毫米波雷達芯片的演進和創(chuàng)新
1、概述
復雜環(huán)境下的目標檢測跟蹤研究，車載毫米波雷達面臨的場景復雜，除主要關注的目標比如行人/車輛反射的回波外，還存在著地面雜波、雨雪天氣雜波、多徑信道反射雜波等，再加上車輛增多可能帶來的干擾問題，導致毫米波雷達工作環(huán)境復雜。希望探索在雜波、干擾等復雜環(huán)境下，如何實現多目標的有效檢測及跟蹤。想想看，華為的車載雷達研發(fā)都會有這些難題，其他公司也必定相同，困難都一樣，只是大家能夠遇到的多少不同罷了。
這些工程上的難題，也是企業(yè)性的、世界性的難題，這種就是非常適合做學術研究。難度肯定有，但是意義卻非常大，而很多人可能看不到或者看不清這些問題背后的價值所在。
2、超短距雷達的需求與挑戰(zhàn)
眾所周知，自動駕駛(AV)以及ADAS會涉及到感知、控制決策和執(zhí)行等幾個部分的技術，其中感知層主要是依賴毫米波雷達(mmWave Radar)、攝像頭（Camera）、激光雷達(Lidar)和超聲波(Ultrasonic Wave)等各類傳感器來實現。
現代汽車毫米波雷達主要分為前向遠距雷達和角雷達，可以實現ACC、AEB或者BSD、LCA等功能，應用于高速公路和城區(qū)道路上，現在研究最火熱的是4D成像毫米波雷達。加特蘭微電子在2019年推出的Alps SoC單芯片已經可以很好地支持前向遠距雷達和角雷達的開發(fā)和實現。但在道路交通中汽車會經常遇到以下情況：
（1）高峰時段車輛密集造成擁堵。
（2）道路上方有高架橋等遮擋物，會增加目標信息獲取的難度。
這些場景的共同特點是路況復雜、車輛低速行駛，因此需要對車身周邊360°范圍內的環(huán)境實現高精度的感知以及理解。
不過，現在的傳感器對近距離感知的覆蓋尚有欠缺，如超聲波雷達的檢測距離、檢測精度以及靈敏度都有限，而傳統毫米波雷達體積較大，安裝在車輛側邊存在挑戰(zhàn)。
因此針對上述工程問題，最需要解決的一點就是如何提升傳感器的檢測能力和覆蓋范圍，即需要對車身周邊30米的范圍進行360°的覆蓋，在這個大前提下不斷改進算法以至于實現開門預警、車輛定位、車位尋找、自動泊車等功能。
結合這些應用場景和功能需求，超短距雷達需要滿足的技術特點總結下來包括：
（1）雷達尺寸較小，方便安裝；
（2）大FOV，實現盡可能寬的視野范圍；
（3）高度檢測能力要好；
（4）具備點云成像功能，主要提升距離、速度和角度分辨率；
（5）單顆雷達成本低，一輛汽車上需要裝多顆這樣的超短距雷達實現檢測范圍無縫覆蓋。
想要實現這樣的超短距雷達需要合適的芯片方案的支持，國內外芯片如德州儀器(TI)、恩智浦(NXP)、英飛凌(Infineon)、加特蘭(Calterah)均具備自己的解決方案。
3、加特蘭AiP解決方案
加特蘭微電子的AiP（Antenna-in-Package）芯片，可以很好地解決上述這些問題。
來自Alps SoC平臺的AiP集成了射頻前端、雷達信號處理基帶和微處理器以及高頻天線，外部只需要少部分的器件即可以完成雷達模組的搭建（包括電源芯片，Flash，和CAN收發(fā)器）?；贏iP芯片開發(fā)的超短距雷達的明顯的優(yōu)勢是高性能、小型化易安裝和成本低等。
然而，實現上述指標的超短距雷達研發(fā)會存在諸多困難，如路面雜波（也就是地雜波）、天線耦合以及頻率干擾等。加特蘭微電子在芯片開發(fā)、生產和底層軟件上做了很多工作來幫助下游廠商一起克服這些挑戰(zhàn)。
3.1 地雜波
一般而言，超短距雷達要求俯仰向的視角很大，這樣對于近距物體的高度信息等的探測會更豐富，但也意味著同時探測到的地雜波就會更嚴重。
