台积电将在大阪设立日本第二个研发基地
06-06
*转载文章不代表本站观点。
本文来自微信公众号“月知网”(gh_ad4cb8f6a) 作者：Behrooz Rezvani、Babak Hassibi、Fredrik Br?nnstr?m、Majid Manteghi 来源：月知网基于接近一个城市路口（有 4 栋高层混凝土建筑）在拐角处）自动驾驶汽车的建模可以模拟自动驾驶汽车可以清楚地看到拐角处的情况。
另一辆车正在从某个方向接近十字路口中心，尽管超出了自动驾驶汽车的视线，系统仍然可以通过处理从多个路径反射或直接通过建筑物返回的信号来检测它。
自动驾驶汽车要名副其实，需要满足很多要求，但毫无疑问，对环境的感知和理解是最关键的。
自动驾驶汽车必须跟踪和识别多个物体和目标，无论它们是清晰可见还是不可见，无论是阳光明媚还是暴风雨肆虐。
仅靠今天的雷达还远远不足以达到这样的效果。
我们还需要摄像头和激光雷达。
但如果能够充分发挥雷达的特殊优势，至少可以取消一些辅助传感器。
来源：悦智网 传统摄像头在立体模式下确实可以检测物体、测量物体距离、估计物体速度，但其精度无法满足全自动驾驶的要求。
此外，摄像头在夜间、雾天或阳光直射下无法正常工作，并且使用传统摄像头的系统很容易被视错觉所欺骗。
在恶劣天气下，具有自身照明功能的激光扫描系统或激光雷达的性能通常优于相机。
即便如此，它们也只能在清晰的视线范围内看到前方，并且在被建筑物或其他障碍物遮挡时无法检测到接近十字路口的汽车。
雷达的测距精度和角分辨率不如激光雷达高。
角分辨率是区分一个目标和两个不同目标所需的最小到达角。
然而，我们设计了一种新颖的雷达架构，克服了这些缺点，使其能够更有效地增强激光雷达和摄像头。
来源：阅智网 我们提出的架构采用稀疏、大孔径多频段雷达。
其基本思想是使用多个频率，并利用每个频率的特定属性，将系统从不断变化的天气条件中解放出来，并透视和环顾路口。
反过来，该系统采用先进的信号处理和传感器融合算法来生成环境的集成表示。
我们通过实验验证了该雷达系统的理论性能极限，包括有效范围、角分辨率和精度。
我们目前正在与多家汽车制造商一起构建用于评估的硬件，并且最近的道路测试取得了成功。
我们计划在今年年初进行更详细的测试，以展示该系统的路口拐角传感性能。
每个频段都有其优点和缺点。
77 吉赫兹 (GHz) 及以下频段可穿透 1 米的浓雾，而不会损失超过 1 分贝 (dB) 的信号强度。
相比之下，激光雷达和摄像头在 50 米处的浓雾中会损失 10 到 15 分贝。
雨是另一个故事。
即使是轻微的阵雨也会导致 77GHz 雷达像激光雷达一样衰减。
您可能会想，没关系，只需将其更改为较低的频率即可。
毕竟，在 1GHz 或更低的频率下，雨水对于雷达来说几乎是透明的。
低频确实有效，但我们也需要高频，因为它们的范围更短，角分辨率更低。
虽然高频不一定等于窄波束，但较高频段的毫米波可以使用天线阵列或高度定向天线以窄波束形式投射，就像激光一样。
这意味着这种雷达可以与激光雷达系统竞争，尽管它也存在无法进行超视距观察的问题。
对于给定尺寸（即给定阵列孔径）的天线，波束的角分辨率与工作频率成反比。
同样，实现给定角分辨率所需的频率与天线尺寸成反比。
因此，如果想要依靠雷达系统在相对较低的超高频（UHF，0.3至1GHz）下获得所需的角分辨率，则所需的天线阵列为K频段（18-27GHz）或W频段(75-GHz) ) 是雷达所需天线阵列的数十倍。
虽然较低的频率对提高分辨率没有太大作用，但它还有其他优点。
电磁波容易在锋利的边缘处发生衍射；当它们遇到弯曲的表面时，它们会衍射为周围“爬行”的波。
这些影响太弱，无法在 K 频段（尤其是 W 频段）的较高频率下发挥作用，但在 UHF 和 C 频段（4 至 8 GHz）中可能很显着。
