目次
レーダーの使用法
02 システム アーキテクチャ " >02 システム アーキテクチャ
03 結論 " >03 結論
ホームページ テクノロジー周辺機器 AI 自動運転レーダーセンサーのアプリケーション設計スキームを 1 つの記事で理解する

自動運転レーダーセンサーのアプリケーション設計スキームを 1 つの記事で理解する

Apr 12, 2023 pm 11:22 PM
オートパイロット レーダー

センサーは自動運転車の重要なコンポーネントです。前方、後方、または側方の車両までの距離を監視する機能により、重要なデータが中央コントローラーに提供されます。光学カメラ、赤外線カメラ、レーザー、超音波、レーダーはすべて、周囲の環境、道路、その他の車両に関するデータを提供するために使用できます。たとえば、カメラを使用して道路上の標識を検出し、車両を正しい車線に保つことができます。これは、運転支援システム (ADAS) で車線逸脱警告を提供するためにすでに使用されています。今日の ADAS システムは、衝突検知警告や車両が前方車両を追跡できるアダプティブ クルーズ コントロールにもレーダーを使用しています。

ドライバーの入力がなければ、自動運転車はより多くのセンサー システムを必要とし、多くの場合、より高いレベルの保証を提供するためにさまざまなセンサーからの複数の入力を使用します。これらのセンサー システムは実績のある ADAS 実装を基にしていますが、より広範囲のセンサーとより高いデータ レートを管理するためにシステム アーキテクチャが変化しています。

レーダーの使用法

アダプティブクルーズコントロールと衝突検知のためのADASシステムの採用が増加するにつれ、24 GHzのレーダーセンサーのコストが上昇落ちています。これらは現在、自動車メーカーがヨーロッパの NCAP 安全性評価の 5 つ星を達成するための要件となっています。

たとえば、Infineon Technologies の BGT24M 24GHz レーダー センサーは、電子制御ユニット (ECU) の外部マイクロコントローラーと併用して、スロットルを変更して前方車両との接触を維持できます。図 1 に示すように、最大​​ 20 m の範囲の距離。

自動運転レーダーセンサーのアプリケーション設計スキームを 1 つの記事で理解する

図 1: インフィニオン テクノロジーズの車載レーダー センシング システム。

自動車レーダー システムの多くは、パルス ドップラー方式を使用しています。この方式では、送信機がパルス繰り返し間隔 (PRI) と呼ばれる短期間動作し、その後システムが動作します。次のパルスが発射されるまで受信モードに切り替わります。レーダーが戻ってくると、反射がコヒーレントに処理されて、検出された物体の距離と相対運動が抽出されます。

もう 1 つの方法は、連続波周波数変調 (CWFM) を使用することです。これは、時間の経過とともに変化する連続的な搬送周波数を使用し、受信機は常にオンになります。送信信号が受信機に漏れるのを防ぐには、送信アンテナと受信アンテナを別々に使用する必要があります。

BGT24MTR12 は、24.0 ~ 24.25 GHz で動作する信号生成および受信用のシリコン ゲルマニウム (SiGe) センサーです。 24 GHz 基本電圧制御発振器を使用し、出力周波数 1.5 GHz と 23 kHz の切り替え可能な周波数プリスケーラーを備えています。

RC ポリフェーズ フィルター (PPF) は、ダウンコンバーティング ミキサーの LO 直交位相生成に使用され、出力パワー センサーと温度センサーはモニタリング用のデバイスに統合されています。

自動運転レーダーセンサーのアプリケーション設計スキームを 1 つの記事で理解する

図 2: Infineon Technologies の BGT24MTR12 レーダー センサー。

デバイスは SPI 経由で制御され、0.18 µm SiGe:C テクノロジーで製造され、カットオフ周波数は 200 GHz で、32 ピンのリードレス VQFN パッケージで提供されます。 。

しかし、自動運転車のアー​​キテクチャは変わりつつあります。 ECU にローカルではなく、車両周囲のさまざまなレーダー システムからのデータが中央の高性能コントローラーに供給され、信号とカメラ、場合によっては LIDAR レーザー センサーからの信号が結合されます。

