雷達在新車設計中無處不在：在汽車周圍進行感應，以檢測危險，并為制動、轉向和停車以及駕駛員和占用監控系統的駕駛室做出決策。在所有天氣條件下都有效，現在高清雷達可以前端基于AI的物體檢測，補充其他傳感器通道，以進一步提高準確性和安全性。

對于高價值嵌入式雷達系統的制造商來說，有很大的潛力。然而，競爭性地利用這種潛力可能具有挑戰性。在這里，我們將探討其中的一些挑戰。

全系統挑戰

汽車原始設備制造商不僅僅是為新車添加更多的電子功能；他們正在為其產品線推動統一的系統架構，以管理成本，簡化軟件開發和維護，并增強安全性。
因此，更多的計算和智能正在進入整合的區域控制器，一方面在汽車的小區域內相對較小的傳感器單元和處理器之間進行通信，另一方面，區域控制器和中央控制器之間進行通信，管理整體決策。

針對汽車雷達系統市場的供應商必須根據這些變化跟蹤其解決方案架構，在邊緣功能的相對簡單處理和區域或中央控制器的更廣泛功能之間提供可擴展性，同時靈活地適應不同的OEM分區選擇。

一個重要的含義是，無論解決方案如何分區，它必須允許在邊緣，區域和中央計算之間交換大量數據。這提高了傳輸期間數據壓縮對管理延遲和功率的重要性。

除了性能、功率和成本限制外，汽車系統還必須考慮壽命和可靠性。汽車的整個使用壽命可能是10年、20年或更長時間，在此期間可能需要軟件和人工智能模型升級，以解決檢測到的問題或滿足不斷變化的監管要求。

這些限制要求雷達系統設計在硬件的性能/低功耗和軟件適應變化的靈活性之間保持謹慎的平衡。這并不是什么新鮮事，但與視覺管道相比，雷達管道提出了一些獨特的要求。

渠道挑戰

完整的雷達系統流程如下圖所示，從發射和接收天線一直到目標跟蹤和分類。雷達配置可以從低端探測的4×4（Tx/Rx）到高清雷達的48×64。在雷達前端之后的系統流水線中，FFT用于計算第一距離信息，然后是多普勒信息。接下來是數字波束形成階段，用于管理來自多個雷達天線的數字流。

一個完整的雷達系統管道從發射/接收天線一直延伸到目標跟蹤和分類。來源：Ceva

到目前為止，數據在某種程度上仍然是一個“原始信號”。恒虛警（CFAR）階段是從噪聲中分離真實的目標的第一步。到達角（AoA）計算完成了目標在3D空間中的定位，多普勒速度計算增加了第四維。流水線通過使用例如擴展卡爾曼濾波器（EKF）的目標跟蹤和通常使用OEM定義的AI模型的對象分類來完成。

好吧，這是很多步驟，但是什么讓這些復雜呢？首先，雷達系統必須在前端支持顯著的并行性，以處理大型天線陣列，同時通過管道推送多個圖像流，同時提供每秒25到50幀的吞吐量。

數據量不僅僅取決于天線的數量。這些輸入多個FFT，每個FFT都可以非常大，高達1K bin。這些轉換最終將數據流傳輸到點云，點云本身可以輕松運行到半兆字節。

聰明的內存管理對于最大化吞吐量至關重要。以距離和多普勒FFT階段為例。從FFT范圍寫入存儲器的數據是一維的，按行寫入。多普勒FFT需要逐列訪問此數據;如果沒有特殊支持，列訪問所隱含的地址跳轉需要每列多次突發讀取，從而顯著降低可行的幀速率。

CFAR是另一個挑戰。CFAR有多種算法，有些算法比其他算法更容易實現。目前最先進的選擇是OS-CFAR-或有序統計CFAR-當有多個目標時特別強大（常見于汽車雷達應用）。不幸的是，OS-CFAR也是最難實現的算法，除了線性分析之外還需要統計分析。然而，今天真正有競爭力的雷達系統應該使用OS-CFAR。

在跟蹤階段，位置和速度都很重要。每個都是三維的（X，Y，Z表示位置，Vx，Vy，Vz表示速度）。一些EKF算法降低了維度，通常是海拔，以簡化問題;這被稱為4D EKF。相比之下，高質量算法將使用所有6個維度（6D EKF）。任何EKF算法的一個主要考慮因素是它可以跟蹤多少目標。

雖然飛機可能只需要跟蹤幾個目標，但高端汽車雷達現在能夠跟蹤數千個目標。在考慮高端和（有些縮小的）中程雷達系統的架構時，這是值得記住的。

分類階段的任何挑戰都是以AI模型為中心的，因此不在本雷達系統討論的范圍內。這些AI模型通常在專用的NPU上運行。

執行方面的挑戰

一個明顯的問題是，什么樣的平臺最適合所有這些雷達系統的需求？它必須在信號處理方面非常強大，并且必須在低功耗下滿足吞吐量目標（25-50 fps），同時還可以通過軟件編程實現長壽命的適應性。這是一個DSP。

然而，它還必須處理許多并發的輸入流，這需要高度的并行性。一些DSP架構支持并行內核，但對于許多信號處理功能（例如FFT）來說，所需的內核數量可能會過多，其中硬件加速器可能更合適。

與此同時，該解決方案必須在區域汽車架構中具有可擴展性：邊緣應用的低端系統，為區域或中央應用中的高端系統提供支持。它應該為每個應用程序和通用軟件堆棧提供通用的產品架構，同時可以簡單地擴展以適應從邊緣到中央控制器的每個級別。

審核編輯 黃宇