这种衍射行为以及较低的穿透损耗使此类雷达能够检测角落周围的物体。
雷达的一个弱点是它遵循多条路径，在往返于被跟踪物体的途中会反射大量物体。
由于道路上存在许多其他汽车雷达，雷达回波更加复杂。
但多次反射还有另一个优点：大范围的反射可以为计算机提供有关沿视线投射的光束无法到达的地方发生的情况的信息，例如，揭示人们看不到的十字路口的交通状况直接检测。
看远、看细节、从侧面看得清楚，甚至能够直接穿透障碍物，这些都是雷达尚未完全实现的目标。
没有任何一个雷达频段能够单独实现所有效果，但可以同时在多个频段上运行的系统可以非常接近。
例如，K波段和W波段等高频段可以实现高分辨率，同时准确估计目标的位置和速度，但它们无法穿透建筑物的墙壁或看到周围的角落；更重要的是，它们容易受到大雨、雾和灰尘的影响。
UHF和C频段等较低频段不太容易受到上述问题的影响，但它们需要更大的天线元件和更少的可用带宽，从而降低了测距分辨率，即区分相似方位但不同距离的两种能力对象。
为了实现给定的角分辨率，在较低频段也需要大孔径。
通过将不同频段组合在一起，我们可以平衡一个频段的弱点与其他频段的优势。
资料来源：月智网不同的目标给我们的多频段解决方案带来了不同的挑战。
UHF 频段汽车前部的雷达截面（或有效反射率）小于 C 频段和 K 频段。
这意味着使用 C 波段和 K 波段更容易检测到接近的车辆。
此外，与C波段和K波段相比，在UHF波段，行人不同的行进方向和步态对其横截面带来的变化要小得多。
这意味着超高频雷达将更容易检测到行人。
此外，当散射体表面有水时，物体的雷达散射截面会减小。
这减少了C波段和K波段可测量的雷达反射，但这种现象不会对UHF雷达产生重大影响。
另一个重要的区别是低频信号可以穿透墙壁并穿过建筑物，而高频信号则不能。
以 30 厘米厚的混凝土墙为例，雷达波穿过墙壁而不被墙壁反射的能力可以计算为波长、入射场偏振和入射角的函数。
UHF频段在大范围入射角下的传输系数约为-6.5dB。
对于 C 频段和 K 频段，该值分别降至 -35dB 和 -dB，这意味着可以通过的能量非常少。
前面提到，雷达的角分辨率与所使用的波长成正比，同时角分辨率也与孔径宽度成反比，对于线阵天线来说，与阵列的物理长度成反比。
这就是毫米波（例如W波段和K波段）能够很好地用于自动驾驶的原因之一。
基于两个孔径为 6cm 的 77GHz 收发器的商用雷达装置的角分辨率约为 2.5 度，这与典型的激光雷达系统相差一个数量级以上，对于自动驾驶而言，角分辨率太低。
在77GHz下实现LiDAR标准分辨率需要更大的孔径（例如1.2米），大约是汽车的宽度。
除了实现一定的有效范围和角分辨率之外，汽车的雷达系统还必须跟踪大量目标，有时甚至同时跟踪数百个目标。
如果目标距离汽车只有几米，则可能很难通过距离来区分目标。
在任何给定距离，均匀线性阵列（发射和接收元件等距间隔）可以区分与其天线数量一样多的目标。
因此，在可能存在大量目标的杂乱环境中，需要数百个类似的发射器和接收器，并且巨大的孔径使问题变得更加复杂。
如此多的硬件也会显着推高成本。
解决此问题的一种方法是使用数组，其中元素仅占据其通常占据的位置的一小部分。
如果这样的“稀疏”数组经过精心设计，使得彼此之间的所有几何距离都是唯一的，那么它可以执行与非稀疏全尺寸数组相同的操作。
例如，从在 K 波段运行的 1.2 米孔径雷达开始，放置一个经过适当设计、仅包含 12 个发射元件和 16 个接收元件的稀疏阵列，其性能与具有 16 个元件的标准阵列相同。
原因是精心设计的稀疏阵列可以在每个发射器和接收器之间实现高达 12×16 的成对距离。
使用12种不同的信号传输方式，16个接收天线将接收信号。
