随着自动驾驶技术的快速发展，自动驾驶的研发逐渐形成一整套的流程，包括数据采集，清洗标注，算法训练，仿真测试到量产等各技术环节。通过复杂的步骤从原始数据中提出高价值的信息，其中对原始数据的精准采集是实现车辆环境感知的基石。毫米波雷达因其出色的测距、测速能力以及对恶劣天气的鲁棒性，成为不可或缺的传感器之一。

本文将以4D毫米波雷达ARS548为例，分享毫米波雷达如何快速实现数据采集，可视化及存储策略。关于毫米波雷达的特性可进一步了解文章《毫米波雷达技术解析》。

一、ARS548毫米波雷达概述

ARS548是 4D高分辨率成像毫米波雷达（4D High Resolution Radar），如图1所示。它能够有效的测量距离（Range），速度（Velocity），水平角度（Azimuth）和俯仰角度或高度（Elevation）四个维度的信息，具备感知目标三维空间位置能力。具备以下特性：

图1：ARS548（图片来源于网络）

1. 探测距离与视场角：最大探测距离可达300米，水平视场角为±60°，垂直视场角为±4°至±14°。

2. 数据输出：支持最多800个Detection和50个Object的同时输出，测量周期为50ms至100ms可调。

3. 接口：采用100 BASE-T1接口，支持通过车载以太网转换器与标准以太网设备进行通信。

4. 通信协议：数据通过UDP协议传输，使用多播地址方式进行数据传输。

二、硬件集成

为了能快速采集到毫米波雷达的数据，需要对其进行硬件集成与连接，如图2所示。

图2：Radar 硬件连接方案

以同时连接3个毫米波雷达为例，整个系统均支持12V的供电运行，可快速实现各设备稳定供电运行。在数据链路采集上，需要将车载以太网接口的数据转换到标准以太网，这一转换过程涉及以下步骤：

1. 网口转换：使用如康谋NETLion100转换器，将车载以太网信号转换为标准以太网信号。NETLion100集成了网络分线器(Tap)和双介质转换器于一身，支持BroadR-Reach®网络信号与100BASE-TX以太网之间的双向转换，并提供LED信号实时显示数据传输质量，可快速进行数据转换和分析。

2. 数据传输原理：雷达数据以UDP包的形式发送至指定的多播地址，康谋BRICK plus设备通过网络接口接收这些数据包。BRICKplus提供广泛的接口支持多个传感器同时连接，实现高带宽数据的采集、处理和记录。

3. 采集与监控：在BRICK plus端，可以使用Wireshark等网络分析工具来捕获和分析从雷达发送的数据包，检查数据包是否正确传输。

三、软件开发

为了采集到毫米波雷达输出的点云数据，需要理解数据的传输形式并能够实时解析。具体来说需要解决如下的问题：

1. 数据采集：实时从ARS548雷达获取原始数据，这要求系统能够与雷达硬件接口进行高效通信，并且能够处理高频率的数据流。

2. 数据解析：将原始数据转换为可读的格式，如目标的距离、速度和角度。需要对雷达数据包进行解码，并提取出有用的信息。

3. 数据可视化：将解析后的数据以图形化的方式展示，便于分析和监控。需要实时更新数据显示。

ROS提供了模块化的节点系统，便于管理和扩展。每个节点可以独立开发和测试，使得系统的整体复杂性得到有效管理。十分契合我们对问题的拆解以及功能节点的完成。此外采用ROS的发布/订阅模型可以实时采集传输的雷达数据。

对于单个毫米波雷达的采集，解析和可视化，可以通过在ROS中对应创建3个节点来实现。3个节点分别负责Radar设备接收UDP数据，解析并发布ROS消息，以及将雷达检测和对象信息转换为可视化Marker消息。

针对3（多）个毫米波雷达的同时采集，我们采用每个节点同时发布和订阅多个topic数据实现同时采集和传输。并且为了实现多个雷达数据的同时显示，采用Foxglove进行可视化呈现，呈现效果如图3所示：

图3 ：Radar 可视化

随后，采用ROSbag进行数据存储，能够确保数据的完整性和准确性。

四、总结

通过集成高性能的硬件设备和采用ROS框架，实现了毫米波雷达数据的高效采集、实时处理和直观可视化，同时支持多雷达系统的数据同步采集和存储，提供了一个稳定、灵活且可扩展采集方案。

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。