Radar ô tô vượt xa những gì mắt thường nhìn thấy

Công nghệ tự lái được ví như việc đào tạo xe tự hành (AV) lái xe như con người – hoặc hy vọng là tốt hơn con người. Cũng giống như con người dựa vào các giác quan và phản ứng nhận thức để lái xe, công nghệ cảm biến là một phần không thể thiếu trong khả năng lái xe tự động.

Trong số các cảm biến camera, radar và lidar, radar có lẽ có lịch sử lâu đời nhất trong việc hỗ trợ an toàn giao thông. Một trong những công nghệ radar được cấp bằng sáng chế đầu tiên được sử dụng trong an toàn giao thông là “telemobiloscope”. Nó được tạo ra bởi nhà phát minh người Đức Christian Hülsmeyer như một công cụ tránh va chạm cho tàu thuyền.

Radar ô tô
Công nghệ radar đã có nhiều tiến bộ và hiện là công nghệ quan trọng hỗ trợ các tính năng an toàn trên ô tô, với thị trường lớn ước tính hơn 5 tỷ đô la vào năm 2023 .

Radar ô tô cung cấp một số lợi thế. Những lợi thế này tiếp tục giúp các kỹ sư áp dụng cho các hệ thống hỗ trợ lái xe tiên tiến (ADAS). Radar trong các phương tiện hiện đại cho phép hệ thống phanh khẩn cấp tự động, cảnh báo va chạm phía trước, phát hiện điểm mù, hỗ trợ chuyển làn đường, hệ thống cảnh báo va chạm phía sau, kiểm soát hành trình tốc độ cao thích ứng trên đường cao tốc và dừng và đi trong tình trạng giao thông đông đúc.

Radar ô tô

Trong khi công nghệ radar ô tô mang lại nhiều lợi thế, các kỹ sư đang đẩy mạnh ranh giới để phá vỡ những hạn chế của nó. Trong những năm qua, việc tinh chỉnh độ phân giải vẫn là một thách thức chính, nhưng những cải tiến trong những năm gần đây đang dẫn đến các radar có thể cung cấp độ chi tiết hơn về mặt phát hiện vật thể.

NỘI DUNG CHÍNH

Phân biệt trong 3D

Cảm biến radar ô tô 3D thông thường sử dụng tần số vô tuyến để phát hiện các vật thể ở dạng 3D: khoảng cách, vị trí và Doppler, hay vận tốc của vật thể. Để đưa cảm biến radar ô tô lên chuỗi giá trị an toàn nhằm hỗ trợ lái xe tự động, ngành công nghiệp này tiếp tục phá vỡ những hạn chế của radar 3D. Từ năm 2022, cả Châu Âu và Hoa Kỳ đã loại bỏ việc sử dụng tần số radar băng thông cực rộng (UWB) 24 GHz từ 21,65 GHz xuống 26,65 GHz do các quy định và tiêu chuẩn về phổ tần do Viện Tiêu chuẩn Viễn thông Châu Âu (ETSI) và Ủy ban Truyền thông Liên bang (FCC) phát triển.

Trong quá trình loại bỏ phổ tần UWB 24 GHz, các cơ quan quản lý đã mở một dải tần số phổ tần 5 GHz liền kề từ 76 GHz đến 81 GHz cho các công nghệ radar trên xe. Trong khi dải tần 76 GHz được sử dụng để phát hiện tầm xa, dải tần 77 – 81 GHz được sử dụng để phát hiện tầm ngắn, độ chính xác cao.

Tần số cao hơn và băng thông rộng hơn của các hệ thống radar ô tô tiên tiến giúp tăng cường độ phân giải phạm vi của radar, xác định khoảng cách giữa các vật thể trước khi chúng có thể phân biệt được là hai vật thể. Ví dụ, trong hệ thống radar 77 GHz, hai vật thể chỉ cần cách nhau 4 cm để radar phân biệt chúng là các vật thể riêng lẻ, so với hệ thống 24 GHz cũ hơn, trong đó các vật thể cần cách nhau ít nhất 75 cm để radar phát hiện chúng là các vật thể riêng biệt.