コントローラは、グラフィックス コントロール ユニット (GCU) を備えた高性能の汎用プロセッサ、または信号処理を専用のハードウェアで処理できるフィールド プログラマブル ゲート アレイにすることができます。これにより、より高いデータ レートとより多くのデータ ソースを処理する必要があるアナログ フロントエンド (AFE) インターフェイス デバイスがより重視されます。

使用されるレーダーセンサーの種類も変化しています。 77 GHz センサーは、より長い範囲とより高い解像度を提供します。 77 GHz または 79 GHz レーダー センサーは、他の車両を検出するなど、10 度の円弧内で最大 200 m の長距離センシングを提供するようにリアルタイムで調整できますが、最大 30 度のより広い 30 度のセンシングにも使用できます。 30 m 低域アーク。周波数が高いほど解像度が向上し、レーダー センサー システムが複数の物体をリアルタイムで区別できるようになり、たとえば 30 度の円弧内にある多くの歩行者を検出できるようになり、自動運転車のコントローラーにより多くの時間とより多くのデータが与えられます。

77 GHz センサーは、発振周波数 300 GHz のシリコン ゲルマニウム バイポーラ トランジスタを使用します。これにより、1 つのレーダー センサーを前方警報、衝突警報、自動ブレーキなどのさまざまな安全システムに使用できるようになり、77 GHz テクノロジーは車両の振動に対する耐性も高いため、フィルタリングの必要性が少なくなります。

自動運転レーダーセンサーのアプリケーション設計スキームを 1 つの記事で理解する

図 3: NXP が提供する自動運転車のレーダー センサーのさまざまな使用例。

# センサーは、車両座標系 (VCS) における対象車両の距離、速度、方位角を検出するために使用されます。データの精度はレーダー センサーの位置に依存します。

レーダー センサーの調整アルゴリズムは、車両が 40 Hz を超える周波数で動作しているときに実行されます。レーダー センサー、車両速度、車両上のセンサーの位置、指向角度から提供されるデータに基づいて、ミスアライメント角度を 1 ミリ秒以内に計算する必要があります。

ソフトウェア ツールを使用して、実車の路上テストから取得した記録センサー データを分析できます。このテスト データは、生のレーダー検出とホスト車両の速度に基づいてセンサーの位置ずれ角度を計算する二乗アルゴリズムを使用するレーダー センサー位置合わせアルゴリズムを開発するために使用できます。これにより、二乗解の残差に基づいて計算された角度の精度も推定されます。

02 システム アーキテクチャ

Texas Instruments の AFE5401-Q1 (図 4) などのアナログ フロントエンドを使用して、レーダー センサーを自動車システムの残りの部分を図 1 に示します。 AFE5401 には 4 つのチャネルが含まれており、各チャネルには低ノイズ アンプ (LNA)、選択可能なイコライザー (EQ)、プログラマブル ゲイン アンプ (PGA)、およびアンチエイリアシング フィルターが含まれ、その後に高速 12 ビット アナログ - デジタル信号が続きます。チャネルごとに 25 MSPS コンバータ (ADC) を搭載。 4 つの ADC 出力は、12 ビットのパラレル CMOS 互換出力バス上で多重化されます。

自動運転レーダーセンサーのアプリケーション設計スキームを 1 つの記事で理解する

図 4: Texas Instruments の AFE5401 レーダー アナログ フロントエンドの 4 つのチャネルは、複数のセンサーで使用できます。

低コスト システムの場合、Analog Devices の AD8284 は、プログラマブル ゲイン アンプと併用できる 4 チャネル差動マルチプレクサ (マルチプレクサ) を備えたアナログ フロントエンドを提供します。 - (PGA) およびアンチエイリアシング フィルター (AAF) を搭載したチャンネル低ノイズ プリアンプ (LNA)。これはまた、単一の直接 ADC チャネルを使用し、すべて単一の 12 ビット アナログ - デジタル コンバータ (ADC) と統合されています。 AD8284 には、AAF によってフィルタリングされる高周波過電圧状態を検出するための飽和検出回路も含まれています。アナログ チャネルのゲイン範囲は 17 dB ~ 35 dB で 6 dB 刻みで、ADC 変換レートは最大 60 MSPS です。チャンネル全体の総合入力基準電圧ノイズはゲインで 3.5 nV/√Hz です。

