自動駕駛技術就好比是訓練自動駕駛汽車（AV）像人類一樣駕駛，甚至有希望比人類駕駛得更好。正如人類在駕駛汽車時需要依靠感官和認知反應一樣，傳感器技術也是實現自動駕駛不可或缺的一部分。
在攝像頭、雷達和激光雷達這三種傳感器中，雷達在交通安全領域應用的歷史可能最為悠久。最早用于保障交通安全的雷達專利技術之一被稱為 Telemobiloscope（電動鏡）。它是由德國發明家 Christian Hülsmeyer 發明的一種船舶防撞工具。
此后，雷達技術取得了長足的發展，現已成為汽車功能安全的重要使能技術。據估計，汽車雷達的市場規模在 2033 年將突破 180 億美元。
如表 1 所示，汽車雷達具有許多優點。這些優點將繼續幫助工程師部署高級駕駛輔助系統（ADAS）?，F代汽車中的許多功能都是通過雷達實現的，例如自動緊急制動系統、前方碰撞預警、盲點檢測、變道輔助、后方碰撞預警系統、高速路上的自適應高速巡航控制、交通擁堵時的自動跟車啟停等。
表 1 ：汽車雷達技術的優點和當前的局限性
雖然汽車雷達技術有許多優點，但也存在需要工程師們克服的局限性。多年來，提高雷達的分辨率對于工程師而言一直是一項重要挑戰，不過近年來的創新技術正在發揮作用，使得雷達在目標檢測方面能夠提供更加精確的信息。
在 3D 目標檢測方面的差異
傳統的 3D 汽車雷達傳感器使用無線射頻探測 3D 物體的距離、位置和多普勒效應（即物體的速度）等。為了提高汽車雷達傳感器在安全價值鏈中的作用，幫助實現自動駕駛，業界正在不斷突破 3D 雷達的局限性。自 2022 年以來，由于歐洲電信標準協會（ETSI）和美國聯邦通信委員會（FCC）制定了頻譜法規和標準，歐洲和美國逐步淘汰了使用 21.65 GHz 至 26.65 GHz 頻段的 24 GHz 超寬帶（UWB）雷達頻率。
在逐步淘汰 24 GHz UWB 頻段的同時，監管機構為車載雷達技術開放了 從 76 GHz 到 81 GHz 的總帶寬為 5 GHz 的連續頻段。遠距離探測使用 76 GHz 頻段，而短距離、高精度探測則使用 77-81 GHz 頻段。
了解更高頻率、更寬帶寬的先進汽車雷達系統所帶來的性能提升非常重要，這有助于提高雷達的距離分辨率，它決定了兩個物體的最小距離間隔有多遠時，雷達才能分別探測到這兩個獨立的目標。例如，24 GHz 雷達系統的距離分辨率為 75 cm，而 77 GHz 雷達系統則提高到 4 cm，這使其可以更好地探測多個彼此靠近的目標（圖 1）。
圖 1 ：24 GHz 雷達（左）無法分辨距離太近的物體，77 GHz雷達傳感器（右）則可以將上述目標識別為不同的物體
如果一個女孩和她的狗緊挨著站在路邊，人類駕駛員在大多數情況下可以十分輕松地識別出這一場景，并且提前預判到這條狗很有可能會突然躥到路上，從而做出反應。但此時只有帶寬較寬的雷達（見圖 2，右側的測試）可以探測到這兩個獨立的目標，并向駕駛員或自動駕駛系統提供正確信息。
圖 2 ：1 GHz（左）和 4 GHz（右）帶寬的測試結果比較清晰地顯示，只有帶寬較寬的分辨率（右側）才能檢測到兩個不同的物體
利用 4D 雷達及其他技術筑起更加牢固的安全堤壩