Radar ô tô

Khả năng phân biệt các vật thể của radar ô tô là rất quan trọng. Hãy tưởng tượng một cô gái và chú chó của cô ấy đứng cạnh nhau bên lề đường. Trong hầu hết các trường hợp, người lái xe có thể dễ dàng nhận ra tình huống và rất có thể ngăn chặn bất kỳ động thái đột ngột nào của chú chó. Tuy nhiên, chỉ có cảm biến radar ô tô có băng thông rộng hơn mới có thể phát hiện cả cô gái và chú chó riêng biệt và cung cấp thông tin chính xác cho hệ thống lái xe tự động.

Radar ô tôĐiều hướng an toàn hơn với radar 4D

Khi con người giao vô lăng cho AV, công nghệ cảm biến radar phải có khả năng cung cấp khả năng chính xác để phát hiện, phân loại và theo dõi các vật thể trong môi trường xung quanh xe. Nhu cầu này đang thúc đẩy sự phát triển của radar 4D cung cấp thông tin chính xác và chi tiết hơn về các vật thể trong không gian 3D bao gồm vị trí thẳng đứng, khoảng cách, vị trí nằm ngang và vận tốc đã được radar 3D báo cáo.Radar ô tô

Sự ra đời của radar hình ảnh 4D có nghĩa là xe tự hành có thể phát hiện các vật thể nhỏ hơn với độ phân giải cao hơn, trong khi radar hình ảnh cung cấp bản đồ môi trường “toàn diện” hoàn thiện hơn.

Khả năng phát hiện chiều cao của vật thể bằng radar 4D và radar hình ảnh là điều cần thiết để xe tự hành có thể diễn giải chính xác các vật thể theo góc nhìn thẳng đứng. Ví dụ, radar 3D của AV có thể phát hiện nhầm tín hiệu dội ra từ nắp cống phẳng là chướng ngại vật trên đường và dừng đột ngột để tránh chướng ngại vật không tồn tại.

Trong thế giới thực, các “sự kiện” giao thông mà radar ô tô phát hiện không bao giờ là các tập riêng biệt, giống như các ví dụ trên. Người lái xe điều khiển giữa hàng trăm phương tiện khác, người đi bộ, công trình đường bộ và thậm chí là cả những con nai sừng tấm hoang dã thỉnh thoảng băng qua đường, sử dụng sự kết hợp giữa thông tin nhận được bằng thị giác và thính giác, cũng như luật giao thông, kinh nghiệm và bản năng.

Tương tự như vậy, xe tự hành dựa vào dữ liệu chính xác từ các cảm biến radar và các hệ thống khác, bao gồm camera, lidar và hệ thống V2X để phát hiện môi trường giao thông. Các luồng dữ liệu khác nhau giao tiếp với ADAS hoặc các thuật toán lái xe tự động giúp nhận biết vị trí và tốc độ tương đối của các phương tiện hoặc vật thể được phát hiện. Các thuật toán điều khiển trong ADAS / hệ thống lái xe tự động sau đó giúp kích hoạt phản ứng thụ động, như đèn cảnh báo nhấp nháy để cảnh báo người lái xe về mối nguy hiểm ở điểm mù hoặc phản ứng chủ động, chẳng hạn như phanh khẩn cấp để tránh va chạm.

Đưa các phát hiện radar ô tô vào thử nghiệm

Hiện nay, các nhà sản xuất ô tô và nhà cung cấp mô-đun radar kiểm tra chức năng của mô-đun radar của họ bằng cả phần mềm và phần cứng. Có hai phương pháp chính để kiểm tra dựa trên phần cứng:

Sử dụng các tấm phản xạ góc được đặt ở các khoảng cách và góc khác nhau từ thiết bị radar đang thử nghiệm (DUT), với mỗi tấm phản xạ đại diện cho một mục tiêu tĩnh. Khi cần thay đổi kịch bản tĩnh này, các tấm phản xạ góc phải được di chuyển vật lý đến vị trí mới của chúng.

