CN113050049A - 通过静态环境测量进行在线雷达相位校准 - Google Patents

通过静态环境测量进行在线雷达相位校准 Download PDF

Info

Publication number
CN113050049A
CN113050049A CN202011024637.6A CN202011024637A CN113050049A CN 113050049 A CN113050049 A CN 113050049A CN 202011024637 A CN202011024637 A CN 202011024637A CN 113050049 A CN113050049 A CN 113050049A
Authority
CN
China
Prior art keywords
phase offset
antenna
vehicle
offset calibration
antennas
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011024637.6A
Other languages
English (en)
Inventor
N·德沃雷基
L·班因
Y·阿米祖尔
Y·弗莱施曼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Intel Corp
Original Assignee
Intel Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Intel Corp filed Critical Intel Corp
Publication of CN113050049A publication Critical patent/CN113050049A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G01S7/4004—Means for monitoring or calibrating of parts of a radar system
    • G01S7/4008—Means for monitoring or calibrating of parts of a radar system of transmitters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G01S7/4004—Means for monitoring or calibrating of parts of a radar system
    • G01S7/4026—Antenna boresight
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/003—Bistatic radar systems; Multistatic radar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/505—Systems of measurement based on relative movement of target using Doppler effect for determining closest range to a target or corresponding time, e.g. miss-distance indicator
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G01S7/4052—Means for monitoring or calibrating by simulation of echoes
    • G01S7/4082—Means for monitoring or calibrating by simulation of echoes using externally generated reference signals, e.g. via remote reflector or transponder
    • G01S7/4091—Means for monitoring or calibrating by simulation of echoes using externally generated reference signals, e.g. via remote reflector or transponder during normal radar operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及通过静态环境测量进行在线雷达相位校准。一种装置，该装置包括：天线阵列，该天线阵列包括用于接收由多个对象响应于所传送的雷达信号而反射的多个雷达信号的多个天线；多普勒测量模块，用于针对多个经反射的雷达信号中的第一经反射的雷达信号，基于第一经反射的雷达信号与所传送的雷达信号的比较来确定指示速度分量的第一多普勒测量；相位偏移测量模块，用于确定在多个天线中的第一天线处接收到的第一经反射的雷达信号相对于在多个天线中的参考天线处接收到的第一经反射的雷达信号的相位的第一相位偏移；以及相位偏移校准模块，用于针对第一天线，基于第一多普勒测量和第一相位偏移来确定第一相位偏移校准误差。

Description

通过静态环境测量进行在线雷达相位校准
技术领域
本公开总体上涉及感测系统的领域，并且更具体地涉及通过静态环境测量进行在线雷达相位校准。
背景技术
雷达系统可以包括经由一个或多个天线传送电磁波(例如，无线电波)的传输系统以及包括用于检测从正被感测的环境中的各种对象反射离开的波的天线阵列(可以是或可以不是用于传送电磁波的相同天线)的检测系统。
附图说明
图1图示根据某些实施例的包括包含雷达系统的车辆的环境。
图2图示出根据某些实施例的作为目标的角度的函数的来自静止目标对象的预期多普勒。
图3图示出根据某些实施例的用于执行在线雷达相位校准的雷达系统。
图4图示出根据某些实施例的用于校准雷达系统中的相位偏移的流程。
图5是示出根据某些实施例的示例自主驾驶环境的简化图示。
图6是图示出根据某些实施例的配备有自主驾驶功能的车辆(和对应的车载计算系统)的示例实现方式的简化框图。
图7是图示出根据某些实施例的在各种车辆中可支持的(例如，由它们的对应机载计算系统支持的)示例自主驾驶级别的简化框图。
图8是图示出根据某些实施例的可在一些自主驾驶系统中实现的示例自主驾驶流程的简化框图。
图9是根据某些实施例的处理器的示例图示。
图10图示出根据某些实施例的以点对点(PtP)配置来布置的计算系统。
各附图中相似的附图标记和命名指示相似的要素。
具体实施方式
