中央计算雷达深度解析：把毫米波“降维”成摄像头一样的传感器
本文转载自雪岭飞花
一、什么是中央计算雷达？
所谓**"中央计算雷达"**，是指毫米波雷达中仅实现RF射频前端和很少前处理的"精简雷达"。该雷达将原始数据，通过高速总线传输给域控制器，之后在域控中完成剩余的后处理。
"中央计算雷达"的MMIC和处理器分离，雷达本体内部只有很少的计算，主要的雷达处理算法在算力更强的域控中运行，因此"中央计算雷达"又被成为**"雷达头"（类似于"摄像头"），或者"卫星雷达"**。
资料来源：《What does sensor fusion mean for the future of radar?》（Gideon Kedem）
本文介绍一下"中央计算雷达"的系统方案、主要优势、开发挑战、部分案例和展望。
二、背景
整车EE架构正在从功能独立的分布式架构，转向功能集成的域控制架构，以及进一步演化为中央计算架构（融合域架构）。
图片来源：Continental
将越来越多的功能集成到更高算力的控制单元中，可以提高效率、提升灵活性和降低成本。
新势力、部分自主车企（长城、比亚迪、吉利等）已率先进入域集中架构阶段，合资、外资车企陆续跟进，当中部分领先企业已开始尝试探索跨域融合架构与中央计算架构。
随着整车EE架构的演进，自动驾驶中的感知传感器也在不断迭代。
例如，摄像头正在越来越多的从Smart Camera转为摄像头模组，即，从集成了感知、决策和控制功能的摄像头综合控制器，转变为仅输出Camera原始图像的摄像头模组。
目前，毫米波雷达也开始从传统的"Smart Sensor"，向"中央计算雷达"演进。
三、实现方案
按照算法部署的位置，毫米波雷达分为下面几种实现方案。
1. Smart Radar
毫米波雷达实现完整的感知、决策和控制功能，控制信号直接输出给执行器，中间没有域控制器参与。这种形式主要用于L0-L1级别自动驾驶功能。
例如，基于盲区雷达的BSD系统，或者单雷达方案的ACC系统：
2. 仅输出目标的雷达
雷达输出目标信号，规控算法在域控制器中实现。这种形式主要用于L2级别自动驾驶功能。
3. 仅输出点云的雷达
雷达仅输出点云数据，这种形式主要用于L2+以上级别自动驾驶功能。
4. "中央计算雷达"
"中央计算雷达"仅输出1D FFT之后的数据，或者ADC数据。
"中央计算雷达"完成基本的实部、虚部的处理、生成ADC数据（有些还包括1D FFT变换），域控制器执行剩余雷达算法，如多维FFT的转换、CFAR、DoA、聚类跟踪以及融合分类等。
如果传输1DFFT之后的数据，此时数量量相对较小，可以采用ETH进行传输：
如果传输原始ADC数据，由于数据量更大，一般需要SerDes接口：
例如，采用SerDes接口的多个"中央计算雷达"连接的示意图：
图片来源：Valens
四、主要优势
1. 性能更高
下面表格是我们经常看到的毫米波雷达主要参数的影响因素。
可以看到，基本性能参数主要取决于射频前端的设计参数，似乎和雷达处理算法运行在哪里关系不大。
其实，上面表格中所展示的雷达公式，是在毫米波雷达工作在"教科书"上的基础FMCW模式和DoA测角算法的前提下得到的。
实际上，真实量产的毫米波雷达为了提升性能，往往在发波方式、接收通道处理、测角算法上采用各种各样的软件优化方案，使得实际的雷达性能不会局限于表格中的公式。
例如采用跳频方案，可以得到同时优秀的测距范围和分辨率性能；采用超分辨算法，可以得到远高于常规DBF的角度分辨率，等等。
"中央计算雷达"的性能提升主要来自两方面：
1）更高质量的原始数据（雷达端）
"中央计算雷达"的硬件更为简洁，由于不需要考虑后端算法，因此可以为射频前端做更多针对性的优化，提升前端数据的质量，例如提升ADC采样率、信噪比和功率。
由于不需要多过存储中间数据，"雷达头"的ADC cube数据量可以设计得更大，给后续的信号处理算法提供更丰富的数据，提升整体性能。
图片来源：知乎，巫婆塔里的工程师
2）更高性能的算法应用（域控端）
域控算力比雷达大很多，可以使用性能更好、更复杂的算法，实现之前在雷达本体内无法实现的功能，同时运行时间更短，帧率更高。
例如：
使用超分辨算法，提升角分辨率
测角性能是毫米波雷达的关键性能，也是毫米波雷达开发的难点。在传统的毫米波雷达开发中，往往受限于处理器算力，导致很多优秀的测角算法很难实施。
域控制器可以部署性能更高的超分辨算法，从而显著提升角分辨率。角分辨率提升，也可以带来高质量点云数量的提升。常用的超分辨率算法包括DML、Capon、MUSIC、ESPRIT等，以及基于学习的DoA估计方法。
例如，如下是MUSIC/ESPRIT超分辨算法与常规DBF测角算法的性能对比示意，超分辨率算法可以实现高很多的角分辨率。
图片来源：CSDN
当需要做二维的角度估计时（例如4D雷达中，需要同时具备水平角和俯仰角分辨率），在域控中也可以更快的实现2D-DoA估计（例如3D FFT、4D FFT等）。
使用深度学习算法，提升点云质量
4D雷达点云稀疏、质量不高的一个主要原因是传统CFAR会造成大量的信息损失。
