關於LIDAR和毫米波RADAR一些碎片
轉載自真屏時據，作者：Ravanelli
WE ARE CHANGING THE WORLD WITH TECHNOLOGY
人類一思考，上帝就發笑然後就給了我們各種東西
EDIT: RavanelliPhotos: From website文中有些內容的整理來自科技媒體、知乎、CSDN BLOG，圖片和內容歸原作者所有。
01
碎片記錄的目的是彌補自己因間歇性健忘症而帶來的碎片知識的丟失。特別是那些不屬於自己研究領域，卻又想弄明白的東西。另外呢，其實這篇文章也是給老婆交的作業，自從給她換了特斯拉以後，她一直好奇特斯拉Autopilot奧秘到底是什麼，可能是我的知識能力的不足，在多次講解不通的情況下（呵呵，女人……），我也給自己留了這份作業。特別是她再一次在靠邊兒停車的時候把車開上馬路牙子之後，讓我覺得Autopilot最大的敵人不是ADAS演算法對外面未知的圖形與突髮狀況的訓練度不夠，而是女人……讓我感受到了完成這一份作業的必要性！
激光雷達和毫米波雷達。習慣且依賴駕駛汽車的人們，對這兩種事物肯定不會陌生。前者在真正的無人車應用領域所向披靡，最近Apple又把它帶入了消費電子類產品中，把Lidar概念引入到iPad中，讓筆者以為iPad裝上四個軲轆就可以自己開車了。而毫米波雷達目前被廣泛應用在L2-L3的輔助駕駛汽車中，特斯拉汽車用8個攝像頭、12個超聲波感測器和一個77GHz毫米波雷達實現了autopilot輔助駕駛功能，當然mobileye的ADAS系統和nVidia的GPU也是功不可沒的。
02
其實Lidar和毫米波雷達都屬於電磁波雷達的範疇，只是毫米波雷達技術屬於微波範疇，用毫米波作為發射源，而Lidar技術用紅外線光、可見光或紫外光等納米波作為光源。
其實在很久以前，有一種關於人類視覺成像的假說，這種假說認為人們覺得眼睛會發出的看不見的光線，然後擊中了外面的世界中的物體，使它們變得對人類可見。當然，你我都知道，事實的情況情況並非如此，反而是物體發出的光擊中了人眼，才讓人們感知。
但這並不意味著這不是一個完美的觀察方式。事實上，這種原理就是激光雷達背後的基本思想，一種數字式的成像形式，已經被證明在從考古學到自動駕駛汽車、消費電子產品所有領域都非常有用。前陣子，Lidar幫助考古學家對瑪雅文化的古城進行了深度建模。
03
無論是毫米波雷達，還是Lidar，都需要存在一組或多組發射接收裝置。以Lidar為例，傳統的機械Lidar需要光源、反射鏡、和接收器。由於早期的Lidar系統採用純機械式探測方式，是指其發射系統和接收系統存在宏觀意義上的轉動，也就是通過不斷旋轉發射頭，將速度更快、發射更準的激光從「線」變成「面」，並在豎直方向上排布多束激光（即32線或64線雷達），形成多個面，達到動態3D掃描並動態接收信息的目的。
這也就造成了它體積的龐大，不好與小型的消費電子產品集成。且價格十分昂貴。2018年Google發布的無人駕駛汽車，一個機械式Lidar的就要7萬美元。這種體積龐大、價格昂貴的機械式Lidar難逃變為先烈的厄運。
04
歸功於半導體技術的發展，製造內部非移動結構或相對較小的移動結構的Lidar器件，成為了Lidar小型化的首要任務，目前Lidar小型化的技術設想主要有三種。
1.MEMS（Micro-Electro-Mechanical System）微機電系統
MEMS指代的是將機械機構進行微型化、電子化的設計，將原本體積較大的機械結構通過微電子工藝集成在硅基晶元上，進行大規模生產。得益於MEMS技術的發展，這種技術成熟，易於量產，通過MEMS微鏡來實現垂直方面的一維掃描，MEMS結構將機械微型化，掃描單元變成了MEMS微鏡。
2.OPA（optical phased array）光學相控陣技術