图1图示根据某些实施例的包括包含雷达系统104的车辆102的环境100。雷达系统104可通过确定雷达系统104与车辆102的环境100内的各种目标对象(例如108、110、112、114)之间的分离角来协助车辆操作。
环境100可以包括任何数量的静止对象或移动对象。在所描绘的示例中，环境100包括对象108(第一树)、对象110(第二树)、停车标志112、和另一车辆114。在该示例中，对象108、110和112可以是静止的，而对象114可以是移动的。环境可以包括任何数量的静止对象，诸如车辆102正在行进的道路的部分、灯柱、路灯、标志、灌木丛、树木、建筑物、停放的车辆、或其他合适的对象)。环境还可以包括任何数量的移动对象，诸如其他车辆、行人、骑自行车者、骑摩托车者、或其他移动对象。
如所描绘，雷达系统104的天线阵列可以包括成排地布置且天线(“均匀线性阵列”)之间具有相等间隔的一排天线106。在所描绘的实施例中，描绘了由五个天线106组成的线性阵列，尽管其他实施例可以包括以任何合适的距离彼此间隔的任何数量的天线。在替代实施例中，天线106可以被布置成一排，其中天线之间的间距不等(例如，至少一对相邻的天线可以按与分开不同对相邻的天线的距离不同的距离来隔开)。在一些实施例中，天线阵列可包括天线的二维网格(例如，多个线性阵列)、天线的圆形或半圆形布置、或以任何其他合适的配置布置的天线。
天线可以是定向天线或全向天线，包括，例如，双极天线、单极天线、贴片天线、环形天线、微带天线或适于(例如，在无线电或微波频率域中)传输雷达信号的其他类型的天线。
在所描绘的实施例中，车辆102包括面前向的天线阵列(例如，位于车辆的前部或接近车辆的前部的天线阵列，其中前部指定车辆102的正常行进方向)。在其他实施例中，天线阵列可以被放置在以下各项中的一项或多项处：车辆的前部、车辆的右侧、车辆的左侧、车辆的后部、或车辆的其他合适的位置。
每个天线阵列可以具有其自身的参考天线，其中参考天线可以是阵列的任意天线，并且其中由天线执行的某些测量可以相对于由参考天线进行的类似测量来确定(如下文将更详细地所描述)。
在操作中，雷达系统104可以传送雷达信号(例如，无线电或微波频谱中的电磁波)，并且雷达系统104的天线106可以各自响应于所传送的雷达信号而检测由目标对象反射的雷达信号。天线中的每一个天线将接收反射信号的不同相位。雷达系统104与目标对象之间的分离角可基于相位如何跨天线阵列前进来计算(例如，通过测量在每个天线上接收到的相位来计算)。为了以此方式精确地确定分离角，对每个天线处接收到信号的相位进行准确测量是重要的。被设计用于自主车辆的一些雷达系统利用大型天线阵列在76-81GHz频段中操作。采用的小波长和众多天线提供了空间分辨率的显著增益。然而，这些也使得天线相位之间的校准过程非常困难。
不准确的相位测量可能由多个因素造成的，多个因素诸如阵列中的天线106的不同长度、由于温度改变而引起的影响、天线的位置随时间的改变(例如，车辆的凹痕可能影响相位测量)、其他设计因素、或其他环境因素。由此类因素造成的相位测量误差可能使其难以确定准确的角度分辨率和/或可能在此类测量中产生偏差。
为了计及这些因素中的一些因素，可以在车辆102的制造时或制造前后执行工厂校准。此类校准的示例可以包括利用目标(例如，角形反射器)和调整目标的位置(其中每个位置对校准系统是已知的)，并观察在每个位置处获得的相位，以确定对将来执行的相位测量要做出的调整，以便准确地计算分离角。然而，工厂校准不能计及所有潜在的误差源(例如，温度改变、天线位置改变、或由于天线老化引起的改变)。回环校准方法是昂贵的、复杂的、并且通常需要在校准过程期间中禁用雷达系统。此外，此类校准技术不能完全计及所有的损害，诸如在天线阵列本身中引起改变相位偏移。
自主车辆(AV)雷达的和空中雷达的典型用例场景之间的关键差异中的一种差异是包含静态环境。静止对象(诸如静止车辆、标志、灯柱)以及甚至道路本身都可被认为是使所需的检测目标(例如，移动的车辆或行人)变得混乱的妨碍性测量。常见的方法是在执行移动目标对象的检测之前，尽可能地过滤掉静态环境。
本公开的各种实施例可提供用于AV应用的雷达系统的天线之间的相位偏移的在线校正。不是过滤掉静态环境，而是可以利用环境100内的静态对象来在车辆102移动时校准雷达。例如，静态对象(例如，108、110、112)可用作阵列的天线之间的相位偏移的测量源。从静态对象测得的多普勒与垂直于车辆102的方向的轴线和对象视线之间的角度θ的正弦成比例，并且天线之间的相位偏移与同一角度θ的余弦成比例，但也会被未知的校准误差所破坏。因此，可以使用两种不同的测量类型来确定角度θ：基于天线之间的相位偏移的直接角度测量(例如，标准雷达测量)或基于由天线测量的多普勒的角度测量。通过将多普勒测量与相位测量进行比较，可以估计天线的相位偏移校准误差。通常，基于多普勒测量值执行的角度测量是相对嘈杂的，并且不如使用天线之间的相位偏移的角度测量准确。因此，在一些实施例中，由雷达系统104跨环境100中的各种静态对象测得的多普勒可以用于确定天线106的校准误差。一般而言，当在多种多样的目标对象上执行多普勒测量时，噪声可以被过滤掉，从而导致比对单个目标对象或目标对象的小子集执行多普勒测量时更准确的估计的校准误差。以该方式，可以针对阵列中的每个天线106确定校准误差，以基于跨天线106的阵列测得的相位偏移来校准由雷达系统104执行的分离角测量。
各种实施例可以提供一个或多个技术优点，诸如雷达系统104的准确性和可靠性的改善，并且用于在不需要工厂校准的情况下执行校准，潜在地在制造和安装期间节省时间和设备的能力。
如上文所述，雷达系统104可以测量环境100中要由目标对象反射的信号的多普勒。当雷达信号被传送并从目标对象上反射离开时，经反射的信号以略微不同的的频率在天线106处被接收回，其中被传送的信号和被接收的信号的频率的改变是无线电速度的函数。如果车辆102是笔直朝向目标对象行进，则频率变化的幅度与车辆的速度直接相关。然而，如果车辆102与对象成一定角度行进，则频率变化的幅度将是车辆102正在行进的方向与到目标对象的视线向量之间的角度的函数。
图2图示出描绘根据某些实施例的描绘作为目标的角度的函数的来自静止目标对象的预期多普勒的图表。该图表假定是车辆102(也称为自我)沿y轴以15米/秒的速度行进。如图1中所描绘，y轴被定义为穿过车辆102的行进方向延伸的轴。x轴被定义为在与y轴相同的高度处垂直于y轴延伸的轴线，例如，x轴可以是车辆102的左侧和右侧的轴线。雷达系统104与目标对象之间的角度θ被定义为x轴与从(例如，在y轴和x轴的交点处的)雷达系统104到目标对象的视线之间的角度。例如，关于对象108(第一棵树)的角度θ由角度116描绘，而关于对象110(第二棵树)的角度由角度118描绘。
