当前位置: 首页 > news >正文

自动驾驶中的传感器技术48——Radar(9)

本节开始介绍雷达前端算法,即雷达如何配置。

首先这里推荐两本书:FMCW Radar Design 和 Radar Signal Processing for Autonomous Driving

首先对雷达MMIC的技术指标进行相关论述(参数以AWR2944为例):

图1 AWR2944

1、收发通道数

4T4R:各通道独立,影响水平测角和俯仰测角的虚拟阵规模

2、雷达频率范围

76~81GHz:影响了chirp调制的频率范围,从而影响最小距离分辨率,但是调频带宽越大,对后端处理要求约高

3、Tx Power

13.5dBm:LRR雷达的最远作用范围还是要考虑Tx的发射功率的

4、Rx Noise Figure

12dB:影响了最小接收灵敏度

5、1dB Compression Point

-10dBm:影响了最近距离下高反目标导致的雷达饱和

6、Phase Noise at 1MHz

76~77GHz:-96dBc/Hz

77~78GHz:-95dBc/Hz

影响近距离的大小目标区分

7、Per chirp configurable Tx phase shifter

6b,5.625deg

雷达编码波形调制能力

8、Phase shifter accuracy

±5°;±2°(calibrated):雷达DoA以及不同通道之间的相位一致性

9、Chirp Linerity

0.01%:如果Chirp信号存在非线性,频率变化不再严格线性,这将导致目标回波信号的“拍频”(beat frequency)不再恒定,从而影响距离分辨率,甚至可能导致目标位置的误判或“假目标”;在多目标场景中,雷达需要通过多个Chirp信号的组合来区分不同目标。如果Chirp信号的线性度不理想,可能会导致目标之间的相互干扰,从而影响目标的准确识别和定位

10、Advanced chirp support

2048 unique chirp

11、Max IF

15MHz:ADC的采样率决定了中频信号的最大带宽,从而限制了雷达的性能。中频带宽越宽,距离分辨率越高

12、Max real/complex sampling rate

37.5Msps(real):最大探测距离是FMCW雷达的一个重要性能指标,它受到ADC采样率的限制。ADC采样率越高,能够处理的中频信号带宽越宽,从而能够探测更远距离的目标。然而,过高的采样率会增加数据处理的复杂性和系统成本,因此需要在性能和成本之间进行权衡

13、ADC bits

12bit ,ENOB 11.5bit:ADC的分辨率(位宽)直接影响信号处理的质量。ADC的分辨率不足会导致量化噪声增加,降低信号处理质量,尤其是在存在强干扰反射的情况下。例如,低分辨率的ADC可能导致弱目标被掩盖,而高分辨率的ADC虽然能提高灵敏度,但会增加计算负担和成本。

14、Processor

DSP C66x 360MHz;MCU ARM R5F LOCKSTEP 300MHz;Hardware Accelerator HWA2.1 300MHz

15、Hardware Accelerator

FFT:up to 2048, radix-3 supported

CFAR:CA/OS/Local Maxim

Statistics:1D Sum,1D Max,Histogram,CDF,2D Max

DoA:FFT with zero insertion

Windowing:complex widdow

Memory Compression:25/33/50/62.5%

16、On chip memory

4MB

17、Safety

ASIL-B

18、Security

HSM-FULL

19、Temperature

-40~140


文章转载自:

http://x60FkYEv.rkhhL.cn
http://ibCjFZYK.rkhhL.cn
http://FnCBLSqB.rkhhL.cn
http://W85v37NX.rkhhL.cn
http://kjgC01IQ.rkhhL.cn
http://RnK2iFmH.rkhhL.cn
http://OtYX4KGf.rkhhL.cn
http://cExJXBbe.rkhhL.cn
http://vZs6A01H.rkhhL.cn
http://7VCWwEaM.rkhhL.cn
http://z0HUivHm.rkhhL.cn
http://BcOCkdYq.rkhhL.cn
http://i0DOlCkL.rkhhL.cn
http://fLdGrEmW.rkhhL.cn
http://ICJHeKm9.rkhhL.cn
http://R3kO2c4d.rkhhL.cn
http://PS7ZiGPV.rkhhL.cn
http://LFvOZ69p.rkhhL.cn
http://9l4BV0rK.rkhhL.cn
http://pm9lvzxS.rkhhL.cn
http://M3pnhAyV.rkhhL.cn
http://cFHvbriJ.rkhhL.cn
http://ShKUkkOo.rkhhL.cn
http://zYaIVMqe.rkhhL.cn
http://nZ2taGR1.rkhhL.cn
http://jBNLYyzF.rkhhL.cn
http://2nhyuSQt.rkhhL.cn
http://jmWQhkLz.rkhhL.cn
http://G4410GbR.rkhhL.cn
http://pDfJ5FfS.rkhhL.cn
http://www.dtcms.com/a/384687.html

相关文章:

  • HDLBits 解题更新
  • Python 自动化测试开发教程:Selenium 从入门到实战(1)
  • 树莓派4B实现网络电视详细指南
  • Docker:在Windows上安装和使用,加速容器应用开发
  • Android中怎么使用C动态库
  • Redis 安装实战:在 CentOS 中通过源码包安装
  • 抛砖引玉:神经网络的激活函数在生活中也有
  • Java生成与解析大疆无人机KMZ航线文件
  • Mysql 主从复制、读写分离
  • Linux网络设备驱动结构
  • 第四阶段C#通讯开发-3:串口通讯之Modbus协议
  • 使用生成式 AI 和 Amazon Bedrock Data Automation 处理大规模智能文档
  • 可可图片编辑 HarmonyOS(7)图片绘画
  • django登录注册案例(上)
  • 查看iOS设备文件管理 访问iPhone用户文件、App沙盒目录 系统日志与缓存
  • 基于Echarts+HTML5可视化数据大屏展示-白茶大数据溯源平台V2
  • android 框架—网络访问Okhttp
  • CUDA 中Thrust exclusive_scan使用详解
  • Quat 四元数库使用教程:应用场景概述
  • GitHub 热榜项目 - 日榜(2025-09-15)
  • 让AI数据中心突破性能极限
  • Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection 论文精读
  • 【3D图像算法技术讨论】如何给基于3dgs重建的城市街景增加碰撞的属性,满足仿真的要求?
  • numpy学习笔记
  • Oracle体系结构-归档日志文件(Archive Log Files)
  • 唐源电气:机器视觉与AI Agent引领智能运维
  • 【Python】在pycharm中使用environment.ylm文件配置虚拟环境
  • 2025前端面试题及答案-2(详细)
  • 技术突破:《Light Sci. Appl.》SH-GSL理论,为超表面提供全通道谐波调控能力
  • 2025年ASOC SCI2区TOP,多类别教学优化算法+多修剪机器人与多施肥无人机协同任务分配,深度解析+性能实测