優化訊號處理鏈運算　雷達感測造就自駕L2+系統

人們還在等待完全自主的汽車，但現今才意識到這遠遠超出人們當初的想法。汽車價值鏈早已超前人們並進入B計畫，也就是從SAE等級2的傳統ADAS積極挺進所謂L2+的全新產品。對於最早將在2023年開始生產的車款，這是OEM和一線供應商從其全自主化系統投資獲得回報的機會。L2+與L3仍有一小段差距，依然仰賴人類駕駛的備援，比起L2系統僅需增添有限數量的感測器，但仍可在經濟實惠的ADAS系統中支援進階的全新安全功能。雷達感測器模態預期會與基本攝影機感測器套件相輔相成，因為其已在可接受的ASP範圍之內，並可針對攝影機感測器在極端照明和天候狀況下的已知弱點提供顯著的輔助效益。在市區駕駛、高速公路自動化、變換車道及車道縮減方面，L2+提供超越現有L2 ADAS的顯著進步。此外，由於毋須大幅變動監管法規、基礎設施，或者改變社會的接受度，將進一步加速該產品普及。

儘管自主駕駛運算平台在遙遠未來仍將會自然轉移到中央運算架構，讓中央運算架構進行最繁重的感測器融合，也就是融合無數360度覆蓋感測器和感測器模態，但L2+系統將會具有多種不同的形狀因數，有些人預測未來的中央運算平台會進行各種感測器的早期融合，但大多仍會使用分散式智慧型感測器，在邊緣完成大部分感測器處理負載，尤其是針對用以輔助基本攝影機系統的雷達。因此，預期大多數雷達裝置未來幾年內仍會在雷達裝置本身執行大部分雷達鏈處理，並且本身就需要具備強大的運算平台。根據市場預測，預期L2+ ADAS系統的產量會從2023年開始大幅提升，而自主性等級較高的L3和更高等級的初步部署不會早於2026~2027年。對於雷達部分，HD雷達將主要用於L3和更高自主性等級，直到其價位降幅足以整合於L2+ ADAS系統，預期這在2028年之前不會發生。因此至少會有6年的明顯市場空窗期，標準雷達裝置在這段期間仍將會是市場主流，在L2+ ADAS系統中扮演極為重要的角色，每輛車會有更多雷達節點以實現更為進階的駕駛人輔助功能及360度涵蓋範圍(圖1)。

如何運作？

雷達的基本原理與干涉相同。訊號會經由發射天線陣列發射，透過接收天線陣列接收。可以從接收訊號的相對相位來估計物體和障礙物的範圍、速度及方向。因此，雷達的處理技術具有高確定性，以便提供直接與感知相關的輸入並擷取深度的相關特徵，與攝影機感測器不同之處在於，攝影機感測器需要複雜(儘管已知且經過試驗)的CV和AI處理才能達到相同功能。

有效「虛擬」雷達頻道數是發射與接收天線數的乘積。因此，現今L2/L2+車輛使用的典型雷達裝置包含3TX和4RX天線，一共12個虛擬頻道。這足以支援基本L2/L2+功能，例如自動緊急煞車(AEB)和適應性巡航控制(ACC)。在L2+和更高等級系統將會看到的未來雷達裝置包含12T×16R(一共192個頻道)，甚至多達48T×48R(驚人的2,304個頻道)。這些更大型的配置稱為HD成像雷達或4D雷達(能夠擷取範圍、速度、方位角和高度四重資料)。更多頻道的主要效益是增加「雷達」準確度，尤其是方位角和高度兩者的角度解析度。HD雷達對於遠距物體可達到低於1度的角度解析度(甚至長達200公尺遠)。方位角解析度實現了物體偵測(例如行人)，而高度解析度則可以用於區別車輛和高架的交通號誌。提高解析度可減少由於寬旁波瓣所造成的假性異常，這在常見小型雷達裝置中是個已知的難題。

雷達晶片模組—感測器與訊號處理器

雷達晶片模組通常包含兩個主要元件。感測器或雷達收發器處理來自毫米波天線的RF訊號以下直到基頻訊號，而雷達MCU則進行數位雷達訊號處理。雷達收發器和MCU通常是兩個不同晶片，各自在其最佳且符合成本效益的製程節點中製造。儘管雷達收發器的複雜度與天線或實體RF鏈的數目成線性關係，但是在雷達MCU中所執行的訊號處理複雜度則與虛擬頻道的數目有關，因此跟天線數成二次關係。

圖2顯示典型的雷達處理鏈。RF前端位於雷達收發器。在類比轉數位之後，訊號會在雷達MCU中加以處理。雷達處理鏈通常分為兩個主要部分。雷達前端處理，其輸出即為雷達點雲，而雷達後處理則進行物體分類及追蹤。這兩種基本截然不同的工作負載需要不同類型的處理元件和技術。視MCU架構而定，可以將前端處理和後處理兩者整合為單一MCU，或者處理鏈後段可在中央ECU中進行處理。

在經過時域數位前端(主要包含濾波)預處理之後，訊號接著交由雷達前端模組進行處理。處理類型為雷達常見的調頻連續波(FMCW)方式。前端處理首先包含測距都卜勒FFT和雷達資料立方體的建構(累積來自多個天線與雷達脈衝的資料)，接著使用恆定假性警報率(CFAR)演算法變體來進行第一個目標偵測，然後是DoA/AoA角度估算。雷達前端處理的輸出稱為雷達點雲，並且包含各個偵測點的3D或4D測距/都卜勒/角度資訊。