相比其他技術方案，OPA方案給大家描述了一個激光雷達晶元級解決方案的美好前景，它主要是採用多個光源組成陣列，通過控制各光源發光時間差，合成具有特定方向的主光束。然後再加以控制，主光束便可以實現對不同方向的掃描。雷達精度可以做到毫米級，且順應了未來激光雷達固態化、小型化以及低成本化的趨勢，但難點在於如何把單位時間內測量的點雲數據提高以及投入成本巨大等問題。目前一直沒有進入量產階段。
3.Flash
Flash激光雷達的原理也是快閃，它不像MEMS或OPA的方案會去進行掃描，而是短時間直接發射出一大片覆蓋探測區域的激光，再以高度靈敏的接收器，來完成對環境周圍圖像的繪製。蘋果在2020年iPad中引入的Lidar技術就是Flash Lidar技術，它採用dTOF的探測技術，依靠SPAD單光子雪崩二極體提高整體器件的靈敏度。
05
而在小型化的Lidar技術中，光學相控陣（OPA）激光雷達受到晶元成熟度不足等各種問題的牽制，離落地還有一段較長的路要走。Flash激光雷達暫時無法同時滿足遠近成像的要求，但隨著單光子面陣探測技術的成熟，有望成為未來的激光雷達技術路線方向。所以，MEMS Lidar是目前最有可能先落地的車載Lidar方案。
第一是MEMS微振鏡幫助激光雷達擺脫了笨重的馬達、多稜鏡等機械運動裝置，毫米級尺寸的微振鏡大大減少了激光雷達的尺寸，無論從美觀度、車載集成度還是成本角度來講，其優勢都是十分明顯的。
第二，MEMS微振鏡的引入可以減少激光器和探測器數量，極大地降低成本。採用二維MEMS微振鏡，僅需要一束激光光源，通過一面MEMS微振鏡來反射激光器的光束，兩者採用微秒級的頻率協同工作，通過探測器接收後達到對目標物體進行3D掃描的目的。與多組發射/接收晶元組的機械式激光雷達結構相比，MEMS激光雷達對激光器和探測器的數量需求明顯減少。
第三，MEMS微振鏡不是新技術，可以直接使用。其最成功的應用案例就是德州儀器（TI）的DLP（DigitalLight Processing，數字光處理）顯示，其DMD晶元全球獨供，在投影機的BOM成本比例中佔比也很高。此外，在3D攝像頭、條形碼掃描、激光印表機、醫療成像、光通訊等領域，MEMS微振鏡也不乏成功應用案例。
06
但MEMS Lidar在車載上的落地工作也不是一帆風順，車載環境有它的特殊難題，信賴性就是最大的因素。MEMS微振鏡屬於振動敏感性器件，車載環境下的振動和衝擊容易對它的使用壽命和工作穩定性產生不良影響，使得激光雷達的測量性能惡化。
工作溫度範圍也是MEMS微振鏡通過車規的一大門檻。通常情況下，車規級產品需要核心元器件滿足-40℃到125℃的工作範圍。在實際應用過程中，MEMS微振鏡的材料屬性會隨著環境溫度的改變而發生變化，從而導致微振鏡運動特性的變化。因此材料的選擇和製造工藝對實現車規級MEMS微振鏡來說，是巨大的挑戰。還有就是晶元尺寸縮小，會直接影響MEMS Lidar的旋轉角度，而要得到較大的角度，就需要把晶元的尺寸做大，這與Lidar小型化、低成本化的初衷是矛盾的。
最後，激光由於波長較短，面對極端天氣如雨、霧、霾時，測量準確性會大大下降。這時毫米波雷達的存在就顯得十分有必要了。
07
在智能駕駛感測器領域，和LiDAR相比，毫米波雷達更接地氣，在技術上已非常成熟，而且其市場出貨量相當可觀，毫米波實質上就是電磁波。毫米波的頻段比較特殊，其頻率高於無線電，低於可見光和紅外線，頻率大致範圍是10GHz—200GHz。毫米波介於微波和THz（1000GHz）之間，可以說是微波的一個子集。
在這個頻段，毫米波相關的特性使其非常適合應用於車載領域。目前，比較常見的車載領域的毫米波雷達頻段有三類。
其一是24—24.25GHz這個頻段，目前大量應用於汽車的盲點監測、變道輔助。雷達安裝在車輛的後保險杠內，用於監測車輛後方兩側的車道是否有車、可否進行變道。這個頻段也有其缺點，首先是頻率比較低，另外就是帶寬比較窄，只有250MHz。
