一文讀懂自動駕駛雷達感應器應用設計方案
感測器是無人駕駛汽車的關鍵部件。能夠監控與前方、後方或側車的距離,可為中央控制器提供重要數據。光學和紅外線攝影機、雷射、超音波和雷達都可用於提供有關周圍環境、道路和其他車輛的數據。例如,攝影機可用於偵測道路上的標記,以使車輛保持在正確的車道上。這已用於在駕駛員輔助系統(ADAS) 中提供車道偏離警告。如今的 ADAS 系統還使用雷達進行碰撞偵測警告和自適應巡航控制,車輛可以跟隨前車。
如果沒有駕駛員的輸入,自動駕駛汽車需要更多的感測器系統,通常使用來自不同感測器的多個輸入來提供更高水準的保證。這些感測器系統正在從經過驗證的 ADAS 實施中進行調整,儘管系統架構正在發生變化以管理更廣泛的感測器和更高的資料速率。
雷達使用
隨著用於自適應巡航控制和碰撞偵測的ADAS 系統越來越多地採用,24 GHz雷達感測器的成本正在下降。這些現在正成為汽車製造商達到歐洲五星級 NCAP 安全等級的要求。
例如,英飛凌科技公司的BGT24M 24GHz 雷達感測器可與電子控制單元(ECU) 中的外部微控制器一起使用,以修改油門,以保持與前方車輛的恆定距離,範圍可達20 m,如圖1所示。
圖 1:英飛凌科技的汽車雷達感測系統。
許多汽車雷達系統使用脈衝多普勒方法,其中發射器運行短時間,稱為脈衝重複間隔(PRI),然後系統切換到接收模式,直到下一個發射脈衝。當雷達返回時,對反射進行相干處理,以提取檢測到的物體的距離和相對運動。
另一種方法是使用連續波頻率調變 (CWFM)。這使用了一個連續的載波頻率,隨著時間的推移而變化,接收器不斷地打開。為了防止發射訊號洩漏到接收器中,必須使用單獨的發射和接收天線。
BGT24MTR12 是一款用於訊號產生和接收的矽鍺 (SiGe) 感測器,工作頻率為 24.0 至 24.25 GHz。它使用 24 GHz 基波壓控振盪器,並包括一個輸出頻率為 1.5 GHz 和 23 kHz 的可切換頻率預分頻器。
一個RC 多相濾波器(PPF) 用於下變頻混頻器的LO 正交相位生成,而輸出功率感測器和溫度感測器則整合到設備中以進行監控。
圖 2:英飛凌科技的 BGT24MTR12 雷達感測器。
該裝置透過 SPI 控制,採用 0.18 ?m SiGe:C 技術製造,截止頻率為 200 GHz,採用 32 引腳無引線 VQFN 封裝。
然而,無人駕駛車輛的架構正在改變。來自車輛周圍各種雷達系統的數據不是本地 ECU,而是被饋送到中央高性能控制器,該控制器將訊號與來自攝影機的訊號以及可能來自雷射雷達雷射感測器的訊號結合。
控制器可以是具有圖形控制單元 (GCU) 的高效能通用處理器,也可以是可以由專用硬體處理訊號處理的現場可程式閘陣列。這更加強調了必須處理更高資料速率和更多資料來源的類比前端(AFE) 介面設備。
正在使用的雷達感測器類型也在改變。 77 GHz 感測器提供更遠的範圍和更高的解析度。 77 GHz 或79 GHz 雷達感測器可即時調整,以在10° 圓弧內提供長達200 m 的遠程感測,例如用於檢測其他車輛,但它也可用於更寬的30° 感測30 m 的較低範圍的弧。更高的頻率提供更高的分辨率,使雷達感測器系統能夠即時區分多個對象,例如檢測 30° 弧內的許多行人,為無人駕駛車輛的控制器提供更多時間和更多數據。
77 GHz 感測器使用具有 300 GHz 振盪頻率的矽鍺雙極電晶體。這使得一個雷達感測器可以用於多種安全系統,例如前方警報、碰撞警告和自動制動,並且 77 GHz 技術還可以更好地抵抗車輛的振動,因此需要的過濾更少。
