ADAS仿真测试-基于原始数据流的雷达感知测试

ADAS传感感知背景

在ADAS/AD仿真测试中，多传感器融合已经成为L3级别以上的ADAS/AD测试的主流解决方案。通过运用摄像头、毫米波雷达、激光雷达和超声波雷达等不同的传感器，安装在车身的不同位置。

这些传感器类似人的感官系统，主动感知周围的环境。通过收集数据、进行静态和动态的物体辨别、探测和追踪，并结合导航仪等地图数据，进行系统的运算和分析，从而预先让驾驶者察觉到可能发生的危险，有效增加汽车行驶的安全性和智能舒适性。

在ADAS传感感知方面，不同信号级别的传感器信号如下图1所示，从环境场景中感知真实传感器前端的光、电、声信号，到数字信号处理后得到的飞行时间、多普勒频移等原始信号，最后经过感知算法和目标跟踪得到的目标列表信号。


图1 传感器不同阶段信号

ADAS传感器模型

目前主流的ADAS传感仿真可以基于三种不同级别的传感器模型，可以应用于不同的开发测试场景：

理想传感器

根据环境感知和障碍物追踪，提供路面实况信息。

生成的目标列表与传感器的物理特性无关，此类传感器非常容易进行参数配置，主要用于快速原型/概念验证。

高精度传感器

此传感器提供的目标列表会根据使用的传感器的特性（如雷达）的不同而不同。

如高精度雷达传感器考虑到目标RCS、回波损耗、信噪比、不同天气信号衰减和目标遮挡等物理特性，比较贴近真实传感模型。

可通过传感器的分辨单元对两个对象的融合进行建模，并且还包括延迟和噪声。在环境感知方面，具有传播衰减的特性。高精度传感器主要用于功能开发/测试。

原始信号传感器

与提供目标列表不同，该传感器提供原始信号，这些信息将被用于信号处理及目标追踪算法。

原始信号传感器可以输出不同的物理效果。如雷达原始数据传感器可生成天线增益图（主天线和俯仰角天线），并融合天线增益图，以此方式来建模。原始信号传感器主要用于部件级/原始信号处理开发与测试。

毫米波雷达感知

雷达主要通过发射电磁波，利用目标对电磁波的反射来发现目标并对目标进行定位。

随着雷达技术的发展，雷达的任务不仅仅是测量目标的距离、方位和仰角，而且还包括测量目标的速度，以及从目标回波中获取更多有关目标的信息。

雷达感知作为ADAS感知系统的重要组成部分，良好的雷达性能为ADAS测试提供更加准确的环境感知信息，有利于ADAS系统决策规划，从而控制车辆转向系统，制动系统和动力系统，进行预警和主动干预控制。

因此，在ADAS测试过程中，雷达的感知算法和目标分类算法测试不可或缺，雷达感知在ACC自适应巡航、BSD盲点探测、前碰撞预警FCW等实际应用中比较广泛。

原始数据的获取

为了更系统的了解雷达感知的内容，下面就来了解下：如何基于原始数据流来进行雷达算法的感知测试？

首先，需要了解什么是雷达的原始数据。

本次涉及的雷达原始数据是由快速傅里叶变换（FFT）的数据输出，未经过雷达算法信号处理，即还未进行点凝聚和追踪的数据。原始数据的获取流程如下图所示：


图2 传感器数据处理流程

那么雷达的原始数据该如何获取呢？

可通过场景仿真软件的物理传感器模型来获取雷达的原始数据流。

该原始信号传感器模型基于知名雷达厂商大陆相关协议进行开发，根据传感器的物理特性可直接输出原始数据流，能保证输出原始数据的有效性和可靠性。

一般来说，雷达原始数据获取后，用户需要自己做算法处理，包括目标跟踪和信号处理，从而验证雷达算法的策略。

对于雷达开发商来说，输入的原始数据类型和格式都会影响雷达算法的性能测试。因此对于测试人员来讲，首先原始数据输出要保证正确有效，从而才能很好验证雷达算法的性能，加快和完善雷达开发进程。

原始数据传播特性

雷达原始信号传感器可模拟虚拟环境中电磁波的传播产生原始数据流。

在探测目标时，应该考虑到目标遮挡和物理传播的影响，如多路径/重复路径传播、多普勒频移和假阳性/阴性的影响，来获得更加真实的原始数据流。然后通过对单个点的信道做出脉冲响应，实现多个点数据来重建模拟信号。

