自动驾驶汽车需要做的事情很多达到标准但毫无疑问,感知和理解其环境是最关键的。一辆自动驾驶汽车必须跟踪和识别许多物体和目标,无论它们是在视野清晰的地方还是隐藏的地方,无论天气是好是坏。
今天的雷达根本不足以胜任所有的工作相机而且激光雷达也是需要的。但如果我们能充分利用雷达的特殊优势,我们至少可以省去一些辅助传感器。亚博排列五投注网站
在立体模式下的传统摄像头确实可以探测物体,测量它们的距离,并估计它们的速度,但它们没有完全自动驾驶所需的精度。此外,摄像头在夜间、雾中或阳光直射时工作不佳,使用它们的系统容易出现故障被愚弄了通过视觉错觉。激光扫描系统,或激光雷达,确实提供自己的照明,因此在恶劣天气下往往优于相机。尽管如此,他们只能看到正前方清晰的视线,因此无法探测到被建筑物或其他障碍物隐藏在视线之外、正在接近十字路口的汽车。
雷达在距离精度和角度分辨率方面比激光雷达差,角度分辨率是两个不同目标之间区分一个目标和另一个目标所需的最小到达角。但我们设计了一种新的雷达架构,克服了这些缺陷,使其在增强激光雷达和摄像机方面更加有效。
我们提出的架构采用了所谓的稀疏、宽孔径多波段雷达。其基本思想是利用各种频率,利用每种频率的特殊特性,使系统不受天气变化的影响,并能透视角落。该系统采用先进的信号处理和传感器融合产生环境的综合表示的算法。
我们已经通过实验验证了我们的雷达系统的理论性能极限——距离、角分辨率和精度。目前,我们正在为各种汽车制造商构建硬件以进行评估,最近的道路测试已经取得了成功。我们计划在2022年初进行更详细的测试,以演示转角传感。
每个频段有优点也有缺点。77千兆赫及以下的波段可以穿过1000米的浓雾,而信号强度的损失不会超过一个分贝的零头。相比之下,激光雷达和相机在50米的浓雾中会损失10到15分贝。
然而,雨是另一个故事。即使是阵雨也会像激光雷达一样衰减77 ghz雷达。没问题,你可能会想——只要调到较低的频率。毕竟,在1ghz或更低的频率下,雨对雷达来说是透明的。
这是可行的,但你也需要高波段,因为低波段提供较差的范围和角度分辨率。虽然你不能把高频率等同于窄波束,但你可以使用天线阵列,或高定向天线,将毫米长的波投射到窄波束中,就像激光一样。这意味着这种雷达可以与激光雷达系统竞争,尽管它仍然无法看到视线之外的东西。
对于给定尺寸的天线,即给定阵列孔径的天线,波束的角分辨率与工作频率成反比。同样,要实现给定的角度分辨率,所需的频率与天线尺寸成反比。因此,为了在相对较低的UHF频率(0.3至1ghz)下实现雷达系统所需的角度分辨率,例如,你需要一个天线阵列,其大小是K(18至27ghz)或W(75至110ghz)波段雷达所需天线阵列的数十倍。
尽管较低的频率对分辨率没有太大帮助,但它们带来了其他优势。电磁波在尖锐的边缘处倾向于衍射;当它们遇到曲面时,它们可以在曲面周围绕射成“蠕动”波。这些影响在K波段,特别是W波段的较高频率上太弱了,但在UHF和C(4-至8 ghz)波段上却很明显。这种衍射行为,加上较低的穿透损失,允许这种雷达探测物体周围一个角落里。
雷达的一个弱点是,在进出被跟踪对象的过程中,它会跟随许多路径,被无数物体反射。由于道路上有许多其他汽车雷达的存在,这些雷达返回变得更加复杂。但这种纠缠也带来了一种力量:范围广泛的反弹可以为计算机提供有关沿视线投射的波束无法到达的地方正在发生的事情的信息,例如,揭示被遮挡而无法直接探测的交叉交通。