Sử dụng trình mô phỏng mục tiêu radar (RTS) cho phép mô phỏng điện tử các mục tiêu radar, do đó cho phép cả mục tiêu tĩnh và động, cùng với việc mô phỏng khoảng cách, vận tốc và kích thước của mục tiêu. Những thiếu sót của thử nghiệm chức năng dựa trên RTS phát sinh đối với các tình huống phức tạp và thực tế với hơn 32 mục tiêu. Thử nghiệm dựa trên RTS cũng không thể mô tả khả năng radar 4D và hình ảnh để phát hiện các vật thể mở rộng, là các vật thể được biểu diễn bằng các đám mây điểm thay vì chỉ một phản xạ.

Radar ô tô

Việc thử nghiệm các đơn vị radar với một số lượng vật thể hạn chế mang lại góc nhìn không đầy đủ về các tình huống lái xe cho AV. Nó che giấu sự phức tạp của thế giới thực, đặc biệt là ở các khu vực đô thị có các giao lộ và tình huống rẽ khác nhau liên quan đến người đi bộ, người đi xe đạp và xe tay ga điện.

Thuật toán Radar thông minh hơn

Ngày càng nhiều, máy học đang giúp các nhà phát triển đào tạo các thuật toán ADAS của họ để giải thích và phân loại dữ liệu từ các cảm biến radar và các hệ thống cảm biến khác tốt hơn. Gần đây hơn, thuật ngữ YOLO đã xuất hiện trong các tiêu đề về thuật toán radar ô tô. Từ viết tắt này có nghĩa là ‘bạn chỉ nhìn một lần’. Từ viết tắt này rất phù hợp, vì những gì radar nhận biết và cách các thuật toán ADAS giải thích dữ liệu là các quy trình quan trọng đối với nhiệm vụ, có thể là vấn đề sống còn. Phát hiện mục tiêu radar dựa trên YOLO nhằm mục đích phát hiện và phân loại chính xác nhiều đối tượng cùng một lúc.

Điều quan trọng là phải đưa cả cảm biến radar vật lý và thuật toán ADAS vào thử nghiệm nghiêm ngặt trước khi các hệ thống tự lái này chuyển sang giai đoạn thử nghiệm đường bộ tốn kém cuối cùng. Để tạo ra góc nhìn 360 độ thực tế hơn về các tình huống giao thông thực tế khác nhau, các nhà sản xuất ô tô đã bắt đầu sử dụng công nghệ mô phỏng cảnh radar để đưa đường vào phòng thí nghiệm.

Một trong những thách thức chính của việc chuyển sang lái xe tự động Cấp độ 4 và 5 là khả năng phân biệt giữa các chướng ngại vật động trên đường và tự động quyết định phương hướng hành động so với việc chỉ giơ cờ hoặc nhấp nháy cảnh báo trên bảng điều khiển. Khi mô phỏng tình huống giao thông, quá ít điểm trên mỗi vật thể có thể khiến radar phát hiện nhầm các mục tiêu cách nhau gần như là một thực thể duy nhất. Điều này khiến việc kiểm tra đầy đủ không chỉ cảm biến mà còn cả các thuật toán và quyết định dựa trên luồng dữ liệu từ cảm biến radar trở nên khó khăn.