AFE の出力は、Microsemi の IGLOO2、Fusion、Intel の Cyclone IV などのプロセッサまたは FPGA に供給されます。これにより、FPGA 設計ツールを使用して 2D FFT をハードウェアに実装し、FFT を処理し、周囲のオブジェクトに関する必要なデータを提供できるようになります。これは中央コントローラーに入力できます。

FPGA にとっての重要な課題は複数のオブジェクトを検出することですが、これは CWFM アーキテクチャにとってパルス ドップラーよりも複雑です。 1 つのアプローチは、ランプの持続時間と周波数を変更し、検出された周波数がさまざまな周波数ランプの急峻さでスペクトル内をどのように移動するかを評価することです。ランプは 1 ミリ秒間隔で変化するため、1 秒あたり数百の変化を分析できます。

自動運転レーダーセンサーのアプリケーション設計スキームを 1 つの記事で理解する

図 5: Intel の FPGA で使用される CWFM レーダー フロントエンド。

カメラのデータを使用して、車両からの強いエコーと人からの弱いエコー、および予想されるドップラー シフト タイプを区別できるため、他のセンサーからのデータを融合することも役立ちます。 。

もう 1 つのオプションは、CWFM を使用して高速道路上の長距離の目標を見つけるマルチモード レーダーと、市街地の歩行者を容易に検出できる短距離パルス ドップラー レーダーです。

03 結論

自動運転車用の ADAS センサー システムの開発により、レーダー システムの実装方法が変化しています。より単純な衝突回避やアダプティブクルーズコントロールから全方位検知への移行は大きな課題です。レーダーは自動車メーカーの間で広く受け入れられている非常に人気のあるセンシング技術であるため、このアプローチのための技術です。より高い周波数の 77 GHz センサーを、マルチモード CWFM およびパルス ドップラー アーキテクチャ、およびカメラなどの他のセンサーからのデータと組み合わせると、処理サブシステムに重大な課題が生じます。自動運転車の継続的な開発には、安全かつ一貫性があり、コスト効率の高い方法でこれらの課題に対処することが重要です。

以上が自動運転レーダーセンサーのアプリケーション設計スキームを 1 つの記事で理解するの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

このウェブサイトの声明
この記事の内容はネチズンが自主的に寄稿したものであり、著作権は原著者に帰属します。このサイトは、それに相当する法的責任を負いません。盗作または侵害の疑いのあるコンテンツを見つけた場合は、admin@php.cn までご連絡ください。

ホットAIツール

Undresser.AI Undress

Undresser.AI Undress

リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover

AI Clothes Remover

写真から衣服を削除するオンライン AI ツール。

Undress AI Tool

Undress AI Tool

脱衣画像を無料で

Clothoff.io

Clothoff.io

AI衣類リムーバー

AI Hentai Generator

AI Hentai Generator

AIヘンタイを無料で生成します。

ホットツール

メモ帳++7.3.1

メモ帳++7.3.1

使いやすく無料のコードエディター

SublimeText3 中国語版

SublimeText3 中国語版

中国語版、とても使いやすい

ゼンドスタジオ 13.0.1

ゼンドスタジオ 13.0.1

強力な PHP 統合開発環境

ドリームウィーバー CS6

ドリームウィーバー CS6

ビジュアル Web 開発ツール

SublimeText3 Mac版

SublimeText3 Mac版

神レベルのコード編集ソフト(SublimeText3)

なぜ自動運転ではガウス スプラッティングが非常に人気があるのに、NeRF は放棄され始めているのでしょうか? なぜ自動運転ではガウス スプラッティングが非常に人気があるのに、NeRF は放棄され始めているのでしょうか? Jan 17, 2024 pm 02:57 PM

