宅中地 - 每日更新
宅中地 - 每日更新

贊助商廣告

X

低SWaP雷達:讓精密傳感變得更小、更智能、更實惠

2026年11月18日 首頁 » 熱門科技

雷達系統傳統上面臨一個直接的工程權衡:更好的性能需要更多的硬體、更多的功耗和更高的成本。但無人機、自動駕駛汽車和分布式傳感網路等新興應用,需要在空間、重量、電池電量和計算資源都受限的平台上部署功能強大的雷達。這些需求正推動IBM旗下HRL實驗室的研究人員重新思考雷達系統的設計方式。

由此誕生了低SWaP雷達。SWaP代表尺寸(Size)、重量(Weight)和功耗(Power),不過成本如今也越來越被視為核心約束條件。低SWaP雷達的目標,除了讓系統變得更小之外,還要在縮減硬體規模、降低能耗需求、大幅壓低成本的同時,儘可能保留系統的實用能力。對於HRL實驗室負責人Seong-Hwoon Kim及其同事而言,他們的目標是將雷達系統的成本控制在數萬美元範圍內,而非數十萬甚至數百萬美元。「對這個行業來說,這樣的成本差異是一種範式轉變,」他說道。

要實現這一目標,意味著需要將雷達重新構想為一個集成系統,既包括產生和接收射頻信號的半導體器件,也包括實時解讀這些信號的算法。

雷達究竟測量什麼

「Radar」一詞是「無線電探測與測距」(radio detection and ranging)的首字母縮寫。簡單來說,雷達的工作原理是發射射頻(RF)信號,並檢查這些信號在遇到環境中的物體並返回傳感天線後帶回了什麼資訊。通過比較返回脈衝的相位和幅度與發射信號的差異,可以解讀出周邊物體的相關資訊。返回脈衝的都卜勒頻移描述了其波長根據目標物體相對雷達源是遠離還是靠近而發生的拉伸或壓縮,這些資訊共同構成了雷達設備所提供的整體圖景。

與相機不同,雷達傳感器不會生成可以直接識別的圖像。相反,工程師需要設計雷達系統的工作模式及其波形,確定射頻信號如何被調製和發射,以便在信號反彈回源頭時能夠提取出有用資訊——比如物體有多遠、移動速度有多快。雷達模式是指一種特定的雷達運行方式,其波形和其他參數針對特定的傳感任務進行了配置。頻率和調製方式可以根據具體應用進行選擇,但雷達硬體也必須具備支持該模式的能力。圍繞日益複雜的工作模式設計日益專業化的硬體,正是高性能雷達系統成本居高不下的原因之一。

Kim的團隊通過協同設計來應對這一問題,將波形、硬體和信號處理軟體作為一個整體來考量,而不是將它們視為彼此獨立的工程問題。

「我堅信軟體和算法能讓優秀的傳感器變得更加智能,」他說。「但如果你能讓一個優秀的傳感器變得更智能一些,再結合軟體來優化硬體,那麼你得到的東西才會真正發揮作用。」

從商用硬體中挖掘更多價值

降低雷達成本的關鍵之一,是在現有組件能夠完成大部分工作的情況下,儘量避免使用定製硬體。商用現貨(COTS)電子產品具有巨大的規模經濟優勢。但Kim指出,面向大眾市場設計的組件並不一定能滿足專用雷達的所有需求。

他將團隊的方法描述為「定製化現貨」。研究人員無需從零開始開發每一個組件,而是可以從相對廉價的商用組件入手,在必要時對其進行改造,並添加外圍電子設備或軟體,賦予其原設計者未曾設想過的功能。

關鍵在於,不能讓定製化過程抵消了原有的成本優勢。

「如果你買了一塊50美元的晶片,你肯定不希望最終讓這塊晶片的成本變成5000美元,」Kim說。「你只是想給它增加一些功能,」同時讓成本儘量保持在原來的量級範圍內。

