雷达在新车设计中无处不在：在汽车周围进行感应，以检测危险，并为制动、转向和停车以及驾驶员和占用监控系统的驾驶室做出决策。在所有天气条件下都有效，现在高清雷达可以前端基于AI的物体检测，补充其他传感器通道，以进一步提高准确性和安全性。

对于高价值嵌入式雷达系统的制造商来说，有很大的潜力。然而，竞争性地利用这种潜力可能具有挑战性。在这里，我们将探讨其中的一些挑战。

全系统挑战

汽车原始设备制造商不仅仅是为新车添加更多的电子功能；他们正在为其产品线推动统一的系统架构，以管理成本，简化软件开发和维护，并增强安全性。
因此，更多的计算和智能正在进入整合的区域控制器，一方面在汽车的小区域内相对较小的传感器单元和处理器之间进行通信，另一方面，区域控制器和中央控制器之间进行通信，管理整体决策。

针对汽车雷达系统市场的供应商必须根据这些变化跟踪其解决方案架构，在边缘功能的相对简单处理和区域或中央控制器的更广泛功能之间提供可扩展性，同时灵活地适应不同的OEM分区选择。

一个重要的含义是，无论解决方案如何分区，它必须允许在边缘，区域和中央计算之间交换大量数据。这提高了传输期间数据压缩对管理延迟和功率的重要性。

除了性能、功率和成本限制外，汽车系统还必须考虑寿命和可靠性。汽车的整个使用寿命可能是10年、20年或更长时间，在此期间可能需要软件和人工智能模型升级，以解决检测到的问题或满足不断变化的监管要求。

这些限制要求雷达系统设计在硬件的性能/低功耗和软件适应变化的灵活性之间保持谨慎的平衡。这并不是什么新鲜事，但与视觉管道相比，雷达管道提出了一些独特的要求。

渠道挑战

完整的雷达系统流程如下图所示，从发射和接收天线一直到目标跟踪和分类。雷达配置可以从低端探测的4×4（Tx/Rx）到高清雷达的48×64。在雷达前端之后的系统流水线中，FFT用于计算第一距离信息，然后是多普勒信息。接下来是数字波束形成阶段，用于管理来自多个雷达天线的数字流。

一个完整的雷达系统管道从发射/接收天线一直延伸到目标跟踪和分类。来源：Ceva

到目前为止，数据在某种程度上仍然是一个“原始信号”。恒虚警（CFAR）阶段是从噪声中分离真实的目标的第一步。到达角（AoA）计算完成了目标在3D空间中的定位，多普勒速度计算增加了第四维。流水线通过使用例如扩展卡尔曼滤波器（EKF）的目标跟踪和通常使用OEM定义的AI模型的对象分类来完成。

好吧，这是很多步骤，但是什么让这些复杂呢？首先，雷达系统必须在前端支持显著的并行性，以处理大型天线阵列，同时通过管道推送多个图像流，同时提供每秒25到50帧的吞吐量。

数据量不仅仅取决于天线的数量。这些输入多个FFT，每个FFT都可以非常大，高达1K bin。这些转换最终将数据流传输到点云，点云本身可以轻松运行到半兆字节。

聪明的内存管理对于最大化吞吐量至关重要。以距离和多普勒FFT阶段为例。从FFT范围写入存储器的数据是一维的，按行写入。多普勒FFT需要逐列访问此数据;如果没有特殊支持，列访问所隐含的地址跳转需要每列多次突发读取，从而显著降低可行的帧速率。

CFAR是另一个挑战。CFAR有多种算法，有些算法比其他算法更容易实现。目前最先进的选择是OS-CFAR-或有序统计CFAR-当有多个目标时特别强大（常见于汽车雷达应用）。不幸的是，OS-CFAR也是最难实现的算法，除了线性分析之外还需要统计分析。然而，今天真正有竞争力的雷达系统应该使用OS-CFAR。

在跟踪阶段，位置和速度都很重要。每个都是三维的（X，Y，Z表示位置，Vx，Vy，Vz表示速度）。一些EKF算法降低了维度，通常是海拔，以简化问题;这被称为4D EKF。相比之下，高质量算法将使用所有6个维度（6D EKF）。任何EKF算法的一个主要考虑因素是它可以跟踪多少目标。

虽然飞机可能只需要跟踪几个目标，但高端汽车雷达现在能够跟踪数千个目标。在考虑高端和（有些缩小的）中程雷达系统的架构时，这是值得记住的。

分类阶段的任何挑战都是以AI模型为中心的，因此不在本雷达系统讨论的范围内。这些AI模型通常在专用的NPU上运行。

执行方面的挑战

一个明显的问题是，什么样的平台最适合所有这些雷达系统的需求？它必须在信号处理方面非常强大，并且必须在低功耗下满足吞吐量目标（25-50 fps），同时还可以通过软件编程实现长寿命的适应性。这是一个DSP。

然而，它还必须处理许多并发的输入流，这需要高度的并行性。一些DSP架构支持并行内核，但对于许多信号处理功能（例如FFT）来说，所需的内核数量可能会过多，其中硬件加速器可能更合适。

与此同时，该解决方案必须在区域汽车架构中具有可扩展性：边缘应用的低端系统，为区域或中央应用中的高端系统提供支持。它应该为每个应用程序和通用软件堆栈提供通用的产品架构，同时可以简单地扩展以适应从边缘到中央控制器的每个级别。