自动驾驶技术就好比是训练自动驾驶汽车（AV）像人类一样驾驶，甚至有希望比人类驾驶得更好。正如人类在驾驶汽车时需要依靠感官和认知反应一样，传感器技术也是实现自动驾驶不可或缺的一部分。
在摄像头、雷达和激光雷达这三种传感器中，雷达在交通安全领域应用的历史可能最为悠久。最早用于保障交通安全的雷达专利技术之一被称为 Telemobiloscope（电动镜）。它是由德国发明家 Christian Hülsmeyer 发明的一种船舶防撞工具。
此后，雷达技术取得了长足的发展，现已成为汽车功能安全的重要使能技术。据估计，汽车雷达的市场规模在 2033 年将突破 180 亿美元。
如表 1 所示，汽车雷达具有许多优点。这些优点将继续帮助工程师部署高级驾驶辅助系统（ADAS）。现代汽车中的许多功能都是通过雷达实现的，例如自动紧急制动系统、前方碰撞预警、盲点检测、变道辅助、后方碰撞预警系统、高速路上的自适应高速巡航控制、交通拥堵时的自动跟车启停等。
表 1 ：汽车雷达技术的优点和当前的局限性
虽然汽车雷达技术有许多优点，但也存在需要工程师们克服的局限性。多年来，提高雷达的分辨率对于工程师而言一直是一项重要挑战，不过近年来的创新技术正在发挥作用，使得雷达在目标检测方面能够提供更加精确的信息。
在 3D 目标检测方面的差异
传统的 3D 汽车雷达传感器使用无线射频探测 3D 物体的距离、位置和多普勒效应（即物体的速度）等。为了提高汽车雷达传感器在安全价值链中的作用，帮助实现自动驾驶，业界正在不断突破 3D 雷达的局限性。自 2022 年以来，由于欧洲电信标准协会（ETSI）和美国联邦通信委员会（FCC）制定了频谱法规和标准，欧洲和美国逐步淘汰了使用 21.65 GHz 至 26.65 GHz 频段的 24 GHz 超宽带（UWB）雷达频率。
在逐步淘汰 24 GHz UWB 频段的同时，监管机构为车载雷达技术开放了 从 76 GHz 到 81 GHz 的总带宽为 5 GHz 的连续频段。远距离探测使用 76 GHz 频段，而短距离、高精度探测则使用 77-81 GHz 频段。
了解更高频率、更宽带宽的先进汽车雷达系统所带来的性能提升非常重要，这有助于提高雷达的距离分辨率，它决定了两个物体的最小距离间隔有多远时，雷达才能分别探测到这两个独立的目标。例如，24 GHz 雷达系统的距离分辨率为 75 cm，而 77 GHz 雷达系统则提高到 4 cm，这使其可以更好地探测多个彼此靠近的目标（图 1）。
图 1 ：24 GHz 雷达（左）无法分辨距离太近的物体，77 GHz雷达传感器（右）则可以将上述目标识别为不同的物体
如果一个女孩和她的狗紧挨着站在路边，人类驾驶员在大多数情况下可以十分轻松地识别出这一场景，并且提前预判到这条狗很有可能会突然蹿到路上，从而做出反应。但此时只有带宽较宽的雷达（见图 2，右侧的测试）可以探测到这两个独立的目标，并向驾驶员或自动驾驶系统提供正确信息。
图 2 ：1 GHz（左）和 4 GHz（右）带宽的测试结果比较清晰地显示，只有带宽较宽的分辨率（右侧）才能检测到两个不同的物体
利用 4D 雷达及其他技术筑起更加牢固的安全堤坝
雷达传感技术必须能够精准地检测、分割和追踪车辆周围的物体，才能让人类将方向盘放心地交给自动驾驶汽车。这一需求正在推动 4D 雷达的发展，4D 雷达可以在 3D 雷达给出的距离、水平位置和速度等相关数据的基础上，提供更加准确、详细的 3D 空间物体信息，包括物体的垂直位置（见表 2）。
表 2 ：3D雷达和4D雷达的区别
4D 成像雷达的出现使自动驾驶汽车能够凭借更高的分辨率探测到更小的物体，同时成像雷达也可以测绘出更加完整的“全方位”环境地图。
为了正确解释垂直视角中的物体，自动驾驶汽车必须能够使用 4D 和成像雷达检测出物体的高度。例如，自动驾驶汽车的 3D 雷达可能会将从扁平井盖上反弹的信号误认为是道路上的障碍物，从而为了避开并不存在的障碍物而突然停车。
在现实世界中，汽车雷达探测到的交通“事件”从来都不会是像上述案例那样的孤立事件。人类驾驶员要在数以百计的车辆、行人、道路工程，甚至是偶尔横穿马路的野生驼鹿中穿梭（图 3），因此需要综合运用视觉和听觉感知到的信息以及交通规则、经验和本能。
图 3 ：值得深入思考的驼鹿问题：当驼鹿在漆黑的夜晚从自动驾驶汽车前穿过时，它会不会在车灯的照射下停止不动，或者远程雷达会不会发出充分的警告并在适当的距离外减速停车？
同样，自动驾驶汽车依靠雷达传感器和其他系统，例如摄像头、激光雷达和车联网（V2X） 系统，提供的准确数据检测周围的交通环境。各个数据流与 ADAS 或自动驾驶算法进行通信，帮助汽车感知所检测到的车辆或物体的相对位置与速度。然后，ADAS /自动驾驶系统中的控制算法会帮助触发被动反应（例如通过闪烁警示灯提醒驾驶员注意盲点危险）或主动反应（例如采取紧急制动以避免碰撞）。
