验证NVIDIA DRIVE Sim雷达型号

传感器仿真是解决自动车辆（AV）开发中实际数据差距的关键工具。然而，只有当传感器模型准确反映物理世界时，它才有效。 

传感器可以是被动的，例如摄像头或主动的，发出电磁波（激光雷达、雷达）或声波（超声波）以产生传感器输出。当在仿真中建模时，必须根据其实际对应物验证每个模态。

在之前的帖子中，我们详细介绍了相机和激光雷达模型的验证过程NVIDIA DRIVE模拟。请参阅验证NVIDIA DRIVE Sim摄像头型号和验证NVIDIA DRIVE Sim激光雷达模型这篇文章将介绍雷达，它是探测和避开障碍物的重要传感器。 

有多种方法可以进行雷达验证。例如，您可以比较根据真实数据训练的AV堆栈在遇到合成雷达数据时的行为。或者，您可以将合成雷达数据与真实世界实验中的物理数据进行比较。 

使用AV堆栈验证模型仅评估其触发AV功能的能力，这将测试较低保真度上限。因此，我们将重点讨论第二种方法。

雷达传感器管线

雷达传感器发射无线电波，反射场景中的物体并返回传感器。然后，接收到的信号经过多个处理阶段，以识别真实对象的返回并过滤噪声。然后将这些返回结果显示为环境的点云。

这种后处理方法通常是传感器制造商知识产权的一部分，因此NVIDIA DRIVE Sim传感器模型旨在近似它们。DRIVE-Sim生态系统中的传感器供应商可以包括其整个管道的精确实现，包括后处理。

DRIVE Sim使用光线跟踪对主动传感器建模。嵌入雷达辐射模式的射线被发射到现场。对于3D场景中命中对象的每条光线，将根据命中材质的波长相关属性创建次光线以进行反射和传输。DRIVE Sim中的材料使用双向散射分布函数（BSDF）。这样可以模拟多路径效果。

DRIVE Sim ray跟踪具有时间意识。每条光线都有自己的时间戳，并可以看到不同的环境和传感器位置来匹配该时间。这可以模拟基于时间的效果，例如滚动快门和多普勒。

对于雷达，在满足光线跟踪的停止标准后，传感器模型将合并返回并进行处理。我们的雷达模型考虑了传感器的视野（FOV）、天线方向性、分辨率、模糊度和雷达的灵敏度模式。使用恒定虚警率（CFAR）算法来提取模拟噪声基线上的有效检测。然后，使用精确的通信协议对检测结果进行编码，作为真正的传感器，以服务于硬件中的使用案例。

雷达验证

为了验证DRIVE-Sim雷达模型，我们根据实际雷达的技术产品规范（TPS）设计了三种场景。目标是测试雷达传感器的各种性能组件，包括其对视野的检测能力、分离能力和动态条件下的精度。然后，我们创建了一个数字孪生兄弟在仿真环境中，在DRIVE Sim中收集等效数据进行详细分析。

数据收集环境

对于数据收集环境，我们选择了一个开放宽敞的区域——加利福尼亚州的交通研究中心。在这种环境下，我们可以最小化噪音和不需要的反射，以简化DRIVE Sim中的数字孪生结构。

车辆设置

我们在NVIDIA DRIVE Hyperion公司AV参考体系结构，因此基于NVIDIA DRIVE的开发人员可以轻松地在仿真和现实世界之间转换。传感器安装在开发车辆上（图3）。在这种情况下，前中心雷达（FCR）是评估的重点。

测试中的雷达工作频率为77GHz，包括两次扫描：近距离扫描，视野宽但范围有限；远距离扫描，范围宽但视野窄。此外，一个360°旋转激光雷达传感器（LD1）安装在汽车顶部，以提供伪地面实况数据。

模型验证过程

我们三次验证实验的核心是两个三面体角反射器。这些是标准雷达目标，将能量反射回入射方向。它们的特征是雷达截面（RCS）值，这是对物体将雷达能量反射回接收器的能力的测量。 