再次参考图2，对于位于x轴上的对象(即，具有θ为0或180)，来自静止目标对象的预期多普勒的幅度为零。预期多普勒随着θ从0增加到90度处的最大值(等于车辆102的速度)而增加，并且随后随着θ从90度增加到180度而减小。预期多普勒的值为Dexp＝Sr sin(θobj)，其中Dexp为预期多普勒，Sr为雷达系统104沿y轴的真实速度，并且θobj为x轴与到目标对象的视线之间的角度。
从目标i测得的多普勒由Di＝Sr sin(θi)+ni给出，其中Di是测得的多普勒，Sr是雷达系统104沿y轴的真实速度，θi是到静止目标i的视线与x轴之间的角度，并且ni是残余噪声项(具有基于雷达的准确性的幅度)，其分布通常被认为是已知的。因此，所测得的多普勒与预期多普勒加上噪声分量相同。
当测量在阵列的天线106处观察到的多普勒时，针对所有天线假定相同的θ。虽然由于天线的不同位置，实际的θ可能略微不同，但实际角度的差异可以忽略不计。在一些实施例中，雷达系统104测得的角度θ可以是相对于雷达系统上任何合适的点的角度，诸如天线阵列的中心、参考天线、或其他合适的点。对于某个目标对象，假定所测得的多普勒应用于整个阵列(即，每个天线观测相同的多普勒)。多普勒测量可以基于经反射的雷达信号与所传送的雷达信号的比较来指示速度分量。例如，为了确定目标对象的多普勒，雷达系统104可以测量所传送的频率和经反射的频率的变化，并且随后可以将频率的变化转换为速度的变化(例如，通过将频率的变化乘以波在介质(对于AV应用，一般而言是空气)中的传播速度，然后除以所传送的频率)。速度的变化可以等于源的径向速度减去接收机的径向速度(当目标对象静止时，其为零)，并且因此可以是车辆朝向对象的速度。
雷达沿y轴的速度估计Sr通常可由车辆102以高度准确性(例如，在几cm/s内)来确定。车辆102可利用任何合适的传感器或其它信息来确定速度。例如，车辆102可使用来自雷达系统104、一个或多个相机、激光传感器、惯性测量单元、全球定位系统(GPS)、或其他测量来计算其速度。
当天线阵列包括沿x轴的线性均匀阵列时，天线数量k与参考天线(其中参考天线可以位于例如x轴和y轴的交点处)之间的所测得的相位差被计算为
Figure BDA0002701783490000061
其中d是每对相邻天线之间的距离，λ是载波波长，以及βk是两天线之间的校准相位误差。因此，
Figure BDA0002701783490000062
是均匀线性阵列中参考天线与被考虑天线之间的预期理论相位偏移，但不会等于实际相位偏移，除非校准相位误差等于0。
当天线阵列为线性均匀阵列且参考天线位于阵列的中心时，假设参考天线处的k的值为0，在第一方向上与参考天线相邻的天线的k的值为1，在第一方向上的下一个天线的k的值为2，以此类推。在与第一方向相反的方向上与参考天线相邻的天线的k的值为-1，在与第一方向相反的方向上的下一天线的k的值为-2，依次类推。可替代地，可以选择参考天线(其中k＝0)作为天线阵列的边缘的天线，并且k的值可以对某一方向上的天线单调增加(例如，k＝1对应于与参考天线相邻的天线，k＝2对应于下一个天线，依次类推)。
当天线阵列是线性的，但天线对之间的距离是非均匀的，以上等式中的dk项可以由正在测量它们相位差的参考天线与特定天线之间的实际距离代替。当阵列不是线性的(例如，环形阵列)时，特定天线与参考天线之间的相位差的计算更加复杂，但可以由本领域普通技术人员计算。
对于典型的AV用例，Sr的预期误差是在几厘米/秒的量级，并且因此可以被忽略。因此，用于获得上述等式中的θ以用于所测得的相位差和所测得的多普勒的操作可以被设置为彼此相等，并且可以隔离和求解校准偏移误差。在各种实施例中，因为多普勒测量包括可能会使多普勒测量失真的噪声项，因此多普勒测量可以跨多个静态对象执行，以便消除或至少极大地限制噪声项ni的影响。换言之，可以使用跨多个静态目标对象的多普勒测量来估计角度θ，并且随后可以将该估计的θ用于估计相位偏移校准误差，因为如果预期的θ是已知的，则预期的相位偏移是已知的，并且可以与所测得的相位进行比较以确定相位偏移校准误差。
在实施例中，其中天线阵列是均匀线性阵列，对于特定天线k的相位偏移校准误差的估计由插入式估计
Figure BDA0002701783490000071
给出，其中N为所测量的目标对象的数量，δφi，k为对象i在天线k处的实际所测得的相位差(相对于参考天线)，以及Di为对象i的实际所测得的多普勒。如果天线阵列是非线性阵列，则dk项可以由参考天线与天线k之间的实际距离代替。如果天线阵列具有不同的形状，则相位校准误差的方程可以相应地修改。
实际上，根据该方程确定相位偏移校准误差的雷达系统104可以对特定天线k的环境中的所有被检测的对象执行相位偏移和多普勒测量，计算对象的每一对测量的相位偏移校准误差，并且随后对计算的相位偏移校准误差进行平均以确定特定天线的相位偏移校准误差。在其他实施例中，可以基于对天线k的任意数量的测量对的所计算的相位偏移校准误差来确定相位偏移校准误差。例如，校准误差的估计可以利用截尾均值(trimmed mean)，其中，针对环境中的特定对象所计算的一个或多个异常值校准误差(例如，最小10％和最大10％)，并将剩余的校准误差一起取平均以确定最终的相位偏移校准误差。作为另一个示例，可以选择各种对象的相位偏移校准误差的中位值作为最终的相位偏移校准误差。
在实施例中，当根据上文计算相位偏移校准误差时，可以过滤出并且不考虑被检测到并且被确定为移动对象的对象。然而，一般而言，环境中的静态对象的数量可能比移动对象的数量大一个或多个数量级。这一般是因为静态测量出现在所有可能的范围内(例如，从地面开始)，而移动目标在范围-多普勒图中是稀疏的。因此，即使从移动对象计算出的相位偏移校准误差被包括在确定最终相位偏移校准误差期间考虑的测量集合中，诸如上文所描述的那些相位偏移校准误差测量的简单稳健的滤波器足以使该方法获得良好的性能。由于存在来自静态目标的更多的测量，因此即使在存在其他移动对象的情况下，上述方法也能稳健地估计所需的相位偏移校准误差。
虽然上文的示例考虑了针对前向天线阵列的操作，但这些操作可以适用于侧向或后向天线阵列。如果天线阵列不在车辆的前部，那么上述公式中用于所测得的相位差的θ项可以相应地被修改。例如，如果天线阵列在车辆的右侧(例如，面向X轴的正侧)，则所测得的相位差等式中的θ项变为π/2+θ，如果天线阵列面向左侧，则θ项变为θ–π/2，并且如果天线阵列在后部上，则θ项变为π+θ。
图3图示出根据某些实施例的用于执行在线雷达相位校准的雷达系统104。雷达系统104包括用于生成雷达信号和跨(例如，车辆(诸如自主车辆)的)环境传送雷达信号的传输模块302。雷达系统104进一步包括天线阵列304，该天线阵列304可以包括多个天线(例如，天线106)。这些天线中的一个或多个天线可用于跨环境传送雷达信号。可替代地，可以使用一个或多个不同的天线来传送雷达信号。
接收器模块306可包括用于协助天线阵列304的天线接收由环境的对象反射的雷达信号。例如，接收器模块306可以对接收到的信号进行放大以用于进一步处理。存储器308可包括用于存储由雷达系统104的任何模块利用的数据(诸如中间结果或最终结果)的任何合适的易失性或非易失性存储器。