要看得更远,看得更详细——从侧面看,甚至直接穿过障碍物——是雷达尚未完全实现的承诺。没有一个雷达波段可以做到这一切,但一个可以在多个频段同时工作的系统可以非常接近。例如,K和W等高频波段可以提供高分辨率,并可以准确估计目标的位置和速度。但它们不能穿透建筑物的墙壁,也看不到角落;更重要的是,它们很容易受到大雨、大雾和灰尘的影响。
较低的频段,如UHF和C,不太容易受到这些问题的影响,但它们需要更大的天线元件,可用带宽更少,这降低了距离分辨率——区分两个具有相似轴承但不同距离的物体的能力。对于给定的角度分辨率,这些较低的波段也需要较大的孔径。通过把这些不同的乐队放在一起,我们可以平衡一个乐队的弱点和其他乐队的优势。
不同的目标对我们的多波段解决方案提出了不同的挑战。在超高频波段上,汽车车头的雷达横截面(或有效反射率)比在C和K波段上要小。这意味着使用C和K波段更容易探测到正在靠近的汽车。此外,行人的横截面在UHF波段中表现出的关于他或她的方向和步态变化的变化要比在C和K波段中少得多。这意味着超高频雷达将更容易发现人。
此外,当散射体表面有水时,物体的雷达横截面减小。这削弱了在C和K波段测量的雷达反射,尽管这种现象对UHF雷达没有显著影响。
雷达复杂的返回路径也是一个优势,因为它们可以为计算机提供有关侧道情况的信息——例如,在交叉交通中,被遮挡住了,无法直接检查。
另一个重要的区别是,频率较低的信号可以穿透墙壁并穿过建筑物,而频率较高的信号则不能。例如,考虑一堵30厘米厚的混凝土墙。雷达波穿墙而非反射的能力是波长、入射场偏振和入射角的函数。对于超高频波段,在较大的入射角范围内,传输系数约为-6.5 dB。对于C和K波段,这个值分别下降到-35 dB和-150 dB,这意味着只有很少的能量可以通过。
雷达的角度正如我们前面提到的,分辨率与所使用的波长成正比;但它也与孔径的宽度成反比,或者,对于天线的线性阵列,与阵列的物理长度成反比。这就是为什么毫米波,如W和K波段,可以很好地用于自动驾驶的原因之一。一个基于两个77-GHz收发器的商用雷达单元,孔径为6厘米,角分辨率约为2.5度,比典型的激光雷达系统差了一个数量级,对于自动驾驶来说太少了。要达到77千兆赫的激光雷达标准分辨率,需要更大的光圈——1.2米,大约相当于一辆汽车的宽度。
除了距离和角度分辨率外,汽车的雷达系统还必须跟踪许多目标,有时同时跟踪数百个目标。如果目标距离汽车的距离只有几米,就很难通过距离来区分目标。对于任何给定的范围,一个均匀的线性阵列——其发射和接收元件的间距相等——只能区分与它拥有的天线数量相同的目标。在可能有许多目标的混乱环境中,这似乎表明需要数百个这样的发射器和接收器,而需要非常大的孔径使这个问题变得更糟。那么多硬件将是昂贵的。
规避这个问题的一种方法是使用一个数组,其中元素只放置在它们通常占据的几个位置上。如果我们仔细设计这样一个“稀疏”数组,使每个相互的几何距离都是唯一的,我们就可以使它表现得像非稀疏的全尺寸数组一样好。例如,如果我们从一个在K波段工作的1.2米口径雷达开始,并放入一个适当设计的只有12个发射单元和16个接收单元的稀疏阵列,它将表现得像一个有192个单元的标准阵列。原因是一个精心设计的稀疏阵列在每个发射器和接收器之间可以有高达12 × 16或192的成对距离。使用12种不同的信号传输,16个接收天线将接收192个信号。由于每个发射/接收对之间有唯一的成对距离,因此可以使所得到的192个接收信号表现得好像它们是由192个元素的非稀疏数组接收的。因此,稀疏阵列允许人们用时间交换空间——也就是说,用天线元件进行信号传输。
