自动驾驶汽车要名副其实，必须满足很多要求，但毫无疑问，对环境的感知和理解是最关键的。自动驾驶汽车必须跟踪和识别多个物体和对象，无论它们是清晰可见的还是隐藏的，无论是阳光明媚还是风吹拂。单靠今天的雷达还不足以达到这种效果，我们还需要摄像头和激光雷达，但如果我们能够充分利用雷达的特殊优势，或许至少可以取消一些辅助传感器。诚然，立体模式下的传统摄像头可以检测物体、测量它们的距离并估计它们的速度，但不能达到全自动驾驶所需的精度。此外，摄像头在夜间、雾中或阳光直射下无法正常工作，使用传统摄像头的系统很容易被光学错觉所欺骗。激光扫描系统或内置照明的激光雷达在恶劣天气下的表现通常优于相机。即便如此，它们也只能以清晰的视线看到前方，如果被建筑物或其他障碍物遮挡，则无法检测到接近十字路口的汽车。雷达没有像激光雷达那样高的距离精度和角分辨率，这是区分一个目标和两个不同目标所需的最小到达角。然而，我们设计了一种新颖的雷达架构来克服这些缺点，使其更有效地增强激光雷达和相机。我们提出的架构采用稀疏、大孔径多波段雷达。基本思想是使用多个频率并利用每个频率的特定属性，使系统不受不断变化的天气条件影响，从而可以透视和环顾十字路口。反过来，该系统采用先进的信号处理和传感器融合算法来生成环境的综合表示。我们已经通过实验验证了该雷达系统的理论性能限制，包括有效范围、角分辨率和精度。我们目前正在为几家汽车制造商构建用于评估的硬件，并且最近的道路测试已经成功。我们计划在2022年初进行更详细的测试，以展示系统的转角感知性能。每个频段都有其优点和缺点。77吉赫(GHz)及以下的频段可以穿透1,000米距离的浓雾，信号强度损失不会超过1分贝(dB)。相比之下，激光雷达和摄像头在50米的浓雾中会损失10到15分贝。雨水是另一回事。即使是小雨也能像激光雷达一样衰减77GHz雷达。您可能会想，没问题，只需更改为较低的频率即可。毕竟，在1GHz或更低的频率下，雨水对雷达来说可以说是透明的。低频确实有效，但我们还需要高频，因为它们的有效范围较短且角分辨率较低。尽管高频不一定等同于窄波束，但可以使用天线阵列或高度定向天线（如激光）将较高频段的毫米波投射到窄波束中。这意味着该雷达可以与激光雷达系统竞争，尽管它也存在无法超越视线的问题。对于给定尺寸（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。此外，要达到给定的角分辨率，所需的频率与天线尺寸成反比。因此，要依靠雷达系统在相对较低的超高频（UHF，0.3-1GHz）下获得所需的角分辨率，所需的天线阵列为K波段（18-27GHz）或W波段（75-110GHz）).)是雷达所需天线阵列的数十倍。虽然较低的频率对提高分辨率没有太大作用，但它还有其他优势。电磁波倾向于在尖锐的边缘发生衍射；当遇到曲面时，它们会像“爬行”波一样四处衍射。这些影响太弱，无法在K波段的较高频率下发挥作用，尤其是W波段，但在UHF和C波段(4-8GHz)上可能很显着。这种衍射行为以及低穿透损耗使这种类型的雷达能够检测拐角处的物体。雷达的一个弱点是它遵循多条路径，在往返于被跟踪物体的途中被无数物体反射。由于道路上存在许多其他汽车雷达，雷达回波更加复杂。然而，多次反射还有另一个优势：大范围的反弹可以为计算机提供有关沿视线投射的光束无法到达的地方正在发生的事情的信息，例如，揭示交叉路口的交通状况直接检测。看远、看细节、看清侧面，甚至能够直接穿透障碍物，是雷达目前还没有完全实现的目标。没有一个雷达波段可以单独完成这一切，但是一个可以同时在多个波段上运行的系统可以非常接近这个目标。例如，K波段和W波段等高频段可实现高分辨率，准确估计目标位置和速度，但它们无法穿透建筑物墙壁或看到周围的角落；更重要的是，它们容易受到大雨、雾气和沙尘的影响。UHF和C波段等较低频段不太容易受到上述问题的影响，但它们需要更大的天线元件并且可用带宽更小，从而降低了测距分辨率，这是类似方位但不同距离的区别两者的能力对象。较低的频带也需要大孔径来实现给定的角分辨率。通过将不同的频段组合在一起，我们可以平衡一个频段的弱点和其他频段的优势。不同的目标给我们的多频段解决方案带来了不同的挑战。汽车前部的雷达截面（或有效反射率）在UHF波段比C波段和K波段小。这意味着使用C波段和K波段更容易检测到接近的车辆。此外，与C波段和K波段相比，在UHF波段，行人横截面因行进方向和步态不同而发生的变化要小得多。这意味着行人将更容易被UHF雷达检测到。此外，当散射体表面存在水时，物体的雷达横截面会减小。这减少了在C波段和K波段可检测到的雷达反射，但这种现象对UHF雷达没有明显影响。另一个重要的区别是，较低频率的信号可以穿透墙壁并穿过建筑物，而较高频率的信号则不能。以30厘米厚的混凝土墙为例，雷达波穿过墙壁而不是被墙壁反射的能力可以计算为波长、入射场的偏振和入射角的函数。