汽车雷达测试
目前，汽车制造商和雷达模块提供商使用软件和硬件测试其雷达模块的功能。有两种主要的硬件测试方法：
·使用与被测雷达设备（DUT）保持不同距离和角度的角反射器，每个反射器代表一个静态目标。当需要改变这种静态场景时，必须将角反射器移动到新的位置。
·使用雷达目标模拟器（RTS）可以对雷达目标进行电子仿真，从而同时仿真静态和动态目标以及目标的距离、速度和大小。在目标数量超过 32 个的复杂/逼真场景中，基于 RTS 的功能测试会出现缺点，并且这种测试也无法鉴定 4D 和成像雷达探测扩展目标的能力。扩展目标是由点云表示的物体，而不仅仅是一个反射。
图 4 ：使用雷达目标模拟器（RTS）对雷达传感器执行测试，无法提供用于验证自动驾驶应用的完整交通场景
基于数量有限的目标物体，对雷达装置执行测试，无法还原完整的自动驾驶汽车驾驶场景。它忽略了现实世界的复杂性，尤其是在市区，各个交叉路口和转弯处都会有行人、骑行者和电瓶车，路况十分复杂。
提高雷达算法的智能化水平
机器学习正在越来越多地帮助开发人员训练 ADAS 算法来更好地解释雷达传感器和其他传感器系统的数据，并对这些数据进行分类。最近，YOLO 成为了汽车雷达算法领域的一个热门词汇。YOLO 是“You Only Look Once”的缩写，意思是通过一次网络传递完成目标检测任务。这种说法可谓非常贴切，因为雷达感知到的内容和 ADAS 算法对数据的解读都是至关重要的过程，甚至可以说是生死攸关。基于 YOLO 的雷达目标检测方法，希望同时完成对多个物体的精确探测和分割。
在这些自动驾驶系统最后进入成本高昂的道路测试阶段之前，先对物理雷达传感器和 ADAS 算法进行严格的测试至关重要。为了更加真实地 360 度全方位还原现实世界中的各种交通场景，汽车制造商已经开始使用雷达场景仿真技术将真实的道路场景“搬”进实验室里，进行仿真测试。
向 L4 级和 L5 级自动驾驶迈进的一大关键挑战是需要自动驾驶车辆能够区分道路上的动态障碍物并自主决定行动路线，而不仅仅是在仪表盘上发出警示或亮起警告灯。在仿真交通场景时，如果描绘每个目标的点数太少，可能会导致雷达错误地将间隔很近的物体辨认为一个整体。这样就难以全方位地测试传感器，也很难全面测试依赖雷达传感器数据流的算法和决策。
新的雷达场景仿真技术使用了光线追踪和点云技术，能够从高度逼真的交通仿真场景中提取相关数据并更好地检测和区分不同的物体（见图 5）。通过使用新型毫米波（mmWave）空中下载（OTA）技术，雷达场景仿真器可生成多个静态和动态目标。这些目标的间隔距离从 1.5 米到 300 米不等，速度在 0 到 400 公里/小时之间，适用于短程、中程和远程汽车雷达，为雷达传感器的测试提供了更为真实的交通场景。
图 5 ：使用雷达场景仿真进行感知算法测试的屏幕截图。右侧屏幕显示的是由左侧雷达场景仿真器模拟的交通交通场景。绿点表示仿真的雷达反射，红点表示雷达传感器检测到的信号
无论是雷达传感器还是算法都可以在雷达场景仿真中快速进行多次设计迭代，从而修复错误和对设计作出微调。因此，雷达场景仿真对于上路前的驾驶测试非常有帮助。除了 ADAS 和自动驾驶功能测试外，它还能帮助汽车制造商开发变量处理应用，例如验证不同的保险杠设计、喷漆和雷达模块定位功能对雷达功能的影响。
自动驾驶平台提供商和雷达系统制造商可以通过多个可重复和可定制的场景增强车辆对不同真实交通场景的感知能力，使雷达传感器捕获大量数据供自动驾驶算法用于机器学习。
如今，高速数字信号处理（DSP）在对各个雷达检测结果进行微调时也发挥着至关重要的作用。如图 6 所示，雷达可以采集行人手臂和腿部的各种信息，包括速度、距离、横截面（大小）和角度（水平和垂直）等。这些信息对于训练雷达算法识别行人（而不是像过马路的宠物狗这样的数字 4D 形状）至关重要。
图 6 ：使用雷达场景仿真的高速数字处理技术可对动态目标进行更加精细的数据分析，例如移动的行人等
超级传感器的崛起始于可靠的测试
从芯片设计到制造再到后续的雷达模块测试，汽车雷达设计、开发和制造生命周期的每一个环节都需要经过严格的测试。
将毫米波频段用于汽车雷达应用会遇到许多测试方面的挑战。工程师需要考虑测试设置、确保测试设备能够进行超宽带毫米波测量、减少信噪比损失，并满足不同地区和市场对于干扰测试的新标准要求等。
在雷达模块层面，现代 4D 和成像雷达模块测试需要具有更大带宽和更高距离分辨率的测试设备。
最后一个难题是将汽车雷达集成到 ADAS 和自动驾驶系统中并使标准驾驶情况中的算法适用于百万分之一的极端情况。未来，随着越来越多的驾驶员退居二线，训练有素且经过测试的雷达超级传感器系统将为乘客带来更加平稳、安全的乘坐体验。
