人们越来越清楚地认识到，无人驾驶车辆的逐步发展将在很大程度上取决于传感器的发展。为实现逐步发展，车辆必须提高其识别和分类物体的可靠性，提高感知这些物体运动的准确性，并且随着传感器技术的改进，扩展自主系统能运行的环境条件范围，即运行设计域。所有这些需求都取决于来自车辆传感器系统的数据质量。

　　对于 L2 和 L2+ 级别的无人驾驶，该系统最重要的包含高分辨率光学摄像头，以及具有有限范围和视野的雷达。短程超声波雷达或雷达传感器也被用于特定的舒适性和安全性功能，比如自动泊车、智能巡航控制和车道保持。为了达到 L3 级别，设计师们不得不加配激光雷达传感器，这带来了许多不利影响和限制，尤其是高昂的成本。

　　但是新一代 4D 成像雷达传感器正在极大地改变这种局面。这些经济实惠的高分辨率毫米波雷达传感器可在 4 个维度上提供出色的分辨率：距离、方位角、俯仰角（首次），以及准确的、直接测量的速度信息。这些新型传感器还提供了更远的距离范围和更广的视野，并且支持扩展的运行设计域。所有数据均实时传输至无人驾驶汽车的融合处理器。

　　这些功能的结合大幅度的提升了可靠性，扩大了运行域。与摄像头或激光雷达不同，毫米波雷达天然具备在恶劣天气或光照条件差的情况的强穿透力。高空间分辨率和精确速度测量的结合减少了物体探测的模糊性。因此，在更广泛的环境条件下，实现了更强大的目标检测和分类能力。

　　这些新型传感器与大多数先前一代的汽车雷达截然不同。它们的优势源于多年来在军事和航空航天领域的成熟技术的积累。如今，随着半导体和天线制造集成度与性能的不断的提高，之前用于 F-18 战斗机的系统现在到能够下沉为安装于乘用车多处位置的紧凑模块，这些功能在规模和成本方面都呈现显著下降趋势。

　　首要的重要变化是低成本毫米波雷达发射器和接收器硬件的推出，它们提供了出色的发射器功率和高接收器灵敏度。这一变化引发了另外两个变化：采用密集的多天线G 通信中称为多输入多输出，或 MIMO）；使用复杂的波形，这类波形大大增强了俯仰角、方位角和速度测量的能力。最后，数字信号处理 (DSP) 知识产权的进步使融合数字解决能力成为可能，且这种能力是处理这些传感器实时生成的多信道高速数据所必不可少的。

　　这些渐进式变化怎么样转化为有价值的功能，是一个关于硬件能力与固件功能相互耦合的过程。例如，为实现高度精确的方位角和俯仰角分辨率，传感器一定要采用大孔径和虚拟阵列合成技术。先进的信号处理算法能组合跨时域、频域或码域的多种信号，或组合跨这些域的某些组合的各类信号，以构建一个比物理阵列更大的虚拟天线阵列。

　　这大大提高了分辨率：目前的设计目标是方位角小于一度，仰角约为一度。与低分辨率雷达相比，这种分辨率可以为每个目标对象生成更多不相关的测量点，进而更准确地确定目标对象的位置和轮廓。在这种情况下，后续的处理过程将变得更顺利，能够更轻松地区分远处的目标对象，并且更容易引入基于机器学习的分类算法，这些算法类似于处理摄像头或激光雷达数据所使用的算法。

　　在这些系统中，传输波形的设计对传感器的性能和整个解决方案的整体成本有着非常大的影响。为了确认和保证传输波形与虚拟阵列构建过程之间的正交性，在选择基本波形结构（发射的啁啾序列）时需要仔细权衡和思考。例如，从多个发射天线并行发射信号，将在接收端生成众多虚拟信道的测量数据。因此，有必要考虑到以合理的算法和解决能力来应对分离这些测量数据的挑战。

　　在选择信道复用方法时，也需要做出权衡。 对测量施加限制可能会导致伪影。例如，此类限制可能会引起角度和多普勒测量的耦合，进而影响支持的精确速度测量的范围，或造成其他测量模糊问题。

　　此外，还有许多系统级的影响必须要格外注意。以下仅举几例：第一个例子，为实现高模拟带宽和短的啁啾维持的时间，需要更高的采样率。这反过来会使 ADC 转换器的设计变得更困难，并增加 ADC 的成本。第二个例子：基于相位的信道复用方案需要具有高相位分辨率的模拟移相器。然而，这类移相器在制作的完整过程中存在挑战，并且有必要进行精细且敏感的离线和在线校准。第三个例子：同时从多个发射天线元件发射信号需要在系统级别进行更复杂的散热设计，从而散发由发射器产生的额外热量。

