Table of Contents

Понимание роли цифровой обработки сигналов в автомобильном радаре

Цифровая обработка сигналов (DSP) стала основой современных автомобильных радиолокационных систем, превращая необработанные радиочастотные эхо-сигналы в действенные данные, которые транспортные средства используют для навигации, предотвращения столкновений и обеспечения автономного вождения. В то время как ранние радиолокационные системы полагались на аналоговую обработку с ограниченным разрешением и высокой восприимчивостью к шуму, современные архитектуры используют мощные цепочки DSP для извлечения точной информации о дальности, скорости и углу из сложных электромагнитных сред. Этот переход от аналоговой к цифровой обработке представляет собой фундаментальное изменение в том, как транспортные средства воспринимают свое окружение.

По своей сути DSP в автомобильном радаре включает в себя ряд математических операций, применяемых к оцифрованным сигналам, принимаемым антенной решеткой радара. Эти операции включают в себя оконное сканирование для уменьшения спектральной утечки, быстрые преобразования Фурье (FFT) для преобразования импульсов временной области в представления частотной области и алгоритмы обнаружения постоянной ложной тревоги (CFAR) для отличия реальных объектов от фонового шума. Качество этих алгоритмов напрямую определяет способность радара обнаруживать небольшие объекты, такие как велосипеды или пешеходы на больших расстояниях, точно оценивать их скорость и отслеживать их через переполненные городские среды.

Революция, движимая DSP, обусловлена огромной гибкостью, которую он предлагает. В отличие от фиксированных аналоговых фильтров, цифровые сигнальные процессоры могут быть перенастроены с помощью программного обеспечения для адаптации к различным условиям движения - дорожному круизу, движению по остановке и движению или неблагоприятным погодным условиям. Эта адаптивность имеет решающее значение для удовлетворения разнообразных требований передовых систем помощи водителю (ADAS) и полностью автономных транспортных средств.

Основы автомобильных цепей радиолокационных сигналов

Чтобы понять, как DSP революционизирует автомобильный радар, необходимо изучить цепочку сигналов от передачи до конечного вывода объекта. Типичная автомобильная радиолокационная система работает в полосе 77 ГГц (или 24 ГГц для устаревших систем) и передает частотно-модулированные непрерывные волны (FMCW) или импульсно-доплеровские формы волн. Полученный сигнал смешивается с копией передаваемого сигнала для получения промежуточной частоты (IF), которая содержит информацию о диапазоне, скорости и углу. Затем сигнал IF отбирается аналого-цифровым преобразователем (ADC) и подается в цифровой процессор.

Обработка частотных доменов и карта доплеров диапазона

Первый этап цифровой обработки обычно представляет собой диапазон FFT. Выполняя преобразование Фурье на оцифрованном сигнале IF, система может разделять эхо на основе их временной задержки, что соответствует расстоянию. Результатом является профиль диапазона, показывающий амплитуду отражений на различных расстояниях. Далее второй FFT выполняется через несколько чирпов (свипов) для извлечения доплеровских частотных сдвигов, выявляя относительную скорость обнаруженных объектов. Комбинация этих двух преобразований создает двумерную карту диапазона-доплеров (RDM), которая является основой для всего последующего обнаружения цели.

Популярные методы, такие как упорядоченная статистическая CFAR (OS-CFAR) или CFAR (CA-CFAR) динамически регулируют порог на основе местной статистики шума, гарантируя, что радар не пропускает слабые цели, минимизируя ложные тревоги, вызванные беспорядком от дождя, дорожного мусора или многолучевых отражений.

Оценка угла с помощью цифрового луча

Современные автомобильные радары используют несколько антенн передачи и приема, расположенных в массиве MIMO (Multiple Input Multiple Output). Методы DSP позволяют осуществлять цифровое формирование луча, где фазовые различия между сигналами, принимаемыми на различных элементах антенны, выравниваются вычислительно для направления «взгляда» радара. Это заменяет старый механический подход сканирования твердотельным электронным сканированием, позволяющим мгновенное управление лучом и одновременную работу с несколькими лучами.

