![]()
雷达系统传统上面临一个直接的工程权衡:更好的性能需要更多的硬件、更多的功耗和更高的成本。但无人机、自动驾驶汽车和分布式传感网络等新兴应用,需要在空间、重量、电池电量和计算资源都受限的平台上部署功能强大的雷达。这些需求正推动IBM旗下HRL实验室的研究人员重新思考雷达系统的设计方式。
由此诞生了低SWaP雷达。SWaP代表尺寸(Size)、重量(Weight)和功耗(Power),不过成本如今也越来越被视为核心约束条件。低SWaP雷达的目标,除了让系统变得更小之外,还要在缩减硬件规模、降低能耗需求、大幅压低成本的同时,尽可能保留系统的实用能力。对于HRL实验室负责人Seong-Hwoon Kim及其同事而言,他们的目标是将雷达系统的成本控制在数万美元范围内,而非数十万甚至数百万美元。“对这个行业来说,这样的成本差异是一种范式转变,”他说道。
要实现这一目标,意味着需要将雷达重新构想为一个集成系统,既包括产生和接收射频信号的半导体器件,也包括实时解读这些信号的算法。
雷达究竟测量什么
“Radar”一词是“无线电探测与测距”(radio detection and ranging)的首字母缩写。简单来说,雷达的工作原理是发射射频(RF)信号,并检查这些信号在遇到环境中的物体并返回传感天线后带回了什么信息。通过比较返回脉冲的相位和幅度与发射信号的差异,可以解读出周边物体的相关信息。返回脉冲的多普勒频移描述了其波长根据目标物体相对雷达源是远离还是靠近而发生的拉伸或压缩,这些信息共同构成了雷达设备所提供的整体图景。
与相机不同,雷达传感器不会生成可以直接识别的图像。相反,工程师需要设计雷达系统的工作模式及其波形,确定射频信号如何被调制和发射,以便在信号反弹回源头时能够提取出有用信息——比如物体有多远、移动速度有多快。雷达模式是指一种特定的雷达运行方式,其波形和其他参数针对特定的传感任务进行了配置。频率和调制方式可以根据具体应用进行选择,但雷达硬件也必须具备支持该模式的能力。围绕日益复杂的工作模式设计日益专业化的硬件,正是高性能雷达系统成本居高不下的原因之一。
Kim的团队通过协同设计来应对这一问题,将波形、硬件和信号处理软件作为一个整体来考量,而不是将它们视为彼此独立的工程问题。
“我坚信软件和算法能让优秀的传感器变得更加智能,”他说。“但如果你能让一个优秀的传感器变得更智能一些,再结合软件来优化硬件,那么你得到的东西才会真正发挥作用。”
从商用硬件中挖掘更多价值
降低雷达成本的关键之一,是在现有组件能够完成大部分工作的情况下,尽量避免使用定制硬件。商用现货(COTS)电子产品具有巨大的规模经济优势。但Kim指出,面向大众市场设计的组件并不一定能满足专用雷达的所有需求。
他将团队的方法描述为“定制化现货”。研究人员无需从零开始开发每一个组件,而是可以从相对廉价的商用组件入手,在必要时对其进行改造,并添加外围电子设备或软件,赋予其原设计者未曾设想过的功能。
关键在于,不能让定制化过程抵消了原有的成本优势。
“如果你买了一块50美元的芯片,你肯定不希望最终让这块芯片的成本变成5000美元,”Kim说。“你只是想给它增加一些功能,”同时让成本尽量保持在原来的量级范围内。
这种理念贯穿于低SWaP设计的始终:将资源投入到能实质性提升性能的地方,而不是把每个组件都优化到理论极限。
将智能带到边缘端
雷达的SWaP问题并不仅限于射频硬件。传感器还需要足够的计算能力,将接收到的信号转化为有用信息,而且这种转化正越来越多地要求实时完成。
一种基础的雷达数据产品是距离-多普勒图。其中一个维度包含目标物体与传感器之间距离的信息,另一个维度则通过多普勒效应捕捉其相对运动状态。由此可以帮助确定物体的位置以及它相对雷达的移动速度。但解读距离-多普勒图与在照片中识别出一个可辨认的物体截然不同。信号强并不一定意味着信号重要,有用的信息可能是从数据中呈现出的整体模式中浮现出来的。
Kim及其同事正在探索机器学习如何在边缘端直接充当这些信息的第一道筛选关口。Kim估计,根据具体场景的不同,雷达数据中约有80%到90%最终可能与更高层级的任务无关。如果一个高效的机器学习模型能够更早地识别出可能有用的部分,那么计算系统其余部分需要处理的信息量就会大幅减少。
这种方法的思路并不是把尽可能大的AI模型塞进雷达里,而是恰恰相反:在严苛的功耗和计算限制下,寻找能够在高效硬件上运行、专注完成特定任务的高效算法。
将AI与雷达协同设计
将AI应用于雷达带来了另一个挑战:雷达数据具有高度的专业性。
一位研究照片的机器学习研究人员凭直觉就能知道,人脸、车辆或建筑物的图像分别代表什么。在这种情况下,为模型训练标注数据相对容易。而雷达回波则是对环境的一种电学表征,理解它需要了解波形是如何生成的、雷达是如何工作的,以及返回信号是如何被处理的。
因此,Kim的团队希望机器学习研究人员能够理解雷达波形和模式设计,同时也希望雷达工程师能够理解算法对硬件究竟有哪些需求。这形成了一个反馈循环:算法的需求可以影响硬件设计,而对传感器的了解也可以影响机器学习系统解读其输出结果的方式。
Kim认为,这一反馈循环可能会成为创新的重要来源。研究人员无需仅仅把一堆标注好的雷达数据交给AI系统去发现模式,而是可以将这些测量数据最初是如何产生的相关知识纳入考量。其目标既是获得更好的结果,也是让系统能够更快地部署。
将效率融入射频硬件
归根结底,低SWaP雷达仍然受制于物理规律。像自动驾驶汽车或无人机这类依靠电池供电的平台上搭载的传感器,其能量预算是有限的,这意味着软件方面的改进无法无限期地弥补电子器件效率低下的问题。这使得半导体技术成为这一方程式中另一个重要变量。Kim表示,拥有设计和制造高效射频器件的专业能力,是一种能够在更接近基础硬件层面做出必要权衡的方式,而不是在低效组件周围不断堆砌更多硬件。
一项重要技术是氮化镓(GaN),这是一种用于雷达及其他高性能射频系统的半导体材料。Kim及其同事从事氮化镓器件和制造方面的研究,他们的代工厂也将该技术提供给美国国防工业基础中的其他机构使用。
这种半导体专业知识与更广泛的低SWaP理念相辅相成:将整个技术栈作为一个系统进行优化,既包括底层器件,也包括射频组件、信号处理和软件。
低SWaP雷达的下一步
下一步可能是将同样的方法推向更高的频率范围。
Kim的团队正在研究高毫米波器件,这一领域的意义不仅限于雷达,还与5G、6G等新兴通信技术相关。HRL的研究人员目前正在研究该频段开发的技术如何支持新一代低成本高毫米波雷达的发展。
归根结底,低SWaP雷达的核心并不在于将传统雷达简单地小型化,而在于判断传感器内部究竟需要具备哪些能力,并据此设计整个系统。这可能使精密传感技术能够在那些以往由于传统系统成本、重量或能耗要求过高而难以实现的平台上变得切实可行。
而且,决定性因素将越来越不是某一项单一的突破性组件,而是硬件、射频电子设备、传感模式与智能软件之间协同设计的有效程度。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.