自动驾驶系列—揭秘毫米波雷达：自动驾驶的眼睛如何看穿复杂环境？

自动驾驶系列—揭秘毫米波雷达：自动驾驶的眼睛如何看穿复杂环境？

引用

CSDN

1.

https://blog.csdn.net/u013889591/article/details/142749947

毫米波雷达作为自动驾驶车辆感知系统的核心组件之一，具有远距离探测、全天候工作等优点。尽管其分辨率和探测精度不及激光雷达，但凭借低成本和可靠性，它在自适应巡航、碰撞预警、盲区监测等应用中发挥了重要作用。

在自动驾驶汽车的发展过程中，传感器技术是实现车辆自主感知、决策和行动的基础。其中，毫米波雷达作为一种重要的环境感知传感器，能够在复杂的驾驶环境中发挥重要作用。毫米波雷达不仅能实时探测车辆周围的动态信息，还具备全天候、全天时工作的能力，因此在自动驾驶技术的多个应用场景中得到了广泛应用。

毫米波雷达工作原理

毫米波雷达的工作原理基于电磁波的发射和接收，通过测量反射回来的无线电信号来计算目标物体的距离、速度和方位。

测距与测速原理

毫米波雷达利用多普勒效应进行距离和速度的测量。其基本步骤如下：

• 信号发射：振荡器产生的频率信号通过天线向目标物体发射。该信号的频率随时间变化，通常是上升的线性调频波（称为“调频连续波”）。
• 信号接收：当发出的信号遇到物体后，信号会反射回来。雷达通过接收天线接收反射信号。
• 时间延迟计算：反射信号到达雷达接收端的时间与发射信号之间存在时间延迟。根据这一时间延迟，可以计算物体的距离，距离公式为：
  距离 = 光速 × 时间延迟 2 距离 = \frac{光速 \times 时间延迟}{2}距离=2光速×时间延迟
• 速度测量：通过计算反射波的频率变化，可以确定物体的相对速度。根据多普勒效应，运动物体引起的频率差可以用来推导出目标物体的运动速度。

毫米波雷达的工作流程

• 发射毫米波信号：通过雷达的发射天线发射毫米波信号。
• 接收反射信号：毫米波信号遇到物体反射后，由接收天线接收反射信号。
• 信号处理：通过后台的信号处理单元，计算车辆与物体之间的距离、相对速度和角度信息。
• 数据融合：将毫米波雷达的探测数据与其他传感器（如摄像头、激光雷达）的数据结合，进行目标追踪、分类和识别。
• 决策执行：中央处理单元（ECU）基于融合后的数据作出合理的驾驶决策，如自动刹车、自适应巡航等。

毫米波雷达分类

根据频段和用途，毫米波雷达可分为不同类型，常见的分类包括：

按频段划分

• 24GHz雷达：适用于短距离探测，通常用于盲区检测和停车辅助。具有较低的成本，但分辨率和探测距离较短。
• 77GHz雷达：广泛应用于中远距离探测，适合自适应巡航控制（ACC）和自动紧急制动（AEB）。探测精度和距离都显著提升。
• 79GHz雷达：具有更高的分辨率和更远的探测距离，未来有望成为自动驾驶雷达的主流选择。

按应用场景划分

• 前向雷达：安装在车前方，用于检测前方的车辆、行人和障碍物，通常配合自动紧急制动系统（AEB）和自适应巡航控制（ACC）。
• 后向雷达：用于倒车辅助和后方碰撞预警，帮助车辆在倒车时监测后方物体。
• 侧向雷达：用于盲区监测，检测车辆侧面难以直接观察到的区域。

毫米波雷达应用类型

毫米波雷达根据应用的不同，可以进行细分，以下是常见的应用类型：

• 自适应巡航控制（ACC）：毫米波雷达检测前方车辆的距离和速度，帮助车辆自动保持与前车的安全距离。
• 自动紧急制动（AEB）：当检测到前方障碍物或行人时，毫米波雷达配合车辆系统，自动触发制动系统，防止碰撞。
• 盲点监测（BSD）：侧向毫米波雷达用于探测车辆两侧的盲区，在并线或转弯时提供安全预警，避免侧面碰撞事故。
• 碰撞预警系统（FCW）：毫米波雷达实时检测车辆行驶方向上的障碍物并发出碰撞预警，提醒驾驶员注意前方危险。