雷達傳感技術必須能夠精準地檢測、分割和追蹤車輛周圍的物體，才能讓人類將方向盤放心地交給自動駕駛汽車。這一需求正在推動 4D 雷達的發展，4D 雷達可以在 3D 雷達給出的距離、水平位置和速度等相關數據的基礎上，提供更加準確、詳細的 3D 空間物體信息，包括物體的垂直位置（見表 2）。
表 2 ：3D雷達和4D雷達的區別
4D 成像雷達的出現使自動駕駛汽車能夠憑借更高的分辨率探測到更小的物體，同時成像雷達也可以測繪出更加完整的“全方位”環境地圖。
為了正確解釋垂直視角中的物體，自動駕駛汽車必須能夠使用 4D 和成像雷達檢測出物體的高度。例如，自動駕駛汽車的 3D 雷達可能會將從扁平井蓋上反彈的信號誤認為是道路上的障礙物，從而為了避開并不存在的障礙物而突然停車。
在現實世界中，汽車雷達探測到的交通“事件”從來都不會是像上述案例那樣的孤立事件。人類駕駛員要在數以百計的車輛、行人、道路工程，甚至是偶爾橫穿馬路的野生駝鹿中穿梭（圖 3），因此需要綜合運用視覺和聽覺感知到的信息以及交通規則、經驗和本能。
圖 3 ：值得深入思考的駝鹿問題：當駝鹿在漆黑的夜晚從自動駕駛汽車前穿過時，它會不會在車燈的照射下停止不動，或者遠程雷達會不會發出充分的警告并在適當的距離外減速停車？
同樣，自動駕駛汽車依靠雷達傳感器和其他系統，例如攝像頭、激光雷達和車聯網（V2X） 系統，提供的準確數據檢測周圍的交通環境。各個數據流與 ADAS 或自動駕駛算法進行通信，幫助汽車感知所檢測到的車輛或物體的相對位置與速度。然后，ADAS /自動駕駛系統中的控制算法會幫助觸發被動反應（例如通過閃爍警示燈提醒駕駛員注意盲點危險）或主動反應（例如采取緊急制動以避免碰撞）。
汽車雷達測試
目前，汽車制造商和雷達模塊提供商使用軟件和硬件測試其雷達模塊的功能。有兩種主要的硬件測試方法：
·使用與被測雷達設備（DUT）保持不同距離和角度的角反射器，每個反射器代表一個靜態目標。當需要改變這種靜態場景時，必須將角反射器移動到新的位置。
·使用雷達目標模擬器（RTS）可以對雷達目標進行電子仿真，從而同時仿真靜態和動態目標以及目標的距離、速度和大小。在目標數量超過 32 個的復雜/逼真場景中，基于 RTS 的功能測試會出現缺點，并且這種測試也無法鑒定 4D 和成像雷達探測擴展目標的能力。擴展目標是由點云表示的物體，而不僅僅是一個反射。
圖 4 ：使用雷達目標模擬器（RTS）對雷達傳感器執行測試，無法提供用于驗證自動駕駛應用的完整交通場景
基于數量有限的目標物體，對雷達裝置執行測試，無法還原完整的自動駕駛汽車駕駛場景。它忽略了現實世界的復雜性，尤其是在市區，各個交叉路口和轉彎處都會有行人、騎行者和電瓶車，路況十分復雜。
提高雷達算法的智能化水平
機器學習正在越來越多地幫助開發人員訓練 ADAS 算法來更好地解釋雷達傳感器和其他傳感器系統的數據，并對這些數據進行分類。最近，YOLO 成為了汽車雷達算法領域的一個熱門詞匯。YOLO 是“You Only Look Once”的縮寫，意思是通過一次網絡傳遞完成目標檢測任務。這種說法可謂非常貼切，因為雷達感知到的內容和 ADAS 算法對數據的解讀都是至關重要的過程，甚至可以說是生死攸關。基于 YOLO 的雷達目標檢測方法，希望同時完成對多個物體的精確探測和分割。
