本文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
研究作者及机构
本研究的主要作者为Xiangwei Dang、Xingdong Liang和Yanlei Li，他们分别来自中国科学院微波成像技术国家重点实验室、中国科学院电子电气与通信工程学院以及中国科学院大学。此外，Zheng Rong作为通讯作者，来自中国科学院自动化研究所模式识别国家重点实验室。该研究发表于2020年IEEE国际会议，并收录于IEEE Xplore数据库。
学术背景
本研究属于自动驾驶领域，具体聚焦于动态环境下的同步定位与建图（Simultaneous Localization and Mapping, SLAM）技术。传统SLAM方法通常假设环境是静态的，但在实际应用中，动态物体（如行人、车辆）的存在会显著降低SLAM的精度和鲁棒性。为了解决这一问题，本研究提出了一种融合激光雷达（LiDAR）和毫米波雷达（mmWave Radar）的新方法，旨在消除动态物体对SLAM的干扰，从而提高定位和建图的性能。研究的主要目标是开发一种高效且精确的动态物体检测与消除方法，并将其应用于SLAM系统中。
研究流程
本研究包括以下几个主要步骤：
系统概述与传感器融合
首先，研究团队对LiDAR和毫米波雷达进行了时间同步和坐标校准，以确保多传感器数据的精确融合。LiDAR生成密集且精确的点云数据，而毫米波雷达则提供稀疏的检测结果，其中包括一些虚假目标（ghost targets）。通过融合LiDAR数据，研究团队能够验证并过滤掉毫米波雷达中的虚假目标。
点云分割
在点云分割阶段，研究团队首先使用类似[13]的方法去除地面平面，因为LiDAR对地面的测量数据稀疏且不准确，会影响SLAM的匹配精度。接着，采用基于图像的分割方法对点云中的物体进行识别和分离。点云被组织成范围图像（range image），并通过检查向量之间的角度来确定是否属于同一物体。最终，来自同一物体的点被标记为相同的类别。
雷达结果过滤
由于电磁波的传播特性和多径效应，毫米波雷达的检测结果通常包含一些非目标噪声。为了消除这些虚假目标，研究团队提出了一种基于LiDAR数据的验证策略。通过将雷达目标点转换到LiDAR坐标系，并构建KD树，研究团队能够搜索每个雷达点周围的最近邻点，并计算这些点的质心。只有当邻近点数量超过阈值且雷达点与质心距离足够小时，该雷达点才被认为是有效目标，否则被过滤掉。
数据关联与速度补偿
毫米波雷达测量的目标速度是相对于传感器的径向速度，因此需要进行速度补偿以确定目标在世界坐标系中的绝对速度。研究团队通过结合SLAM输出的传感器速度，计算目标的绝对速度，并判断其是否为动态物体。最后，通过数据关联算法将稀疏的雷达点与LiDAR点云进行匹配，并移除动态物体对应的点云。
实验验证
研究团队使用配备LiDAR（VLP-16）和毫米波雷达（Delphi ESR）的轮式机器人进行了实验验证。实验场景包括静态和动态环境，例如有行人和车辆的道路。通过对比去除动态物体前后的SLAM结果，研究团队验证了该方法的有效性。
主要结果
实验结果表明，该方法能够高效且精确地识别和移除动态物体，从而显著提高SLAM的精度和鲁棒性。在静态机器人测试中，动态物体（如电动自行车和汽车）被成功识别并移除；在动态机器人测试中，通过速度补偿，静态卡车和动态汽车被有效区分，动态汽车被成功移除。此外，SLAM的定位误差显著降低，例如在绕花坛测试中，平移误差从21.8%降至3.08%；在建筑物测试中，平移误差从2.02%降至0.54%。
结论与意义
本研究提出了一种基于LiDAR和毫米波雷达融合的动态物体消除方法，有效提高了动态环境下SLAM的性能。该方法充分利用了两种传感器的优势，LiDAR提供精确的点云分割和定位，毫米波雷达通过多普勒效应实现快速动态物体检测。通过实验验证，该方法在复杂动态环境中表现出色，具有较高的应用价值，可为自动驾驶车辆的定位和建图提供可靠的技术支持。
研究亮点
1. 传感器融合创新：首次将LiDAR和毫米波雷达融合应用于动态物体检测与消除，充分发挥了两种传感器的互补优势。
2. 高效动态物体检测：通过多普勒效应和速度补偿，实现了动态物体的快速检测与精确移除。
3. 显著性能提升：实验结果表明，该方法显著降低了SLAM的定位误差，提高了建图的一致性。
4. 广泛适用性：该方法适用于多种动态环境，包括复杂交通场景和恶劣天气条件。
未来工作
研究团队计划进一步开发高分辨率3D雷达，并探索LiDAR与雷达的紧耦合SLAM方法，以进一步提高定位和建图的鲁棒性与精度。
以上是本研究的详细报告，涵盖了背景、流程、结果、结论及其科学价值与应用前景。