多普勒测量模块310可确定来自环境的对象的每个经反射的信号的多普勒测量。相位偏移测量模块312可以针对每个经反射的信号和针对阵列304的每个天线(除参考天线之外)，确定经反射的信号相对于在参考天线处接收到的经反射信号的相位的相位偏移。
速度标识模块314可操作用于确定车辆102的速度。速度标识模块314可以从接收到的雷达信号确定速度，或者可以与车辆的其他传感器或模块通信以确定车辆的速度。
相位偏移校准模块316可操作用于基于多普勒和相位偏移测量来确定天线阵列304的天线的相位偏移校准误差。相位偏移校准误差也可以基于车辆的速度。
角度确定模块318可操作用于基于相位偏移测量和所确定的相位偏移校准误差来确定经反射的信号的角度(并且从而确定相关联的对象的角度)。例如，可以从在特定天线处测量的、来自特定对象的经反射的信号的相位偏移中减去特定天线的相位偏移校准误差，以确定校准的相位偏移。该校准的相位偏移可与阵列304的其他天线的其他类似校准的相位偏移一起考虑，以确定对象的角度。对于期望被测量角度的任何合适的对象，可以重复类似的操作。
图4图示出根据某些实施例的用于校准雷达系统中的相位偏移的流程400。该流程的一些或所有操作可由例如雷达系统104、自主车辆的其他合适逻辑、或其他合适逻辑执行。在402处，雷达信号被传送。在404处，经反射的雷达信号被接收。雷达信号可以被经传送的雷达信号范围内的多个对象反射。
在406处，对经反射的雷达信号执行多普勒测量。在408处，经反射的雷达信号的相位偏移被测量。在410处，天线阵列的速度(例如，其可以与包括天线阵列的车辆的速度相同)被确定。
在412处，基于所测得的多普勒、所测得的相位偏移、和所标识的速度来针对阵列中的天线确定相位偏移校准误差。在414处，可根据所确定的相位偏移校准误差来调整所测得的相位偏移。在416处，基于调整的相位偏移来确定一个或多个对象的角度。
图4中描述的流程仅表示在一些实施例中可能发生的操作或通信。在其他实施例中，可以在流程中执行附加操作或通信。本公开的各种实施例构想用于实现本文所描述的功能的任何合适的信令机制。图4中所图示的操作中的一些操作可以在适当的情况下被重复、被组合、被修改、或被删除。另外，可以以任何合适的顺序执行操作，而不背离各个实施例的范围。
图5-图10图示出本公开的各方面可在其中操作或其中的各种组件可用于执行本文中所描述的操作的示例环境。例如，模块中的任何一个模块(例如，302、304、306、308、310、312、314，316、或318)可由处理器实现，处理器诸如路边计算设备(例如，540)、基于雾或基于云的计算系统(例如，550)、处理器602、900、1070或1080、系统610、计算系统1000、或其他合适的电路组合(在一些情况下，这些电路组合可包括具有指令的计算机可读机制，这些指令用于执行对本文中所描述的各方法)。作为另一示例，下文所描述的传感器中的任何传感器可用于收集本文中所提到的传感器数据。作为另一示例，雷达系统104可与本文所描述的任何车辆一起集成或使用。
在各实施例中，本文中所描述的任何一个或多个操作可在车辆中执行或由耦合至车辆的一个或多个服务器(下文更详细地描述的各种处理环境)执行。
图5是示出示例自主驾驶环境的简化示图500。车辆(例如，505、510、515等)可被提供有通过车载计算系统促进的不同级别的自主驾驶能力，这些车载计算系统具有以硬件、固件和/或软件实现的逻辑以实现相应的自主驾驶堆叠。此类自主驾驶堆叠可允许车辆自控制或提供驾驶员辅助，以检测道路、从一点导航到另一点、检测其他车辆和道路使用者(例如，行人(例如，535)、骑自行车者等)、检测障碍和危险物(例如，520)、以及道路状况(例如，交通、道路状况、天气状况等)、并且相应地调整对车辆的控制和引导。
在一些实现方式中，环境内的车辆(例如，505、510、515)可“被连接”，在于车载计算系统包括用于使用一种或多种技术(例如，电气与电子工程师协会(IEEE)802.11通信(例如，WiFi)、蜂窝数据网络(例如，第三代伙伴计划(3GPP)网络、全球移动通信系统(GSM)、通用分组无线电服务、码分多址(CDMA)等)、蓝牙、毫米波(mmWave)、ZigBee、Z-波等)来支持无线通信的通信模块，从而允许车载计算系统连接至其他计算系统(诸如，其他车辆的车载计算系统或支持基础设施)并与其他计算系统通信。例如，在一些实现方式中，车辆(例如，505、510、515)可与提供传感器、数据和服务以支持车辆的自主驾驶能力的计算系统通信。例如，如在图5的说明性示例中所示，支持无人机580(例如，基于地面的和/或空中的)、路边计算设备(例如，540)、各种外部(例如，车辆外部的或“外来的”)传感器设备(例如，560、565、570、575等)以及其他设备可作为与实现在车辆(例如，505、510、515)上的计算系统、传感器和逻辑分离的自主驾驶基础设备而被提供，以支持并改善通过车辆提供的自主驾驶结果，等等此类示例。车辆还可通过无线通信信道与其他连接的车辆通信，以共享数据并协调自主驾驶环境内的移动，等等此类示例通信。
如在图5的示例中所图示，自主驾驶基础设施可包含各种不同的系统。此类系统可取决于位置而变化，其中，较发达的道路(例如，特定市政或收费站官方控制的道路、处于城市地区的道路、已知对于自主驾驶汽车有问题的道路部分等)具有相比于其他道路部分更多数量或更先进的支持基础设施设备。例如，可提供补充传感器设备(例如，560、565、570、575)，包括用于观察道路部分和在环境内移动的车辆并生成描述对传感器的观察或使对传感器的观察具体化的对应数据的传感器。例如，传感器设备可被嵌入在道路本身内(例如，传感器560)、在路边或高架标牌上(例如，传感器565在标志525上)、传感器(例如，570、575)被附接至电子路边装备或固定装置(例如，交通灯(例如，530)、电子路标、电子公告牌等)、专用路边单元(例如，540)等等此类示例。传感器设备还可包括通信能力，以将它们收集到的传感器数据直接传输至附近连接的车辆或传输至基于雾或基于云的计算系统(例如，540、550)。车辆可获取由外部传感器设备(例如，560、565、570、575、580)收集的传感器数据、或使由其他系统(例如，540、550)基于来自这些传感器设备(例如，560、565、570、575、580)的传感器数据生成的观察或推荐具体化的数据，并且在传感器融合、推断、路径规划、以及有车载自主驾驶系统执行的其他任务中使用该数据。在一些情况下，此类外来传感器和传感器数据可能实际上处于车辆内，诸如以附接至车辆的售后市场传感器、由车辆的乘员携带或穿戴的个人计算设备(例如，智能电话、可穿戴设备等)的形式。包括行人、骑行者、无人机、电子摩托车等在内的其他道路使用者也可被提供有传感器或携带有传感器，以生成描述自主驾驶环境的传感器数据，该传感器数据可由自主车辆、基于云或基于雾的支持系统(例如，540、550)、其他传感器设备(例如，560、565、570、575、580)使用和消耗，等等此类示例。
