當雷達探測到一個目標物體卻報告存在多個相同目標時，該如何判斷哪個才是真實目標？這一雷達信號模糊問題長期困擾著自動駕駛系統(tǒng)，而解決方案在于通過密集采樣從源頭消除虛假信號。

虛假目標問題

當雷達傳感器探測到一個目標，卻在其視野范圍內(nèi)報告多個功率水平相近的目標時，就會出現(xiàn)雷達信號模糊。想象一下，在雷達前方放置一個物體，系統(tǒng)可能不僅會顯示一個清晰的目標，還會顯示多個相同的虛假目標以及較弱的虛影。此時，雷達根本無法分辨哪個目標才是真實的。

這種傳感器可靠性下降會引發(fā)兩類問題：多普勒模糊以及方位角和俯仰角模糊。多普勒模糊會影響對移動目標的速度測量，但可通過多次測量解決問題（不過會增加100-150毫秒的延遲）。而方位角和俯仰角模糊則會影響角度方向，這對自動駕駛系統(tǒng)而言是無法解決的難題。

安全影響問題

當無法確信雷達顯示的是真實障礙物還是虛影時，自動駕駛的安全基礎便會崩塌。方位角和俯仰角模糊會為所有物體生成虛幻目標，但安全故障的表現(xiàn)形式各有不同。對于靜止物體，核心問題在于區(qū)分相關障礙物與無關背景：

目標混淆：當路面上的備胎和附近的圍欄都顯示為分散的虛假目標時，系統(tǒng)將無法判斷哪個才是真正的道路危險。

隧道盲區(qū)：墻壁、天花板和停放的車輛都會產(chǎn)生虛假目標，導致系統(tǒng)無法區(qū)分隧道結(jié)構與實際阻擋路徑的障礙物。

交通模糊：車道上靜止的車輛和路邊護欄都會產(chǎn)生多個虛假信號，雷達無法確定哪些目標代表阻擋車道的危險。

對于移動物體，虛假目標則會帶來不同的計算挑戰(zhàn)：一輛真實車輛會顯示為多個分散在不同位置的相同目標。系統(tǒng)必須同時追蹤所有這些虛假目標的軌跡，并使用復雜算法確定哪條路徑可行——這不僅增加了危險延遲，還消耗了大量處理能力。

根本原因在于采樣不足

雷達信號模糊源于一個基本原理：奈奎斯特采樣定理。就像用幀率過低的攝像機拍攝旋轉(zhuǎn)的螺旋槳會使其看起來反向旋轉(zhuǎn)一樣，天線通道稀疏分布的雷達也無法準確確定入射信號的方向。

增加采樣密度可以解決問題，但這需要巨大的處理能力和能耗——傳統(tǒng)車載系統(tǒng)難以在成本可控的前提下滿足這些要求。這構成了經(jīng)典的工程權衡：采用大量天線通道（性能優(yōu)良但成本高昂）與采用較少通道（成本低廉但存在信號模糊）之間的矛盾。

行業(yè)解決方案與Arbe的技術突破

在認識到導致信號模糊的雷達采樣限制后，汽車行業(yè)探索了多種方法，但均未找到“萬能解決方案”。傳統(tǒng)方法主要圍繞信號模糊問題展開，包括基于人工智能的濾波技術、采用攝像頭和激光雷達等替代傳感器技術，或僅接受以基本車載雷達（主要針對移動目標設計）實現(xiàn)有限功能。

Arbe通過兩項關鍵創(chuàng)新直接解決了奈奎斯特采樣定理的根本問題：通過大幅提高天線通道密度實現(xiàn)了消除信號模糊所需的密集采樣，同時設計了能夠處理海量數(shù)據(jù)的處理器架構。

Arbe的高清雷達技術采用48個發(fā)射通道和48個接收通道——遠超傳統(tǒng)雷達配置——提供了確定信號到達方向所需的密集空間采樣。這種高通道數(shù)直接消除了稀疏天線陣列面臨的信號模糊問題，但也帶來了巨大的處理挑戰(zhàn)：每秒30GB的原始射頻數(shù)據(jù)會壓垮傳統(tǒng)雷達處理器。我們的定制芯片組架構通過將數(shù)據(jù)壓縮為100MB的點云輸出解決了這一問題，實現(xiàn)了每幀數(shù)千個虛擬通道和數(shù)萬個檢測點，且不會產(chǎn)生影響安全關鍵應用的延遲。

行業(yè)解決雷達信號模糊的方法對比

未來發(fā)展方向

實現(xiàn)L3級自動駕駛的關鍵在于解決信號模糊問題。Arbe通過大幅提高天線通道密度，同時設計能夠處理海量數(shù)據(jù)的處理架構，直接消除了導致信號模糊的根本采樣限制，為自動駕駛提供了可靠的感知基礎。

審核編輯 黃宇