人們越來越清楚地認識到，自動駕駛車輛的進一步發展將在很大程度上取決于傳感器的發展。為了實現進一步發展，車輛必須提高其識別和分類物體的可靠性，提高感知這些物體運動的準確性，并且隨著傳感器技術的改進，擴展自主系統可以運行的環境條件范圍，即運行設計域。所有這些需求都取決于來自車輛傳感器系統的數據質量。

對于 L2 和 L2+ 級別的自動駕駛，該系統主要包括高分辨率光學攝像頭，以及具有有限范圍和視野的雷達。短程超聲波雷達或雷達傳感器也被用于特定的舒適性和安全性功能，比如自動泊車、智能巡航控制和車道保持。為了達到 L3 級別，設計師們不得不加配激光雷達傳感器，這帶來了許多不利影響和限制，尤其是高昂的成本。

但是新一代 4D 成像雷達傳感器正在極大地改變這種局面。這些經濟實惠的高分辨率毫米波雷達傳感器可在 4 個維度上提供出色的分辨率：距離、方位角、俯仰角（首次），以及準確的、直接測量的速度信息。這些新型傳感器還提供了更遠的距離范圍和更廣的視野，并且支持擴展的運行設計域。所有數據均實時傳輸至自動駕駛汽車的融合處理器。

這些功能的結合大大提高了可靠性，擴大了運行域。與攝像頭或激光雷達不同，毫米波雷達天然具備在惡劣天氣或光照條件差的情況的強穿透力。高空間分辨率和精確速度測量的結合減少了物體探測的模糊性。因此，在更廣泛的環境條件下，實現了更強大的目標檢測和分類能力。

圖 1 汽車雷達用例

雷達發展歷程

這些新型傳感器與大多數先前一代的汽車雷達截然不同。它們的優勢源于多年來在軍事和航空航天領域的成熟技術的積累。如今，隨著半導體和天線制造集成度與性能的不斷提升，之前用于 F-18 戰斗機的系統現在到能夠下沉為安裝于乘用車多處位置的緊湊模塊，這些功能在規模和成本方面都呈現顯著下降趨勢。

首要的重要變化是低成本毫米波雷達發射器和接收器硬件的推出，它們提供了出色的發射器功率和高接收器靈敏度。這一變化引發了另外兩個變化：采用密集的多天線陣列（在 5G 通信中稱為多輸入多輸出，或 MIMO）；使用復雜的波形，這類波形大大增強了俯仰角、方位角和速度測量的能力。最后，數字信號處理 (DSP) 知識產權的進步使融合數字處理能力成為可能，且這種能力是處理這些傳感器實時生成的多信道高速數據所必不可少的。

技術挑戰

這些漸進式變化如何轉化為有價值的功能，是一個關于硬件能力與固件功能相互耦合的過程。例如，為了實現高度精確的方位角和俯仰角分辨率，傳感器必須采用大孔徑和虛擬陣列合成技術。先進的信號處理算法可以組合跨時域、頻域或碼域的多種信號，或組合跨這些域的某些組合的各類信號，以構建一個比物理陣列更大的虛擬天線陣列。

這大大提高了分辨率：目前的設計目標是方位角小于一度，仰角約為一度。與低分辨率雷達相比，這種分辨率可以為每個目標對象生成更多不相關的測量點，進而更準確地確定目標對象的位置和輪廓。在這種情況下，后續的處理過程將變得更加順利，能夠更輕松地區分遠處的目標對象，并且更容易引入基于機器學習的分類算法，這些算法類似于處理攝像頭或激光雷達數據所使用的算法。

在這些系統中，傳輸波形的設計對傳感器的性能和整個解決方案的整體成本有著巨大的影響。為了確保傳輸波形與虛擬陣列構建過程之間的正交性，在選擇基本波形結構（發射的啁啾序列）時需要仔細權衡和思考。例如，從多個發射天線并行發射信號，將在接收端生成眾多虛擬信道的測量數據。因此，有必要考慮到以合理的算法和處理能力來應對分離這些測量數據的挑戰。

在選擇信道復用方法時，也需要做出權衡。 對測量施加限制可能會導致偽影。例如，此類限制可能會引起角度和多普勒測量的耦合，從而影響支持的精確速度測量的范圍，或造成其他測量模糊問題。

此外，還有許多系統級的影響需要注意。以下僅舉幾例：第一個例子，為了實現高模擬帶寬和短的啁啾持續時間，需要更高的采樣率。這反過來會使 ADC 轉換器的設計變得更加困難，并增加 ADC 的成本。第二個例子：基于相位的信道復用方案需要具有高相位分辨率的模擬移相器。然而，這類移相器在制造過程中存在挑戰，并且需要進行精細且敏感的離線和在線校準。第三個例子：同時從多個發射天線元件發射信號需要在系統級別進行更復雜的散熱設計，從而散發由發射器產生的額外熱量。