在這些自動駕駛系統最后進入成本高昂的道路測試階段之前，先對物理雷達傳感器和 ADAS 算法進行嚴格的測試至關重要。為了更加真實地 360 度全方位還原現實世界中的各種交通場景，汽車制造商已經開始使用雷達場景仿真技術將真實的道路場景“搬”進實驗室里，進行仿真測試。
向 L4 級和 L5 級自動駕駛邁進的一大關鍵挑戰是需要自動駕駛車輛能夠區分道路上的動態障礙物并自主決定行動路線，而不僅僅是在儀表盤上發出警示或亮起警告燈。在仿真交通場景時，如果描繪每個目標的點數太少，可能會導致雷達錯誤地將間隔很近的物體辨認為一個整體。這樣就難以全方位地測試傳感器，也很難全面測試依賴雷達傳感器數據流的算法和決策。
新的雷達場景仿真技術使用了光線追蹤和點云技術，能夠從高度逼真的交通仿真場景中提取相關數據并更好地檢測和區分不同的物體（見圖 5）。通過使用新型毫米波（mmWave）空中下載（OTA）技術，雷達場景仿真器可生成多個靜態和動態目標。這些目標的間隔距離從 1.5 米到 300 米不等，速度在 0 到 400 公里/小時之間，適用于短程、中程和遠程汽車雷達，為雷達傳感器的測試提供了更為真實的交通場景。
圖 5 ：使用雷達場景仿真進行感知算法測試的屏幕截圖。右側屏幕顯示的是由左側雷達場景仿真器模擬的交通交通場景。綠點表示仿真的雷達反射，紅點表示雷達傳感器檢測到的信號
無論是雷達傳感器還是算法都可以在雷達場景仿真中快速進行多次設計迭代，從而修復錯誤和對設計作出微調。因此，雷達場景仿真對于上路前的駕駛測試非常有幫助。除了 ADAS 和自動駕駛功能測試外，它還能幫助汽車制造商開發變量處理應用，例如驗證不同的保險杠設計、噴漆和雷達模塊定位功能對雷達功能的影響。
自動駕駛平臺提供商和雷達系統制造商可以通過多個可重復和可定制的場景增強車輛對不同真實交通場景的感知能力，使雷達傳感器捕獲大量數據供自動駕駛算法用于機器學習。
如今，高速數字信號處理（DSP）在對各個雷達檢測結果進行微調時也發揮著至關重要的作用。如圖 6 所示，雷達可以采集行人手臂和腿部的各種信息，包括速度、距離、橫截面（大?。┖徒嵌龋ㄋ胶痛怪保┑取＿@些信息對于訓練雷達算法識別行人（而不是像過馬路的寵物狗這樣的數字 4D 形狀）至關重要。
圖 6 ：使用雷達場景仿真的高速數字處理技術可對動態目標進行更加精細的數據分析，例如移動的行人等
超級傳感器的崛起始于可靠的測試
從芯片設計到制造再到后續的雷達模塊測試，汽車雷達設計、開發和制造生命周期的每一個環節都需要經過嚴格的測試。
將毫米波頻段用于汽車雷達應用會遇到許多測試方面的挑戰。工程師需要考慮測試設置、確保測試設備能夠進行超寬帶毫米波測量、減少信噪比損失，并滿足不同地區和市場對于干擾測試的新標準要求等。
在雷達模塊層面，現代 4D 和成像雷達模塊測試需要具有更大帶寬和更高距離分辨率的測試設備。
最后一個難題是將汽車雷達集成到 ADAS 和自動駕駛系統中并使標準駕駛情況中的算法適用于百萬分之一的極端情況。未來，隨著越來越多的駕駛員退居二線，訓練有素且經過測試的雷達超級傳感器系統將為乘客帶來更加平穩、安全的乘坐體驗。
更多精彩內容歡迎點擊==>>電子技術應用-AET<<
