4D成像雷达“升级战”，博世入局

尽管特斯拉在高阶智能驾驶功能上仍然坚持纯视觉路线，但大部分同行都在走更为稳健的策略：多传感器融合路线。这其中，毫米波雷达的升级，势在必行。

4D毫米波成像雷达解决了目前市场主流传感器的瓶颈，从光线的复杂变化、恶劣天气的影响以及物体移动速度的直接获取等等问题，同时彻底改变了传统毫米波雷达无法给出障碍物高度信息以及物体分类等问题。

到目前为止，包括大陆集团、采埃孚、安波福等传统雷达供应商，以及傲酷、Arbe、蛮酷科技等初创公司都已经推出甚至拿到4D雷达前装量产订单。

大部分的技术原理，都是通过增加信号通道阵列（芯片极联或者定制芯片组）或者软件算法的方式，来检测物体的相对速度、距离和方位角，以及物体的高度。

最近加入这场新赛道争夺战的，是传统雷达供应商龙头企业博世。

昨天，博世在中国市场首次对外亮相第五代雷达至尊版，即4D成像雷达。采用76-77GHz频段，最远探测距离高达302米，水平视场角可达120度，垂直视场角可达24度。

至此，市场主流一线毫米波雷达供应商已经完成各自4D成像雷达的亮相。除了替代传统的雷达市场，用于复杂的部分以及高度自动驾驶场景（如交通拥堵等）下提升系统的舒适性与安全性成为主要目标。

一、

以森思泰克、为升科、楚航、木牛为代表的新晋供应商正在乘用车角雷达市场争夺份额，并逐步在前向雷达市场小规模量产突围。

这些公司瞄准的目标就是，打破国际大厂在该领域的技术壁垒和行业垄断，实现智能驾驶核心智能硬件——毫米波雷达传感器国产化突破。

不过，看到未来市场潜力的传统雷达供应商巨头，并没有固守市场。从去年开始，包括大陆集团、博世、安波福、采埃孚等巨头都在加紧新一代雷达产品的上市。

4D成像的技术迭代，对于整个产业链来说，需要打破常规。

今年3月，博世宣布与芯片晶圆代工厂GlobalFoundries（格芯）合作开发用于自动驾驶功能的雷达芯片的协议，其位于德国工厂将开始投产高频雷达芯片。在此之前，博世和其他同行一样，都是采用第三方的芯片方案。

“未来几年，汽车行业对半导体的需求不断增加。”博世表示，该中心的第一阶段开发计划将包括用于高级驾驶员辅助系统的77GHz雷达芯片，以及用于自动驾驶的雷达技术。

按照计划，博世首款基于新方案的雷达SoC将于今年下半年交付，用于新一代汽车雷达的进一步测试验证。“技术的升级，意味着传统雷达制造商希望从芯片设计开始自主掌控个性化方案开发。”

同时，借助格芯的晶圆级定制化解决方案，博世将正式进入下一代高精度雷达技术的竞争赛道，并且极大改善现有传统雷达无法识别静态物体的缺陷。从目前信息来看，博世此时推出第五代雷达至尊版或许更多是为了满足眼下客户的需求。

“实现4D点云输出，在现有的芯片方案及架构下，并不难实现，”业内人士坦言，当下市场更多是因为客户的需求在推动。而真正意义上的下一代雷达，改变的不仅仅是输出数据。

以大陆集团为例，第六代毫米波雷达将采用共享软件和硬件平台的策略，降低了整体开发和生产的复杂度，从而继续降低成本，并且帮助客户减少测试和应用开发工程量。

此外，第六代的性能将继续大幅提升（同时体积减小40%），并作为一个可扩展的解决方案，覆盖从入门级和新车评级要求，到自动变道等更高级别自动驾驶功能的实现。同时，新的智能算法，可以过滤掉来自其他雷达的干扰信号。

按照计划，大陆集团将在今年量产首款4D成像雷达（ARS540）的基础上，加快第六代远程雷达的量产，预计2023年开始交付。

另一种革新，就是类似博世的定制芯片模式。

计划于本月通过SPAC方式完成合并上市的Arbe公司，4D雷达方案就是基于专用定制芯片实现多通道虚拟阵列，同时可优化成本和功耗。增强型的FMCW技术能够从多天线传递并接收信号。

