长沙莫之比陈浩文：未来必然走向大带宽更高频率的60G、79GHz雷达「行家头条」

简介

长沙莫之比智能科技有限公司董事长陈浩文在《2019汽车雷达暨传感器融合前瞻技术展示交流会（苏州站）》上针对主题方向为让天下没有用不起的毫米波雷达做相关主题演讲，其从莫之比以60G、79GHz为产品定位的角度出发，系统介绍了车载毫米波雷达若干关键问题及技术解决方案、3D目标检测、参数估计与目标识别、资源有限情况下同距同速目标分辨以及车载毫米波雷达的干扰与对抗等方向。

▲未来必然走向大带宽更高频率的60G、79GHz雷达

陈总认为传统24G市场竞争比较激烈，而60G、79GHz频段雷达在技术层面由于小型化、轻量化、高分辨、高集成度（SOC）、低成本等优势必然成为未来优先考虑的产品，而在市场方面国际大厂处于同一起跑线，在国内则有先发优势 。

中距离大带宽雷达77-81GHz频段4G带宽行人检测

▲行人探测的特点

其介绍到目前行人探测的特点包括RCS小，运动速度慢，属于典型的慢速小目标，地物杂波影响不可忽略；运动方向存在直行、横穿等形式；行人的人体运动特征明显，与车辆、固定目标、杂波等有区别；人体重要性凸显，检测的准确性和时效性要求高；对于行人、车辆等目标类型的识别要求较高，以提供准确的属性信息。

而大带宽的优势在于：

◎距离分辨力高，在距离-多普勒网格对目标的分辨更为精细，不同目标处于同一个分辨单元的几率越小；

◎分辨力越高，目标占据多个距离单元的可能性能越大，成为扩展目标；

◎分辨力越高，对杂波单元划分越细，有可能提高信杂比；

◎距离分辨力越高，目标在径向距离的特征越丰富，越有利于基于这些特征进行目标识别。

所以行人的运动特征和特点比较明显，大带宽有利于行人目标的检测与识别。

▲典型场景下行人回波与杂波的关系

其根据车辆车道行驶规则以及行人运动特点，车载雷达与行人的典型关系分为3种情况：同向、逆向、横穿。

逆向：行人的多普勒频率大于旁瓣杂波的最大频移，目标出现在无杂波区；

同向：车辆速度远大于行人速度，行人目标回波落入主瓣杂波区或者落入主杂波与高度线杂波之间，与行人速度和俯仰角有关；

横穿：行人速度方向与车载雷达照射方向完全一致，则行人回波正好落入主瓣杂波区；不完全垂直时有可能落入主瓣杂波区，与方向夹角有关。行人回波与杂波在距离-多普勒上的相互关系与行人速度、行进方向、车辆与行人距离、俯仰角等密切相关，可能出现或交替出现在无杂波区与主杂波区。

▲行人检测处理方式

所以针对行人检测处理方式分为两类：

A-行人回波不在主瓣杂波区：包括行人目标的回波没有落入主瓣杂波区时，杂波没有形成对目标的遮蔽，此时行人检测的关键在于准确估计背景，控制虚警，提高目标的正确检测概率。

B-行人回波处于主瓣杂波：包括主瓣杂波对行人目标回波的遮蔽，导致信杂比低，此时行人目标检测的重点是保证目标的检测概率，确保不漏检，不丢失目标。处理方法：通过降低检测门限，可以确保行人的目标信息不丢失，但同时会带来虚警概率的增加，使得过门限的点增多。此时的主要任务即是通过信号处理手段剔除掉杂波产生的虚警，实现对行人目标的稳定检测。

▲车载雷达对行人的目标识别

车载雷达通过各种信号处理方法从地物杂波中正确检测出行人目标后，还需要对检测到的目标类型以及属性进行判决，即进行目标的识别，对视场内可能出现的行人、车辆、动物、固定小目标等进行分类，从而给驾驶员提供准确的目标类型信息以辅助决策，确保驾驶安全。