由于每个发射-接收对之间的成对距离是唯一的，因此所得到的接收信号看起来就像是由非稀疏元件阵列接收的。
因此，通过稀疏阵列，我们可以用时间换取空间，即使用天线元件进行信号传输。
原则上，沿车载假想阵列放置的各个雷达元件应作为较大孔径的单个相控阵元件运行。
然而，该方案需要各个子阵的每个发射天线进行联合传输，并对联合子阵的每个天线单元收集的数据进行联合处理，这又需要所有子阵单元的完全相位同步。
这一切都不容易实现。
即使有可能，这种完全同步的分布式雷达的性能仍然远远落后于设计良好的全集成、大孔径稀疏阵列雷达。
假设有两个77GHz雷达系统，每个系统的孔径长度为1.2米，配备12个发射元件和16个接收元件。
第一个系统是精心设计的稀疏阵列；第二个系统在孔径的最外侧有两个 14 元件标准阵列。
两个系统具有相同的孔径和天线元件数量。
虽然集成稀疏设计的扫描效果同样好，但分立设计却很难从阵列正面直视前方。
这是因为两个天线波束相距太远，以至于在其中心产生了盲点。
在分体设计的场景中，可以假设两种情况。
在第一种情况下，分体系统两端的两个标准雷达阵列几乎完全同步。
此设计在 45% 的时间内无法检测到物体。
在第二种情况下，假设每个阵列独立运行，然后将其独立检测到的对象融合在一起。
此设计几乎 60% 的时间都无法检测到。
相比之下，精心设计的稀疏阵列检测失败的概率很小。
通过模拟，我们可以轻松地想象即将发生的情况。
假设一辆配备我们系统的自动驾驶汽车正在接近一个城市十字路口，四个角各有一座高层混凝土建筑。
模拟开始时，车辆距路口中心 35 米，第二辆车正在通过路口接近中心。
接近的车辆不在自动驾驶汽车的视线范围内，因此如果不使用角视技术就无法检测到。
雷达系统可以在三个频段中的每一个频段估计可视范围内目标的距离和方向。
在这种情况下，到目标的距离等于光速乘以发射的电磁波返回雷达所需时间的一半。
目标的方向由雷达接收到的波前的入射角确定。
当目标不在视距内且信号沿多条路径返回时，该方法无法直接测量目标的距离或位置。
但是，我们可以推断目标的距离和位置。
首先，我们需要区分视线波、多路径波和穿过建筑物的返回波。
多径返回波（由于多次反射）通常较弱，并且在给定距离内具有不同的偏振。
穿过建筑物的回声也较弱。
如果我们知道基本环境（建筑物和其他静止物体的位置），我们就可以构建一个框架来查找真实目标的可能位置。
然后我们可以使用这个框架来估计目标位于某个位置的可能性。
随着自动驾驶汽车和每个目标的移动，雷达会收集更多数据，每条新数据都可用于更新概率。
这就是贝叶斯逻辑，与它在医学诊断中的应用非常相似。
病人有发烧吗？如果发烧，有皮疹吗？同样，每次汽车系统更新其估计时，它都会缩小可能的范围，直到最终揭示真实目标的位置，同时消除“虚假目标”。
通过融合从多个频段获得的信息，可以显着提高系统的性能。
我们通过实验和数值模拟来评估雷达系统在各种工作条件下的理论性能极限。
道路测试证实雷达可以检测到被阻挡的信号。
在接下来的几个月中，我们计划展示角落感应。
希望此类功能能够实现比以往更安全的驾驶。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-06
06-17
06-18
06-18
06-18
06-18
06-18
最新文章
首先告诉我什么是智能汽车！
盲盒明星卡的暴利与泡沫：2元卡卖700万，直播卖卡月入百万
黑色星期五轰轰烈烈地回来了，结果这些中国企业扛起了全场
锂电池隔膜疯狂扩产：兴源材料欲夺回C位？
当我考上缅语专业时：凌晨三点我还在走廊里背单词，毕业后，我不仅仅是一名翻译者
被遗弃，被收获？老年人上网到底有多难？
海外日报 -今年，我国自主研发游戏海外实际销售收入实现两位数增长；三星电子正式成立机器人业务团队36氪海外·15分钟前
腾讯音乐：爱、相信、坚持