此外，根据客户的不同需求，这款雷达方案实现完全可定制，采用模块化设计，适合从L2到L5、远程前向到中距离盲区等各种应用，允许主机厂自由设置分辨率、范围、视野和功能，从而适配不同的功能设计和成本要求。

在关键的芯片组方面，Arbe选择了格芯（晶圆代工厂）的22FDX工艺，后者同样被博世选中合作开发用于自动驾驶功能的下一代高频、高精度雷达芯片。

此外，同样采用自主设计芯片方案的，还有Mobileye，这家视觉ADAS龙头也正在母公司英特尔的帮助下开发多虚拟通道4D成像雷达，计划于2025年量产。

二、

无论是传统巨头还是新晋供应商，对于毫米波雷达市场的增量需求，不仅仅是看中数量的增加，还有能力的大幅提升。

“雷达提供的数据，比视觉系统提供的要复杂得多；不过，前者除了提供目标的位置之外，还提供距离和速度等信息，这是相当有价值的。”安波福相关负责人表示，同时，由于域控制器架构带来的高算力，意味着机器学习边缘加速成为可能。

比如，高通公司本身不生产毫米波雷达，但通过在雷达上进行深度学习，来扩大雷达的性能。例如，通过使用高通内部开发的“雷达深度神经网络”，通过使用增强的雷达获得更高的分辨率和3D扫描。

更关键的是，相比于视觉处理，雷达数据处理的能耗更低。一组数据显示，一个处理6个近距离雷达数据的系统功耗约1W，而一个处理6个摄像头数据的系统则需要10W到15W。

在实际的道路场景应用上，此前安波福公司也给出了结合机器学习能力的一系列数据。比如，针对道路上的小物体或碎片，机器学习可以将探测距离再提高50%以上，并能跟踪200米范围内的小物体。

同时，对于前方小物体是否可以安全行驶通过，机器学习系统也可以用安全的和不安全的物体进行训练。此外，与经典的雷达信号处理相比，机器学习减少了70%的漏检，通过与其他传感的融合可以进一步改善检测。

作为大陆集团首款4D成像雷达的芯片方案商之一，赛灵思认为，在点云密度增加的情况下，4D成像雷达需要增加检测的成功概率，减少回声的噪音，并实现远处信号反射较弱物体的检测，还需要解决多信号的干扰问题。

这意味着，4D雷达需要大规模的并行处理。在这一点上，FPGA方案可以在提供大规模数据并行处理的同时，提供独立接收通道（不限通道数量及接口种类）进行优化处理，可以有效优化复杂的前后处理，并且有效区分有用点云和无用点。

由于4D成像雷达可以产生类似激光雷达点云数据，意味着接下来，机器学习可以被用来训练雷达感知系统识别物体，尤其是帮助解决传统雷达无法克服的边缘检测难题。

随着数据点数量的增加和更好的分布，该系统甚至能够通过测量点的移动速度来定义单个肢体的运动，这意味着传感器可以看到行人的移动方向。

这个趋势，也已经被越来越多的企业所验证。比如，NXP已经推出一款车规级的AI工具包，除了应用于传统的视觉领域，4D成像雷达也将使用神经网络根据其点云图像对道路使用者及障碍物进行分类。

比如，Arbe公司从一开始就思考如何将信号处理和人工智能置于现成的射频芯片组和数字信号处理器DSP之上，实现实时聚类、跟踪、自定位、假目标滤波、基于雷达和基于雷达+摄像头的目标分类。

这套人工智能算法可以识别被检测到的对象是否是人，而不是树，并且计算出它将在一秒内的位置，还与摄像头和套件中的其他传感器融合，以对多个传感器中的探测对象进行分类和匹配。

此外，NXP推出的S32R45 4D成像雷达SoC解决方案，就可以支持提供4D成像的特征检测和分类（（识别不同类型的对象，如人、车和动物）支持。“有了成像雷达，就有了基于机器学习来理解场景的能力。”