毫米波雷达芯片的演进和创新

1、概述
复杂环境下的目标检测跟踪研究，车载毫米波雷达面临的场景复杂，除主要关注的目标比如行人/车辆反射的回波外，还存在着地面杂波、雨雪天气杂波、多径信道反射杂波等，再加上车辆增多可能带来的干扰问题，导致毫米波雷达工作环境复杂。希望探索在杂波、干扰等复杂环境下，如何实现多目标的有效检测及跟踪。想想看，华为的车载雷达研发都会有这些难题，其他公司也必定相同，困难都一样，只是大家能够遇到的多少不同罢了。

这些工程上的难题，也是企业性的、世界性的难题，这种就是非常适合做学术研究。难度肯定有，但是意义却非常大，而很多人可能看不到或者看不清这些问题背后的价值所在。

2、超短距雷达的需求与挑战

众所周知，自动驾驶(AV)以及ADAS会涉及到感知、控制决策和执行等几个部分的技术，其中感知层主要是依赖毫米波雷达(mmWave Radar)、摄像头（Camera）、激光雷达(Lidar)和超声波(Ultrasonic Wave)等各类传感器来实现。

现代汽车毫米波雷达主要分为前向远距雷达和角雷达，可以实现ACC、AEB或者BSD、LCA等功能，应用于高速公路和城区道路上，目前研究最火热的是4D成像毫米波雷达。加特兰微电子在2019年推出的Alps SoC单芯片已经可以很好地支持前向远距雷达和角雷达的开发和实现。但在道路交通中汽车会经常遇到以下情况：

（1）高峰时段车辆密集造成拥堵。

（2）道路上方有高架桥等遮挡物，会增加目标信息获取的难度。

这些场景的共同特点是路况复杂、车辆低速行驶，因此需要对车身周边360°范围内的环境实现高精度的感知以及理解。

不过，目前的传感器对近距离感知的覆盖尚有欠缺，如超声波雷达的检测距离、检测精度以及灵敏度都有限，而传统毫米波雷达体积较大，安装在车辆侧边存在挑战。

因此针对上述工程问题，最需要解决的一点就是如何提升传感器的检测能力和覆盖范围，即需要对车身周边30米的范围进行360°的覆盖，在这个大前提下不断改进算法以至于实现开门预警、车辆定位、车位寻找、自动泊车等功能。

结合这些应用场景和功能需求，超短距雷达需要满足的技术特点总结下来包括：

（1）雷达尺寸较小，方便安装；

（2）大FOV，实现尽可能宽的视野范围；

（3）高度检测能力要好；

（4）具备点云成像功能，主要提升距离、速度和角度分辨率；

（5）单颗雷达成本低，一辆汽车上需要装多颗这样的超短距雷达实现检测范围无缝覆盖。

想要实现这样的超短距雷达需要合适的芯片方案的支持，国内外芯片如德州仪器(TI)、恩智浦(NXP)、英飞凌(Infineon)、加特兰(Calterah)均具备自己的解决方案。

3、加特兰AiP解决方案

加特兰微电子的AiP（Antenna-in-Package）芯片，可以很好地解决上述这些问题。

来自Alps SoC平台的AiP集成了射频前端、雷达信号处理基带和微处理器以及高频天线，外部只需要少部分的器件即可以完成雷达模组的搭建（包括电源芯片，Flash，和CAN收发器）。基于AiP芯片开发的超短距雷达的明显的优势是高性能、小型化易安装和成本低等。

然而，实现上述指标的超短距雷达研发会存在诸多困难，如路面杂波（也就是地杂波）、天线耦合以及频率干扰等。加特兰微电子在芯片开发、生产和底层软件上做了很多工作来帮助下游厂商一起克服这些挑战。

3.1 地杂波

一般而言，超短距雷达要求俯仰向的视角很大，这样对于近距物体的高度信息等的探测会更丰富，但也意味着同时探测到的地杂波就会更严重。

加特兰解决地杂波干扰的方案是通过多帧数据的积累，然后与经过大量实测的先验信息所拟合的特征曲线进行比对，若超出这条特征曲线，则被认为是真实的被测目标，低于这条曲线的目标就会被抑制掉。

目标的距离、幅度，甚至速度、俯仰信息等都对拟合这样的特征曲线有帮助。同时，通过实测得出了一些结论，例如，路面材质，像水泥、沥青、泥土路等都有各自的特征。另外通过支持自适应的特征曲线，加入速度、俯仰信息等更多的特征变量，结合在线训练，在车辆进入不同的路面状况时，特征曲线可以动态调整，对于杂波抑制会有更好的效果。

3.2 天线耦合

由于雷达芯片物理空间的限制，集成天线耦合产生的角度失真是非线性的，非线性的失真导致角度解算变差，测角的精确度就会降低，故而需要天线校准。

传统的校准方法只是使用线性的转换补偿，对于非线性的失真效果很不理想。对于这个挑战，加特兰开创性地采用一种全新的神经网络算法（RBF-NN）实现天线校准。对于这样一个神经网络架构，在输入层是天线的测量角度θ，经过中间的隐含层，传递函数φ，最后加总得到一个角度的校准角度值作为输出。

在上图中，左边角度测量的原始数据存在非线性的失真；中间的是采用传统的校准方法，校准后的角度误差在5度左右；右边采用RBF-NN的神经网络校准算法后，角度误差在1度以内，效果非常明显。

3.3 频率干扰

通常超短距雷达方位向视场角很大，在车流密集的场景下，接收到干扰的概率会更大，抗干扰算法的需求就更强烈。

加特兰微电子的AiP芯片通过系统性的策略来对抗干扰：包含3种模式规避干扰，1种机制消除干扰。

首先结合AiP芯片灵活的FMCW波形生成器，通过随机改变一帧数据中的chirp配置参数来规避可能存在的干扰，这也是防范同步干扰的有效方式。

扰相（Phase Scrambling,PS），改变波形的相位；

移Chirp（Chirp Shifting,CS），改变上升沿的触发点；

跳频（FrequencyHopping,FH），保持扫频带宽不变，改变开始和截止频率。

当工作在同样频带而调制斜率不同时，发射信号与其他雷达的回波信号重叠，就会产生干扰，这种干扰可能会带来额外的一个频率分量，或者是产生更大的一个幅度，会在时域上产生明显的底噪抬升现象。

通常可以把这样的干扰粗略地划分为：头部的高频区，中间的低频区和尾部的高频区。

加特兰的抗干扰策略分为两个步骤：第一步是定位干扰，通过信号的绝对幅度值和相邻两点的幅度差来判断。第二步是滤除干扰，采用两种策略：

（1）直接滤除；

（2）使用一个预先估计的幅度来代替干扰的幅度。

在上图中，左边是干扰在时域谱上的原始状态，可以清晰地观察到存在两个干扰源，导致底噪明显抬升；中间是使用估计幅度滤除干扰的效果；右边是直接滤除干扰后的效果。

3.4 环车360度全场景芯片方案

加特兰微电子通过AiP芯片把超近距这类场景补足，建立了覆盖环车360度的全场景芯片方案，即通过单片Alps SoC或者2片Alps SoC的级联，可以满足前向雷达的需求；单片Alps SoC（2发4收或者4发4收）可以满足前角/后角雷达的需求；通过Alps AiP可以实现环车的超短距雷达的需求。

通过一个芯片平台实现环车雷达芯片的完整方案，既降低了开发难度，又节省了开发时间、开发成本，同时也有利于传感器硬件的标准化。全场景方案对于车辆周边环境的感知会很丰富，有层次，对于上层的信息融合等会更有灵活性。