图片来源：Yole

所谓“中央计算雷达”，是指毫米波雷达中仅实现RF射频前端和很少前处理的“精简雷达”。该雷达将原始数据，通过高速总线传输给域控制器，之后在域控中完成剩余的后处理。

“中央计算雷达”的MMIC和处理器分离，雷达本体内部只有很少的计算，主要的雷达处理算法在算力更强的域控中运行，因此“中央计算雷达”又被成为“雷达头”（类似于“摄像头”），或者“卫星雷达”。

资料来源：《What does sensor fusion mean for the future of radar?》（Gideon Kedem）

本文介绍一下“中央计算雷达”的系统方案、主要优势、开发挑战、部分案例和展望。

01 背景

整车EE架构正在从功能独立的分布式架构，转向功能集成的域控制架构，以及进一步演化为中央计算架构（融合域架构）。

图片来源：Continental

将越来越多的功能集成到更高算力的控制单元中，可以提高效率、提升灵活性和降低成本。

新势力、部分自主车企（长城、比亚迪、吉利等）已率先进入域集中架构阶段，合资、外资车企陆续跟进，当中部分领先企业已开始尝试探索跨域融合架构与中央计算架构。

图片来源：亿欧智库

随着整车EE架构的演进，自动驾驶中的感知传感器也在不断迭代。

例如，摄像头正在越来越多的从Smart Camera转为摄像头模组，即，从集成了感知、决策和控制功能的摄像头综合控制器，转变为仅输出Camera原始图像的摄像头模组。

目前，毫米波雷达也开始从传统的“Smart Sensor”，向“中央计算雷达”演进。

02 实现方案

按照算法部署的位置，毫米波雷达分为下面几种实现方案。

1. Smart Radar

毫米波雷达实现完整的感知、决策和控制功能，控制信号直接输出给执行器，中间没有域控制器参与。这种形式主要用于L0-L1级别自动驾驶功能。

例如，基于盲区雷达的BSD系统，或者单雷达方案的ACC系统：

2. 仅输出目标的雷达

雷达输出目标信号，规控算法在域控制器中实现。这种形式主要用于L2级别自动驾驶功能。

3. 仅输出点云的雷达

雷达仅输出点云数据，这种形式主要用于L2+以上级别自动驾驶功能。

4. “中央计算雷达”

“中央计算雷达”仅输出1D FFT之后的数据，或者ADC数据。

“中央计算雷达”完成基本的实部、虚部的处理、生成ADC数据（有些还包括1D FFT变换），域控制器执行剩余雷达算法，如多维FFT的转换、CFAR、DoA、聚类跟踪以及融合分类等。

如果传输1DFFT之后的数据，此时数量量相对较小，可以采用ETH进行传输：

如果传输原始ADC数据，由于数据量更大，一般需要SerDes接口：

例如，采用SerDes接口的多个“中央计算雷达”连接的示意图：

图片来源：Valens

03 主要优势

1. 性能更高

下面表格是我们经常看到的毫米波雷达主要参数的影响因素。

可以看到，基本性能参数主要取决于射频前端的设计参数，似乎和雷达处理算法运行在哪里关系不大。

其实，上面表格中所展示的雷达公式，是在毫米波雷达工作在“教科书”上的基础FMCW模式和DoA测角算法的前提下得到的。

实际上，真实量产的毫米波雷达为了提升性能，往往在发波方式、接收通道处理、测角算法上采用各种各样的软件优化方案，使得实际的雷达性能不会局限于表格中的公式。

例如采用跳频方案，可以得到同时优秀的测距范围和分辨率性能；采用超分辨算法，可以得到远高于常规DBF的角度分辨率，等等。

“中央计算雷达”的性能提升主要来自两方面：

1）更高质量的原始数据（雷达端）

“中央计算雷达”的硬件更为简洁，由于不需要考虑后端算法，因此可以为射频前端做更多针对性的优化，提升前端数据的质量，例如提升ADC采样率、信噪比和功率。

由于不需要多过存储中间数据，“雷达头”的ADC cube数据量可以设计得更大，给后续的信号处理算法提供更丰富的数据，提升整体性能。

图片来源：知乎，巫婆塔里的工程师

2）更高性能的算法应用（域控端）

域控算力比雷达大很多，可以使用性能更好、更复杂的算法，实现之前在雷达本体内无法实现的功能，同时运行时间更短，帧率更高。

例如：

1）使用超分辨算法，提升角分辨率

测角性能是毫米波雷达的关键性能，也是毫米波雷达开发的难点。在传统的毫米波雷达开发中，往往受限于处理器算力，导致很多优秀的测角算法很难实施。

域控制器可以部署性能更高的超分辨算法，从而显著提升角分辨率。角分辨率提升，也可以带来高质量点云数量的提升。常用的超分辨率算法包括DML、Capon、MUSIC、ESPRIT等，以及基于学习的DoA估计方法。

