引言

人工智能 (AI) 和機器學習 (ML) 因其影響和擴展全球眾多行業(yè)的潛力而受到廣泛關注。機器學習廣泛應用于機器人、安全、研究以及樓宇自動化、工廠自動化和個人電子產品等各行各業(yè)。機器學習的實施和開發(fā)面臨諸多挑戰(zhàn)，包括實現(xiàn)自主決策，以及創(chuàng)建能夠適應非結構化環(huán)境的復雜系統(tǒng)。

基于雷達的傳感器集成電路 (IC) 得益于傳感器遠距離功能、高運動靈敏度和隱私特性，成為位置和接近感應設計的常用技術。由于具有高精度，雷達傳感器還廣泛應用于汽車和工業(yè)市場，包括機器人、家庭安全、個人電子產品、人員存在和運動檢測等領域。毫米波雷達傳感器是一種領先的感應技術，它使用機器學習提供更可靠、更準確的分類，以識別更接近更昂貴的視覺系統(tǒng)的物體。

使用雷達對物體進行分類

任何感應技術的關鍵組成部分都是能夠正確理解和識別物體周圍的物體。毫米波不僅能夠精確檢測 3D 環(huán)境中物體的位置，而且通過機器學習，毫米波還能夠對物體類型進行分類。每個有生命或無生命的物體在運動中都有不同的微多普勒特征，毫米波可以通過這種特征利用機器學習來對物體進行準確分類。圖 1 顯示了不同物體的各種微多普勒特征。

圖 1 物體的不同微多普勒特征

毫米波能夠避免因意外運動（例如，樹、葉子、小動物、割草機器人等的運動）而導致的任何不必要的虛假錯誤。使用來自多接收器系統(tǒng)的角度信息來確定高度和距離，可以根據(jù)大小、距離和多普勒對物體進行過濾。這可以幫助家庭安全系統(tǒng)將物體分類為人、動物或識別汽車，以限制任何不必要的通知，或僅在檢測到某些物體時通知用戶。

圖 2 用于區(qū)分風扇和人的雷達分類輸出

圖 3 用于區(qū)分扇和人的場景視圖

這種精確的分類形式不僅限于物體，毫米波還可以使用微多普勒下方地面的微多普勒特征來確定毫米波傳感器所指向的表面。幫助割草機器人了解機器人是否位于草地、混凝土上，甚至幫助家庭機器人確定某個區(qū)域是否潮濕（地面有水坑）以通知房主，或確定表面是否干燥。

圖 4 草地與非草地間的表面分類

毫米波傳感器可提供導航和感知設計，同時仍支持非接觸式和私有應用。物體和表面分類可用于各種終端設備。通過讓設備變得更準確、更智能來提升用戶體驗，并根據(jù)這些決定調整與最終用戶的交互或操作。

利用雷達進行手勢識別

毫米波雷達傳感器不只能夠利用機器學習來區(qū)分物體，手勢識別也是許多應用中最令人期待的技術功能之一。只需揮揮手，即可在不使用遙控器的情況下更改電視頻道，或者調高手機揚聲器的音量。許多應用可以利用手勢識別來擴展產品系列，打開實現(xiàn)許多令人興奮的新功能的大門。

圖 5 雷達使用手勢分類來確定從上到下的運動

通過使用機器學習，毫米波能夠捕獲各種不同的動作，例如向左或向右滑動、向上或向下移動手，甚至是獨特的運動，例如順時針或逆時針移動手以實現(xiàn)某個動作。想象一下，不再需要輸入密碼來解鎖前門，而是可以選擇執(zhí)行各種手勢來打開門，或者展示幻燈片并使用手勢移動到下一張幻燈片，而不是使用按鈕。通過機器學習，可以實現(xiàn)所有這些應用，同時保持毫米波已知的所有低成本、低功耗和高性能指標。

毫米波傳感器相較于激光雷達和攝像頭的優(yōu)勢

通常選擇毫米波雷達技術而不是激光雷達、攝像頭和其他光學傳感器，不僅是為了節(jié)省成本，還因為雷達能夠在惡劣天氣條件下良好運行；而攝像頭可能會受到光線不足和天氣的影響。雷達還具有較寬的距離和覆蓋范圍，使傳感器能夠檢測 100 米以外的物體。由于移動機器人應用需要節(jié)省功耗，因此客戶經常使用可低至 1mW 的雷達進行存在檢測。但是，將雷達與激光雷達配合使用時，攝像頭或其他光學傳感器可幫助應用覆蓋應用可能需要的幾乎每個角落場景。

從功能安全的角度來看，TI 在設計 IWR6843 等非接觸式雷達傳感器之前，已進行了大量的硬件和軟件開發(fā)工作，并獲得了 (TüV) SüD 的器件認證。所有 TI 雷達傳感器均具有多種內置的功能安全機制，可提供 IEC 61508 所要求的必要診斷覆蓋范圍，可在元件級別滿足高達安全完整性等級 (SIL) 2 的硬件功能。

TI 通過診斷軟件庫、編譯器資質審核套件、第三方操作系統(tǒng)、開發(fā)工具和其他文檔在線提供此功能安全配套資料，從而讓工程師簡化安全設計流程和系統(tǒng)級認證。

總結

機器學習提供了雷達可涵蓋的各種新用例，例如：表面分類、人類與非人類、手勢識別等?，F(xiàn)在，使用 TI 的開源 PyTorch 模型可以輕松完成機器學習，其中所有模型都在片上運行，并且是使用開源庫和工具創(chuàng)建的。德州儀器 (TI) 提供完整的分步流程，涵蓋了部署您自己的模型所需的一切。使用 Python 進行數(shù)據(jù)收集，使用 PyTorch 和 Jupyter 進行任何基于模型的訓練，使用 Code Composer Studio 進行所需的任何 TVM 和 C 集成。提供數(shù)據(jù)操作、模型生成和最終目標集成所需的一切。

圖 6 使用 TI 雷達的機器學習流程

在將機器學習實施到應用中時，德州儀器 (TI) 提供了各種學習資源，使現(xiàn)在的入門變得比以前更簡單。毫米波傳感器具有低成本、低功耗等優(yōu)勢，并且能夠在所有天氣條件下準確感應且極其精確，使得毫米波雷達成為在應用中應用機器學習的先進感應設計。

資源

• 德州儀器 (TI)，適用于毫米波傳感器的 Radar Toolbox。
• 德州儀器 (TI)，雷達攝像頭融合。
• 德州儀器 (TI)，IWR6843AOP 單芯片 60GHz 封裝天線 (AoP) 毫米波傳感器評估模塊。