毫米波雷达核心关键指标

选择合适的毫米波雷达时，需要考虑以下几个关键技术指标：

毫米波雷达优缺点

优点

• 全天候工作能力：毫米波雷达不受天气条件（如雾、雨、雪）的影响，能够在各种恶劣环境下稳定工作。
• 探测距离远：毫米波雷达的探测距离可以达到100米以上，特别适合高速公路等远距离探测场景。
• 成本相对较低：与激光雷达相比，毫米波雷达的制造成本较低，适合大规模应用。

缺点

• 分辨率较低：毫米波雷达的探测精度不如激光雷达，在某些精细的环境感知场景中表现不佳。
• 易受反射材料影响：毫米波雷达对金属和其他高反射材料非常敏感，容易产生误报或信号偏差。
• 探测角度较小：毫米波雷达的视角通常较窄，难以覆盖车辆周围的全部环境，通常需要多个雷达协同工作。

选型指南

在选择毫米波雷达时，需考虑以下几个因素：

• 应用场景：根据不同的应用场景选择不同类型的雷达。例如，前向雷达需要较远的探测距离，而侧向雷达则需要更大的视角。
• 探测距离和精度：对于高速公路或长距离感知的应用，选择高探测距离和高精度的毫米波雷达。
• 成本与性能：在满足性能要求的基础上，选择成本适中的雷达解决方案，尤其是在多雷达协同工作时。
• 抗干扰能力：在复杂的电磁环境中，雷达的抗干扰能力尤为重要，应选择具备良好抗干扰能力的毫米波雷达产品。

应用场景

高速自动驾驶

在高速场景中，车辆需要检测远距离的障碍物，毫米波雷达能够提供精确的远距离探测，确保车辆在高速行驶时的安全。

城市道路自动驾驶

在城市道路上，车辆面临复杂的交通情况和多种障碍物，毫米波雷达结合其他传感器（如摄像头、激光雷达）提供全面的环境感知。

泊车辅助

毫米波雷达在低速场景下能够提供高精度的短距离感知，帮助车辆在狭小空间内泊车，并避免碰撞。

数据结构

// 毫米波雷达核心关键指标的数据结构 (C++)

struct MillimeterWaveRadarSpecs {
    double detectionRange;        // 探测距离 (以米为单位，通常为浮点数)
    double accuracy;              // 探测精度 (以厘米为单位，通常为浮点数)
    double fovAngle;              // 探测角度 (以度数为单位，通常为浮点数)
    bool antiInterference;        // 抗干扰能力 (布尔类型，用于表示是否具备高抗干扰能力)
    int resolution;               // 分辨率 (整数类型，用于表示分辨率水平)
    // 构造函数
    MillimeterWaveRadarSpecs(double range, double acc, double fov, bool antiInterf, int res)
        : detectionRange(range), accuracy(acc), fovAngle(fov), antiInterference(antiInterf), resolution(res) {}
};
// 示例使用
int main() {
    MillimeterWaveRadarSpecs radar(100.0, 1.0, 120.0, true, 1280);  // 创建毫米波雷达的结构体实例
    // 输出雷达的核心指标
    std::cout << "探测距离: " << radar.detectionRange << "m" << std::endl;
    std::cout << "探测精度: " << radar.accuracy << "cm" << std::endl;
    std::cout << "探测角度: " << radar.fovAngle << "°" << std::endl;
    std::cout << "抗干扰能力: " << (radar.antiInterference ? "是" : "否") << std::endl;
    std::cout << "分辨率: " << radar.resolution << "p" << std::endl;
    return 0;
}
  

说明：

• detectionRange 是 double 类型，用于表示雷达的探测距离，通常以米为单位。
• accuracy 是 double 类型，用于表示雷达的测距精度，通常以厘米为单位。
• fovAngle 是 double 类型，用于表示雷达的视场角，通常以度数表示。
• antiInterference 是 bool 类型，用于表示雷达是否具备抗干扰能力，true 代表具备抗干扰能力。
• resolution 是 int 类型，用于表示雷达的分辨率，通常是整数。

总结与讨论

毫米波雷达作为自动驾驶车辆感知系统的核心组件之一，具有远距离探测、全天候工作等优点。尽管其分辨率和探测精度不及激光雷达，但凭借低成本和可靠性，它在自适应巡航、碰撞预警、盲区监测等应用中发挥了重要作用。随着自动驾驶技术的进一步发展，毫米波雷达与其他传感器的融合将成为未来环境感知的主流方案。