鞠夕强， 孟 文， 孟祥印*， 谢江鹏

(1.西南交通大学机械工程学院， 成都 610031; 2.轨道交通运维技术与装备四川省重点实验室， 成都 610031)

毫米波雷达，因其能够全天候使用，获取目标径向速度，对天气敏感度低，成本较低等优点，是当前汽车辅助驾驶系统与无人驾驶实验中必不可少的传感器之一[1]。但雷达仍有角分辨率低；杂波、虚假目标和噪声影响目标识别；数据输出稀疏，均匀性差等缺点[2]。根据毫米波雷达特性，需要针对性开发数据处理算法，尤其是数据聚类算法。

目前数据聚类方法主要有划分法[3-4]、层次法[5-6]、基于密度的方法[7-8]、基于网格的方法[9-10]。结合雷达特性分析：以K-means[11]算法为代表的划分法虽然简单快速，但仍需预先选定K值且对噪声及离群点敏感，无法实时处理雷达数据；以AGNES算法为代表的层次法，簇间距离容易定义，不需要预先制定聚类数，但该方法计算复杂度高，实时性不强；基于网格的聚类方法[12]聚类速度快，对高数据量数据处理效果好，但毫米波雷达数据量小、点数稀疏，应用该方法聚类精度不高；以DBSCAN[13]算法为代表的基于密度的聚类算法对噪声不敏感，能发现任意形状的簇，缺点是对数据均匀性要求较高，数据的稀疏程度影响聚类效果。针对雷达特性，中外学者提出许多雷达聚类算法。Scheiner等[14]对雷达数据进行二次聚类，第一次聚类使用自适应调整点数阈值，并扩充速度维度的DBSCAN算法；第二次聚类仍使用DBSCAN算法，但参数不同，取得了较好的数据聚类效果。但该算法仅自适应调节点数阈值参数，未能优化雷达均匀性问题。……