一輛自動駕駛汽車需要做很多事情才能 取得成績，但毫無疑問，感知和了解其環境是最關鍵的。自動駕駛汽車必須跟蹤和識別許多物體和目標，無論它們是清晰可見還是隱藏，無論天氣好壞。
但僅用今天的雷達還遠遠不足以完成整個工作——我們還需要攝像頭和激光雷達。但是，如果我們能夠充分利用雷達的特殊優勢，我們可能會省去至少一些輔助傳感器。
立體模式下的傳統攝像頭確實可以檢測物體、測量它們的距離并估計它們的速度，但它們不具備完全自動駕駛所需的精度。此外，相機在夜間、霧中或陽光直射下都無法正常工作，使用它們的系統很容易 被視錯覺所欺騙。激光掃描系統或激光雷達確實提供自己的指導，因此在惡劣天氣下通常優于相機。但盡管如此，他們也只能在清晰的視線中看到前方，因此在被建筑物或其他障礙物遮擋的情況下，將無法檢測到接近十字路口的汽車。
雷達在距離精度和角度分辨率方面比激光雷達差——這是兩個不同目標之間分辨一個目標所需的最小到達角。但我們設計了一種新穎的雷達架構，克服了這些缺陷，使其在增強激光雷達和攝像頭方面更加有效。
我們提出的架構采用了所謂的稀疏、大口徑多波段雷達。基本思想是使用各種頻率，利用每個頻率的特定屬性，將系統從天氣的變遷中解脫出來，并通過和繞過角落。反過來，該系統采用先進的信號處理和 傳感器融合算法來生成環境的集成表示。
我們已經通過實驗驗證了我們雷達系統的理論性能極限——它的范圍、角分辨率和精度。目前，我們正在為各種汽車制造商構建硬件以供評估，最近的道路測試已經成功。我們計劃在 2022 年初進行更精細的測試，以展示轉角感應。
每個頻段都有其優點和缺點。77 GHz 及以下的頻段可以通過 1,000 米的濃霧，而不會損失超過一分貝的信號強度。相比之下，激光雷達和攝像頭在 50 米的霧中損失 10 到 15 分貝。
然而，雨是另一回事。即使是小陣雨也會讓77 GHz 雷達像激光雷達一樣衰減 。沒問題，因為你可能會想——去較低的頻率就行。畢竟，在 1 GHz 或更低的頻率下，雨對雷達來說是透明的。
這可行，但您也需要高頻段，因為低頻段提供較差的范圍和角度分辨率。盡管您不一定將高頻與窄波束等同起來，但您可以使用天線陣列或高度定向天線，將毫米長的波投射到窄波束中的較高頻帶中，就像激光一樣。這意味著該雷達可以與激光雷達系統競爭，盡管它仍然會受到同樣無法看到視線之外的影響。
對于給定尺寸的天線——即給定陣列孔徑——波束的角分辨率與工作頻率成反比。類似地，為了實現給定的角分辨率，所需的頻率與天線尺寸成反比。因此，例如，要在相對較低的 UHF 頻率（0.3 至 1 GHz）下從雷達系統獲得所需的角分辨率，您需要一個天線陣列，該天線陣列是雷達運行所需天線陣列的數十倍。K（18 至 27 GHz）或 W（75 至 110 GHz）頻段。
盡管較低的頻率對分辨率沒有多大幫助，但它們帶來了其他優勢。電磁波傾向于在鋒利的邊緣衍射；當它們遇到曲面時，它們會在它們周圍以“爬行”波的形式衍射。這些影響太弱，無法在 K 波段的較高頻率下有效，尤其是 W 波段，但它們在 UHF 和 C（4 至 8 GHz）波段中可能很明顯。這種衍射行為以及較低的穿透損耗使此類雷達能夠檢測 拐角處的物體。
多路徑反射和穿過建筑物的傳輸允許自動駕駛車輛 [紅色圓圈，在每個圖表的右側] 在 0.45 秒左右開始檢測第二輛車 [紅色矩形，每個圖表的底部]，此時第二輛車仍然存在被左下角的建筑物牢牢地擋住了。由于反射和多路徑，兩個頻段都會產生“幽靈目標”[藍色圓圈]，因此系統采用貝葉斯算法來確定真實目標并去除幽靈。該算法結合了光線追蹤和 UHF 和 C 波段的結果隨時間的融合。
