最近車輛發生高速碰撞的事故都圍繞在輔助駕駛，但其實不是輔助駕駛性能倒退了，而是使用的人群變多了，很多事情都有個過程，剛開始輔助系統上車並沒有被太多人購買以及接受，使用的頻率以及嘗試都不高，但是隨著這幾年的眾多車廠開始將輔助駕駛放入配置中，且大家也越來越“大概”知道輔助駕駛的功能，逐漸的擴大使用人群，但是，輔助駕駛的開發邏輯以及車廠的使用方案基本上都是大同小異，今天來聊聊輔助駕駛的感知能力
(示意圖)
可以看到一台具備駕駛輔助系統的傳感器分布位置大致上都是在車輛的周邊，對於物體感知可以很快且直接的接收到信息
大叔整理一個人類駕駛與輔助駕駛系統的開車比較：
|
人開車 |
輔助駕駛開車 | |
|
看的能力 |
眼觀四面、耳聽八方 |
低速：超聲波雷達＋低速魚眼鏡頭 高速：毫米波雷達＋中、長距離鏡頭＋(雷射雷達) |
|
判斷的能力 |
接收到眼球看到的以及耳朵聽到的 大腦依據當前車況 對手、腳作指令下發 |
接受到上述傳感器傳回的“有效”目標 總管系統依據當下車況＋預判環境 對執行器作指令下發 |
|
執行的能力 |
手接收到大腦指令轉動方向盤 腳接收到大腦指令要加速或者減速 |
轉向系統接收總管系統指令進行車輛轉向 縱向系統接收總管系統指令進行車輛加減速 |
其中，除了現在特斯拉的輔助駕駛配置方案是取消了毫米波雷達，其他車廠都還是採用雷達＋鏡頭的融合策略，有人就會問是車上的哪一個雷達
（雷達基本上都會放在車頭這個區塊，有些車廠像是VW是放在廠徽後面）
問題：為什麼毫米波雷達無法識別靜態物體
請先問“是不是”，再問“為什麼”。
先說結論：毫米波雷達可以識別靜態目標。
簡單來說，毫米波雷達通過天線向外發射出連續調頻電磁波，也就是對目標物體發出“偵察信號“，這些信號接觸到物體後發生散射，然後回饋給接收天線；如果回波信號超過閾值，目標物體就可以被檢測出來。我們一般採用雷達散射截面積（Radar Cross Section，RCS）來反映目標的回波能力（其實軍迷們關注的隱身戰機也是指RCS值很小，而不是指肉眼看不見）。下圖是幾種典型物體的RCS值：
從上面的分析，我們不難看出，只要RCS值足夠大，或者雷達的檢波能力足夠強，物體就可以被檢測到，與物體是否靜止沒有任何關係。
為什麼會產生這樣的認知偏差呢？
這就需要從系統功能角度來分析了。以自適應巡航控制（ACC）為例，為了保證駕乘人員的舒適性，系統設計上應該儘量避免急刹車。但是傳統的毫米波雷達，例如單晶片3T4R（3個發射天線，4個接收天線）雷達，並沒有垂直方向的解析度，簡單來說傳統毫米波無法對物體高度進行測量，因此系統無法判斷無類別靜態目標是個窨井蓋還是個過街天橋。ACC系統為了避免頻繁刹車，引入了一個非常簡單的邏輯：忽略毫米波雷達中相對路面靜止的無類別目標。問題中的認知偏差也由此而來。
那為什麼傳統毫米波沒有高度解析度？
如圖1所示，傳統3T4R毫米波雷達是典型的水準排布天線設計，只具備水準角度解析度，不具備垂直角度解析度，因此也就給不出目標的高度資訊。
如何解決毫米波的高度問題？
首先，需要增加毫米波雷達的通道數量——天線數越多通道數越多，從而獲得更好的角度解析度，使毫米波雷達能夠盡可能區分相鄰的靜態目標另外，必須在不同高度上排布收發天線以獲得垂直角度解析度，讓毫米波雷達“從二維進入到三維”，即在水準之上多增加了一個探測維度——高度。當毫米波雷達具備了垂直角解析度，我們就可以稱之為4D 雷達。當雷達輸出的目標帶上了高度資訊，系統就可以判斷出每個靜態目標是否可產生安全風險，也就沒必要將毫米波雷達的靜態目標一刀切了。
此外，為了獲得更高的角度解析度，就需要更多的通道數，由此衍生出了兩個方向：一個方向是盡可能多的增加天線數量，獲得足夠多的物理通道數量；另外一個方向是在不多的物理天線數量下，通過軟體虛擬出多個通道。兩種方案孰優孰劣，我們暫不評論。
隨著雷達通道數量增多，對目標的解析度進一步提升，毫米波雷達的點雲就會變得稠密，甚至可以像鐳射雷達一樣描繪出車輛、行人的輪廓；另外相比鐳射雷達，每個4D點雲中都帶有速度資訊，給後端的預測演算法提供了直接的多普勒速度觀測，相比通過差分計算的速度資訊，直接的多普勒速度觀測更加準確，延時也更低。比如說，鐳射雷達測速是向對方扔出去一個球，並且要扔兩次，等球彈回來，計算兩次之間的時間差或者說距離差，然後獲得速度資訊；而4D毫米波雷達通過多普勒速度觀測，相當於只“扔出一次球”，其彈回的回饋就自帶速度資訊，效率之高不言而喻。
(4D毫米波雷達的點雲效果，點雲密度已經基本等同於8~16線鐳射雷達)
隨著智能駕駛技術的逐漸普及，毫米波雷達、鐳射雷達感測器等前沿技術也越來越多地應用到汽車上。
(此文章為大叔公司發表文章接取分享）
按讚加入粉絲團
