4D成像雷達“門檻升級”，點雲處理+前融合感知大戰打響
汽車毫米波雷達市場的變革，超出很多人的預期。
如今，幾乎大部分的毫米波雷達公司都在推動4D成像雷達的技術落地。從自動駕駛公司Waymo，到大陸集團、採埃孚、博世等傳統雷達廠商以及傲酷（被安霸收購）、為升科等後來者。
過去，解析度差、行人低反射率、噪聲和多徑效應，同時成本高於攝像頭，對於不同靜止物體的識別差，這些都是毫米波雷達的缺點。
大幅提高解析度是出路之一，這就是目前4D以及成像雷達的優點之一。
傳統雷達可能得到5度的低角度解析度（但垂直方向更差），但4D成像雷達可以提升至1度，有的可以達到0。5度甚至更高。
結果是，4D成像雷達產生類似鐳射雷達的“點雲”。同時，優點在於對於每個點，不僅知道X和Y，還可以直接得到距離和速度值。同時，還可以跟蹤這些資料隨著時間的變化（也可以定義為5D）。
而在過去幾十年時間裡，毫米波雷達經歷過輝煌，也有一些挫折。從最早單雷達的ACC，到後來Mobileye視覺方案的大翻盤，再到如今的多感測器融合，4D雷達成為新的焦點。
同時，AI技術的加持，也在從視覺延伸至4D雷達。透過點雲的最佳化處理，消除返回噪聲，也包括從物體輪廓中識別目標和分類。更關鍵的是，雷達的價格還在持續下滑。
一、門檻升級
近日，4D成像雷達方案商Zadar Labs, Inc.宣佈正在為基於雷達點雲的感知構建首個深度學習訓練資料集。
透過與Xilinx公司合作開發4D雷達深度學習處理器單元（DPU），加速實現基於4D雷達點雲的目標分類。
在高工智慧汽車研究院看來，隨著類似NXP、TI這樣的雷達晶片方案供應商陸續推出4D雷達晶片方案，輸出點雲資料只是入門級別。資料處理才是真正提高雷達效能所必需的。
在這一點上，無論是攝像頭還是鐳射雷達，都已經走在前面。不過，目前這兩種感測器的AI及深度學習處理技術模型，並不適合4D成像雷達。
在Zadar Labs看來，成像點雲的深度資訊和質量不僅提供了位置資訊，而且還提供了速度、信噪比和反射率等指標的最佳化。Zadar的SDIR解決方案透過額外的檢測特徵，尋求從根本上發揮4D成像雷達未被開發的潛力。
目前，Zadar的團隊正專注於目標分類的訓練資料集。然而，這僅僅是個開始。隨著資料集的細化和擴充套件，感知工程師開發基於4D雷達的新演算法將成為新的競爭門檻，同時，這意味著後續與攝像頭、鐳射雷達的“畫素級”前融合成為可能。
比如，這套解決方案可以識別人的手臂相對於身體的運動，或者識別車輛的車輪。要實現基於4D雷達點雲的目標分類，就需要一個強大的DPU。
而在此前之前，大陸集團的ARS540正是採用了賽靈思的FPGA作為主處理晶片。
在賽靈思公司看來，4D成像雷達在點雲密度增加的情況下，如何增加檢測的成功機率，減少回聲的噪音，並實現遠處訊號反射較弱物體的檢測，還需要解決多訊號的干擾問題。
看到這個機會的，還有傳統視覺晶片方案提供商安霸半導體。
今年，該公司收購了4D成像雷達初創公司傲酷（Oculii），後者的自適應軟體演算法可以在傳統雷達晶片基礎上實現高解析度、更長距離和更高的探測精度。
接下來，傲酷的4D雷達軟體可以直接部署在安霸的CVflowSoC上，甚至可以提升傳統雷達的解析度和探測精度，從而提供全天候、低成本和可擴充套件的融合感知解決方案。
“我們希望傲酷獨特的自適應雷達感知演算法，結合安霸的視覺和人工智慧處理能力，解鎖更高水平的感知精度，而不是傳統的視覺和雷達的後融合解決方案。”到目前為止，傲酷已經與超過10家客戶簽訂了軟體授權協議，並拿到了前裝量產的商業開發合同。
而在Zadar Labs看來，視覺成像雷達是可擴充套件、強大和低成本自動駕駛感知的最佳組合。“這樣的產品正是市場所需要的。”
