汽車製造商正積極研究多元化的雷達技術方案,以提升新一代先進駕駛輔助系統(ADAS)架構的性能和系統優化,同時簡化向軟體定義汽車(SDV)的過渡。其中,分散式雷達架構被視為是最具潛力的方案之一。
汽車業逐漸向軟體定義汽車(SDV)轉型,製造商正在尋求維護升級軟體的高效途徑,以便充分利用最新雷達感測器的潛在性能。與此同時,主動安全措施不斷增強,汽車中雷達感測器的數量也持續增加,汽車成本與系統複雜性隨之上升。ADAS架構多樣化是其中關鍵,因此汽車製造商需要面向未來需求的解決方案。
汽車製造商正在探索多種架構選項,包括在邊緣部署智慧感測器的邊緣雷達(Edge Radar)、在協同處理器(Co-processor)中遠離邊緣集中智慧的分散式雷達(Distributed Radar),以及在中央運算系統中彙聚智慧的集中式雷達(Centralized Radar)。分散式雷達架構被視為是最具潛力的方案之一。汽車製造商希望透過多個雷達感測器的早期資料融合,顯著提升性能,同時清楚區分攝影機視覺與雷達感知。分散式雷達架構可協助實現此願景。
優化雷達橋的優勢
雷達橋(Radar Bridge)整合多個感測器的資料,可優化處理性能,實現感測器輸入的高效整合與融合,帶來多重優勢。雷達橋創建了一個易於維護的系統,支援在雷達橋的無線更新,無須對每個感測器進行單獨更新。該系統可利用卓越的演算法實現先進角度定位,突破邊緣雷達系統受限於處理能力而無法實現定位功能的限制。雷達橋的早期資料整合/融合技術顯著提升性能,能夠從雷達感測器中挖掘更多資訊,提供更加豐富的ADAS體驗。除了優化早期感測器資料融合和提升感測器解析度之外,人工智慧/機器學習(AI/ML)技術也被應用於該平台,顯著加強雷達輸出性能。
雷達橋與適當的軟體相結合,可實現:
- 高效訊號處理:雷達橋接收來自多個雷達感測器的初步FFT資料,並生成綜合的點狀雲。這種將多個雷達資料與重疊視野相結合的方法帶來了顯著的優勢。從多個視角準確地感知交通環境將大幅提升檢測的準確性,減少誤判,進而增強ADAS功能的安全性。
- 低延遲:由於雷達橋上的處理資源不需要與其他功能共享,這種「單項任務處理」確保了低延遲。經過處理的點狀雲能夠即刻被調用,賦予汽車在安全關鍵型交通狀況下做出即時反應的能力。
- 干擾管理:雷達橋具備同時分析所有雷達感測器輸入資料的能力,能夠精準地檢測並識別訊號受干擾的具體區域。透過橋接器上的軟體,可以為受干擾的感測器重新分配不同的頻率或時槽,確保雷達感測器能夠恢復並產出清晰的訊號。這有助於避免基於錯誤資訊的路徑和行動規畫,進而增強汽車及其所處交通環境的安全性。此外,得益於雷達橋上運行於神經網路加速器的機器學習模型,雷達橋還能重建因其他車輛的雷達傳輸干擾而受損的訊號。
- 垂直速度測量:雷達橋能夠測量被探測物體的垂直速度分量。得益於都卜勒效應,雷達能夠即時捕捉物體的徑向速度。融合兩個不同角度雷達的資料,可以利用兩個徑向速度向量推算出垂直速度。這種對每次檢測的真實速度的即時測量,極大地提升了點狀雲的品質。在執行變道、高速公路駛入和駛出以及識別橫穿行人等複雜安全交通場景時,系統性能將得到顯著提升。
管理雷達感測器
雷達與視覺感測器技術共同構成了實現ADAS和AD用例所需的核心感知基礎。雷達以其強大的天氣適應能力、對各種照明條件的高度適應性以及良好的成本效益,在ADAS系統中扮演關鍵角色。相較於現有解決方案,更深層次地挖掘雷達資料能夠為ADAS系統帶來性能和使用者體驗的顯著提升。
分散式雷達架構透過對感測器資料進行區域或集中處理,提供了一種進行感測器管理和資料融合的先進方法,這對於激發下世代雷達感測器的潛在性能至關重要。如前文所述,雷達橋能夠在區域或中央運算平台處理和融合雷達感測器資料,並且能與視覺感知資料進行進一步的整合。此類雷達處理器的應用範圍極廣,允許客戶輸出點狀雲或雷達物件。雷達橋位置彈性靈活,可以與中央電子控制單元(ECU)中的視覺處理器或區域ECU中的區域控制器並置。
分散式雷達架構相關參考設計
相關參考設計有助業者評估分散式雷達架構概念,並促進早期雷達融合的部署。例如,恩智浦(NXP)便開發了PurpleBox參考設計(圖2),其整合Hailo的26TOPS機器學習加速器,為人工智慧提供擴展能力,開啟利用雷達資料的全新維度。
PurpleBox可以用作參考ECU,是基於恩智浦S32R45雷達處理器的雷達橋概念驗證(PoC)關鍵元件,其可處理來自車輛四角的雷達感測器訊號,接收經過壓縮的距離FFT資料,並生成高密度的環繞點狀雲。PurpleBox提供全面的軟體發展環境,其中包括預整合的驅動程式、作業系統,以及一個展示/演示應用,使客戶能夠評估該平台並開發自己的處理鏈,同時重複利用預整合的軟體。此外,PurpleBox還配備了M.2 PCIe介面,不僅可以連接大型儲存裝置,還可以接入Hailo-8機器學習加速器,以便實現雷達感知的先進人工智慧功能。
透過分散式雷達架構,汽車製造商得以充分利用感測器網路中的資料,每個感測器均向協同處理器輸送詳細且豐富的低級別感測器資料,實現雷達資料的早期融合並增強感知處理能力。雷達橋為極具潛力的解決方案,值得汽車製造商和Tier 1供應商進行探索。
(本文作者皆任職於NXP)