Алгоритмы сверхразрешения, такие как MUSIC (Multiple Signal Classification) или ESPRIT (Estimation of Signal Parameters via Rotational Invariance Techniques), могут разрешать объекты, разделенные меньшим, чем предел разрешения Рэлея. Например, радар MIMO 77 ГГц с 48 виртуальными каналами может достигать углового разрешения ниже 1 градуса, что позволяет ему различать мотоцикл и автомобиль даже на расстоянии 200 метров. Эта возможность жизненно важна для безопасных изменений полосы движения и слияний шоссе.

Основные преимущества DSP-управляемых радарных систем

Адаптивность и экологическая устойчивость

Одним из наиболее значительных преимуществ, которые дает DSP, является возможность адаптировать параметры обработки в режиме реального времени. Радарная система может переключаться между различными типами сигнала - например, от низкоширотной стрелки для обнаружения на большой дальности до высокоширотной стрелки для обнаружения на малой дальности - без аппаратных изменений. DSP также позволяет динамически подавлять помехи от других радиолокационных систем, что становится все более серьезной проблемой, поскольку все больше транспортных средств оснащаются датчиками. Алгоритмы смягчения помех, такие как рандомизация времени запуска чирпа или применение фильтров выемки, полагаются на цифровую обработку для очистки спектра и поддержания производительности обнаружения.

Ассоциация отслеживания мульти-целей и данных

Алгоритмы DSP обрабатывают информацию RDM и угла для создания графиков (детектирование точек). Эти графики затем подаются в фильтры отслеживания, обычно основанные на фильтрах Калмана или фильтрах частиц, которые оценивают кинематическое состояние (позиция, скорость, ускорение) каждого объекта. Расширенные методы отслеживания с несколькими целями, такие как совместная ассоциация вероятностных данных (JPDA) или множественное отслеживание гипотез (MHT), обрабатывают сценарии, где обнаружения неоднозначны - например, когда один объект закрывает другой. Цифровой процессор может поддерживать несколько гипотез до тех пор, пока последующие измерения не подтвердят правильную ассоциацию, обеспечивая более плавное и надежное восприятие сцены трафика.

Интеграция с машинным обучением для классификации

Традиционные радиолокационные системы могут сообщать только о целевых параметрах, таких как дальность и скорость. Усовершенствованные DSP системы теперь включают модели машинного обучения (ML), которые работают непосредственно на картах диапазона-доплера или микродоплеровских сигнатурах для классификации объектов. Свёрточная нейронная сеть (CNN), обученная радиолокационным данным, может различать пешехода, велосипедиста, автомобиль и стационарное препятствие с высокой точностью. Например, микродоплеровская сигнатура поворотных рук и ног пешехода производит характерную частотную модуляцию, которую трубопровод DSP / ML может обнаружить даже тогда, когда объект частично закрыт. Эта способность классификации необходима для автономных систем, которые должны решить, тормозить, поворачивать или продолжать движение.

Синергия между DSP и ML заключается не только в добавлении нейронной сети в конце. Многие системы интегрируют подавление беспорядка на основе ML, где нейронная сеть обучена распознавать шаблоны беспорядка (например, ограждения или падающие листья) и вычитать их из RDM, значительно улучшая обнаружение подлинных целей в сложных средах, таких как туннели или зоны строительства.

Стандарты безопасности и требования функциональной безопасности

Автомобильные радиолокационные системы должны соответствовать строгим стандартам функциональной безопасности, в первую очередь ISO 26262. Реализации DSP играют решающую роль в достижении этих целей безопасности. Излишние пути обработки, корректирующие ошибки коды и встроенные самотесты (BIST) - это все цифровые методы, которые обеспечивают надежность вывода радара. Например, DSP может непрерывно контролировать шумовое покрытие и обнаруживать, если ADC не удалось, помечая неисправность центрального контроллера транспортного средства до возникновения опасной ситуации.

Более того, DSP позволяет разложить ASIL (Automotive Safety Integrity Level) . Единую функцию РЛС можно разделить на две независимые цепочки обработки, работающие на разных ядрах DSP, каждая из которых реализует один и тот же алгоритм, но с разными реализациями кода. Если одна цепочка дает результат, отклоняющийся от другой, система может вызвать безопасное состояние. Такой уровень строгости возможен только при цифровой обработке; аналоговые реализации не имеют возможности выполнять такую самодиагностику и разнообразие.