例如，如下是MUSIC/ESPRIT超分辨算法与常规DBF测角算法的性能对比示意，超分辨率算法可以实现高很多的角分辨率。

图片来源：CSDN

当需要做二维的角度估计时（例如4D雷达中，需要同时具备水平角和俯仰角分辨率），在域控中也可以更快的实现2D-DoA估计（例如3D FFT、4D FFT等）。

图片来源：CSDN

2）使用深度学习算法，提升点云质量

4D雷达点云稀疏、质量不高的一个主要原因是传统CFAR会造成大量的信息损失。

为了解决这个问题，越来越多的基于学习的方法被提出来取代CFAR，并直接与RD图或4D张量一起工作，以提高4D雷达点云的质量和下游自动驾驶任务（如感知和定位）的性能，这部分内容已经开展了很多工作：

图片来源：4D Millimeter-Wave Radar in Autonomous Driving: A Survey

另外，雷达的多径效应会严重影响点云的数据质量，基于学习的方法可以取得良好的优化效果。这类算法普适性强，不仅适用于多径产生的虚假点，也适用于其他原因产生的虚假点，这类算法对于算力和数据量要求较高，非常适合在域集中架构中进行应用部署。这些算法包括：随机森林、CNN、PointNet++等等。

例如，Chamseddine M等人提出的DNN算法架构：

图片来源：Chamseddine M , Rambach J , O Wasenmüller, et al. GhostTarget Detection in 3D Radar Data using Point Cloud based Deep Neural Network（International Conference on Pattern Recognition 2020）

虚假点去除效果：

2. 系统成本更低

1）雷达头的硬件成本更低

由于雷达头仅传输原始数据，处理器和外围器件可以被剪裁，因此成本可以降低。例如，目前使用AWR2544的“雷达头”和使用AWR2944的常规雷达的硬件对比：

2）节省布线成本

雷达头可以直接通过SerDes线缆和以太网线缆供电（PoDL），PoDL技术采用单根电缆或线路传输电源和数据，简化了雷达传感器的布线，减少电缆和连接器成本。

图片来源：Valens

3. 融合性能更好

可以采用类似视觉的“BEV”感知架构，将多个雷达原始信号统一处理，消除目标在不同雷达FOV边缘时的跟踪中断，降低误报和漏报。

同时，能够更方便的将雷达原始信号和视觉图像、激光雷达点云进行前融合，提升整体感知性能。

在端到端算法架构下，通过使用更原始信号的毫米波雷达信号（更少的信息损失），可能会带来更好的综合感知性能。

4. 可维护性和可扩展性更高

毫米波雷达的主要处理软件部署在域控中，使得雷达算法的更新可以通过OTA更容易的实现，提高了可维护性和功能可扩展性。

同时，在保证相同性能的情况下，由于域控端算法能力的提升，可以减小对于射频前端的需求，例如可以减少天线阵列的面积，从而减小雷达头体积，降低功耗，进而使得布置更为友好。

5. 系统调试更容易

在毫米波雷达的算法开发过程中，往往使用SIL进行前期开发，以提高开发效率。因此需要采集毫米波雷达的ADC数据，此时会使用专用的数据采集设备采集ADC数据，例如TI的DCA1000。

有些雷达厂家，会开发特殊的标定雷达（内部增加高速数据采集卡）用于采集原始数据，例如，BOSCH MRR4开发版本雷达：

然而，这类设备非常昂贵，并且布置不便。

并且，在量产件中，这些额外的采集设备将会被移除。因此，一旦量产车上发生异常现象，需要复现解决时，将很难拿到原始数据，使得排查问题变得困难。

对于“中央计算雷达”，这个痛点将会被彻底解决，域控制器会直接接收毫米波雷达原始数据，开发团队获取这些数据将非常容易，例如自动传到云端或者备份在本地存储器中，从而大大提升毫米波雷达的开发和故障排查效率。

04 主要挑战

“中央计算雷达”的主要挑战如下：

由于需要在域控中部署毫米波雷达处理算法，雷达和域控制器需要联合开发和调试，使得开发模式变得复杂。
雷达的前端算法和后端处理（尤其是ADC数据和信号处理算法之间）紧密耦合，往往需要同一家供应商提供，因此在更换雷达头供应商时，还需要同步更换域控内对应处理算法。这种更紧密的耦合状态，往往并不是主机厂通常期望的。
目前毫米波雷达应用还是以目标/点云数据为主，对于直接应用ADC数据、RD图和4D张量的算法研究还较少，开发存在难度。同时包含4D毫米波雷达的数据集相对较少，也限制了基于数据驱动的深度学习算法的开发。