加入高工智能汽车专业行业群（自动驾驶，车联座舱，商用车），加微信：17157613659出示名片，仅限智能网联软硬件供应商及OEM。

对自动驾驶感知要求的不断演进，各种传感器的技术创新，尤其是现有同类传感器的下一代革命技术正在成为焦点。
4D成像雷达就是其中之一，尽管不少传统毫米波雷达公司对此不以为然。在他们看来，这样的技术短期内仍难以大规模量产。
不过，越来越多的初创公司仍在不断涌现。直到Waymo在今年初发布的第五代自动驾驶硬件平台，出现了成像雷达的身影。
这个由Waymo独立开发的成像雷达，从天线罩、天线、电路板、机械外壳、固件、软件等等都是公司自主研发。
作为这款雷达的研发主管，马特·马克尔(Matt Markel)几年前从Raytheon（雷神）公司离开加盟Waymo。后者是全球军用雷达领域的龙头企业。
Raytheon也曾在20年前先后与汽车零部件制造商法雷奥和德尔福分别成立合资公司研发车用雷达。不过，现在这家公司主要生产军用雷达。
实际上，在军事领域，成像雷达的研发和应用早已经不是实验室的不成熟技术。不过，近年来，类似的技术正在延伸到汽车领域。这几乎重复了二十年前的演化路径。
一、对传统毫米波雷达的变革
雷达探测的对象一般称为雷达目标。凡能散射电磁波的物体都可以作为雷达的目标。散射体分为点散射体和分布散射体。
当散射体的尺寸比雷达分辨单元小时，雷达无法分辨其细节，只能把它当作一个点散射体来处理。当散射体的尺寸比雷达分辨单元大时，则须当作分布散射体处理。
在多数情况下，杂波是指点目标周围的分布散射体。广义地说，雷达杂波还应包括观测目标以外的无关目标回波和干扰波。雷达必须在杂波、接收机噪声和其他干扰中检测目标并提取关于目标的信息。
毫米波雷达技术的不断演进，实际上很重要的一点在于其特殊的性能优势。与摄像头和激光雷达相比，毫米波雷达可以在几乎所有条件下工作，提供在各种天气和环境条件下的感知能力。
而成像雷达将解决现有毫米波雷达的重大缺点——低分辨率无法在远处区隔相近的物体并进行具体对象识别（人、车还是树），同时提升对杂波的处理能力。


杂波通常被定义为“干扰”的区域，过去，这类杂乱环境的目标总是被过滤掉，从而使目标非常明确和直接。
对于传统毫米波雷达来说，杂波包括车辆周围的任何东西，如建筑物、树木、灯柱等。但由于分辨率及识别能力的缺陷，过多的信息容易产生误报，但事实是，最有效的感知解决方案在做出决策时，需要考虑所有的干扰。
换句话说，在自动驾驶感知领域，杂波可能是最大的漏报隐患。这种杂波实际上包含非常多的重要信息，以帮助做出更安全的决策。
如果雷达解决方案没有探测到该区域的所有目标，那么在没有所有必要数据的情况下就做出决策，这可能会导致灾难性的后果。
在这种情况下，杂乱不再是障碍，而是做出更安全决定的有利条件，帮助传感器像人类一样感知环境。所以实际上，杂波越多，传感器的判断就越准确。
为了正确地识别杂波，对雷达技术来说，具有超高的水平和垂直分辨率是很重要的，它可以在大视场范围内进行远距离成像。此外，这也为车辆提供了一个创建高清地图的可能性。
成像雷达具有更高的分辨率和增强的信号处理能力，可以更好地检测和跟踪正在移动，几乎不移动或停止的物体。这也是此前特斯拉几起事故中，雷达失效的关键所在。
要解决角分辨率的问题，现在全球成像雷达技术有三种不同的路线方向：
第一种是用现有标准的芯片，比如英飞凌、TI、NXP等芯片，然后用独特的算法软件和独特的天线设计实现，比如傲酷雷达（Oculii）；这种路线，相对来说供应链更为成熟。
第二种做法是类似Arbe、Vayaar、Unhder的做法，将多发多收的天线放在一个芯片中，主打研发芯片组；其中Vayaar主要聚焦于短距离场景，比如座舱监控、手势识别；Arbe则瞄准ADAS及自动驾驶市场。
第三种做法是用超材料，如MetaWave、EchoDyne的做法。这种技术路线相对来说，商业化难度最大。
这些公司的目标都很一致：解决当今一些最紧迫的雷达挑战，包括消除误报和漏报、实时处理4D成像产生的大量信息，以及减轻相互雷达干扰，从而支持更安全和更准确的决策。
如今，Waymo作为全球首个将成像毫米波雷达用于大规模自动驾驶测试的案例，也基本上奠定和验证了未来毫米波雷达的发展方向。
这应该会进一步加快成像雷达创新研发和商业化落地向前推进。同时，也意味着此前超过十多家布局成像雷达领域的初创公司得到了市场的背书。
二、对多融合感知的补充
最新曝光的一家公司就是Echodyne，一家比尔·盖茨旗下投资基金参与的初创公司，该公司的成像雷达创新之处在于，使用了基于超材料的扫描阵列（类似MetaWave），这种材料的折射率可以通过电子方式调节。
雷达波束可以被引导形成一个广视角，扫描前方道路上的所有障碍物，或者聚焦在一个小区域，以帮助识别它所探测到的东西。
基本原理是，通过方位角、仰角、距离和多普勒等四维数据立方体（4D），可以随时分配雷达的波束方向。