雷達的一個弱點是它遵循許多路徑，在往返被跟蹤物體的途中會反射無數物體。由于道路上存在許多其他汽車雷達，這些雷達回波變得更加復雜。但這種纏結也帶來了一種力量：范圍廣泛的彈跳可以為計算機提供有關沿視線投射的光束無法到達的地方發生的情況的信息——例如，揭示直接探測時無法看到的交叉路口。
遠看細節——從側面看，甚至直接穿過障礙物——是雷達尚未完全實現的承諾。沒有一個雷達頻段可以做到這一切，但是一個可以在多個頻段同時運行的系統可以非常接近。例如，K 和 W 等高頻段可以提供高分辨率，并且可以準確估計目標的位置和速度。但它們無法穿透建筑物的墻壁或看到角落；更重要的是，它們容易受到大雨、大霧和灰塵的影響。
UHF 和 C 等較低頻段不太容易受到這些問題的影響，但它們需要更大的天線元件并且可用帶寬更少，這會降低距離分辨率——區分具有相似方位但不同范圍的兩個物體的能力。對于給定的角分辨率，這些較低的頻帶還需要大孔徑。通過將這些不同的頻段組合在一起，我們可以平衡一個頻段的弱點與其他頻段的優勢。
不同的目標對我們的多頻段解決方案提出了不同的挑戰。汽車前部對 UHF 波段的雷達橫截面或有效反射率比對 C 和 K 波段的要小。這意味著使用 C 和 K 波段將更容易檢測到正在靠近的汽車。此外，與在 C 和 K 波段相比，在 UHF 波段，行人的橫截面在他或她的方向和步態變化方面表現出的變化要小得多。這意味著人們將更容易被 UHF 雷達探測到。
此外，當散射體表面有水時，物體的雷達橫截面會減小。這減少了在 C 和 K 波段測量的雷達反射，盡管這種現象不會顯著影響 UHF 雷達。
另一個重要的區別在于較低頻率的信號可以穿透墻壁并穿過建筑物，而較高頻率的信號則不能。例如，考慮一堵 30 厘米厚的混凝土墻。雷達波穿過墻壁而不是從墻壁反射的能力是波長、入射場的偏振和入射角的函數。對于 UHF 頻段，在大范圍的入射角上，傳輸系數約為 –6.5 dB。對于 C 和 K 頻段，該值分別降至 –35 dB 和 –150 dB，這意味著只有很少的能量可以通過。
如前所述，雷達的角分辨率與使用的波長成正比。但它也與孔徑的寬度成反比，或者對于天線的線性陣列，與陣列的物理長度成反比。這就是為什么毫米波（例如 W 和 K 波段）可以很好地用于自動駕駛的原因之一。基于兩個 77-GHz 收發器、孔徑為 6 cm 的商用雷達單元可為您提供大約 2.5 度的角分辨率，比典型的激光雷達系統差一個數量級以上，對于自動駕駛來說太少了。在 77 GHz 下實現激光雷達標準分辨率需要更大的孔徑——例如 1.2 米，大約是汽車的寬度。
除了范圍和角度分辨率外，汽車的雷達系統還必須跟蹤大量目標，有時同時跟蹤數百個目標。如果目標與汽車的距離僅相差幾米，則可能很難按距離區分目標。對于任何給定的范圍，一個均勻的線性陣列（其發射和接收元件等距分布）只能區分與其擁有的天線數量一樣多的目標。在可能有大量目標的雜亂環境中，這似乎表明需要數百個這樣的發射器和接收器，而需要非常大的孔徑會使問題變得更糟。這么多硬件將是昂貴的。
解決這個問題的一種方法是使用一個數組，其中元素只放置在它們通常占據的幾個位置。如果我們仔細設計這樣一個“稀疏”數組，使每個相互的幾何距離都是唯一的，我們可以使它的行為與非稀疏的全尺寸數組一樣好。例如，如果我們從一個在 K 波段工作的 1.2 米孔徑雷達開始，并放入一個設計合理的稀疏陣列，它只有 12 個發射元件和 16 個接收元件，它的行為就像一個有 192 個元件的標準陣列。原因是精心設計的稀疏陣列在每個發射器和接收器之間可以有高達 12 × 16 或 192 的成對距離。使用 12 種不同的信號傳輸，16 個接收天線將接收 192 個信號。由于每個發射/接收對之間的唯一成對距離，可以使生成的 192 個接收信號表現得好像它們是由 192 個元素的非稀疏數組接收的。因此，稀疏陣列允許人們用時間換取空間——即使用天線元件進行信號傳輸。