我们使用一个相对平方米（dBsm）“高”RCS为15.71分贝，另一个“低”RCS是4.79分贝，以表征模型在广泛RCS范围内的行为。

激光雷达的伪地真值测量用于在DRIVE Sim中虚拟复制测试设置，并进行准确的材料分配。 

在收集虚拟数据后，我们将雷达模型输出与实际雷达进行了比较。以下是三种情况下的比较结果。

场景1：使用角反射器进行FOV采样

在第一个场景中，我们评估了雷达在其视场范围内的探测能力，并验证了其距离和方位精度。 

我们在雷达视场内的多个栅格位置放置了一个角反射器，如图5所示。我们假设传感器的行为是对称的，因此我们只对FOV的一半进行采样以增加采样密度。 

我们总共记录了高RCS角反射器的579个位置和低RCS角反射器的632个位置。

图6显示了1211个高RCS和低RCS角反射器位置的真实和模拟雷达探测的俯视图。我们以此作为连贯性检查的开始。尽管我们观察到80米以上视野覆盖范围存在差异，但总体覆盖范围呈现出明显的相似性，足以进行交叉检查。

图7中的直方图显示了高RCS角反射器和低RCS角反射镜的距离、方位和RCS相对于地面真实值的误差分布。在适用的情况下，我们通过对数据拟合高斯分布来量化结果。真实雷达的结果显示在左侧，而DRIVE Sim数据显示在右侧。 

我们观察到雷达视场中不同位置的真实数据和模拟数据之间高度一致，平均值和标准偏差共享相同数量级。

这些差异主要归因于基本事实的不确定性。虽然激光雷达传感器具有毫米级的精度，但识别像极性角反射器这样的物体的位置和方向可能会在厘米范围内产生误差。此外，虽然我们在数据采集之前校准了传感器位置，但仍可能存在轻微的偏差。

总体而言，在RCS值、探测模式和各种探测特性的精度方面观察到的一致性验证了雷达的保真度、波传播和材料建模。

场景2：角反射器分离能力测试

在道路物体相互靠近的情况下（例如，桥下静止的车辆、车辆或护栏旁边的行人或摩托车手，或两辆停得很近的汽车），雷达可能难以区分单个物体。因此，准确模拟这一特性至关重要，即分离能力.

我们通过将两个角反射器放置在彼此接近的位置来评估这一能力。在距离传感器四个不同的距离处对数据进行采样。对于每个距离，角反射器的位置如图8所示。

我们根据相应的视野选择了不同的雷达近距离和远距离扫描位置，以分析其距离和方位分离能力。

表1和表2总结了近距离和远距离扫描的结果。左列表示CR接近的位置，我们预计每个TPS检测一次。中间和右侧列表示每个TPS预计两次检测的位置。每个单元详细说明了CR的确切位置，以及为模拟和真实世界观察到的检测次数。百分比表示在所有考虑的扫描中，符合我们期望的检测比例。当模拟百分比和实际百分比相差不到20%时，我们定义为成功。

0°和50m、-45°和20m的所有位置的结果表明，真实和模拟之间具有高度相似性。我们在0°和50m处观察到轻微差异，其中CR2（50.5，0）。在这种情况下，真正的雷达返回了两次检测结果，而不是10%的扫描结果中的一次。

除CR2（36.36，-35.36）外，在-45°和50m处进行的比较基本一致，其中模拟雷达返回了两次探测结果。 

	CR（x，y）的位置（米）	CR（x，y）的位置（米）	CR（x，y）的位置（米）
0°和50米	CR1（50，0），CR2=CR1 真实：一次检测（100%） 模拟人生：一个检测（95%）	CR1（50，0），CR2（50.5，0） 真实：一个检测（100%） 模拟人生：一个检测（5%）	CR1（50，0），CR2（50，-3） 真实：两次检测（0%） 模拟人生：两次检测（5%）
0°和100米	CR1（100,0），CR2=CR1 真实：一个检测（100%） 模拟人生：一个检测（60%）	CR1（100，0），CR2（104，0） 真实：两次检测（100%） 模拟人生：两次检测（95%）	CR1（100，0），CR2（100，-6） 真实：两次检测（0%） 模拟：两次检测（0%）