第二類頻段就是77GHz，這個頻段的頻率比較高，國際上允許的帶寬高達800MHz。這個頻段的雷達性能要好於24GHz的雷達，所以主要用來裝配在車輛的前保險杠上，探測與前車的距離以及前車的速度，實現的主要是緊急制動、自動跟車等主動安全領域的功能。
第三類應用頻段就是77GHz—81GHz，這個頻段最大的特點就是其帶寬非常寬，要比77GHz的高出3倍以上，大約為4GHz。這也使其具備非常高的解析度，可以達到5cm。這個解析度在自動駕駛領域非常有價值，因為自動駕駛汽車要區分行人等諸多精細物體，對帶寬的要求很高。
而在波長方面，24GHz毫米波的波長是1.25cm，而77GHz毫米波的波長大概是4mm，毫米波的波長要比光波的波長長1000倍以上，所以它對物體的穿透能力更強。
07
77GHz雷達比24GHz的第一個優勢在距離解析度和精度。
與24GHz頻段下的只有250MHz帶寬的ISM頻段相比，77GHz頻段下的SRR頻帶可提供高達4GHz的掃描帶寬，顯著提高了距離解析度和精度。
由於距離解析度和精度與掃描帶寬成反比，因此與24GHz雷達相比，77GHz雷達感測器在距離解析度和精度方面的性能更好，經過測試發現可提高20倍。高距離解析度可以更好地分離物體(例如站在汽車附近的人)並提供檢測到物體的密集點，從而完善環境建模和物體分類，這對於研發先進的駕駛輔助演算法和自動駕駛功能非常重要。
此外，解析度越高，感測器識別的最小距離就越小，因此在停車輔助等需要高精確度的應用方面，77-81GHz雷達有著顯著的優勢。
第二個優勢在速度解析度和精度。速度解析度和精度與射頻頻率成反比。?因此，頻率越高，解析度和精度就越好。與24 GHz感測器相比，77 GHz感測器可將速度解析度和精度提高3倍。對於汽車停車輔助應用，速度解析度和精度是至關重要的，因為在停車時需要以低速準確地操縱車輛。
第三個優勢是晶元設計尺寸的縮小。較高射頻頻率的主要優勢之一就是感測器尺寸可以更小。對於相同的天線視場和增益，77GHz天線陣列的尺寸可以在X和Y維度上減小約3倍。這種尺寸上的縮減在汽車上非常有用，主要體現在汽車周圍的應用(包括需要安裝近距離感測器的門和後備箱)和車內的應用。
但是毫米波雷達也存在一些不足，第一就是很難獲得觀測物體z坐標的數據，只能獲得x軸和y軸的坐標，因此只能測距，無法輸出圖像信號。因此，xy與速度v信息只能得到一個3D的物體信息。第二，對橫向目標敏感度低，例如：對橫穿車輛檢測效果不佳；第三，行人反射波較弱，對行人解析度不高，探測距離近；第四，對高處物體和小物體的識別不佳。
如今毫米波雷達和Lidar都進入了4D識物的維度，毫米波雷達在努力完善自己對z軸坐標的獲取，而Lidar則也憑藉多普勒效應探測，可以獲得物體速度信息。下圖是Lidar獲得的雷達點雲圖。
上文中也提到了，由於距離解析度和精度與掃描帶寬成反比，那麼說明擁有更高掃描帶寬的Lidar比毫米波雷達擁有更可靠的精度和探測距離。
我們堅信，未來的汽車自動駕駛技術不可能是單一技術獨佔的，一定是基於可見光視覺（CIS Camera）、毫米波雷達、超聲波雷達、Lidar幾種感測器相互配合的。
07
本月初在台灣發生的Tesla迎面撞向翻倒卡車的案例，就足以證明了毫米波雷達在防撞預警上的缺陷。因為毫米波雷達無法識別圖像，而Tesla的演算法也把毫米波雷達探測到的靜止的物體直接交給Camera Sensor去解析，以免造成算力的浪費。但Camera Sensor對於白色的圖像解析一直是Tesla的弱項，在前幾年美國弗羅里達的事故中，Tesla也把卡車的白色側面當作了天空中的雲。可見自動駕駛技術目前其實只實現到L2-L3的水平，離我們所期待額L4-L6還存在很大的差距。
我們相信，在不久的將來，低成本、小型化、高可靠性的Lidar登上汽車的時候，我們的駕駛信賴性也會隨著多種感測器技術的不斷配合而做的越來越好。