由于自主车辆系统可拥有不同级别的功能和复杂性，因此可能要求支持基础设施不仅要补充一些车辆的感测能力而且要补充计算机和机器学习功能从而实现一些车辆的自主驾驶功能。例如，用于促进机器学习模型训练和使用此类机器学习模型的计算资源和自主驾驶逻辑可被设置在车载计算系统上，整体地或部分地在车载系统和一些外部系统(例如，540、550)两者上。例如，连接的车辆可与路边单元、边缘系统、或在道路的特定路段本地的基于云的设备(例如，540)通信，其中此类设备(例如，540)能够提供数据(例如，从本地传感器(例如，560、565、570、575、580)聚合的传感器数据或从其他车辆的传感器报告的数据)、对由车辆提供的数据执行计算(作为服务)以(例如，基于在设备540处收集的或来自附近传感器设备的传感器数据等)来补充车辆本机的能力和/或将信息推送至正在经过或正在接近的车辆。连接的车辆(例如，505、510、515)还可以或可替代地与基于云的计算系统(例如，550)通信，基于云的计算系统可提供类似的存储器、感测和计算资源以增强车辆处可用的那些存储器、感测和计算资源。例如，基于云的系统(例如，550)可从处于一个或多个位置的多种设备收集传感器数据，并利用该数据来建立和/或训练机器学习模型，该机器学习模型可在基于云的系统处使用(以将结果提供给与基于云的系统550通信的各个车辆(例如，505、510、515)或将结果推送至车辆以供其车载系统使用)，等等此类示例实现方式。接入点(例如，545)可被设置在环境内并用于促进基于云的系统(例如，550)与各个车辆(例如，505、510、515)之间通过一个或多个局域网或广域网(例如，555)的通信，这些接入点诸如，蜂窝电话塔、路边单元、安装至各种路边基础设施的网络接入点、有相邻的车辆或建筑物提供的接入点以及其他接入点。通过此类基础设施和计算系统，应当领会本文中所讨论的示例、特征和解决方案可整体地由一个或多个此类车载计算系统、基于雾的计算设备或边缘计算设备、或基于云的计算设备执行，或者整体地由前述设备的组合通过这些系统之间的通信和协作来执行。
一般而言，本文中所讨论的“服务器”、“客户端”、“计算设备”、“网络元件”、“主机”、“平台”、“传感器设备”、“边缘设备”、“自主驾驶系统”、“自主车辆”、“基于雾的系统”、“基于云的系统”、以及“系统”等一般可以包括可操作以接收、传送、处理、存储、管理与自主驾驶环境相关联的数据和信息的电子计算设备。如本文档中所使用，术语“计算机”、“处理器”、“处理器设备”或“处理设备”旨在涵盖任何合适的处理装置，包括中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、张量处理器、以及其他矩阵算术处理器，等等此类示例。例如，可使用多个计算设备和处理器(诸如包括多个服务器计算机的服务器池)来实现被示出为环境的单个设备的元件。进一步地，计算设备中的任何计算设备、全部计算设备、或者一些计算设备可适于执行任何操作系统(包括Linux、UNIX、Microsoft Windows、Apple OS、Apple iOS、GoogleAndroid、Windows Server等)并且适于执行使对特定操作系统(包括定制操作系统和专有操作系统)的执行虚拟化的虚拟机。
本文中所描述或附图中所图示的流程、方法、过程(或其部分)中的任一者或者本文中所描述或附图中所图示的各种组件中的任何组件的功能均可由任何合适的计算逻辑来执行，该计算逻辑诸如一个或多个模块、引擎、块、单元、模型、系统、或其他合适的计算逻辑。本文中对“模块”、“引擎”、“块”、“单元”、“模型”、“系统”或“逻辑”可指用于执行一个或多个功能的硬件、固件、软件和/或每一者的组合。作为示例，模块、引擎、块、单元、模型、系统、或逻辑可包括与非瞬态介质相关联的诸如微控制器或处理器之类的硬件，该非瞬态介质用于存储适于由该微控制器或处理器执行的代码。因此，在一个实施例中，对模块、引擎、块、单元、模型、系统、或逻辑的引用可指硬件，该硬件被专门配置成用于识别和/或执行要保存在非瞬态介质上的代码。此外，在另一实施例中，对模块、引擎、块、单元、模型、系统、或逻辑的使用是指包括代码的非瞬态介质，该代码专门适于由微控制器或处理器执行以执行预定的操作。并且如可以被推断，在又一实施例中，术语模块、引擎、块、单元、模型、系统、或逻辑可指硬件和非暂态介质的组合。在各实施例中，模块、引擎、块、单元、模型、系统、或逻辑可包括微处理器或可操作以执行软件指令的其他处理元件、诸如专用集成电路(ASIC)之类的分立的逻辑、诸如现场可编程门阵列(FPGA)之类的经编程的逻辑器件、包含指令的存储器设备、逻辑器件的组合(例如，如将在印刷电路板上发现的)、或其他合适的硬件和/或软件。模块、引擎、块、单元、模型、系统、或逻辑可包括一个或多个门电路或其他电路组件，其可以由例如晶体管来实现。在一些实施例中，模块、引擎、块、单元、模型、系统、或逻辑可完全被具体化为软件。软件可被具体化为记录在非瞬态计算机可读存储介质上的软件包、代码、指令、指令集和/或数据。固件可被具体化为硬编码(例如，非易失性的)在存储器设备中的代码、指令或指令集、和/或数据。此外，被图示为分开的逻辑边界通常不同并且潜在地重叠。例如，第一模块和第二模块(或多个引擎、块、单元、模型、系统、或逻辑)可共享硬件、软件、固件、或其组合，同时潜在地保留一些独立的硬件、软件或固件。
现在参考图6，示出了图示装配有自主驾驶功能的车辆(和对应的车载计算系统)505的示例实现方式的简化框图600。在一个示例中，车辆505可装配有一个或多个处理器602，诸如中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、张量处理器、以及其他矩阵算术处理器，等等此类示例。此类处理器602可耦合至集成硬件加速器设备(例如，604)或具有集成硬件加速器设备，该集成硬件加速器设备可被提供有用于加速某些处理和存储器访问功能的硬件，诸如与机器学习推断或训练、特定传感器数据(例如，相机图像数据、激光雷达点云等)的处理、执行涉及自主驾驶的某些算术功能(例如，矩阵算术、卷积算术等)有关的功能，等等此类示例。可提供一个或多个存储器元件(例如，606)来存储机器可执行指令以及存储机器学习模型(例如，656)、传感器数据(例如，658)、以及与要由车辆执行的自主驾驶功能有关的接收到的、所生成的、或所使用的其他数据，这些机器可执行指令实现车辆上实现的自主驾驶堆叠的模块或子模块中的任一者的全部或部分。各种通信模块(例如，612)也可被提供、实现在在硬件电路和/或软件中，以实现由车辆的系统使用从而通过采用一种或多种网络通信技术的一个或多个网络信道与其他外来计算系统通信的通信能力。这些各个处理器602、加速器604、存储器设备606、以及网络通信模块612可在车辆系统上通过一个或多个互连结构或链路(例如，608)互连，这些互连结构或链路诸如利用诸如外围组件互连快速(PCIe)、以太网、OpenCAPITM、Gen-ZTM、UPI、通用串行总线(USB)、用于加速器的高速缓存一致性互连(CCIXTM)、超微半导体TM(AMDTM)的InfinityTM、通用通信接口(CCI)或高通TM的CentriqTM互连的互连结构或链路等等。