Технологические достижения, вызванные DSP

4D-радар для визуализации: следующий рубеж

Сочетание массивов MIMO, оценки угла высокого разрешения и сложной DSP породило радар 4D-изображения. В отличие от традиционных радаров, которые обеспечивают дальность, скорость и азимут (горизонтальный) угол, 4D-радар добавляет измерение угла возвышения, создавая полное трехмерное облако точек с информацией о скорости для каждой точки. Это позволяет системе воспринимать форму объектов и обнаруживать воздушные препятствия, такие как низкие мосты или нависающие ветви.

Алгоритмы DSP, такие как 2D-FFT как в азимуте, так и в возвышении, в сочетании с методами сжатого зондирования или скудного восстановления, могут генерировать плотные облака точек с тысячами точек на кадр. Такие компании, как Arbe Robotics, Mobileye и Continental, коммерциализируют радары 4D-изображения, которые конкурируют с разрешением лидара среднего класса за небольшую часть стоимости, что делает их привлекательными для автономных транспортных средств массового рынка.

Программно-определяемые радарные архитектуры

Тенденция к программно-определяемым транспортным средствам распространяется и на радар. Программно-определяемая радиолокационная система использует общую аппаратную платформу, полностью контролируемую программным обеспечением DSP. Это позволяет автопроизводителям обновлять радиолокационные алгоритмы по воздуху (OTA), улучшая производительность или добавляя новые функции без замены аппаратного обеспечения. Например, транспортное средство, поставляемое с базовым адаптивным круиз-контролем, может получать обновление по воздуху, которое позволяет более сложную автоматическую систему аварийного торможения путем обновления алгоритмов отслеживания и классификации радара.

Поскольку цепочка обработки определяется в программном обеспечении, инженеры могут развертывать различные параметры формы волны, пороги обнаружения и модели ML для удовлетворения конкретных нормативных требований на разных рынках или для адаптации к сезонным изменениям (например, лучшее обнаружение в зимних условиях).

Влияние реального мира и тематические исследования

Несколько автопроизводителей и поставщиков первого уровня продемонстрировали возможности усовершенствованного радара на основе DSP. Переход Tesla от сочетания радара и зрения к подходу только для зрения был спорным, но многие другие производители продолжают в значительной степени полагаться на радар. Например, система DRIVE PILOT Mercedes-Benz, одна из немногих систем автономности уровня 3 SAE, одобренных для использования на дорогах общего пользования, использует набор датчиков, включая радар дальнего и ближнего радиуса действия. Алгоритмы DSP радара в этих системах настроены на обнаружение транспортных средств на дальностях, превышающих 250 метров, и отслеживание их с точностью до субметра.

Электромобили серии Volkswagen ID. используют радиолокационные модули 77 ГГц от Bosch и Continental, которые используют MIMO и цифровое формирование луча для достижения поля обзора на 160 градусов. DSP в этих модулях обрабатывает 16 виртуальных каналов одновременно, позволяя автомобилю обнаруживать маневры с вырезанием из соседних полос с высокой степенью уверенности. Исследование 2023 года, проведенное Институтом страхования безопасности дорожного движения (IIHS), показало, что транспортные средства с системами предотвращения столкновений на основе радара сократили столкновения сзади на 50% по сравнению с 25% для систем только для зрения, подчеркивая практическое преимущество безопасности надежных DSP.

В секторе коммерческих транспортных средств радар DSP используется для обнаружения слепых точек и мониторинга угла прицепа. Система MirrorCam компании Daimler Trucks заменяет обычные боковые зеркала камерами и радарами; радар DSP обрабатывает обнаружение в сильный дождь или туман, где камеры выходят из строя. Результатом является система, которая отвечает нормативным требованиям, обеспечивая водителей действенными оповещениями.

Проблемы и ограничения DSP в автомобильном радаре

Несмотря на свое преобразующее воздействие, DSP в автомобильных радарах не лишен проблем. Обработка все более крупных наборов данных, особенно из массивов MIMO высокого разрешения, требует значительной вычислительной мощности. Для поддержания производительности в режиме реального времени требуются специализированные чипы DSP, ускорители на основе FPGA или SoC с интегрированными блоками радиолокационного ускорителя (например, NXP S32R45 или серия AWR Texas Instruments). Потребление энергии этих процессоров может достигать нескольких ватт, что необходимо тщательно контролировать, чтобы избежать накопления тепла в сенсорном модуле.