上記と著者の個人的な理解 3 次元ガウシアンプラッティング (3DGS) は、近年、明示的な放射線フィールドとコンピューター グラフィックスの分野で出現した革新的なテクノロジーです。この革新的な方法は、数百万の 3D ガウスを使用することを特徴とし、主に暗黙的な座標ベースのモデルを使用して空間座標をピクセル値にマッピングする神経放射線場 (NeRF) 方法とは大きく異なります。明示的なシーン表現と微分可能なレンダリング アルゴリズムにより、3DGS はリアルタイム レンダリング機能を保証するだけでなく、前例のないレベルの制御とシーン編集も導入します。これにより、3DGS は、次世代の 3D 再構築と表現にとって大きな変革をもたらす可能性のあるものとして位置付けられます。この目的を達成するために、私たちは 3DGS 分野における最新の開発と懸念について初めて体系的な概要を提供します。

自動運転シナリオにおけるロングテール問題を解決するにはどうすればよいでしょうか? 自動運転シナリオにおけるロングテール問題を解決するにはどうすればよいでしょうか? Jun 02, 2024 pm 02:44 PM

昨日の面接で、ロングテール関連の質問をしたかと聞かれたので、簡単にまとめてみようと思いました。自動運転のロングテール問題とは、自動運転車におけるエッジケース、つまり発生確率が低い考えられるシナリオを指します。認識されているロングテール問題は、現在、単一車両のインテリジェント自動運転車の運用設計領域を制限している主な理由の 1 つです。自動運転の基礎となるアーキテクチャとほとんどの技術的問題は解決されており、残りの 5% のロングテール問題が徐々に自動運転の開発を制限する鍵となってきています。これらの問題には、さまざまな断片的なシナリオ、極端な状況、予測不可能な人間の行動が含まれます。自動運転におけるエッジ シナリオの「ロング テール」とは、自動運転車 (AV) におけるエッジ ケースを指します。エッジ ケースは、発生確率が低い可能性のあるシナリオです。これらの珍しい出来事

カメラかライダーを選択しますか?堅牢な 3D オブジェクト検出の実現に関する最近のレビュー カメラかライダーを選択しますか?堅牢な 3D オブジェクト検出の実現に関する最近のレビュー Jan 26, 2024 am 11:18 AM

0.前面に書かれています&& 自動運転システムは、さまざまなセンサー (カメラ、ライダー、レーダーなど) を使用して周囲の環境を認識し、アルゴリズムとモデルを使用することにより、高度な知覚、意思決定、および制御テクノロジーに依存しているという個人的な理解リアルタイムの分析と意思決定に。これにより、車両は道路標識の認識、他の車両の検出と追跡、歩行者の行動の予測などを行うことで、安全な運行と複雑な交通環境への適応が可能となり、現在広く注目を集めており、将来の交通分野における重要な開発分野と考えられています。 。 1つ。しかし、自動運転を難しくしているのは、周囲で何が起こっているかを車に理解させる方法を見つけることです。これには、自動運転システムの 3 次元物体検出アルゴリズムが、周囲環境にある物体 (位置を含む) を正確に認識し、記述することができる必要があります。

座標系の変換を本当にマスターしましたか?自動運転と切り離せないマルチセンサーの問題 座標系の変換を本当にマスターしましたか?自動運転と切り離せないマルチセンサーの問題 Oct 12, 2023 am 11:21 AM

最初のパイロットおよび重要な記事では、主に自動運転技術で一般的に使用されるいくつかの座標系と、それらの間の相関と変換を完了し、最終的に統合環境モデルを構築する方法を紹介します。ここでの焦点は、車両からカメラの剛体への変換 (外部パラメータ)、カメラから画像への変換 (内部パラメータ)、および画像からピクセル単位への変換を理解することです。 3D から 2D への変換には、対応する歪み、変換などが発生します。要点:車両座標系とカメラ本体座標系を平面座標系とピクセル座標系に書き換える必要がある 難易度:画像の歪みを考慮する必要がある 歪み補正と歪み付加の両方を画面上で補正する2. はじめに ビジョンシステムには、ピクセル平面座標系 (u, v)、画像座標系 (x, y)、カメラ座標系 ()、世界座標系 () の合計 4 つの座標系があります。それぞれの座標系には関係性があり、