Công nghệ mô phỏng cảnh radar mới sử dụng công nghệ dò tia và đám mây điểm để trích xuất dữ liệu có liên quan từ các cảnh giao thông mô phỏng có độ chân thực cao và cung cấp khả năng phát hiện và phân biệt các vật thể tốt hơn (xem Hình 5). Sử dụng công nghệ sóng milimet (mmWave) mới qua không trung, trình mô phỏng cảnh radar có thể tạo ra nhiều mục tiêu tĩnh và động từ khoảng cách gần tới 1,5 mét đến khoảng cách xa tới 300 mét và với vận tốc từ 0 đến 400 km/h cho radar ô tô tầm ngắn, tầm trung và tầm xa. Điều này cung cấp một kịch bản giao thông thực tế hơn nhiều để có thể thử nghiệm các cảm biến radar.Radar ô tôMô phỏng cảnh radar cực kỳ hữu ích cho các bài kiểm tra lái xe trước khi ra đường vì cả cảm biến radar và thuật toán đều có thể trải qua nhiều lần lặp lại thiết kế nhanh chóng để sửa lỗi và tinh chỉnh thiết kế. Ngoài ADAS và thử nghiệm chức năng lái xe tự động, nó có thể giúp các nhà sản xuất ô tô với các ứng dụng xử lý khác nhau, chẳng hạn như xác thực tác động của các thiết kế cản, sơn và vị trí mô-đun radar khác nhau đối với các chức năng radar.

Đối với các nhà cung cấp nền tảng lái xe tự động và nhà sản xuất hệ thống radar, việc nâng cao khả năng nhận thức của xe về nhiều cảnh giao thông thực tế khác nhau thông qua nhiều kịch bản có thể lặp lại và tùy chỉnh có thể cho phép các cảm biến radar thu thập lượng lớn dữ liệu để máy học bằng các thuật toán lái xe tự động.

Ngày nay, xử lý tín hiệu số tiên tiến (DSP) cũng đóng vai trò quan trọng trong việc cho phép tinh chỉnh các phát hiện radar riêng lẻ. Ví dụ, radar có thể thu được các điểm khác nhau của cánh tay và chân của người đi bộ, bao gồm vận tốc, khoảng cách, mặt cắt ngang (kích thước) và góc (cả theo chiều ngang và chiều dọc), như minh họa trong Hình 6. Điều này cung cấp thông tin quan trọng để đào tạo các thuật toán radar nhằm xác định người đi bộ, so với hệ số dạng 4D kỹ thuật số của một con chó đang băng qua đường.

Con đường đến Siêu cảm biến

Từ thiết kế chip đến chế tạo và thử nghiệm mô-đun radar tiếp theo, mỗi bước trong vòng đời thiết kế, phát triển và chế tạo radar ô tô đều đòi hỏi phải thử nghiệm nghiêm ngặt.

Có nhiều thách thức thử nghiệm khi làm việc với tần số mmWave cho các ứng dụng radar ô tô. Các kỹ sư cần xem xét thiết lập thử nghiệm, đảm bảo thiết bị thử nghiệm có thể thực hiện các phép đo mmWave băng thông cực rộng, giảm thiểu mất tỷ lệ tín hiệu trên nhiễu và đáp ứng các yêu cầu tiêu chuẩn mới nổi của các khu vực thị trường khác nhau để thử nghiệm nhiễu.

Ở cấp độ mô-đun radar, việc thử nghiệm các mô-đun radar hình ảnh và 4D hiện đại đòi hỏi thiết bị thử nghiệm có thể cung cấp nhiều băng thông hơn và độ chính xác khoảng cách tốt hơn.

Cuối cùng, thách thức lớn nhất là tích hợp radar ô tô vào hệ thống lái xe tự động và ADAS và đưa các thuật toán từ tình huống lái xe tiêu chuẩn vào trường hợp góc một trong một triệu. Hệ thống siêu cảm biến radar được đào tạo và thử nghiệm tốt sẽ đảm bảo hành khách có những chuyến đi êm ái và an toàn hơn khi nhiều tài xế sẽ ngồi ghế sau trong tương lai.

Trả lời

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *