演讲嘉宾:深圳安智杰科技有限公司 研发总监 唐伟
![](http://www.shujubang.com/UpLoads/Special/File/2017_06/636330376536042439.jpg)
安智杰2014年开始做车载毫米波雷达,核心技术团队以前主要是做军工产品,包括船舶导航雷达系统,团队的骨干成员承担单站、双站合成孔径雷达,以及相控阵雷达关键零部件的研发,其中多站合成孔径雷达获得国家科技进步奖。
通过我们之前的测试产品,发现雷达在某些情况下会有很大的局限性,实物有3米高,0.5米长,0.3米宽度,从实际的测量来看,它的雷达反射截面积是小于万分之一平方米,也就是它的雷达反射截面积是小于一只鸟,所以雷达对某些形状的反射量比较小。
今天主要探讨一下车载毫米波雷达的发展趋势,主要分三个方面,一个是现在车载ADAS中用得较多的BSD功能;另外是ADAS前视雷达功能,然后是自动驾驶对雷达提出什么样的要求,发展趋势是什么样的。
这几年随着人们对车载安全的关注,ADAS行业一下子火起来。 ADAS功能分前向和后向,前向是FCW、ACC、AEB和前向横穿马路的预警。这几个功能可以用雷达实现,也可以用图像来实现。还有一个功能是车道偏离预警功能,一般只用图像实现的。雷达比较多的用在BSD领域,BSD后来加了变道辅助,然后提出RCTA(后方横向交通警告)、RCW(后碰撞警告)等等,当然雷达可以实现的功能基本上也可以用激光实现,但现阶段由于激光价格的原因,激光主要应用在自动驾驶方面。
ADAS使用三种传感器,这三种传感器未来会走向融合互补。雷达主要的优点是受气侯条件影响较小,雷达的缺点也很明显,分辨率是比较低的。比如屏幕上一个目标仅用一个点来表示,图像可以观测目标的一些纹理特征,能够识别出是什么样的东西。激光是一种主动安全测量设备,测量精度较高,角度范围较宽,缺陷主要有两个,一个是价格非常昂贵,另外是受恶劣天气影响比较严重,比如雨、雾霾,或者把光学器件挡住了就马上失效。
安智杰开发了24G和77G BSD雷达,目前趋势来看无论24也好,77也好,在保证盲区基础上的探测距离,希望保持70米的分辨距离,方位角有一些不同要求。这里简单回顾一下BSD雷达的发展历史:第一代BSD雷达大概出现在2003年,当时仅仅具有盲点探测的功能,测向方式是长短方式,没有数字波束等。大概在2012年左右推出第三代雷达,增加RCTA、RCW等功能。在这个基础之上,又有一些公司把24G推向77G。目前大陆展出77G超小尺寸雷达,这个对雷达提出小尺寸,轻量化的要求。
从目前所接触到的信息来看,有一些客户或者主机厂,要求雷达探测范围达到150度,甚至构成一个雷达的三连环式系统。有一些厂家也想用毫米波雷达替代超声波做自动泊车系统,虽然还存在一些问题但这是未来的发展趋势。在功能方面,目前BSD雷达主要是做预警,也就是探测目标并发出颜色预警,打转向灯再进行闪烁相当于二级预警,现在还没有做到三级预警。有的主机厂提出3级预警,也对雷达传感器提出更高要求,希望雷达探测精度和准确度更高。总体来说BSD发展趋势是覆盖范围要宽,测量精度要高,体积小成本低,功能有更多的覆盖。
![](http://www.shujubang.com/UpLoads/Special/File/2017_06/636330376652296903.jpg)
安智杰二代BSD雷达采用的是24G频率,2发4收带宽,采用200M分辨率,理论上分辨率是0.75米,探测距离大约是70米,里面做了简单场景的识别。现在正在测试的77G BSD雷达,比二代24G雷达增加了测量范围,测量角度从100度变到150度,使用带宽是500M。未来有需求提出希望做自动泊车应用,我们可以把带宽扩展到4个G,也就是分辨率可以做到4CM,并进一步通过算法把精度提高。
应用前视雷达做ACC、AEB方面,目前市面上有博世、大陆、德尔福等公司,其中日系公司比较保守,查到的信息较少。ADAS前视雷达要求距离在150米以上,距离分辨率根据用途不同有所不同。ACC的精度在0.3米左右,远距离精度略有降低到0.5米左右,具体分辨率不高,像德尔福那款雷达是2.5米,博世因为采用不同斜率方式实现,它的最好距离分辨率是0.36米。
覆盖范围方面,最新出来的这些雷达一般是采用长距雷达和短距雷达相结合的方式,分时工作,角度精度都比较高,采用了一些超分算法,角度分辨率不是很高。德尔福的是4发12收,其中有一个2发6收用的是窄波束,远距离的时候分辨率大概3.5度。