圖 3:NXP提供的無人駕駛車輛中雷達感測器的不同用例。
感測器用於偵測車輛座標系 (VCS) 中目標車輛的距離、速度和方位角。數據的準確性取決於雷達感測器的對準。
雷達感測器對準演算法在車輛運作時執行超過 40 Hz 的頻率。它必須在 1 毫秒內根據雷達感測器提供的數據以及車速、感測器在車輛上的位置及其指向角度來計算錯位角。
軟體工具可用於分析從真實車輛的道路測試中擷取的記錄感測器資料。此測試數據可用於開發雷達感測器對準演算法,該演算法使用二乘演算法根據原始雷達偵測和主車輛速度計算感測器未對準角度。這也根據二乘解的殘差估計計算角度的精度。
02 系統架構
德州儀器(TI)的AFE5401-Q1等類比前端(圖4)可用來將雷達感測器連接到汽車系統的其餘部分,如圖1 所示。 AFE5401 包含四個通道,每個通道包含一個低雜訊放大器(LNA)、可選均衡器(EQ)、可程式增益放大器(PGA) 和抗混疊濾波器,後接25 MSPS 的高速12 位元模數轉換器(ADC)每個頻道。四個 ADC 輸出在 12 位元、平行、CMOS 相容輸出匯流排上重複使用。
圖 4:德州儀器 (TI) 的 AFE5401 雷達模擬前端中的四個通道可用於多個感測器。
對於低成本系統,ADI 公司的AD8284提供帶有四通道差分多路復用器(mux)的類比前端,可為具有可編程增益放大器(PGA) 和抗混疊濾波器的單通道低雜訊前置放大器(LNA) 供電(AAF)。這也使用單一直接到 ADC 通道,所有通道都與單一 12 位元類比數位轉換器 (ADC) 整合。 AD8284 還包含一個飽和檢測電路,用於檢測否則會被 AAF 過濾的高頻過壓條件。類比通道的增益範圍為 17 dB 至 35 dB,增量為 6 dB,ADC 的轉換速率高達 60 MSPS。在增益下,整個通道的組合輸入參考電壓雜訊為 3.5 nV/√Hz。
AFE 的輸出被送到處理器或 FPGA,例如Microsemi的IGLOO2或Fusion或英特爾的Cyclone IV。這可以使用 FPGA 設計工具在硬體中實現 2D FFT,以處理 FFT 並提供有關周圍物件所需的資料。然後可以將其饋入中央控制器。
FPGA 面臨的一個關鍵挑戰是偵測多個對象,這對於 CWFM 架構來說比脈衝多普勒更複雜。一種方法是改變斜坡的持續時間和頻率,並評估偵測到的頻率如何以不同的頻率斜坡陡度在頻譜中移動。由於斜坡可以以 1 ms 的間隔變化,因此每秒可以分析數百個變化。
圖 5:CWFM 雷達前端與英特爾的 FPGA 搭配使用。
來自其他感測器的資料融合也可以提供幫助,因為攝影機資料可用於區分來自車輛的較強回波與來自人的較弱回波,以及預期的多普勒偏移類型。
另一種選擇是多模雷達,它使用CWFM 在高速公路上尋找更遠距離的目標,而短程脈衝多普勒雷達則用於更容易檢測到行人的城市地區。
03 結論
無人駕駛車輛 ADAS 感測器系統的發展正在改變雷達系統的實施方式。從更簡單的防撞或自適應巡航控制轉向全方位偵測是一項重大挑戰。雷達是一種非常流行的感測技術,已在汽車製造商中廣泛認可,因此也是這種方法的技術。將更高頻率的 77 GHz 感測器與多模 CWFM 和脈衝多普勒架構以及來自其他感測器(如相機)的數據結合在一起,也對處理子系統提出了重大挑戰。以安全、一致和具有成本效益的方式解決這些挑戰對於自動駕駛汽車的持續發展至關重要。
以上是一文讀懂自動駕駛雷達感應器應用設計方案的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

