一、      交通毫米波雷達的發展

        毫米波雷達技術最早應用于軍工領域。近10年，隨著高頻毫米波芯片的量產，毫米波雷達成本大幅下降，其產品開始廣泛應用于車載雷達、智慧交通、健康醫療等領域。毫米波雷達相比攝像頭和激光雷達，受天氣影響更小，目標檢測可靠精準，近些年在智能交通領域中嶄露頭角。已逐漸發展成為智能交通系統中不可或缺的傳感器。

       然而，交通毫米波雷達由于體制原因，仍存在一些不可避免的問題。毫米波雷達是利用目標對電磁波的反射來發現并測定目標位置, 而充滿雜波的外部環境（大車、地物、指示牌、樹木）會給毫米波雷達感知帶來無法避免的虛警問題[1]。另外，由于非機動車行人RCS較小，交通毫米波雷達在非機動車行人識別方面表現不穩定。同時也因低密度的點云數據，交通毫米波雷達在目標類型識別方面不是很精確。

二、      4D毫米波雷達概述

        傳統的毫米波雷達主要依靠3個維度分辨目標，即距離分辨力、方位分辨力和速度分辨力。路面上的所有目標，包括機動車、非機動車、行人、動物、樹木等，都會反射雷達回波。當毫米波雷達接收到這些回波，只要在距離、方位和速度上有任意一個維度可被區分，那么這些目標就能被有效分開，并實現過濾和跟蹤處理。在流量較小的道路上，車輛的速度和位置一般都有明顯的差別，毫米波雷達可以輕易的將目標區分清楚。但遇到擁堵的道路或復雜的路口，車輛緩行、非機動車行人混行、路面指示牌影響時，目標的速度相差無幾（<1m/s），位置又互相非?？拷?lt; 0.25m）。這時就對雷達的檢測能力提出了很大的挑戰。

        2020年起，很多毫米波雷達廠家推出了4D毫米波雷達。4D毫米波雷達增加了測高的能力，除了傳統的距離分辨力、方位分辨力和速度分辨力外，增加了俯仰角分辨力，從而大幅提升了目標檢測能力。例如路邊的樹木和邊上站的人，速度和位置都基本一樣無法區分，但高度上有明顯區別，即可識別成2個物體。

        目前，4D毫米波雷達的實現方式主要有三種方案，分別是標準芯片+軟件算法、采用多收多發芯片組級聯、自研特種芯片或材料。而4D毫米波雷達尚處于起步階段，  雖然市面上很多廠家推出了相關的產品，但最終實現量產交付的產品非常有限。

三、4D雷視一體機及解決方案

      現有的4D毫米波雷達基本都是車載雷達，被安裝于車輛的前部，實現對前方目標的成像和跟蹤。4D毫米波雷達傳承了傳統雷達的全天候探測特性，同時能夠探測靜止物體且并輸出高密度的點云數據，可以媲美低線束激光雷達。

       但車載4D毫米波雷達等于路側4D毫米波雷達嗎？車載4D毫米波雷達能否直接被拿來用于交通感知和路側感知呢？

      車載4D毫米波雷達主要對車輛周圍的目標進行點云成像。例如某大廠發布的4D車載毫米波雷達，俯仰面分辨力為2°。對車輛周圍10米處的目標進行點云成像，可分辨高度為0.3米，一般的人和車在俯仰維上可以形成5~8個點云。而路側感知的雷達一般被安置在紅綠燈桿或電警桿上，主要探測的范圍為60m-260m區域。在100米處，路側4D毫米波雷達可分辨高度為3.5米，一般的人和車在俯仰維上只有1個點。但其高度精度可達0.5米~0.6米，可分辨車型。

      所以車載4D毫米波雷達可用于點云成像，而路側4D毫米波雷達的測高功能主要用于分辨目標類型和去除雜波。

       雷森推出了4D雷視一體機，通過將4D毫米波雷達與視頻相結合，可實現路口或路段全息感知。雷森4D雷視一體機將原始的視頻流和4D雷達點云數據流同時通過MIPI和PCIe接口接入到一體機中的嵌入式處理器中。在內置的嵌入式處理器中直接對原始的視頻流進行AI目標提取，然后通過內建的坐標映射系統將視頻目標投影到雷達坐標系中，最后對視頻目標和雷達點云進行融合跟蹤處理，實現全局目標的實時矢量化和跟蹤。4D雷達點云一方面可以濾除很多地雜波干擾，另一方面為視頻目標融合提供了三維數據匹配。

圖1. 雷森4D雷視一體機可通過高度信息區分車輛和紅綠燈

     基于雷森4D雷視一體機的路側感知方案有以下的功能優點：

       四、全局目標類型分辨

       傳統毫米波雷達對目標類型分辨能力較差，導致雷視一體機必須在視頻可識別范圍內，才能對目標進行準確的類型分辨。配備12mm鏡頭的攝像頭一般最遠可識別距離在100m至150m。而150m外的目標，毫米波雷達的類型識別準確率不足70%。