UHF频段的传输系数在很宽的入射角范围内约为-6.5dB。C波段下降到-35dB，K波段下降到-150dB，这意味着只有很少的能量可以通过。如前所述，雷达的角分辨率与使用的波长成正比，而角分辨率也与孔径宽度成反比，而对于线阵天线则与阵列的物理长度成反比。这也是为什么毫米波（例如W波段和K波段）可以很好地用于自动驾驶的原因之一。基于两个孔径为6厘米的77GHz收发器的商用雷达装置的角分辨率约为2.5度，与典型的LiDAR系统相比相差超过一个数量级，这对于自动驾驶来说太低了。要在77GHz下实现标准激光雷达分辨率，需要更大的孔径（例如1.2米），大致等于汽车的宽度。除了实现一定的有效范围和角度分辨率外，汽车雷达系统还必须跟踪大量目标，有时是同时跟踪数百个目标。如果目标和汽车之间的距离只有几米，可能很难通过距离来区分目标。在任何给定的距离，一个均匀的线性阵列（具有等间距的发射和接收元件）可以区分与它拥有的天线一样多的目标。因此，在可能存在大量目标的杂乱环境中，需要数百个类似的发射器和接收器，并且大孔径使问题更加复杂。如此多的硬件也会显着增加成本。解决这个问题的一种方法是使用数组，其中元素只占据它们通常所占位置的一小部分。如果这样的“稀疏”阵列经过精心设计，使其彼此之间的几何距离唯一，则它的性能可以与非稀疏全尺寸阵列一样好。例如，以工作在K波段的1.2米口径雷达为起点，将其放入设计合理的只有12个发射单元和16个接收单元的稀疏阵列中，其性能与192个标准阵列的性能相同元素。这样做的原因是设计良好的稀疏阵列可以在每个发射器和接收器之间实现多达12×16（即192）对距离。使用12种不同的信号传输，16根接收天线将接收到192个信号。由于每个发射-接收对之间的成对距离是唯一的，因此得到的192个接收信号似乎是由192个元素的非稀疏阵列接收的。因此，对于稀疏阵列，我们可以用时间换取空间，即使用天线元件进行信号传输。原则上，沿机载假想阵列放置的单个雷达单元应作为具有较大孔径的单个相控阵单元运行。然而，该方案需要各个子阵的发射天线共同发射和处理联合子阵的天线阵元收集的数据，这又要求所有子阵阵元的相位完全同步。这一切都不容易实现。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落后于设计良好的全集成大孔径稀疏阵列雷达。假设有两个77GHz雷达系统，每个孔径长度为1.2米，配备12个发射单元和16个接收单元。第一个系统是精心设计的稀疏阵列；第二个系统在孔径的最外侧有两个14元素标准阵列。两个系统都具有相同的孔径和天线元件数量。虽然集成稀疏设计扫描相同，但分离设计难以从阵列前面直视前方。这是因为两个天线波束相距太远，以至于在它们的中心产生了一个盲点。在拆分设计的情况下，可以假设两种情况。在第一种情况下，分裂系统两端的两个标准雷达阵列几乎完全同步。这种设计有45%的时间无法检测到物体。在第二种情况下，假定阵列独立运行，然后将它们独立检测到的对象融合在一起。这种设计几乎有60%的时间无法检测到。相比之下，设计良好的稀疏阵列检测失败的可能性可以忽略不计。通过模拟，我们可以很容易地描绘出即将发生的事情。假设一辆配备了我们系统的自动驾驶汽车正在接近一个城市十字路口，四个拐角处都有一座高层混凝土建筑。仿真开始时，车辆距离十字路口中心35米，第二辆车正通过十字路口接近中心。接近的车辆不在自动驾驶汽车的视线范围内，因此不使用角视技术无法检测到接近的车辆。雷达系统可以在三个频段中的每一个频段中估计目标在可视范围内的距离和方位。在这种情况下，到目标的距离等于光速乘以发射的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前的入射角决定。当目标不在视线范围内且信号沿多条路径返回时，该方法无法直接测量目标的距离或位置。但是，我们可以推断出目标的距离和位置。首先，我们需要区分穿过建筑物的视线波、多径波和回波。在给定距离内，多径回波（由于多次反射）通常较弱且偏振不同。穿过建筑物的回声也较弱。如果我们知道基本环境（建筑物和其他静止物体的位置），我们就可以构建一个框架来确定真实物体的可能位置。然后我们可以使用这个框架来估计一个对象在某个位置的可能性。随着自动驾驶汽车和每个目标的移动，雷达会收集更多数据，每条新数据都会用于更新概率。这就是贝叶斯逻辑，与它在医学诊断中的应用非常相似。病人有没有发烧？如果是这样，是否有皮疹？同样，汽车系统每次更新估计都会缩小可能性的范围，直到它最终揭示真实目标的位置，同时消除“虚假目标”。通过融合从多个频段获得的信息，可以显着提高系统的性能。我们通过实验和数值模拟评估雷达系统在各种操作条件下的理论性能限制。道路测试证实雷达可以检测到被遮挡的信号。在接下来的几个月里，我们计划展示角落感应。希望这些功能能够实现比以往任何时候都更安全的驾驶方式。