基于行人的特点以及与其他类型目标的区别，除了常规的利用行人的距离、速度特征与特点进行粗判决分类以外，还有两类典型的特征可以用于目标识别。

1)  基于微动特征的行人识别

 2)  基于一维距离像特征的行人识别

传统车载雷达对目标环境的探测主要在二维空间上，即距离和方位两维，而实际目标环境是三维的（距离、方位、俯仰），属于欠维问题。3D探测的含义即是在现有处理的基础上，通过阵列阵型设计以及相应出信号处理，使得车载雷达具备在俯仰维上测角的能力，实现对目标环境的距离、方位、俯仰三维描述。

▲3D目标检测、参数估计与目标识别

3D探测的典型应用场景：高架桥、限高路障、限高涵洞及隧道口探测；行驶指示牌探测；高空坠落物探测预警；结合俯仰测角对小、中、大型车辆进行类型识别。3D探测的基本阵型要求是在方位测量以及分辨的基础上，俯仰维主要考虑车载雷达能够测量目标的俯仰角，而不需要考虑在俯仰维进行目标分辨。

3D探测的检测、估计、识别特点

从雷达探测处理流程来看，车载雷达3D探测相比于现有的2D探测，在信号处理方面主要增加了俯仰维的角度测量。目标检测方面仍然是在距离-多普勒平面进行二维恒虚警检测处理；

参数估计方面主要是对目标距离、速度、方位角、俯仰角进行测量，测量方法为比相；目标识别方面增加了目标的俯仰维角度信息，可以大致等效估计目标的高度，从而比二维探测增加了一维尺度信息，更有利于对目标类型的判定和识别。

在介绍到资源有限情况下同距同速目标分辨时候其介绍到同距同速是两个目标处于相邻车道，二者与车载雷达的径向距离差小于距离分辨力，二者现对于车载雷达的多普勒差小于速度分辨力，使得雷达无法在距离-多普勒平面对二者进行分辨。

▲两个目标处于相邻车道同距同速

解决的方案就是：

从阵列角度的解法

本质就是提高阵列的角分辨性能，使得两个目标在距离和速度都不可分的情况下，单纯依靠阵列的角分辨能力来实现目标分辨。需求：100米，2° --à3dB波束宽度20°，虚拟阵元数大于10.

从超分辨角度的解法

本质就是在不改变现有阵列阵型条件下，依靠超分辨DOA估计算法分别获得两个目标对应的DOA值，从而实现二者的角度估计。然而常规的超分辨方法计算复杂度高，需要进行矩阵的特征值或奇异值分解或者谱峰搜素，运算代价过高，系统无法实现。重点在于：等效替代快速运算。

▲车载前视MIMO二维/三维成像

如果通过在车辆前/后保险杆位置上安装布置多个雷达收发组件，构建一维线阵或二维阵列，基于MIMO信号处理实现瞬时二维/三维前视区域成像（又称MIMO-SAR），实现对车辆正前方/正后方视场环境内目标的二维/三维绘图，相比于常规前视/后视非成像雷达处理，可以实现更精细的场景描述，更准确的目标检测与类型判决，给车辆驾驶员以及智能驾驶系统提供更加立体、丰富、全面的信息，以辅助安全驾驶。

问题在于存在的干扰形式：两/多车相向行驶时，其他车载同频雷达的发射信号进入本车雷达接收机，造成干扰；两/多车同向行驶时，其他车载同频雷达发射信号照射到其他目标后的反射回波进入本车雷达接收机，造成干扰；其它同频段的非车载雷达信号进入接收机，造成干扰；如何解决现有抗雷达同频干扰问题，陈总提出几个建议：

▲现有抗雷达同频干扰的方法

莫之比雷达秉承为行业服务的决心，打造产业化，流程的标准化、生产的自动化、可复制的流程化体系，在解决用得好的问题上通过专业团队的技术整合，加快技术的迭代以解决行业痛点，其本季度目标计划将建成年产30万颗自动化产线。