       雷森的4D雷視一體機得益于4D毫米波雷達模組的測高功能，在雷達的覆蓋范圍內（250m/350m/500m）可準確識別5種目標類型，類型識別準確率可達90%以上。而在雷視融合的區域內，可準確識別9種目標類型。

圖2. 雷森4D雷視一體機可有效區分目標高度等外形尺寸，實現目標準確分類

      （1）     行人與非機動車識別率提升

       行人與非機動車由于RCS比較小，同時行動軌跡不規則，經常與機動車非常接近，對于雷達檢測來說難度較大。雷森的4D雷視一體機通過測高功能，能夠有效過濾地雜波，并區分機動車和非機動車及行人。經測試，雷森4D雷視一體機的行人與非機動車識別準確率可達90%以上。

圖3. 雷森4D雷視一體機可準確檢測行人與非機動車

（1）     低延遲

        傳統的路側感知方案多采用多點傳感器（視頻，雷達）通過網絡匯聚到MEC中，然后利用MEC的GPU進行視頻處理和目標融合。但受限于網絡傳輸和視頻編解碼，視頻目標延遲較大且不可控（RTSP推流延遲普遍在200ms – 1s），和雷達目標融合難度較高、精度較差。

        而采用雷森4D雷視一體機，攝像頭的原始視頻流直接在設備內連入處理器，省去了網絡傳輸和視頻編解碼的過程，將延遲控制在50ms之內。

       《合作式智能運輸系統車用通信系統應用層及應用數據交互標準》等標準中明確要求各場景端到端的延遲不能超過100ms?；诶咨?D雷視一體機的路側感知方案可以完全滿足標準要求。

 （2）     數據精度高

        雷森4D雷視一體機采用MIMO體制，距離精度可達±0.19 m，方位角精度可達±0.1°，速度精度為±0.02m/s，可精準檢測與區分行人和車輛，并進行全息化還原，實現全局目標的實時矢量化。

 （3）     單機多功能

        雷森4D雷視一體機可滿足車路協同標準中DAY I和DAY II全場景對路側感知的要求。雷森4D雷視一體機內置先進的交通算法和豐富的原生事件輸出，如擁堵事件、異常停車事件、逆行事件、大貨車低速預警、城市路口行人碰撞預警等?？蔀檐嚶穮f同應用提供數據支撐，協助車輛提前鎖定化解遠距離和盲區安全沖突，為人工駕駛提供輔助的同時，也可為單車自動駕駛技術提供更可靠的環境信息支撐。

         一、      4D雷視一體機的應用場景

      雷森4D雷視一體機可在多個場景下應用，主要劃分為兩個方面：智慧交通管理和V2X車聯網路側感知。

(1)   面向智慧交通管理：主要應用于城市路口的全要素自適應信號控制、違法抓拍輔助、車流量統計、非機動車檢測；交通路段的車流量檢測、全局車型分辨、事故檢測、測速、擁堵檢測；城鄉道路中獨立化的車流統計和人流預警系統。

      雷森4D雷視一體機可準確檢測行人與非機動車，實現對車流、非機動車流和人流的全要素檢測。一方面，這些目標統計數據推送給信號機，實現了全要素自適應信控優化。另一方面，路口各類統計數據，例如車流量、排隊長度、平均車速等，上報至交管平臺，可用于交通規劃和事件處理。

      (2)   面向V2X車聯網路側感知：主要應用于城市路口下的交叉路口碰撞預警、弱勢交通參與者碰撞預警；交通路段的前向碰撞預警、緊急制動預警、協作式匝道匯入；城鄉道路的感知數據共享，弱勢交通參與者碰撞預警。

 面向未來智能交通和車路協同，需要對交通道路進行全域覆蓋、全天候感知，需要為無人駕駛提供有效的路側數據支持。除了核心通信網絡和云控以外，路側感知層的延遲、精度、可靠性決定了路側系統能否為自動駕駛車輛提供有效的感知冗余。在《面向自動駕駛的車路協同關鍵技術與展望》一文中定義了C4技術分級智能道路核心指標要求?；诶咨?D雷視一體機的路側感知系統可以滿足所有核心指標。

圖4. 能見度不足時，基于雷森4D雷視一體機的全息路口

一、      結語

在當前交通強國建設的政策背景下，交通管理和車路協同都向著智能化和數字化的方向快速發展。然而無論是信號控制、交通仿真、流量調研，還是車輛避碰、行人預警，都必須基于實時精準的交通感知數據。雷森創新性地將4D毫米波雷達與視頻融合，研發出4D雷視一體機，使其具備四維檢測能力，彌補了傳統毫米波雷達在雜波干擾、小目標檢測、類型分辨方面的不足?；?D雷視一體機的全息交通方案，可以為交通管理系統和車路協同系統提供高精度、高可靠性、高性價比的感知底座。

參考文獻：

[1]楊航,高源.毫米波雷達識別問題分析及解決措施[J].汽車技術,2018(08):43-46.DOI:10.19620/j.cnki.1000-3703.20180714.