總之，在車輛自主系統中充分利用高分辨率毫米波雷達需要考慮眾多設計因素，每一個都不容忽視。然而，這些傳感器所帶來的好處遠超系統能力的提升。

現實世界的優勢

這些能力不僅僅表現為性能參數表上的數字得到了改進。它們在功能上可實現更加細致的區分，這在真實世界場景中行駛時可提高真實世界車輛的安全性、自主性和運行設計域。

例如，3D 位置和速度數據的數量和精度的增加可以顯著提高自動駕駛車輛識別物體的能力。傳感器提供的出色數據使車輛能夠做出細微卻又至關重要的區分，例如，區別來自大型卡車的強反射信號和來自附近小孩的較弱信號。實時多普勒速度測量意味著，除其他功能外，車輛能夠立即檢測物體速度的突然變化，而不需要進行數次視場掃描，同時還能區分以不同速度移動的近距離物體。

所有這些優點都有助于更好地了解車輛周圍的情況。這意味著更高的安全性。再加上高分辨率毫米波雷達在能見度差和光線復雜的雜亂場景中的工作能力，您將獲得一個能夠在更廣泛條件下以更高的安全性和可靠性運行的車輛自主系統，而這正是該行業所努力追求的優勢。

靈活、可擴展的解決方案

所有這些挑戰都需要一種靈活而全面的雷達 SOC 解決方案，該解決方案既是“軟件定義的”，又可擴展以支持先進的雷達處理算法。這樣的平臺將包括高性能的 DSP 引擎，用于多維 FFT 運算的優化硬件加速器，以及專用的軟件開發工具包。例如，CEVA 的 SensPro 傳感器中心架構通過一系列 DSP 產品提供了這種組合，具備一系列處理能力，非常適合解決廣泛的客戶用例和需求。

開發人員可以利用 SensPro 系列的不同產品，創建出不同版本或迭代的產品。憑借其通用的架構，DSP 軟件代碼可以在不同核心之間輕松順暢地遷移，可節省對先前開發的軟件代碼庫的投資，并縮短上市時間。

當然，底層處理能力必須與不斷出現的需求保持同步，因此需要一個可編程的架構。隨著市場需求的演變，CEVA 不斷優化其 SensPro 架構和指令集，以支持以下功能：

· 使用先進的 CFAR 方案（例如，OS-CFAR）進行可靠且穩健的目標檢測；

· 支持超越“傅里葉極限”的增強分辨率，采用超分辨率高級算法；

· 通過處理雷達點云來支持幀間級處理，實現先進的跟蹤方案（例如使用卡爾曼濾波器和應用經過訓練的專用 AI 模型，從“后跟蹤器”點云分割和分類對象）

圖 2 雷達處理鏈和 SensPro DSP 工作負載

超越駕駛輔助系統

在謹慎使用的前提下，當今的車輛自動駕駛水平能夠顯著提升車輛安全性和通行流暢度。然而，最終的目標仍是實現全面自動駕駛，至少對于某些車輛類別是如此。在應對這一挑戰時，高分辨率的 4D 毫米波雷達將起到關鍵作用。設計師設想了一個傳感器套件，其中包括車輛的每個角落都安裝一個 4D 雷達，和至少一個激光雷達，所有這些傳感器將數據輸入到一個復雜的傳感器融合處理器和人工智能模塊中。在擁有足夠數量和高質量的傳感器數據、成熟的融合和人工智能處理能力，以及充分的訓練基礎上，人們希望通過減少錯誤并擴展運行設計域，最終實現全自動駕駛的目標。這些車輛幾乎能在任何環境下運行，并成為交通系統中被廣泛接受的一部分。

然而，未來仍將面臨諸多挑戰。隨著部署毫米波雷達的車輛數量增加，干擾的可能性也會增加。這將引發各個雷達傳感器波形處理領域的創新，并有望推動車載雷達標準的制定。相應地，標準可能會促進車輛間以及車輛與基礎設施之間的合作，這可能意味著雷達傳感器作為大規模分布式智能網絡的一部分，將扮演全新的角色。當前汽車雷達傳輸領域缺乏統一的標準，因此需要一個具有高度可編程性的解決方案以適應不同情況。這可能包括，例如，在單個傳感器級別上實施可能的干擾緩解措施，或者在傳感器與基礎設施之間增加協調機制，以便傳感器能夠安全高效地利用共享頻譜資源。底層半導體技術、天線設計和算法開發領域的不斷發展，也將跟上這些新興理念的步伐。

而且，這些新型傳感器的應用遠不止于自動駕駛汽車。顯然，在廣泛的運行設計域，隨著傳感器尺寸和成本的降低，還有許多其他類型的車輛可以受益于自動駕駛技術或先進的駕駛輔助功能。但對于固定應用，如交通流量管理和擁擠區域的行人安全系統，這些優點同樣重要。我們可以想象一種協作系統，其中卡車、汽車、摩托車、自行車和行人之間會持續地互相交流，交流它們的位置、速度以及周圍的環境。

總體上來說，高分辨率毫米波雷達傳感器將在任何需要理解動態環境且視覺攝像數據不足的情況下發揮重要作用。這些雷達傳感器的技術擁有足夠的發展空間，能夠滿足新的市場需求。因此，系統設計師的創造力可能是決定它們應用范圍的唯一限制。

更多信息敬請關注展會官網：東莞機器人展 東莞自動化展