對於HD雷達而言，雷達前端處理的運算可能極為繁重，通常會在最佳化的硬體中完成。不過，小型雷達前端(例如12~16個虛擬頻道)適合採用軟體導向的方式，以及更具彈性的硬體/軟體分工。處理引擎需要應付各種類型的運算。FFT與CFAR可以有效透過定點運算來完成，而角度估算演算法通常會大量運用矩陣分解，並且需要浮點運算。

在點雲之後，雷達後處理會包含目標辨識、分段、追蹤及分類。這包含高精度浮點運算及大量矩陣運算、導入像是Kalman濾波等的演算法，包含矩陣反轉、Cholesky分解和非線性運算等。這類處理通常會植入DSP核心，以提供較大彈性並讓不同廠商能夠進行差異化及創新。

最後，目標分類及感測器融合經常會利用AI推論技術，並且需要大量神經網路處理。

可見現代雷達處理在運算(而非實施)方面牽涉相當程度的挑戰，才能導入端對端雷達處理鏈。由於這是一項仍在進化的技術，考量未來的自主性程度，設計師同時需要軟體彈性，以及可擴充的高效能運算平台，基於強大向量DSP的平台自然脫穎而出。

雷達處理平台涵蓋多功能

人們看到現代汽車雷達裝置的比例和尺寸的變化範圍相當廣泛，從常見的12頻道裝置到搭載數千頻道的高階成像雷達。此外，每個裝置都需要執行各式各樣的演算法，支援不同運算處理引擎以便應付不同工作負載。如CEVA的SensPro-Radar架構能夠發揮作用，以CEVA第二代SensPro2 IP系列為基礎，這是一款擴充性較高的向量DSP架構，主要針對高效能感測應用(圖3)。針對雷達鏈訊號處理的各種工作負載需求，這是能夠有效因應的DSP架構，讓開發人員能在不同世代之間針對其解決方案的所有部分使用相同平台和相同的開發工具。

可擴充性及彈性是兩個不同面向。一個是向量單元大小，範圍介於具備32INT 16MAC(乘法與加法)的SP100核心到最高具備256INT 16MAC的SP1000核心。作為相關參考，標準12頻道裝置的完整雷達前端處理可輕易納入SP250核心。

第二個有關彈性面向是支援廣泛範圍的向量運算，包括8、16及32位元整數運算，以及單和半精度浮點運算。核心具有高度配置性，可選配浮點運算功能。

針對雷達前端處理提供選配的SensPro-Radar ISA，加入了用於加速測距/都卜勒FFT和複雜運算的特殊指令。專用雷達ISA的亮點是一組強大指令，可用於進行1D/2D/3D CFAR處理的雷達偵測，包括進階直方圖ISA、支援彈性滑動窗、專用排序和最小/最大ISA。如此便能根據K階統計/排序來大幅加速CFAR演算。SensPro-Radar ISA提供良好能力，能以有效率的方式將雷達前端的重要部分映射到DSP核心，在實用上提供彈性，並可大幅縮短TTM並明顯減少矽晶片架構設計師所需耗費的精力(圖4)。

視虛擬頻道數而定，需要採用典型雷達鏈處理巨量資料。SensPro架構採用CEVA的記憶體子系統，讓使用者以「塊狀」方式，在不同維度之間輕鬆存取雷達資料立方體。記憶體頻寬非常大，針對負載可達2×1,024位元，而針對儲存則為1,024位元。記憶體子系統以CEVA的進階SoC整合機制為基礎，包括緩衝區與佇列管理員、增強型3DDMA引擎(具備分散/集中支援)、資料調處(包括轉置)和處理。這些機制有助於輕鬆整合外部硬體加速器和其他DSP/CPU。

SensPro系列經過特別設計，能有效率地處理人工智慧及深度學習工作負載，廣泛用於加速電腦視覺領域的AI處理。因此，其具備用於CNN加速的特定ISA，並支援二進位NN，以及具有非線性功能支援的所有類型啟動層。此架構搭配了進階軟體與開發工具，以及CEVA的深度神經網路(CDNN)圖形編譯器架構。

為了輔助運算平台，CEVA還提供一組豐富的軟體庫，包括特徵線性代數(Eigen Linear Algebra)。CEVA的SensPro-Radar SDK是一套完整的端對端軟體套件，廣泛使用專用Radar ISA，並且為軟體開發人員提供完整的雷達鏈參考實作。

由於具備單一平台，能夠有效處理所有雷達相關工作負載，包括前端處理和後處理，讓雷達架構設計師得以自由選擇較佳的硬體/軟體分工，同時保留足夠的軟體彈性以備未來解決方案的需要。此外，可在矽晶片生產之後，動態改變不同類型工作負載之間的平衡。此類架構非常適合OTA更新，這對於未來的自主性平台和作為服務的自主性而言將會非常重要。

因此，SensPro-Radar以統一的架構提供可擴充的解決方案，這是使用者下一代雷達與感測器融合產品的平台選擇，採用同級較佳的向量DSP技術，並且獲得頂尖汽車半導體與一線供應商的授權。

(本文作者為CEVA行動寬頻業務部業務發展總監)