比如，在全新一代賓士S級的DRIVE PILOT系統中，就搭載了Veoneer的雙目立體視覺和大陸集團的ARS540成像雷達，這些方案中都採用了賽靈思的計算解決方案。
今年7月，賽靈思最新發布的Vitis AI 1。4版本，在原有的AI加速解決方案基礎上，也增加了4D雷達檢測演算法模型。
二、
任何一套具備可行性以及規模化落地能力的感知方案，取決於兩個主要要素：感測器提供的資訊質量，以及處理資料的能力和算力。
在安波福公司看來，在感測器方面，以毫米波雷達為中心的解決方案提供了一種可選的路徑，尤其是4D成像雷達的加入，意味著，接下來機器學習技術也可以使用來自雷達的資料，並與其他資料進行融合。
對於L2+/L3功能，如高速公路自動駕駛和車道改變輔助，用於前向的4D成像雷達可以提供更高的角解析度資料以及高程感知能力，同時提升角雷達的近距離精準探測能力，提升高階自動泊車的感知識別。
比如，安波福推出的FLR4+，也是該公司的首款4D成像雷達，探測距離同樣超過300米，並且透過機器學習支援真正的高程目標識別，並且還著重強調了具有吸引力的價格/效能比。
在角雷達應用上，安波福也推出了SRR6+和SRR6 HD兩個型號，前者的探測距離比前一代角雷達增加了一倍，並增加了更高解析度的角度識別。後者則為代客泊車和低速自動駕駛提供最大的解析度輸出。
“雷達提供的資料，比視覺系統提供的要複雜得多；不過，前者除了提供目標的位置之外，還提供距離和速度等資訊，這是相當有價值的。”安波福相關負責人表示，同時，由於域控制器架構帶來的高算力，意味著機器學習邊緣加速成為可能。
比如，高通公司本身不生產毫米波雷達，但透過在雷達上進行深度學習，來擴大雷達的效能。例如，透過使用高通內部開發的“雷達深度神經網路”，透過使用增強的雷達獲得更高的解析度和3D掃描。
更關鍵的是，相比於視覺處理，雷達資料處理的能耗更低。一組資料顯示，一個處理6個近距離雷達資料的系統功耗約1W，而一個處理6個攝像頭資料的系統則需要10W到15W。
在實際的道路場景應用上，此前安波福公司也給出了結合機器學習能力的一系列資料。比如，針對道路上的小物體或碎片，機器學習可以將探測距離再提高50%以上，並能跟蹤200米範圍內的小物體。
同時，對於前方小物體是否可以安全行駛透過，機器學習系統也可以用安全的和不安全的物體進行訓練。此外，與經典的雷達訊號處理相比，機器學習減少了70%的漏檢，透過與其他感測的融合可以進一步改善檢測。
機器學習還可以幫助提供準確的目標檢測和跟蹤，包括目標邊界和魯棒分離，可以將位置誤差和目標航向誤差降低50%以上，這意味著該車輛能夠更好地識別停在其他車道上的車輛，以及靜止或緩慢移動的物體。
此外，隨著點雲資料的增加，噪音也會增加。比如，隧道對於傳統雷達是另一個具有挑戰性的環境。隧道牆壁是一個巨大的反射面，可能導致非常多的返回點，甚至可以超過雷達處理目標的能力。
在安波福公司看來，機器學習可以幫助車輛瞭解何時進入隧道，能夠以比經典方法更高的精度過濾掉檢測中的噪聲。同時，還可以更好地解釋隧道和其他封閉環境中的雷達回波，對扇形等目標進行分類。
同時，高密度資料點，提供了更多關於物體形狀的詳細資訊。以採埃孚為例，4D成像雷達可以從行人身上接收大約10個數據點，而不是以前只有1或2個點，使系統能夠更準確地區分人和靜態物體。
隨著資料點數量的增加和更好的分佈，該系統甚至能夠透過測量點的移動速度來定義單個肢體的運動，這意味著感測器可以看到行人的移動方向。
按照一些公司的測算，4D成像雷達可以很快1-2年內達到目前傳統雷達的成本，此外，考慮到軟硬體解耦趨勢，4D成像雷達在提供豐富點雲資料的基礎上，還可以實現OTA更新，來增加更多的功能應用。
