提升分辨率只是第一步！4D成像雷达+深度学习的“化学反应”
从1999年梅赛德斯·奔驰率先上车基于毫米波雷达的自适应巡航控制系统，过去的二十多年时间，毫米波雷达一直是ADAS感知的重要组成部分。但基于机器学习的摄像头感知技术的前装上车，雷达的性能缺陷成为焦点。
特斯拉弃用传统毫米波雷达，正是因为在融合感知组合中，无法与高分辨率的摄像头采集数据进行更高效的“对等融合”，从而造成决策置信度的下降。
随着4D毫米波雷达的亮相，机器学习不再是摄像头视觉感知的“专利”。角分辨率的提升，意味着物体检测尤其是分类不再是雷达的弱项。
“机器学习有潜力帮助工程师以雷达为中心，教会感知系统如何有效分辨物体。而雷达的成本比激光雷达要低，功耗也相对较低。”作为传统毫米波雷达的主要供应商，安波福公司也在推动4D成像雷达技术的应用落地。
安波福最新推出的FLR4系列前向雷达，其中，FLR4比现有型号增加了两倍的距离分辨率和三倍的垂直视场。角雷达方面，SRR6则是与前一代相比，探测距离提高了40%，距离分辨率提高了两倍，垂直视场提高了三倍。
FLR4+，则是该公司的首款4D成像雷达，探测距离同样超过300米，并且通过机器学习支持真正的高程目标识别，并且还着重强调了具有吸引力的价格/性能比。
在角雷达应用上，安波福也推出了SRR6+和SRR6 HD两个型号，前者的探测距离比前一代角雷达增加了一倍，并增加了更高分辨率的角度识别。后者则为代客泊车和低速自动驾驶提供最大的分辨率输出。
“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，意味着机器学习加速成为可能。
一、
2021年被视为4D成像毫米波雷达量产元年的开启。
大陆集团、采埃孚、Unhder、傲酷、森思泰克等多家雷达厂商已经披露量产定点；为升科则是与恩智浦携手首发量产后者最新一代4D雷达方案，这款名为S32R45的专用16nm成像雷达处理器已经投入量产，并将于今年上半年首次用于客户量产。
作为4D成像专有雷达硬件加速器，S32R45实现64倍标准处理器的计算性能，应用超分辨率雷达软件算法实现小于1度的角度分辨率，同时应用高级MIMO波形设计支持多个天线通道同时工作，从而实现雷达传感器性能的提升。
同时，4D成像雷达率先提供了短距、中距、长距三合一的并发多模雷达感测，可实现对汽车周围宽广视场的同时感知。为了达到这个目标，恩智浦利用创新架构，通过配置低复杂度传感器，实现192个虚拟天线通道，来提高原始传感器硬件的性能。
而为了满足不同客户的性价比需求，S32R45雷达处理器是作为第6代汽车雷达芯片组系列中的旗舰产品，主力市场是面向更高级别自动驾驶。恩智浦同时推出了更高性价比的处理器S32R41，专为L2+自动辅助驾驶应用量身定制。
为了能够满足下游客户的快速升级适配，S32R平台提供了通用架构，以实现软件复用和快速开发，同时还提供高性能的硬件安全引擎，支持OTA更新，符合新的网络安全标准。
作为传统毫米波雷达巨头之一，博世去年也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。
此外，博世还在去年宣布与芯片晶圆代工厂GlobalFoundries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。
按照计划，博世首款基于新方案的雷达SoC在去年下半年交付，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。
而在下一代毫米波雷达产品研发上，此前以摄像头视觉技术见长的Mobileye也宣布将自主研发基于自主芯片+软件定义的毫米波雷达，这款具有2304个虚拟通道的4D成像雷达计划于2025年量产，搭载专用的SoC和处理算法。
另一家采用专用芯片组的4D成像雷达初创公司是Arbe，成像技术采用专有的芯片组技术（同样来自格芯的晶圆代工及方案）为数千个通道的虚拟阵列提供高性能，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。
同时，通过将信息从时间域转换为频率域(FFT)，4D雷达能输出高像素密度以较高的方位角和高度分辨率提供4D图形，同时感应较大范围、较宽视角内的环境。
此外，Arbe的这款4D雷达能够降低近零旁瓣发生水平，解决距离多普勒模糊识别，并避免与其他雷达发生干扰，而类似的信号干扰问题已经成为业内关注的焦点，尤其是道路上行驶的新车越来越多的搭载不同数量的毫米波雷达。
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。
二、
在高工智能汽车研究院看来，随着类似NXP、TI这样的雷达芯片方案供应商陆续推出4D雷达芯片方案，输出点云数据只是入门级别。数据处理才是真正提高雷达性能所必需的。
去年，AI视觉芯片方案商安霸收购了4D成像雷达初创公司傲酷（Oculii），后者的自适应软件算法可以在传统雷达芯片基础上实现高分辨率、更长距离和更高的探测精度。
接下来，傲酷的4D雷达软件可以直接部署在安霸的CVflow®SoC上，甚至可以提升传统雷达的分辨率和探测精度，从而提供全天候、低成本和可扩展的融合感知解决方案。
“我们希望傲酷独特的自适应雷达感知算法，结合安霸的视觉和人工智能处理能力，解锁更高水平的感知精度，而不是传统的视觉和雷达的后融合解决方案。”到目前为止，傲酷已经与超过10家客户签订了软件授权协议，并拿到了前装量产的商业开发合同。
在安波福公司看来，在传感器方面，以毫米波雷达为中心的解决方案提供了一种可选的路径，尤其是4D成像雷达的加入，意味着，接下来机器学习技术也可以使用来自雷达的数据，并与其他数据进行融合。
对于L2+/L3功能，如高速公路自动驾驶和车道改变辅助，用于前向的4D成像雷达可以提供更高的角分辨率数据以及高程感知能力，同时提升角雷达的近距离精准探测能力，提升高阶自动泊车的感知识别。
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。
机器学习还可以帮助提供准确的目标检测和跟踪，包括目标边界和鲁棒分离，可以将位置误差和目标航向误差降低50%以上，这意味着该车辆能够更好地识别停在其他车道上的车辆，以及静止或缓慢移动的物体。
此外，随着点云数据的增加，噪音也会增加。比如，隧道对于传统雷达是另一个具有挑战性的环境。隧道墙壁是一个巨大的反射面，可能导致非常多的返回点，甚至可以超过雷达处理目标的能力。
在安波福公司看来，机器学习可以帮助车辆了解何时进入隧道，能够以比经典方法更高的精度过滤掉检测中的噪声。同时，还可以更好地解释隧道和其他封闭环境中的雷达回波，对扇形等目标进行分类。
同时，高密度数据点，提供了更多关于物体形状的详细信息。以采埃孚为例，4D成像雷达可以从行人身上接收大约10个数据点，而不是以前只有1或2个点，使系统能够更准确地区分人和静态物体。
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。
BlueSpace.ai是一家专门提供4D雷达、激光雷达等传感器的预测感知软件技术方案的公司，提供任何对象的完整运动状态（不需要事先的训练），与现有的解决方案相比，运动精度提高了10-100倍，并且可部署在低成本的通用嵌入式CPU上。
这家公司瞄准的细分市场机会，正是目前4D成像雷达的现状，“提升雷达的分辨率只是第一步，但目前还没有一款强大的软件能够开箱即用。”