如表2所示，模拟传感器和真实传感器的结果在很大程度上是相关的。在0°和50m处注意到显著偏差，其中CR2（50.5，0）。此外，对于0°和100米，其中CR1=CR2，模拟雷达在40%的扫描中返回两次检测，而现实世界中从未返回两次。 

在进一步分析偏差后，我们将其归因于技术产品规范仅从几个角度描述了雷达的分离能力。这使得我们很难估计距离和方位仓的确切布局。 

此外，我们对CFAR阈值算法的参数化和实现是一个估计，因为它是供应商的知识产权。雷达的分离能力预计对恒虚警行为非常敏感。

总的来说，通过近距离和远距离扫描，我们发现模拟的分离能力与真实的传感器非常接近。

场景3：以恒定速度驶向角反射器

多普勒测量使雷达能够准确地检测运动目标的速度。我们评估了模型在动态条件下的性能，测试车辆直接驶向高RCS和低RCS角反射器，分别以10kph、40kph和80kph的恒定速度行驶，如下所示。

图11中的直方图显示了高RCS角反射器和低RCS角反射镜的多普勒误差结果。

我们观察到所有测试速度的多普勒都有非常高的相关性。对于10kph，实际和模拟分布在大约-3mps、-2mps和0mps时显示出类似的峰值。对于40英里/小时，峰值排列在-10mps左右。对于80英里/小时，在-20英里/小时和10英里/小时处观察到峰值。在绘制多普勒距离图时，进一步证明了这种高精度。

图13显示了高、低RCS角反射器位置和车辆速度的真实和模拟雷达探测的自顶向下视图。

实际和模拟多普勒测量结果表明，其平均值和标准偏差值基本一致。然而，我们注意到在较高速度下出现了偏差。 

我们将这些偏差归因于数字孪生兄弟创造过程中的不确定性。在没有差分GPS的帮助下，使用激光雷达估计自我车辆的位置、速度和方向。这些估计中的误差在80公里/小时的速度较高时被放大。

此外，我们观察到，DRIVE Sim能够复制雷达混叠现象，这种现象发生在物体的径向速度超过雷达的最大可测量无模糊速度时，导致速度值不明确。现实世界的雷达在每个周期都会微妙地改变最大可测量的明确速度范围，使后续的感知算法能够消除速度的歧义。 

我们的模拟准确地复制了这种行为，正如真实数据和模拟数据中的峰值对齐所证明的那样。特别是在80公里/小时的速度下，真实雷达和模拟雷达都表现出类似的速度包裹。

结论

本研究使用真实数据（包括静态和动态条件）首次迭代深入验证我们的模拟雷达模型。该分析旨在评估模型在各种性能指标中的保真度和准确性。

我们的结果表明，模拟雷达数据与真实雷达数据之间存在高度相关性，该模型能够巧妙地处理复杂的相互作用，例如多弹跳效应。 

接下来的实验将侧重于从更复杂的物体（车辆、行人、摩托车）中捕获模拟真实场景的雷达数据。这些物体不仅具有更复杂的几何结构，而且还由多种材料组成，从而使雷达波相互作用更加复杂。通过这些努力，我们的目标是不断提高模型的保真度，进一步缩小仿真与现实之间的差距。

通过在模拟场景中验证准确的雷达传感器行为，我们可以提高系统开发效率，减少对昂贵且耗时的真实世界数据收集的依赖，并提高AV系统的安全性和性能。 

要了解更多信息，请参阅我们以前发布的帖子：

• 验证NVIDIA DRIVE Sim摄像头型号
• 验证NVIDIA DRIVE Sim激光雷达型号