這種理念貫穿於低SWaP設計的始終:將資源投入到能實質性提升性能的地方,而不是把每個組件都優化到理論極限。

將智能帶到邊緣端

雷達的SWaP問題並不僅限於射頻硬體。傳感器還需要足夠的計算能力,將接收到的信號轉化為有用資訊,而且這種轉化正越來越多地要求實時完成。

一種基礎的雷達數據產品是距離-都卜勒圖。其中一個維度包含目標物體與傳感器之間距離的資訊,另一個維度則通過都卜勒效應捕捉其相對運動狀態。由此可以幫助確定物體的位置以及它相對雷達的移動速度。但解讀距離-都卜勒圖與在照片中識別出一個可辨認的物體截然不同。信號強並不一定意味著信號重要,有用的資訊可能是從數據中呈現出的整體模式中浮現出來的。

Kim及其同事正在探索機器學習如何在邊緣端直接充當這些資訊的第一道篩選關口。Kim估計,根據具體場景的不同,雷達數據中約有80%到90%最終可能與更高層級的任務無關。如果一個高效的機器學習模型能夠更早地識別出可能有用的部分,那麼計算系統其餘部分需要處理的資訊量就會大幅減少。

這種方法的思路並不是把儘可能大的AI模型塞進雷達里,而是恰恰相反:在嚴苛的功耗和計算限制下,尋找能夠在高效硬體上運行、專注完成特定任務的高效算法。

將AI與雷達協同設計

將AI應用於雷達帶來了另一個挑戰:雷達數據具有高度的專業性。

一位研究照片的機器學習研究人員憑直覺就能知道,人臉、車輛或建築物的圖像分別代表什麼。在這種情況下,為模型訓練標註數據相對容易。而雷達回波則是對環境的一種電學表徵,理解它需要了解波形是如何生成的、雷達是如何工作的,以及返回信號是如何被處理的。

因此,Kim的團隊希望機器學習研究人員能夠理解雷達波形和模式設計,同時也希望雷達工程師能夠理解算法對硬體究竟有哪些需求。這形成了一個反饋循環:算法的需求可以影響硬體設計,而對傳感器的了解也可以影響機器學習系統解讀其輸出結果的方式。

Kim認為,這一反饋循環可能會成為創新的重要來源。研究人員無需僅僅把一堆標註好的雷達數據交給AI系統去發現模式,而是可以將這些測量數據最初是如何產生的相關知識納入考量。其目標既是獲得更好的結果,也是讓系統能夠更快地部署。

將效率融入射頻硬體

歸根結底,低SWaP雷達仍然受制於物理規律。像自動駕駛汽車或無人機這類依靠電池供電的平台上搭載的傳感器,其能量預算是有限的,這意味著軟體方面的改進無法無限期地彌補電子器件效率低下的問題。這使得半導體技術成為這一方程式中另一個重要變量。Kim表示,擁有設計和製造高效射頻器件的專業能力,是一種能夠在更接近基礎硬體層面做出必要權衡的方式,而不是在低效組件周圍不斷堆砌更多硬體。

一項重要技術是氮化鎵(GaN),這是一種用於雷達及其他高性能射頻系統的半導體材料。Kim及其同事從事氮化鎵器件和製造方面的研究,他們的代工廠也將該技術提供給美國國防工業基礎中的其他機構使用。

這種半導體專業知識與更廣泛的低SWaP理念相輔相成:將整個技術棧作為一個系統進行優化,既包括底層器件,也包括射頻組件、信號處理和軟體。

低SWaP雷達的下一步

下一步可能是將同樣的方法推向更高的頻率範圍。

Kim的團隊正在研究高毫米波器件,這一領域的意義不僅限於雷達,還與5G、6G低SWaP雷達讓精密傳感變得更小更智能更實惠等新興通信技術相關。HRL的研究人員目前正在研究該頻段開發的技術如何支持新一代低成本高毫米波雷達的發展。

歸根結底,低SWaP雷達的核心並不在於將傳統雷達簡單地小型化,而在於判斷傳感器內部究竟需要具備哪些能力,並據此設計整個系統。這可能使精密傳感技術能夠在那些以往由於傳統系統成本、重量或能耗要求過高而難以實現的平台上變得切實可行。

而且,決定性因素將越來越不是某一項單一的突破性組件,而是硬體、射頻電子設備、傳感模式與智能軟體之間協同設計的有效程度。

宅中地 - Facebook 分享 宅中地 - Twitter 分享 宅中地 - Whatsapp 分享 宅中地 - Line 分享
相關內容
Copyright ©2026 | 服務條款 | DMCA | 聯絡我們
宅中地 - 每日更新