继续图6的示例，示例车辆(和对应的车载计算系统)505可包括车载处理系统610、驾驶控制(例如，620)、传感器(例如，625)、以及(多个)用户/乘员接口(例如，630)等等硬件和/或软件中此类示例模块实现的自主车辆的功能。例如，在一些实现方式中，车载处理系统610可实现自主驾驶堆叠和过程流(例如，如图5的示例中所示出和所讨论)的全部或部分。可提供机器学习引擎632以结合被提供和实现在车辆处或用于车辆的一个或多个自主功能和特征(诸如本文中的示例中所讨论)来利用车辆505处所提供的各种机器学习模型(例如，656)。此类机器学习模型656可包括人工神经网络模型、卷积神经网络、基于决策树的模型、支持向量机(SVM)、贝叶斯模型、深度学习模型、以及其他示例模型。在一些实现方式中，示例机器学习引擎632可包括一个或多个模型训练器引擎652，以参与对机器学习模型656中的一个或多个的训练(例如，初始训练、继续训练等)。还可提供一个或多个推断引擎654，以利用经训练的机器学习模型656来推导各种推断、预测、分类和其他结果。
可利用设置在车辆处的(多个)学习引擎632来支持车载处理系统610并提供由车载处理系统610的其他逻辑组件和模块使用的结果，从而实现自主驾驶堆叠和其他有关自主驾驶的特征。例如，数据收集模块634可被提供有用于确定要从哪个源收集数据的逻辑(例如，针对由车辆使用的各种机器学习模型656的训练或使用中的输入)。例如，可选择特定的源(例如，内部传感器(例如，625)或外来传感器(例如，515、540、550、580、615等)，并且选择以哪个频率和保真度来对数据进行采样。在一些情况下，此类选择和配置可至少部分自主地由数据收集模块634使用一个或多个对应的机器学习模型来作出(例如，以考虑到特定的检测到的场景而在适当时收集数据)。
传感器融合模块636也可用于管理由车载处理系统的机器学习引擎632和其他模块(例如，638、640、642、644、646等)利用的各种传感器输入的使用和处理。可提供一个或多个传感器融合模块(例如，636)，该一个或多个传感器融合模块可从多个传感器数据源(例如，在车辆上或在车辆外)推导出输出。源可以是同构或异构类型的源(例如，来自共同类型的传感器的多个实例的多个输入、或来自多个不同类型的传感器的实例的多个输入)。示例传感器融合模块636可应用直接融合、间接融合等等此类实例传感器融合技术。在一些情况下，与提供自主驾驶功能或其他功能结合，传感器融合的输出可作为输入(连同潜在附加的输入一起)被馈送到车载处理系统的另一模块和/或一个或多个机器学习模型，诸如本文中所讨论的实例解决方案中所描述。
在一些示例中，可提供感知引擎638，感知引擎638可将各种传感器数据(例如，658)当作输入以执行对象识别和对检测到的对象的跟踪等等与对车辆505遇到(或将要遇到)的环境的自主感知相对应的此类示例功能，在一些实例中，各种传感器数据包括来自外来源和/或传感器融合模块636的数据。感知引擎638可使用深度学习诸如通过一个或多个卷积神经网络和其他机器学习模型656执行从传感器数据输入的对象识别。还可执行对象跟踪以从传感器数据输入自主地估计对象是否正在移动，并且如果对象正在移动，则估计对象沿什么轨迹移动。例如，在给定的对象被识别之后，感知引擎638可检测给定对象相对于车辆如何移动。例如，可使用此类功能来检测在环境内移动的、可能影响车辆在道路上的路径的对象，这些对象诸如其他车辆、行人、野生动物、骑自行车者等，等等此类示例使用。
在某个实现方式中，还可将定位引擎640包括在车载处理系统610内。在一些情况下，定位引擎640可被实现为感知引擎638的子组件。定位引擎640也可利用一个或多个机器学习模型656和传感器融合(例如，激光雷达和GPS数据的传感器融合等)，以确定车辆的高置信度位置及其在给定的物理空间(或“环境”)内占据的空间。
车辆505可进一步包括路径规划器642，该路径规划器642可利用诸如数据收集(例如，634)、传感器融合(例如，636)、感知引擎(例如，638)、以及定位引擎(例如，640)等等(例如，推荐引擎644)之类的各种其他模块的结果来为车辆确定路径规划和/或动作规划，该路径规划和/或动作规划可由驾驶控制装置(例如，620)用于控制在环境内对车辆505的驾驶。例如，路径规划器642可利用这些输入和一个或多个机器学习模型来确定驾驶环境内各种事件的概率，以确定要在该环境内采取的有效的实时规划。
在一些实现方式中，车辆505可包括用于从由车辆505自身的传感器(例如，625)生成的传感器数据以及来自外来传感器(例如，传感器设备515、580、615等)的传感器数据生成各种推荐的一个或多个推荐引擎644。一些推荐可由推荐引擎644确定，这些推荐可作为输入被提供给车辆的自主驾驶堆叠的其他组件以影响由这些组件作出的确定。例如，可确定推荐，当被路径规划器642考虑时，该推荐使得路径规划器642从其(若非推荐的话)通常原本确定的决策或规划偏离。推荐还可由推荐引擎(例如，644)基于对乘员舒适性和体验的考虑来生成。在一些情况下，可基于这些推荐(这些推荐是从由车辆的传感器和/或外来传感器捕获的传感器数据(例如，658)确定的)来预测性地且自主性的操纵车辆内的内部特征。
如上文所介绍，一些车辆实现方式可包括使用者/乘员体验引擎(例如，646)，该使用者/乘员体验引擎可利用传感器数据和车辆的自主驾驶堆叠内的其他模块的输出基于由传感器数据(例如，658)捕获的观察来引起驾驶操纵和对车辆的车厢环境的改变，以增强车辆内乘员的体验。在一些实例中，设置在车辆上的用户接口(例如，630)的用于使得用户能够与车辆及其自主驾驶环境进行交互的各方面可被增强。在一些情况下，可生成信息性演示并通过用户显示器(例如，音频、视觉和/或触觉演示)来提供该信息性演示，以帮助影响和改善车辆(例如，505)内的乘员体验，等等其他示例使用。
在一些情况下，还可提供系统管理器650，该系统管理器650监视由车辆上的各种传感器收集的信息以检测与车辆的自主驾驶系统的性能有关的问题。例如，可由系统管理器650检测计算错误、传感器停机和传感器问题、(例如，通过通信模块612提供的)通信信道的可用性和质量、车辆系统检查(例如，与电机、传动装置、电池、冷却装置、电气系统、轮胎等有关的问题)、或其他操作事件。可在由系统管理器650生成的系统报告数据中标识此类问题，在一些情况下，此类问题可被用作对机器学习模型656和相关自主驾驶模块(例如，632、634、636、638、640、642、644、646等)的输入，以使得车辆系统健康和车辆系统问题能够与传感器数据658中所收集的其他信息一起在车辆505的自主驾驶功能中被考虑。
