雷达数据是什么样的？以TI例子为解释

前言

光学传感器产生的数据很容易理解，因为它们感知世界的方式与人类相同。然而，雷达传感器的数据与人类的任何感官都非常不同，这可能使开发人员理解起来不那么直观。在本模块中，我们将讨论 TI 毫米波雷达传感器生成的最常见数据类型，以及这些数据在各种应用中的用途。

1. 雷达数据是什么样的？

TI 的毫米波雷达产品组合的大多数设备都包含一个片上 MCU，能够在将传感器数据传输到设备外之前，将其处理为有意义的数据格式。这些传感器有时还具有额外的处理组件，例如硬件加速器或数字信号处理器，以便在设备外获得更有意义的数据。一些 TI 雷达产品组合中的传感器被认为是数字前端，仅传输“原始”ADC 数据。

这种片上处理允许各种数字信号处理链集成到设备中，而无需外部 MCU 或 DSP。这使开发人员能够在 TI 雷达设备上实现最适合其需求的处理链，以确保从设备传输的数据尽可能易于理解。

2. 雷达数据是如何传输的？

2.1 帧（Frames）

通常，雷达数据是从传感器以 帧（frame） 的形式输出的。类似于视频中的单帧，雷达数据帧是一组在短时间内捕获的数据，并聚合在一起以创建一个表示某一时刻的快照。视频帧由像素组成，而雷达数据帧由所有已发射的 chirp 形成。

图 3 显示了 chirp 如何聚合成帧。在此示例中，chirp 的颜色表示每个 chirp 使用的三个发射天线之一。每个 帧 可能包含多个数据流，例如点云，这些点云随后被聚类成 轨迹（tracks），并根据是否为人或非人对象进行分类。这意味着单个帧可能输出多个轨迹及其分类，以及用于生成这些轨迹的对应点云。

图 3：chirp 如何聚合成帧的示例

• 横轴：时间
• 帧周期（Frame period）：标注在图下方
• C0、C1、C2：表示不同的发射天线对应的 chirp

类似于视频摄像机的帧率，雷达传感器生成帧的速率也是可配置的。更高的帧率会使数据随时间变化更平滑，并减少检测延迟，但会增加功耗。最大帧率由多个因素决定：

• 每个帧之间的时间（帧周期）不能小于执行所有 chirp 所需的时间。
• 还必须考虑处理和传输帧数据所需的时间。

通常，最大帧率在评估时需要考虑功耗预算和计算资源。雷达帧率通常在 1 Hz 到 20 Hz 之间。

2.2 接口（Interfaces）

一旦雷达数据帧被收集（并通常已处理），雷达传感器就需要对这些信息采取一些操作。在某些应用中，这可能仅意味着切换一个 GPIO 来控制系统，或向另一个处理器发送简短消息。在 TI 提供的示例软件中，每个帧中收集的数据将通过多种通信协议之一从芯片传输出去，以便在评估期间在计算机上进行可视化，或者系统中的另一个处理器可以进行额外处理。最常见的版本是演示软件，使用 UART 接口，并通过评估模块（EVM）上的 UART-USB 桥接器连接，创建一个计算机可以轻松连接的串口。

TI 雷达传感器支持多种通信协议（取决于设备），这些协议可用于与其他设备通信，例如 UART、SPI、I²C、CAN-FD 和 LIN。这些接口可用于将处理后的雷达数据从传感器传输到系统的其他部分。

2.3 格式（Format）

由于大多数 TI 雷达传感器具有可编程的应用 MCU，数据的输出格式通常可以通过应用软件完全配置。然而，大多数 TI 演示软件会遵循一种数据包格式，该格式在每个传输帧的开头包含一个 帧头（Frame Header），并附带一个称为 TLV（Type, Length, Value） 的数据包列表。每个 TLV 都有一个定义的类型，用于指定数据包中包含的数据类型，以及在发送数据之前的数据包大小（长度）。

图 4 显示了一个帧的典型组织方式。每个演示软件项目都会在用户指南中包含其原生支持的特定 TLV 信息。
图 4：帧数据的组织示例

• Frame Header：帧头
• TLV₁、TLV₂、TLVₙ：每个 TLV 包含：
• TL：类型和长度
• V：值（数据）

3. 雷达数据类型

3.1 ADC 数据（ADC Data）

也称为 原始 ADC 数据（Raw ADC Data） 或 原始雷达数据（Raw Radar Data），ADC 数据是可以通过 TI 雷达传感器导出的最基本形式。这种数据由被认为是 数字前端（Digital Front Ends，DFEs） 的雷达传感器提供，这类设备没有片上处理能力，例如 AWR2243 和 IWR6243。