前视雷达的发展历史比较悠久。上个世纪70年代开始出现,德国联邦政府支持的一个用雷达来减少车辆的交通事故的项目,最开始用的X波段,个头比较大,有一个车顶那么宽。随着技术发展,1999年德尔福、博世、日本的电装开始ACC雷达研制,2001年研制出来,2003年开始做装车试验,发现存在一些无法解决的问题,所以重点推出ACC功能,把前向防撞预警功能给弱化了。弱化缘于对静止目标处理的问题,因为雷达对运动目标等不能探测到,但是路面上运动目标少,所以对运动目标区分特别明显,对于静止目标也能探测到,但是无法精确识别,尤其在国内路面上,很多马路中的井盖,雷达对金属体反射特别强,但没有目标识别能力,只能探测到那个地方有一个物体,那这个东西是镜子,但这个镜子究竟是一辆车,还是井盖,还是电线干,还是垃圾筒?它是无法识别的,这种情况下无法实现自动刹车,预警也比较困难,所以雷达早期都是用在ACC方面。
为了进一步提高方位角探测能力,ACC采用的是机械扫描,波束做的很窄,经典的是大陆的第三代ARS300,做的非常经典,技术含量很高,但是依然脱离不机械扫描的范畴。随着机械成本的降低,第四代雷达如博世LRR4,基本上都加上了多输入多输出的技术,甚至用了超控算法,提升方位向分辨率。值得注意的是2014年德尔福推出了一款雷达里面加了摄像头,目的是把雷达和图像的东西进行融合,解决静止目标的问题。博世最近一两年也在推出类似的产品,所以从发展趋势来看,雷达要进行成像,能够做到更高分辨率的探测,传感器要和图像、激光等去融合。也有人提出用雷达来区分是行人,还是卡车,还是一个轿车,这块在交通雷达里面研究较多,检测行人卡车或者是小轿车的时候,主要利用这几种目标的频谱特性不一样来识别,同时自动驾驶对雷达成像有一定的需求。总体来说,前视雷达的优点是覆盖宽、分辨率高。这是我们正在调解的FCW产品,使用77G雷达,把操控方式放进去,做更高角度的分辨率。
在雷达与图像的融合方面,我们采用了深度学习,只要目标出现就可以检测出来,这个效率及准确率方面是比较高的。对比雨天、雾天以及能见度不好的时候,深度学习比机器学习效果好不少,我们以前用机器学习和图像做了生存式的融合,主要的目的是降低误警率,提高检测效率。我们采用了深度学习在路上实际测试的照片,因为深度学习能够同时检测车辆、行人、三轮车物体。
![](http://www.shujubang.com/UpLoads/Special/File/2017_06/636330376814324609.jpg)
在自动驾驶方面,目前讨论的比较多,也是一个投资的热点。目前有两个比较典型的方案,一个是谷歌方案,谷歌比较激进的,上面没有驾驶人员,采用激光来做周围环境感知以及三维环境重建工作,但是在最近的方案当中,加了后置摄像头和其他8个摄像头做了环视系统,这里看到雷达在自动驾驶车辆上面使用是没有什么疑问的。另外一个方案可以在网上查得到的,这个方案做的比较保守,有几个比较有趣的特征。一是采用8个雷达,其中有一个是雷达加成像的图像,然后在4个角上每一个角上都加了一个雷达,并且左右两边以及后面加了一个雷达,这样总共构成8个雷达,在每一个有雷达的地方基本上配有一个摄像头,同时也加入了激光雷达,一共加了5个。从这两个方案可以总结一下,为什么要加那么多的传感器?我个人认为,第一是自动驾驶的核心还是在传感器,因为自动驾驶车辆周围环境的感知不准确,或者做不到非常可靠的时候,只有通过增加传感器的数量,或者增加传感器的冗余来保证传感器的判断。第二是三维环境重构能力,只有把周围环境重构出来,才能够决策哪些地方可以过去的,哪些地方不能去的。第三个是目标的识别能力,主要是要识别交通标志,识别目标的一些属性,比如车、行人,或者是电线杆。最后一个是环境适应能力,单一传感器,激光或图像是容易受雨、雾的影响,在一些极端恶劣的天气下,这两个传感器就失效了,这个时候要依靠雷达保障,所以在容错能力上,有一部分传感器失效的时候需要保证车辆的安全性。
总的来说,雷达和激光能够满足对精确的速度和距离测量的要求,单靠图像因为被动很难满足。三维环境重构能力,激光可以实现,图像也可以实现,雷达本质上也可以实现,但是无论是现阶段采用的77G也好、24G也好,分辨率不够高,所以它的环境重构能力是不够的。目标识别能力,图像是最优的,激光也可以做到。环境适应能力就不多说了。基于自动驾驶对传感器这几个方面的要求,我们也在做相关技术包括图像和雷达融合的探索。
另外我们计划研究成像雷达,计划采用相控阵实现波束,多天线接收,形成实孔径,可以构成三维立体成像,当然分辨率对于自动驾驶来说是不够的。在这个雷达的基础之上,可做进一步的研究。另外一个是分布式的成像雷达系统,因为单个雷达系统要做到正像,它的空间是有限的,因为一个非常大的雷达,车上是没有办法安装的,可以借用军用的阵列型概念,在车身结构上面设置预留雷达空间,这个雷达构成一个个小模块,在同步系统下面一起发或者一起收,构成相控阵处理系统,这个相控阵处理系统每一个模块都包含收发、信号处理,通过这种架构可以统一每个雷达的工作。
总结一下,无论ADAS也好,自动驾驶也好,现在雷达有这几个趋势:第一是环视雷达系统的大批量应用是一个大概率事件;第二是成像雷达系统国内已经开始广泛的研究;最后一点是雷达或者图像都将在自动驾驶领域获得应用。