为了解决这个问题，越来越多的基于学习的方法被提出来取代CFAR，并直接与RD图或4D张量一起工作，以提高4D雷达点云的质量和下游自动驾驶任务（如感知和定位）的性能，这部分内容已经开展了很多工作：
图片来源：4D Millimeter-Wave Radar in Autonomous Driving: A Survey
另外，雷达的多径效应会严重影响点云的数据质量，基于学习的方法可以取得良好的优化效果。这类算法普适性强，不仅适用于多径产生的虚假点，也适用于其他原因产生的虚假点，这类算法对于算力和数据量要求较高，非常适合在域集中架构中进行应用部署。这些算法包括：随机森林、CNN、PointNet++等等。
2. 系统成本更低
1）雷达头的硬件成本更低
由于雷达头仅传输原始数据，处理器和外围器件可以被剪裁，因此成本可以降低。例如，目前使用AWR2544的"雷达头"和使用AWR2944的常规雷达的硬件对比：
2）节省布线成本
雷达头可以直接通过SerDes线缆和以太网线缆供电（PoDL），PoDL技术采用单根电缆或线路传输电源和数据，简化了雷达传感器的布线，减少电缆和连接器成本。
3. 融合性能更好
可以采用类似视觉的"BEV"感知架构，将多个雷达原始信号统一处理，消除目标在不同雷达FOV边缘时的跟踪中断，降低误报和漏报。
同时，能够更方便的将雷达原始信号和视觉图像、激光雷达点云进行前融合，提升整体感知性能。
在端到端算法架构下，通过使用更原始信号的毫米波雷达信号（更少的信息损失），可能会带来更好的综合感知性能。
4. 可维护性和可扩展性更高
毫米波雷达的主要处理软件部署在域控中，使得雷达算法的更新可以通过OTA更容易的实现，提高了可维护性和功能可扩展性。
同时，在保证相同性能的情况下，由于域控端算法能力的提升，可以减小对于射频前端的需求，例如可以减少天线阵列的面积，从而减小雷达头体积，降低功耗，进而使得布置更为友好。
5. 系统调试更容易
在毫米波雷达的算法开发过程中，往往使用SIL进行前期开发，以提高开发效率。因此需要采集毫米波雷达的ADC数据，此时会使用专用的数据采集设备采集ADC数据，例如TI的DCA1000。
有些雷达厂家，会开发特殊的标定雷达（内部增加高速数据采集卡）用于采集原始数据。
然而，这类设备非常昂贵，并且布置不便。
并且，在量产件中，这些额外的采集设备将会被移除。因此，一旦量产车上发生异常现象，需要复现解决时，将很难拿到原始数据，使得排查问题变得困难。
对于"中央计算雷达"，这个痛点将会被彻底解决，域控制器会直接接收毫米波雷达原始数据，开发团队获取这些数据将非常容易，例如自动传到云端或者备份在本地存储器中，从而大大提升毫米波雷达的开发和故障排查效率。
五、主要挑战
"中央计算雷达"的主要挑战如下：
由于需要在域控中部署毫米波雷达处理算法，雷达和域控制器需要联合开发和调试，使得开发模式变得复杂。
雷达的前端算法和后端处理（尤其是ADC数据和信号处理算法之间）紧密耦合，往往需要同一家供应商提供，因此在更换雷达头供应商时，还需要同步更换域控内对应处理算法。这种更紧密的耦合状态，往往并不是主机厂通常期望的。
目前毫米波雷达应用还是以目标/点云数据为主，对于直接应用ADC数据、RD图和4D张量的算法研究还较少，开发存在难度。同时包含4D毫米波雷达的数据集相对较少，也限制了基于数据驱动的深度学习算法的开发。
图片来源：4D Millimeter-Wave Radar in Autonomous Driving: A Survey
六、展望
1. 市场前景
根据Yole的报告，"域集中雷达"在2022年开始应用，在2024年会有约4000万美元的市场容量。
不过，笔者认为Yole对于"中央计算雷达"的增长趋势可能偏保守。
例如大陆的6代中央计算雷达方案，已经有数个车型项目在2026年左右量产，一旦有头部玩家的量产车辆成功应用，该模式将会被迅速普及。
2. "雷达头"的标准化
射频前端技术会逐渐走向成熟，从而触发"中央计算雷达"的通信接口的标准化，雷达将演变为一个感知传感器标准件（类似于"摄像头"，传感器不再和域控软件耦合）。
届时，"中央计算雷达"在车辆上将会实现更灵活的适配和更换。（主机厂更希望的模式）
3. 兼容Smart Sensor
为了保持一定的冗余度，有些雷达（尤其是前向主雷达）有可能会同时保持Smart Sensor的状态：
4. 雷达处理器
对于"中央计算雷达"的处理器，目前应用较多的是TI的AWR2544，相信NXP、英飞凌、ST、加特兰等公司也正在推出类似产品。
八、SuperRadar 开源社区视角
关于 SuperRadar 开源社区
SuperRadar 是一个专注于毫米波雷达算法与系统开发的开源社区。我们致力于推动雷达感知技术的开放共享，为自动驾驶、智能交通、机器人等领域提供高质量的雷达算法实现和开发工具。
- 官网：community.chengtech.com
- GitHub：github.com/Super-Radar
- 小助手：superradar01
欢迎访问社区并参与贡献！
九、结语
整车域集中架构下，算力上移是大势所趋。对于控制单元是这样，对于传感单元也是一样。
"摄像头"已经普及，"雷达头"正在开发，所以，"激光雷达头"会安排吗？
本文内容基于公开资料整理，仅供技术交流参考。