在一些实现方式中，车辆505的自主驾驶堆叠可与驾驶控制装置620耦合以影响车辆如何被驾驶，驾驶控制装置620包括转向控制装置(例如，660)、加速器/油门控制装置(例如，662)、制动控制装置(例如，664)、信号发送控制装置(例如，666)等等此类示例。在一些情况下，还可完全或部分地基于用户输入来控制车辆。例如，用户接口(例如，630)可包括驾驶控制装置(例如，实体的或虚拟的方向盘、加速器、刹车、离合器等)以允许人类驾驶员能够从自主驾驶系统取得控制(例如，采用接管或在驾驶员辅助动作之后)。可利用其他传感器来接受用户/乘员输入，这些传感器诸如语音检测692、姿势检测相机694，等等此类示例。用户接口(例如630)可捕获乘员-用户的期望和意图，并且车辆505的自主驾驶堆叠可将这些当作控制车辆的驾驶(例如，驾驶控制装置620)时的附加输入。在一些实现方式中，驾驶控制可由外部计算系统管理，诸如在其中乘员利用外部设备(例如，智能电话或平板)来提供驾驶方向或控制的情况下，或者在其中外部驾驶员或系统接管对车辆的控制(例如，基于紧急事件)的远程代客泊车服务的情况下，等等其他示例实现方式。
如上文所讨论，车辆的自主驾驶堆叠可利用由被设置在车辆上的以及车辆外部的各种传感器生成的各种传感器数据(例如，658)。作为示例，车辆505可拥有传感器625的阵列，以收集与车辆的外部以及周围环境、车辆系统状态、车辆内部状况有关的各种信息以及可由车辆的处理系统610的模块使用的其他信息。例如，此类传感器625可包括全球定位(GPS)传感器668、光检测和测距(LIDAR)传感器670、二维(2D)相机672、三维(3D)或景深相机674、声学传感器676、惯性测量单元(IMU)传感器678、热传感器680、超声传感器682、生物传感器684(例如，面部识别、语音识别、心率传感器、体温传感器、情绪检测传感器等)、雷达传感器686、天气传感器(未示出)，等等此类示例传感器。传感器数据658还可(或替代地)由并非一体化地耦合至车辆的传感器提供，这些传感器包括其他车辆上(例如，515)的传感器(该传感器可通过车辆对车辆通信或其他技术与车辆505通信)、基于地面的或空中的无人机580上的传感器、由车辆505的内部或外部的人类用户携带的用户设备615(例如，智能电话或可穿戴设备)的传感器、以及被安装或提供有其他路边元件(诸如路边单元(例如，540)、路标、交通灯、路灯等)的传感器。来自此类外来传感器设备的传感器数据可从传感器设备直接提供至车辆或者可通过数据聚合设备或作为由其他计算系统(例如，540、550)基于这些传感器所生成的结果来提供，等等示例实现方式。
在一些实现方式中，自主车辆系统505可与其他计算系统对接并利用由其他计算系统提供的信息和服务，以增强、实现或以其他方式支持车辆505的自主驾驶功能。在一些实例中，一些自主驾驶特征(包括本文中所讨论的示例解决方案中的一些)可通过车辆外部的计算系统的服务、计算逻辑、机器学习模型、数据或其他资源来实现。当此类外部系统对车辆不可用时，可能是这些特征至少暂时被禁用。例如，可提供和利用外部计算系统，这些外部计算系统可被托管在路边单元或基于雾的边缘设备(例如，540)、其他(例如，较高级别的)车辆(例如，515)、以及基于云的系统550(例如，通过各种网络接入点(例如，545)可访问)中。路边单元540或基于云的系统550(或车辆(例如，505)与其交互的其他协作系统)可包括被图示为属于示例车载处理系统(例如，610)的逻辑的全部或部分，以及潜在地包括附加功能和逻辑。例如，基于云的计算系统、路边单元540、或其他计算系统可包括支持模型训练和推断引擎逻辑中的任一者或两者的机器学习引擎。例如，此类外部系统可能拥有更高端计算资源和更发达或最新近的机器学习模型，允许这些服务提供优于将在车辆的处理系统610上本机地生成的结果的结果。例如，车载处理系统610可依赖于通过基于云的服务提供的用于某些任务并处置某些场景的机器学习训练、机器学习推断、和/或机器学习模型。事实上，将会领会，在一些实现方式中，所讨论且被图示为属于车辆505的模块中的一个或多个模块可替代地或冗余地被设置在基于云的计算系统、基于雾的计算系统或支持自主驾驶环境的其他计算系统。
本文中的各实施例可利用一个或多个机器学习模型来执行AV堆叠的功能(或本文中所描述的其他功能)。机器学习模型可由计算系统执行以渐进地改善特定任务的性能。在一些实施例中，可在训练阶段期间基于训练数据来调整机器学习模型的参数。随后可在推断阶段期间使用经训练的机器学习模型基于输入数据来做出预测或决策。
本文中所描述的机器学习模型可采取合适的形式或利用任何合适的技术。例如，这些机器学习模型中的任何机器学习模型均可利用监督式学习、半监督式学习、无监督式学习、或强化学习技术。
在监督式学习中，可使用包含输入和相应的期望输出两者的训练数据集来建立模型。每个训练实例可包括一个或多个输入和期望的输出。训练可包括通过训练实例迭代以及使用目标函数来教导模型预测针对新的输入的输出。在半监督式学习中，训练集中的输入的部分可能缺少期望输出。
在无监督式学习中，可从仅包含输入而不包含期望输出的数据集建立模型。无监督式模型可用于通过发现数据中的模型而找到该数据中的结构(例如，对数据点的分组或集群化)。可在无监督式学习模型中实现的技术包括例如自组织图、最近邻映射、k均值聚类、以及奇异值分解。
强化学习模型可被给予正反馈或负反馈以改善准确性。强化学习模型可尝试使一个或多个目标/回报最大化。可在强化学习模型中实现的技术可包括例如Q学习、时间差(TD)和深度对抗网络。
本文中所描述的各实施例可利用一个或多个分类模型。在分类模型中，输出可被限于值的有限集合。分类模型可输出针对具有一个或多个输入值的输入集合的类别。本文中对分类模型的引用可构想实现例如下列技术中的任何一种或多种技术的模型：线性分类器(例如，逻辑回归或朴素贝叶斯分类器)、支持向量机、决策树、提升树、随机森林、神经网络或最近邻。
本文中所描述的各实施例可利用一个或多个回归模型。回归模型可基于具有一个或多个值的输入集合从连续范围输出数值。本文中对回归模型的引用可设想实现例如下列技术中的任何一种或多种技术(或其他合适技术)的模型：线性回归、决策树、随机森林、或神经网络。