原始 ADC 数据在开发雷达数据处理算法时也很有用，因为它允许开发人员在同一数据集上反复测试实验算法（通常使用 Matlab）。

然而，输出原始 ADC 数据可能具有挑战性，因为需要较高的传输带宽。原始 ADC 数据的采集通常需要超过 100 Mbps 的带宽，这超出了许多雷达传感器支持的通信协议的能力。所需带宽取决于 chirp 配置以及使用的帧率。chirp 配置将决定 Radar Cube 的大小，该数据是在每个帧期间捕获的（通常以立方体形式表示，如 图 5 所示）。

通常，LVDS 或 CSI2 接口会用于高速传输这些数据。由于将这些接口直接连接到主机计算机并不简单，TI 还提供了 DCA1000EVM，它可以通过以太网流式传输这些数据。

3.2 距离轮廓（Range Profile）

在传感器收集原始 ADC 数据后，通常第一步处理是通过 一维 FFT（1D FFT） 进行距离处理。一旦完成距离 FFT，就可以处理这些初始数据并输出设备的距离轮廓。该数据通常以接收能量随距离变化的曲线图形式显示。

通过观察图中的峰值，可以看出哪些距离存在物体，但无法获得这些物体的角度信息。这意味着两个位于相同距离但角度不同的物体将无法区分，并显示为一个峰值。如果应用不需要角度信息，这种数据可以用于测距。

图 6 显示了一个示例距离轮廓图，并标记了在后续处理步骤中检测到的峰值位置。

图 6：零多普勒情况下的距离轮廓示例

• 横轴：距离（米）
• 纵轴：雷达功率（dB）
• 曲线：
• • 蓝色：距离轮廓（Range Profile）
• • 绿色：噪声轮廓（Noise Profile）
• • 橙色点：检测点（Detected Points

3.3 点云（Point Cloud）

雷达传感器最常见的输出是点云。点云是一组点的列表，这些点以笛卡尔坐标或球面坐标表示，代表传感器检测到的目标。这些点表示观测场景中的“热点”区域。报告的点通常会包含它们的速度信息及其 信噪比（SNR，Signal-to-Noise Ratio），以及相对于传感器的三维坐标。

图 7 显示了一个点云示例，其中颜色表示点在三维空间中的高度。此外，底部可以看到被占据的径向区域。
点通常通过 CFAR（恒虚警率，Constant False Alarm Rate） 算法选择，但也可以使用传统的阈值算法。CFAR 算法在动态环境中更具鲁棒性，因为它们能更好地去除背景噪声。

3.4 占用与存在检测（Occupancy and Presence Detection）

许多应用只依赖一个简单的判断：该空间中是否有人或物体，这个问题可以通过使用预定义区域轻松解决。Radar Toolbox 中提供的多个示例项目允许定义三维区域，这些区域可以根据所需的灵敏度配置，以报告简单的检测结果。

区域占用通常通过该区域内点的数量以及这些点的信噪比（SNR）来确定，而某些应用场景可能会利用额外的参数。占用检测可用于多种应用，例如：

• 在车辆内定位人员，
• 机器人避障，
• 或在有人进入房间时唤醒设备。

3.5 轨迹或目标（Tracks or Targets）

高分辨率雷达传感器能够感知来自真实目标的多重反射，从而生成丰富的点云。通过增加一个额外的处理层（通常称为 tracker 或 GTrack），该点云可以作为输入用于定位目标（也常被称为轨迹）。
目标通常通过一组常见属性来识别，例如位置、速度、物理尺寸、点密度等。

轨迹在将点云转换为基于应用已知因素的真实世界对象时非常有用。例如，轨迹可以用于：

• 统计空间中的人数，
• 跟踪每个人的运动情况，这些信息可能在仅查看点云时并不明显。

4. 分类器（Classifiers）

由于大多数 TI 雷达传感器具备处理能力，可以创建高效的机器学习模型来对检测结果进行分类，而无需外部处理器。这使得应用能够实现手势识别，并提供方法来减少来自其他物体的误检。

图 9 展示了一个示例：家用风扇生成的点云可能会导致雷达传感器的误报警，但这种误检可以通过分类来缓解，分类过程能够正确识别人类与非人类物体（如风扇）。应用程序可以利用这些信息，确保只有在空间中有人时才执行动作，从而实现更高效的解决方案。