雷達通常比基于光的傳感器（尤其是激光雷達）更容易在雨中看到。在相對較低的頻率下，雷達信號的強度損失要低幾個數量級。
原則上，沿汽車上的假想陣列放置的單獨雷達單元應作為更大孔徑的單個相控陣單元運行。然而，該方案需要單獨子陣的每個發射天線聯合傳輸，以及聯合子陣的每個天線單元收集的數據的聯合處理，這反過來又要求所有子陣單元的相位為完美同步。
這一切都不容易。但即使可以實現，這樣一個完美同步的分布式雷達的性能仍然遠遠低于精心設計的、完全集成的、大口徑稀疏陣列的性能。
考慮兩個 77 GHz 的雷達系統，每個雷達系統的孔徑長度為 1.2 米，具有 12 個發射元件和 16 個接收元件。第一個是精心設計的稀疏數組；第二個將兩個 14 元素標準陣列放置在孔徑的最末端。兩個系統具有相同的孔徑和相同數量的天線元件。但是，盡管集成的稀疏設計無論在哪里掃描都表現同樣出色，但分離的版本很難從陣列的前面直視前方。那是因為兩束天線相距很遠，在中心產生了一個盲點。
在廣泛分離的場景中，我們假設兩種情況。首先，分體系統兩端的兩個標準雷達陣列不知何故完美同步。這種安排在 45% 的時間里無法檢測到物體。在第二種情況下，我們假設每個陣列獨立運行，然后將它們各自獨立檢測到的對象融合在一起。這種安排幾乎 60% 的時間都失敗了。相比之下，精心設計的稀疏數組失敗的可能性微乎其微。
卡車和汽車配備了作者公司 Neural Propulsion Systems 的大口徑多波段雷達。請注意卡車擋風玻璃上方非常寬的天線。
在模擬中可以很容易地描繪出拐角處的景象。我們考慮了一輛配備了我們的系統的自動駕駛汽車，靠近一個有四棟高層混凝土建筑的城市十字路口，每個角落都有一座。在模擬開始時，車輛距離十字路口中心 35 米，第二輛車正通過交叉路口接近中心。接近的車輛不在自動駕駛車輛的視線范圍內，因此如果沒有看到拐角處的方法就無法檢測到。
在三個頻段中的每一個頻段，雷達系統都可以估計視線內目標的范圍和方位。在這種情況下，目標的射程等于光速乘以發射的電磁波返回雷達所需時間的一半。目標的方位角由雷達接收到的波前的入射角確定。但是當目標不在視線范圍內并且信號沿多條路徑返回時，這些方法不能直接測量目標的距離或位置。
但是，我們可以 推斷目標的范圍和位置。首先，我們需要區分視線、多路徑和穿過建筑物的返回。對于給定的范圍，多徑返回通常較弱（由于多次反射）并且具有不同的極化。通過建筑物的回報也較弱。如果我們知道基本環境——建筑物和其他靜止物體的位置——我們可以構建一個框架來找到真實目標的可能位置。然后，我們使用該框架來估計目標在這個或那個位置的可能性。
隨著自動駕駛汽車和各種目標的移動以及雷達收集到更多數據，每條新證據都用于更新概率。這是貝葉斯邏輯，從它在醫學診斷中的使用中很熟悉。病人有發燒嗎？如果有，是否有皮疹？在這里，每次汽車系統更新估計值時，它都會縮小可能性范圍，直到最終顯示真實目標位置并且“幽靈目標”消失。通過融合從多個頻段獲得的信息，可以顯著提高系統的性能。
我們使用實驗和數值模擬來評估我們的雷達系統在各種操作條件下的理論性能極限。道路測試證實雷達可以檢測到來自遮擋的信號。在接下來的幾個月里，我們計劃展示圓角感應。
我們的系統在范圍、角度分辨率和在拐角處看到的能力方面的性能應該是前所未有的。我們希望它能夠實現一種比我們所知道的更安全的駕駛方式。