，提高對於目標檢測的準確性；使用較低成本的攝像頭和毫米波雷達，解決了傳統激光雷達方案中存在的成本過高問題。

        據介紹，本研究內容顯著提高了道路目標檢測的準確性，並提供了多維目標信息，對於路側感知場景，如，車輛類型識別、路況分析、事故監測、高精度地圖構建；以及車載感知場景，如，車輛自動駕駛、輔助駕駛等具有重要支持作用。對於「汽車智能化，交通網聯化」的新一代自動駕駛技術的發展有着重要推動作用。

△圖4.左側為攝像頭檢測和分類結果，右側為毫米波雷達檢測結果。