Echodyne公司创始人用人类视觉做了一个类比。虽然我们感觉人眼的视场角很宽，但实际上只有眼睛的中心才有很高的分辨率，大脑会根据需要将注意力集中到特定区域。
这种技术目前也已经在激光雷达上进行应用。不过，和激光雷达相比，雷达还可以直接探测物体的相对速度，因为返回信号的频率是多普勒频移。
雷达脉冲可能无法达到激光雷达的空间分辨率，但微多普勒雷达光谱可以通过显示独特的特征来识别物体，比如跑步者移动的手臂，或者自行车轮子的旋转。
按照目前的配置策略，通常一辆自动驾驶汽车可能会搭载3到6个这样的成像雷达从而形成一定的360全景区域覆盖。不过，这位创始人客观评价，成像雷达只是激光雷达的补充而不是替代。
不过，我们可能最快看到成像雷达量产，来自海拉与傲酷第一个联合开发项目，目标是在2023年SOP。基于后者的虚拟孔径成像技术，海拉将开发成像雷达解决方案。
此外，去年的12月19日，全球雷达芯片巨头英飞凌宣布和傲酷进行战略合作，同样基于后者的虚拟孔径高清成像软件技术, 大幅提升针对L2/3级量身定制的77G单芯片解决方案的角分辨率性能。
同时，新的革命性雷达芯片也在研发中。Arbe的芯片将由Global Foundry公司采用22nm SOI工艺代工。在前端，它允许提高频率；在数字端，可以集成足够高级的模块。

天线架构有48Tx和48Rx，内部处理器被设计用来运行系统并处理数据以输出4D点云，可能在今年底推出。这款成像雷达的目标是达到分别为1度和2度的方位、俯仰角分辨率。
这意味着，过去汽车雷达行业对于成像雷达还是“空中楼阁”的论断彻底被否定。实际上，无论是Waymo、还是英飞凌、海拉等传统汽车零部件供应商，还是初创公司，对于成像雷达已经成为共识。
而成像雷达的下一步，就是提升类似摄像头感知的机器学习能力。
比如，恩智浦在今年推出的一款车规级的AI工具包，除了应用于传统的视觉领域，未来的雷达有望使用神经网络根据其点云图像对道路使用者及障碍物进行分类。
恩智浦在RF-CMOS收发器中集成了MCU，迈出了第一步。同样，德州仪器在集成DSP方面也走出了第一步，DSP能够将机器学习置于边缘侧，对物体进行分类、跟踪和计数成为可能。
“过去因为雷达分辨率很低，你根本无法做任何与机器学习相关的后期处理。”一位行业人士表示，现在因为有了成像雷达，就有了基于机器学习来理解场景的能力。
三年前，特斯拉还专门从德尔福挖来了雷达系统负责人，目的就是改善雷达性能，比如能否得到粗糙的点云。
如今，Waymo从Raytheon（雷神）公司挖来的雷达研发主管也已经完成第一款可量产成像雷达的亮相。对于传统毫米波雷达行业玩家来说，不进则退。

继续阅读
阅读原文