　　总之，在车辆自主系统中充分的利用高分辨率毫米波雷达需要仔细考虑众多设计因素，每一个都不容忽视。然而，这些传感器所带来的好处远超系统能力的提升。

　　这些能力不仅仅表现为性能参数表上的数字得到了改进。它们在功能上可实现更细致的区分，这在真实世界场景中行驶时可提高真实世界车辆的安全性、自主性和运行设计域。

　　例如，3D 位置和速度数据的数量和精度的增加可以明显提高无人驾驶车辆识别物体的能力。传感器提供的出色数据使车辆能够做出细微却又至关重要的区分，例如，区别来自大型卡车的强反射信号和来自附近小孩的较弱信号。实时多普勒速度测量意味着，除其他功能外，车辆能够立即检测物体速度的突然变化，而不有必要进行数次视场扫描，同时还能区分以不同速度移动的近距离物体。

　　所有这些优点都有助于更好地了解车辆四周的情况。这在某种程度上预示着更高的安全性。再加上高分辨率毫米波雷达在能见度差和光线复杂的杂乱场景中的工作上的能力，您将获得一个能够在更广泛条件下以更高的安全性和可靠性运行的车辆自主系统，而这正是该行业所努力追求的优势。

　　所有这些挑战都需要一种灵活而全面的雷达 SOC 解决方案，该解决方案既是“软件定义的”，又可扩展以支持先进的雷达处理算法。这样的平台将包括高性能的 DSP 引擎，用于多维 FFT 运算的优化硬件加速器，以及专用的软件开发工具包。例如，CEVA 的 SensPro传感器中心架构通过一系列 DSP 产品提供了这种组合，具备一系列解决能力，很适合解决广泛的客户用例和需求。

　　开发人员可通过 SensPro 系列的不一样的产品，创建出不同版本或迭代的产品。凭借其通用的架构，DSP 软件代码可以在不同核心之间轻松顺畅地迁移，可节省对先前开发的软件代码库的投资，并缩短上市时间。

　　当然，底层解决能力必须与不断出现的需求保持同步，因此就需要一个可编程的架构。随市场需求的演变，CEVA 一直在优化其 SensPro 架构和指令集，以支持以下功能：

　　·使用先进的 CFAR 方案（例如，OS-CFAR）进行可靠且稳健的目标检测；

　　·通过处理雷达点云来支持帧间级处理，实现先进的跟踪方案（例如使用卡尔曼滤波器和应用经过训练的专用 AI 模型，从“后”点云分割和分类对象）

　　在谨慎使用的前提下，当今的车辆无人驾驶水平能够明显提升车辆安全性和通行流畅度。然而，最终的目标仍是实现全面无人驾驶，至少对某些车辆类别是如此。在应对这一挑战时，高分辨率的 4D 毫米波雷达将起到关键作用。设计师设想了一个传感器套件，这中间还包括车辆的每个角落都安装一个 4D 雷达，和至少一个激光雷达，所有这些传感器将数据输入到一个复杂的传感器融合处理器和人工智能模块中。在拥有足够数量和高质量的传感器数据、成熟的融合和人工智能解决能力，以及充分的训练基础上，人们希望能够通过减少错误并扩展运行设计域，最终实现全自动驾驶的目标。这些车辆几乎能在任何环境下运行，并成为交通系统中被广泛接受的一部分。

　　然而，未来仍将面临诸多挑战。随着部署毫米波雷达的车辆数量增加，干扰的可能性也会增加。这将引发各个雷达传感器波形处理领域的创新，并有望推动车载雷达标准的制定。相应地，标准可能会促进车辆间以及车辆与基础设施之间的合作，这可能意味着雷达传感器作为大规模分布式智能网络的一部分，将扮演全新的角色。当前汽车雷达传输领域缺乏统一的标准，因此就需要一个具有高度可编程性的解决方案以适应不一样情况。这可能包括，例如，在单个传感器级别上实施可能的干扰缓解措施，或者在传感器与基础设施之间增加协调机制，以便传感器能够安全高效地利用共享频谱资源。底层半导体技术、天线设计和算法开发领域的持续不断的发展，也将跟上这些新兴理念的步伐。

　　而且，这些新型传感器的应用远不止于无人驾驶汽车。显然，在广泛的运行设计域，随着传感器尺寸和成本的降低，还有许多别的类型的车辆可以受益于无人驾驶技术或先进的驾驶辅助功能。但对于固定应用，如交通流量管理和拥挤区域的行人安全系统，这些优点同样重要。我们大家可以想象一种协作系统，其中卡车、汽车、摩托车、自行车和行人之间会持续地互相交流，交流它们的位置、速度以及周围的环境。

　　总体上来说，高分辨率毫米波雷达传感器将在任何的需要理解动态环境且视觉摄像数据不足的情况下发挥及其重要的作用。这些雷达传感器的技术拥有足够的发展空间，能够很好的满足新的市场需求。因此，系统设计师的创造力可能是决定它们应用场景范围的唯一限制。