Еще одна проблема - влияние взаимных помех. По мере роста числа транспортных средств с радарами возрастает вероятность получения радиолокационными средствами радиолокатора другого транспортного средства интерферирующих сигналов. Традиционные методы DSP для смягчения помех, такие как скачок частоты или множественный доступ с разделением времени, имеют ограничения в плотном трафике. Более продвинутые решения с использованием когнитивных принципов радиолокатора - где радар воспринимает спектр и динамически регулирует его форму волны с использованием DSP - являются активной областью исследований. Например, финансируемый ЕС проект MOSARIM разработал алгоритмы, которые позволяют радиолокационную самооценку помех и адаптивное генерирование формы волны.

Кроме того, присущее радару отсутствие семантического понимания по сравнению с камерами остается ограничением. В то время как DSP и ML могут классифицировать объекты, радар не может считывать дорожные знаки или обнаруживать дорожную разметку. Вот почему слияние датчиков с камерами и лидаром имеет важное значение для полной автономии. Роль DSP заключается в предоставлении высокоточных исходных данных, которые алгоритмы слияния могут комбинировать с визуальной информацией для формирования надежной модели мира.

Будущие направления и исследовательские рубежи

Когнитивный и обучающий радар

Следующее поколение автомобильных радаров будет включать когнитивное поведение, где DSP учится на опыте вождения в прошлом, чтобы оптимизировать свои собственные параметры. Агенты обучения усилению (RL) могут быть обучены регулировке полосы пропускания, времени интеграции или формы луча антенны на основе текущего сценария движения. Например, в интенсивном движении радар может отдавать приоритет отслеживанию близлежащих транспортных средств с высокой частотой кадров, в то время как на пустой трассе он может переключиться на режим дальнего действия с более высоким временем нахождения на луче. Это адаптивное поведение требует мощного оборудования DSP, способного выполнять вывод RL в реальном времени.

Интеграция с V2X и инфраструктурой

Связь между транспортными средствами (V2X) скоро позволит радарам сотрудничать. Для обработки данных совместного зондирования потребуются алгоритмы DSP, где радары из нескольких транспортных средств и придорожных блоков делятся списком необработанных данных обнаружения или даже необработанными данными ADC. Эта распределенная обработка требует эффективных протоколов связи и алгоритмов DSP, которые могут сливать данные из асинхронных источников с различными разрешениями и задержками. Такие проекты, как европейская 5G-CARMEN, изучают эти концепции. (5G-CARMEN)

Квантовый радар и другие экзотические концепции

В то время как в ранних исследованиях квантовый радар с использованием запутанных фотонов теоретически мог бы обеспечить беспрецедентную чувствительность и устойчивость к помехам. Однако практические автомобильные приложения находятся на расстоянии десятилетий. В ближайшей перспективе основное внимание остается на совершенствовании алгоритмов DSP для извлечения максимальной информации из классических радиолокационных сигналов, включая использование глубокого обучения для сквозной обработки от сырых образцов ADC до обнаружения объектов без промежуточных ручных функций.

Вывод: Незаменимая роль ДСП

Цифровая обработка сигналов коренным образом переопределила, чего может достичь автомобильный радар. От базового обнаружения объектов до 4D-изображения с высоким разрешением и адаптивного управления формой волны DSP обеспечивает вычислительный интеллект, который превращает необработанные электромагнитные отражения в надежный слой восприятия для ADAS и автономного вождения. Путь от простых аналоговых радаров к сегодняшним программно-определяемым, основанным на MIMO, системам, улучшаемым машинным обучением, иллюстрирует более широкую тенденцию в автомобильной технологии: сдвиг заключается не только в добавлении большего количества датчиков, но и в обработке их данных с помощью все более умных алгоритмов. По мере того, как транспортные средства продолжают прогрессировать к полной автономии, DSP останется основой, на которой построены более безопасные и более способные радиолокационные системы.