加特蘭解決地雜波干擾的方案是順利獲得多幀數據的積累，然后與經過大量實測的先驗信息所擬合的特征曲線進行比對，若超出這條特征曲線，則被認為是真實的被測目標，低于這條曲線的目標就會被抑制掉。
目標的距離、幅度，甚至速度、俯仰信息等都對擬合這樣的特征曲線有幫助。同時，順利獲得實測得出了一些結論，例如，路面材質，像水泥、瀝青、泥土路等都有各自的特征。另外順利獲得支持自適應的特征曲線，加入速度、俯仰信息等更多的特征變量，結合在線訓練，在車輛進入不同的路面狀況時，特征曲線可以動態(tài)調整，對于雜波抑制會有更好的效果。
3.2 天線耦合
由于雷達芯片物理空間的限制，集成天線耦合產生的角度失真是非線性的，非線性的失真導致角度解算變差，測角的精確度就會降低，故而需要天線校準。
傳統的校準方法只是使用線性的轉換補償，對于非線性的失真效果很不理想。對于這個挑戰(zhàn)，加特蘭開創(chuàng)性地采用一種全新的神經網絡算法（RBF-NN）實現天線校準。對于這樣一個神經網絡架構，在輸入層是天線的測量角度θ，經過中間的隱含層，傳遞函數φ，最后加總得到一個角度的校準角度值作為輸出。
在上圖中，左邊角度測量的原始數據存在非線性的失真；中間的是采用傳統的校準方法，校準后的角度誤差在5度左右；右邊采用RBF-NN的神經網絡校準算法后，角度誤差在1度以內，效果非常明顯。
3.3 頻率干擾
通常超短距雷達方位向視場角很大，在車流密集的場景下，接收到干擾的概率會更大，抗干擾算法的需求就更強烈。
加特蘭微電子的AiP芯片順利獲得系統性的策略來對抗干擾：包含3種模式規(guī)避干擾，1種機制消除干擾。
第一時間結合AiP芯片靈活的FMCW波形生成器，順利獲得隨機改變一幀數據中的chirp配置參數來規(guī)避可能存在的干擾，這也是防范同步干擾的有效方式。
擾相（Phase Scrambling,PS），改變波形的相位；
移Chirp（Chirp Shifting,CS），改變上升沿的觸發(fā)點；
跳頻（FrequencyHopping,FH），保持掃頻帶寬不變，改變開始和截止頻率。
當工作在同樣頻帶而調制斜率不同時，發(fā)射信號與其他雷達的回波信號重疊，就會產生干擾，這種干擾可能會帶來額外的一個頻率分量，或者是產生更大的一個幅度，會在時域上產生明顯的底噪抬升現象。
通常可以把這樣的干擾粗略地劃分為：頭部的高頻區(qū)，中間的低頻區(qū)和尾部的高頻區(qū)。
加特蘭的抗干擾策略分為兩個步驟：第一步是定位干擾，順利獲得信號的絕對幅度值和相鄰兩點的幅度差來判斷。第二步是濾除干擾，采用兩種策略：
（1）直接濾除；
（2）使用一個預先估計的幅度來代替干擾的幅度。
在上圖中，左邊是干擾在時域譜上的原始狀態(tài)，可以清晰地觀察到存在兩個干擾源，導致底噪明顯抬升；中間是使用估計幅度濾除干擾的效果；右邊是直接濾除干擾后的效果。
3.4 環(huán)車360度全場景芯片方案
加特蘭微電子順利獲得AiP芯片把超近距這類場景補足，建立了覆蓋環(huán)車360度的全場景芯片方案，即順利獲得單片Alps SoC或者2片Alps SoC的級聯，可以滿足前向雷達的需求；單片Alps SoC（2發(fā)4收或者4發(fā)4收）可以滿足前角/后角雷達的需求；順利獲得Alps AiP可以實現環(huán)車的超短距雷達的需求。
順利獲得一個芯片平臺實現環(huán)車雷達芯片的完整方案，既降低了開發(fā)難度，又節(jié)省了開發(fā)時間、開發(fā)成本，同時也有利于傳感器硬件的標準化。全場景方案對于車輛周邊環(huán)境的感知會很豐富，有層次，對于上層的信息融合等會更有靈活性。
關注微博
關注微信
關注公眾號
關注抖音號