一般来说,雷达比基于光的传感器(尤其是激光雷达)更容易在雨中观测。亚博排列五投注网站在相对较低的频率下,雷达信号的强度损失要低几个数量级。神经推进系统
原则上,分开雷达单元沿假想的阵列放置在汽车上,应作为一个较大孔径的相控阵单元工作。然而,该方案将要求独立子阵列的每个发射天线的联合传输,以及联合子阵列的每个天线单元收集的数据的联合处理,这反过来又要求所有子阵列单元的相位完全同步。
这一切都不容易。但是,即使能够实现,这种完全同步的分布式雷达的性能仍然远远低于精心设计的、完全集成的、宽口径稀疏阵列。
考虑两个77 GHz的雷达系统,每个系统的孔径长度为1.2米,有12个发射单元和16个接收单元。首先是一个精心设计的稀疏阵列;第二步将两个14元素的标准阵列放置在孔径的极端两侧。两种系统具有相同的孔径和相同数量的天线元件。但是,尽管集成稀疏设计无论在哪里扫描都表现得一样好,但分割版本在从数组正面直视前方时却遇到了麻烦。这是因为这两束天线相隔很远,在中心产生了一个盲点。
在广泛分离的场景中,我们假设两种情况。在第一种情况下,两个标准雷达阵列在一个划分的系统的两端以某种方式完美同步。这种安排有45%的时间无法探测到目标。在第二种情况下,我们假设每个数组都独立运行,并且它们各自独立检测到的对象随后被融合。这种安排在60%的情况下会失败。相比之下,精心设计的稀疏阵列只有可以忽略不计的失败几率。
卡车和汽车都安装了作者所在的神经推进系统公司(Neural Propulsion Systems)的大口径多波段雷达。注意卡车挡风玻璃上方的宽天线。神经推进系统
看看周围拐角可以很容易地在模拟中描绘。我们考虑了一辆配备了我们系统的自动驾驶汽车,驶近一个有四座高层混凝土建筑的城市十字路口,每个角落各有一座。在模拟开始时,车辆距离十字路口中心35米,第二辆车辆通过十字路口接近中心。正在靠近的车辆不在自动驾驶车辆的视线范围内,因此如果没有观察拐角的方法,就无法探测到。
在三个频段中的每一个频段,雷达系统都能估计在视线内目标的距离和方位。在这种情况下,目标的距离等于光速乘以发射电磁波返回雷达所需时间的一半。目标的方位由雷达接收到的波阵面的入射角确定。但当目标不在视线内,信号沿多条路径返回时,这些方法既不能直接测量目标的距离,也不能直接测量目标的位置。
然而,我们可以,推断出目标的范围和位置。首先,我们需要区分视线、多路径和穿过建筑的回报。对于给定的范围,多径回波通常较弱(由于多次反射),具有不同的偏振。整栋建筑的回报率也较弱。如果我们知道基本环境——建筑物和其他静止物体的位置——我们就可以构造一个框架来找到真正目标的可能位置。然后我们使用这个框架来估计目标在这个或那个位置的可能性有多大。
随着自动驾驶汽车和各种目标的移动,以及雷达收集到的数据越来越多,每一条新的证据都被用来更新概率。这是贝叶斯逻辑,在医学诊断中很常见。病人发烧吗?如果有,有皮疹吗?在这里,每当汽车的系统更新估计时,它都会缩小可能性的范围,直到最终显示出真正的目标位置,“幽灵目标”消失。通过融合从多个波段获得的信息,可以显著提高系统的性能。
我们已经使用实验和数值模拟来评估我们的雷达系统在各种工作条件下的理论性能极限。道路测试证实,雷达可以探测到穿过遮挡物的信号。在接下来的几个月里,我们计划演示转角感应。
我们的系统在范围、角度分辨率和看到拐角处的能力方面的性能应该是前所未有的。我们期待它能带来一种前所未有的安全驾驶方式。