自動運転と軌道予測についてはこの記事を読めば十分です! 自動運転と軌道予測についてはこの記事を読めば十分です! Feb 28, 2024 pm 07:20 PM

自動運転では軌道予測が重要な役割を果たしており、自動運転軌道予測とは、車両の走行過程におけるさまざまなデータを分析し、将来の車両の走行軌跡を予測することを指します。自動運転のコアモジュールとして、軌道予測の品質は下流の計画制御にとって非常に重要です。軌道予測タスクには豊富な技術スタックがあり、自動運転の動的/静的知覚、高精度地図、車線境界線、ニューラル ネットワーク アーキテクチャ (CNN&GNN&Transformer) スキルなどに精通している必要があります。始めるのは非常に困難です。多くのファンは、できるだけ早く軌道予測を始めて、落とし穴を避けたいと考えています。今日は、軌道予測に関するよくある問題と入門的な学習方法を取り上げます。関連知識の紹介 1. プレビュー用紙は整っていますか? A: まずアンケートを見てください。

SIMPL: 自動運転向けのシンプルで効率的なマルチエージェント動作予測ベンチマーク SIMPL: 自動運転向けのシンプルで効率的なマルチエージェント動作予測ベンチマーク Feb 20, 2024 am 11:48 AM

原題: SIMPL: ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving 論文リンク: https://arxiv.org/pdf/2402.02519.pdf コードリンク: https://github.com/HKUST-Aerial-Robotics/SIMPL 著者単位: 香港科学大学DJI 論文のアイデア: この論文は、自動運転車向けのシンプルで効率的な動作予測ベースライン (SIMPL) を提案しています。従来のエージェントセントとの比較

nuScenes の最新 SOTA | SparseAD: スパース クエリは効率的なエンドツーエンドの自動運転に役立ちます。 nuScenes の最新 SOTA | SparseAD: スパース クエリは効率的なエンドツーエンドの自動運転に役立ちます。 Apr 17, 2024 pm 06:22 PM

先頭と開始点に書かれている エンドツーエンドのパラダイムでは、統一されたフレームワークを使用して自動運転システムのマルチタスクを実現します。このパラダイムの単純さと明確さにも関わらず、サブタスクにおけるエンドツーエンドの自動運転手法のパフォーマンスは、依然としてシングルタスク手法に比べてはるかに遅れています。同時に、以前のエンドツーエンド手法で広く使用されていた高密度鳥瞰図 (BEV) 機能により、より多くのモダリティやタスクに拡張することが困難になります。ここでは、スパース検索中心のエンドツーエンド自動運転パラダイム (SparseAD) が提案されています。このパラダイムでは、スパース検索は、高密度の BEV 表現を使用せずに、空間、時間、タスクを含む運転シナリオ全体を完全に表します。具体的には、統合されたスパース アーキテクチャが、検出、追跡、オンライン マッピングなどのタスク認識のために設計されています。さらに、重い

エンドツーエンドおよび次世代の自動運転システムと、エンドツーエンドの自動運転に関する誤解について話しましょう。 エンドツーエンドおよび次世代の自動運転システムと、エンドツーエンドの自動運転に関する誤解について話しましょう。 Apr 15, 2024 pm 04:13 PM

この 1 か月間、いくつかのよく知られた理由により、私は業界のさまざまな教師やクラスメートと非常に集中的な交流をしてきました。この交換で避けられない話題は当然、エンドツーエンドと人気の Tesla FSDV12 です。この機会に、現時点での私の考えや意見を整理し、皆様のご参考とご議論に役立てたいと思います。エンドツーエンドの自動運転システムをどのように定義するか、またエンドツーエンドで解決することが期待される問題は何でしょうか?最も伝統的な定義によれば、エンドツーエンド システムとは、センサーから生の情報を入力し、関心のある変数をタスクに直接出力するシステムを指します。たとえば、画像認識では、従来の特徴抽出 + 分類子方式と比較して、CNN はエンドツーエンドと言えます。自動運転タスクでは、各種センサー(カメラ/LiDAR)からのデータを入力

See all articles