寫在前面&筆者的個人理解三維Gaussiansplatting(3DGS)是近年來在顯式輻射場和電腦圖形學領域出現的一種變革性技術。這種創新方法的特點是使用了數百萬個3D高斯,這與神經輻射場(NeRF)方法有很大的不同,後者主要使用隱式的基於座標的模型將空間座標映射到像素值。 3DGS憑藉其明確的場景表示和可微分的渲染演算法,不僅保證了即時渲染能力,而且引入了前所未有的控制和場景編輯水平。這將3DGS定位為下一代3D重建和表示的潛在遊戲規則改變者。為此我們首次系統性地概述了3DGS領域的最新發展與關

昨天面試被問到了是否做過長尾相關的問題,所以就想著簡單總結一下。自動駕駛長尾問題是指自動駕駛汽車中的邊緣情況,即發生機率較低的可能場景。感知的長尾問題是目前限制單車智慧自動駕駛車輛運行設計域的主要原因之一。自動駕駛的底層架構和大部分技術問題已經解決,剩下的5%的長尾問題,逐漸成了限制自動駕駛發展的關鍵。這些問題包括各種零碎的場景、極端的情況和無法預測的人類行為。自動駕駛中的邊緣場景"長尾"是指自動駕駛汽車(AV)中的邊緣情況,邊緣情況是發生機率較低的可能場景。這些罕見的事件

0.寫在前面&&個人理解自動駕駛系統依賴先進的感知、決策和控制技術,透過使用各種感測器(如相機、光達、雷達等)來感知周圍環境,並利用演算法和模型進行即時分析和決策。這使得車輛能夠識別道路標誌、檢測和追蹤其他車輛、預測行人行為等,從而安全地操作和適應複雜的交通環境。這項技術目前引起了廣泛的關注,並認為是未來交通領域的重要發展領域之一。但是,讓自動駕駛變得困難的是弄清楚如何讓汽車了解周圍發生的事情。這需要自動駕駛系統中的三維物體偵測演算法可以準確地感知和描述周圍環境中的物體,包括它們的位置、

一先導與重點文章主要介紹自動駕駛技術中幾種常用的座標系統,以及他們之間如何完成關聯與轉換,最終建構出統一的環境模型。這裡重點理解自車到相機剛體轉換(外參),相機到影像轉換(內參),影像到像素有單位轉換。 3d向2d轉換會有對應的畸變,平移等。重點:自車座標系相機機體座標系需要被重寫的是:平面座標系像素座標系難點:要考慮影像畸變,去畸變和加畸變都是在像平面上去補償二簡介視覺系統一共有四個座標系:像素平面座標系(u,v)、影像座標系(x,y)、相機座標系()與世界座標系()。每種座標系之間均有聯繫,

軌跡預測在自動駕駛中承擔著重要的角色,自動駕駛軌跡預測是指透過分析車輛行駛過程中的各種數據,預測車輛未來的行駛軌跡。作為自動駕駛的核心模組,軌跡預測的品質對於下游的規劃控制至關重要。軌跡預測任務技術堆疊豐富,需熟悉自動駕駛動/靜態感知、高精地圖、車道線、神經網路架構(CNN&GNN&Transformer)技能等,入門難度很高!許多粉絲期望能夠盡快上手軌跡預測,少踩坑,今天就為大家盤點下軌跡預測常見的一些問題和入門學習方法!入門相關知識1.預習的論文有沒有切入順序? A:先看survey,p

原文標題:SIMPL:ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving論文連結:https://arxiv.org/pdf/2402.02519.pdf程式碼連結:https://github.com/HKUST-Aerial-Robotics/SIMPLobotics單位論文想法:本文提出了一種用於自動駕駛車輛的簡單且有效率的運動預測基線(SIMPL)。與傳統的以代理為中心(agent-cent

最近一個月由於眾所周知的一些原因,非常密集地和業界的各種老師同學進行了交流。交流中必不可免的一個話題自然是端到端與火辣的特斯拉FSDV12。想藉此機會,整理當下這個時刻的一些想法和觀點,供大家參考和討論。如何定義端到端的自動駕駛系統,應該期望端到端解決什麼問題?依照最傳統的定義,端到端的系統指的是一套系統,輸入感測器的原始訊息,直接輸出任務關心的變數。例如,在影像辨識中,CNN相對於傳統的特徵提取器+分類器的方法就可以稱之為端到端。在自動駕駛任務中,輸入各種感測器的資料(相機/LiDAR

寫在前面&出發點端到端的範式使用統一的框架在自動駕駛系統中實現多任務。儘管這種範式具有簡單性和清晰性,但端到端的自動駕駛方法在子任務上的表現仍然遠遠落後於單任務方法。同時,先前端到端方法中廣泛使用的密集鳥瞰圖(BEV)特徵使得擴展到更多模態或任務變得困難。這裡提出了一種稀疏查找為中心的端到端自動駕駛範式(SparseAD),其中稀疏查找完全代表整個駕駛場景,包括空間、時間和任務,無需任何密集的BEV表示。具體來說,設計了一個統一的稀疏架構,用於包括檢測、追蹤和線上地圖繪製在內的任務感知。此外,重