另外，环境温度、雨量和雾天的可视化距离等，都会影响雷达传感器原始数据的探测，因此在实际原始数据传播过程中，应该充分考虑这些环境条件对雷达的影响。

电磁波的传播特性很大程度上影响了物体探测的正确性和目标距离/速度等精度。

在实际雷达传感器发射的电磁波传播过程中，应当考虑路边的3D建筑物、反射和散射对道路前方交通目标所造成的干扰和影响，雷达对前方交通目标的探测很大程度上依赖于相对电场强度幅值，需要考虑传播损耗、大气阻尼、材料和偏振相关的反射等物理特性。

一般来说，原始信号传感器输出的原始数据流包括：

· 通道数量

· 飞行时间/距离

· 取决以极化的相对电场强度

· 相对多普勒频移

· 反射次数

· 发送/接收电磁波的方向（仰角/方位角）

雷达模型原始数据注入原理

那么问题来了，了解了原始数据流输出的特性，如何实现雷达算法的感知测试呢？不用急，下面以雷达模型为例来进行详细讲解。


图3 雷达模型原始数据注入原理

理想传感器以及高精度传感器可直接输出目标列表信息，包括目标的速度、距离、角度以及相应的横向、纵向分量等信息。

而在雷达算法的测试过程中，模型需要的输入是单个目标点的距离、速度、角度和相对电场强度等。

一般来说，雷达原始数据传感器得出的是目标点的飞行时间、相对多普勒频移等，即不能直接得到目标点的速度、距离和角度以及相应的横向、纵向分量，因此需要对输出的原始数据做一些转换和计算。

如输出的原始数据，想要得到目标点的速度，需要根据多普勒频移来进行计算转换，目标距离也需要根据飞行时间/飞行距离进行换算等。

原始数据的信号处理

在了解雷达原始数据的输入原理和相关转换后，该如何将雷达的原始数据注入给雷达模型呢？

首先，我们需要了解雷达模型的输入接口特性，如输入变量含义和单位、输入的数据类型和输入的数据格式，从而保证注入原始数据的正确性。

在整个模型测试系统中，将单个点的原始数据的类型和格式进行正确转换，然后进行打包处理，输入给雷达模型，雷达模型对这些数据进行信号处理，经过点凝聚和追踪，最后可聚类得出目标的输出信息。
如下图4（a）和（b）所示，分别为输入的原始数据和聚类输出的目标列表数据。


图4（a） 雷达模型输入原始数据


图4（b） 雷达模型聚类输出数据

总结


图5 不同类型传感器应用

总的来说，理想传感器/高精度传感器可直接输出目标列表信息，然后注入给ADAS功能模块，如ACC/FCW模型等，可以验证ADAS模型的功能。

原始信号传感器，适用于雷达模型的策略验证/图像处理等算法验证，通过原始信号传感器把不同脉冲通道的点数据注入给雷达模型，然后雷达算法对原始数据进行点凝聚、追踪处理，最后聚类成输出的目标信息。

聚类得出的数据可以和理想传感器/高精度传感器直接输出的目标数据作比较，可以很好的验证雷达算法的策略，及时发现雷达算法开发过程中存在的问题。

雷达算法策略较好时，可以将雷达模型处理输出的目标列表数据输入给FCW/ACC等功能模块，从而验证ADAS MIL功能，从而加快感知算法和控制策略算法的开发和测试。

如下图6（a）和（b）所示，为ACC功能的一个应用场景，ACC定速后，按下ACC增速开关实现加速的过程。


图6（a）ACC定速


图6（b）ACC加速

小伙伴们对基于原始数据流的雷达感知测试有了基本的认知后，是否想进一步对ADAS hil测试有更多的了解？针对ADAS HiIL测试，如何实现ACC/FCW功能测试、雷达回波模拟器仿真测试？

欢迎联系北汇信息，我们将竭诚为您提供智能网联成套测试系统及服务：覆盖自动驾驶系统MiL/HiL/ViL测试、车联网测试、ADAS及雷达感知测试等。也请您关注后续北汇信息分享的相关技术文章。