转向图7，示出简化框图700，该简化框图700图示出示例级别的自主驾驶，这些级别的自主驾驶在各种车辆中可被支持(例如，由它们对应的车载计算系统支持)。例如，可定义级别的范围(例如，L0-L5(705-735))，其中第5级(L5)对应于具有最高级别自主驾驶功能(例如，全自动化)的车辆而第0级(L0)对应于最低级别的自主驾驶功能(例如，无自动化)。例如，L5车辆(例如，735)可拥有能够在每一个驾驶场景均提供与将由人类驾驶员提供的驾驶性能相等或更好的自主驾驶性能的完全自主计算系统。L4车辆(例如，730)也可被认为是能够执行安全性关键的驾驶功能并且贯穿从起始位置到目的地的整个行程有效地监测道路状况的完全自主的。L4可以不同于L5，不同之处在于：在L4的自主能力被限定在车辆的“操作设计域”内的限制内，其可能并非包括所有的驾驶场景。L3车辆(例如，720)提供自主驾驶能力以在一组特定的交通和环境状况下将安全性关键功能完全转移至车辆但其仍然期望人类驾驶员的参与和可用性从而处置所有其他场景中的驾驶。相应地，L3车辆可提供切换协议，以编制从人类驾驶员到自主驾驶堆叠的控制转移以及从自主驾驶堆叠返回到人类驾驶员的控制转移。L2车辆(例如，715)提供驾驶员辅助功能，其允许驾驶员偶尔脱离于物理地操作车辆，以使得驾驶员的手和脚两者都可周期性地脱离于对车辆的物理控制。L1车辆(例如，710)提供对一种或多种特定功能(例如，转向、制动等)的驾驶员辅助，但仍要求对车辆的大多数功能的恒定的驾驶员控制。L0车辆可被认为是不自主的——人类驾驶员控制车辆的驾驶功能的全部(虽然如此，但此类车辆仍然可以被动地参与在自主驾驶环境内，诸如通过向更高级的车辆提供传感器数据、使用传感器数据来增强车辆内的GPS和信息娱乐服务等)。在一些实现方式中，单个车辆可支持在多个自主驾驶级别下的操作。例如，驾驶员可控制和选择在给定的行程期间使用哪个支持的自主性级别(例如，L4或更低级别)。在其他情况下，车辆可例如基于影响道路或车辆的自主驾驶系统的状况在级别之间自主地切换。例如，响应于检测到一个或多个传感器已经被损害，鉴于传感器问题，L5或L4车辆可转移到较低模式(例如，L2或更低)以使人类乘员参与，等等此类示例。
图8是图示出可在一些自主驾驶系统中实现的示例自主驾驶流程的简化框图800。例如，在自主(或半自主)车辆中实现的自主驾驶流程可包括感测和感知阶段805、规划和决策阶段810、以及控制和动作阶段815。在感测和感知阶段805期间，数据由各种传感器生成并被收集以供自主驾驶系统使用。在一些实例中，数据收集可包括数据过滤和从外部源接收传感器。该阶段还可包括传感器融合操作、对象识别以及其他感知任务，诸如使用一个或多个机器学习模型执行的定位。规划和决策阶段810可利用传感器数据和各种感知操作的结果来作出对前方(多条)道路的概率预测并基于这些预测来确定实时路径计划。规划和决策阶段810可附加地包括作为对检测到障碍和其他事件的反应而作出有关路径计划的决策以决定鉴于这些事件是否采取动作以及要采取何种动作来安全地对所确定的路径进行导航。基于规划和决策阶段810的路径计划和决策，控制和行动级815可通过致动器将这些决定转换为动作以操纵驾驶控制装置以及辅助控制装置，驾驶控制装置包括转向装置、加速装置、制动装置，辅助控制装置诸如转向信号等、传感器清洁器、雨刷、前大灯等。
图9-图10是根据本文中所公开的实施例的可使用的示例性计算机架构的框图。也可使用针对处理器和计算系统的本领域中已知的其他计算机架构设计。一般而言，用于本文中所公开的实施例的合适的计算机架构可以包括但不限于图9-图10中所图示的配置。
图9是根据实施例的处理器的示例图示。处理器900是可以与上文的实现方式结合使用的硬件设备的类型的示例。处理器900可以是任何类型的处理器，诸如微处理器、嵌入式处理器、数字信号处理器(DSP)、网络处理器、多核处理器、单核处理器、或用于执行代码的其他设备。虽然在图9中图示出仅一个处理器900，但处理元件可替代地包括多于一个的图9中所图示的处理器900。处理器900可以是单线程核，或者对于至少一个实施例，处理器900可以是多线程的，因为其每个核可包括多于一个硬件线程上下文(或“逻辑处理器”)。
图9还示出根据实施例的耦合至处理器900的存储器902。存储器902可以是对于本领域技术人员而言已知或以其他方式可用的各种各样的存储器(包括存储器层级结构的各层)中的任何存储器。此类存储器元件可以包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、现场可编程门阵列(FPGA)的逻辑块、可擦除可编程只读存储器(EPROM)、以及电可擦除可编程ROM(EEPROM)。
处理器900可以执行与本文中所详述的过程、处理或操作相关联的任何类型的指令。一般而言，处理器900可以将元件或制品(例如，数据)从一种状态或事物变换成另一种状态或事物。
代码904(其可以是用于由处理器900执行的一条或多条指令)可被存储在存储器902中，或者可被存储在软件、硬件、固件、或其任何组合中，或者在适当的情况下并且基于特定需要而被存储在任何其他内部或外部组件、设备、元件、或对象中。在一个示例中，处理器900可以遵循由代码904指示的指令的程序序列。每条指令进入前端逻辑906并且由一个或多个解码器908处理。解码器可生成诸如采用预定义格式的固定宽度的微操作之类的微操作作为其输出，或者可生成反映原始代码指令的其他指令、微指令、或控制信号。前端逻辑906还包括寄存器重命名逻辑910和调度逻辑912，调度器逻辑912一般分配资源并对与供执行的指令对应的操作进行排队。
处理器900还可以包括具有一组执行单元916a、916b、916n等的执行逻辑914。一些实施例可以包括专用于指定功能或功能组的大量执行单元。其他实施例可包括仅一个执行单元或可以执行特定功能的一个执行单元。执行逻辑914执行由代码指令指定的操作。
在对由代码指令指定的操作的执行完成之后，后端逻辑918可以对代码904的指令进行引退。在一个实施例中，处理器900允许乱序执行但要求对指令的有序引退。引退逻辑920可以采取各种已知的形式(例如，重排序缓冲区等等)。以此种方式，至少鉴于解码器、由寄存器重命名逻辑910利用的硬件寄存器和表、以及由执行逻辑914修改的任何寄存器(未示出)生成的输出，处理器900在代码904的执行期间被转换。
虽然未在图9中示出，但处理元件可包括与处理器900一起处于芯片上的其他元件。例如，处理元件可包括与处理器900一起的存储器控制逻辑。处理元件可包括I/O控制逻辑和/或可包括与存储器控制逻辑一起被集成的I/O控制逻辑。处理元件还可包括一个或多个高速缓存。在一些实施例中，非易失性存储器(诸如闪存或熔丝)也可与处理器900一起被包括在芯片上。
图10图示出根据实施例的以点对点(PtP)配置布置的计算机系统1000。具体而言，图10示出了其中处理器、存储器以及输入/输出设备通过数个点对点接口互连的系统。一般而言，本文中所描述的计算系统中的一个或多个计算系统能以与计算系统900相同或类似的方式来配置。
处理器1070和1080还可各自包括集成存储器控制器逻辑(MC)1072和1082以与存储器元件1032和1034通信。在替代实施例中，存储器控制器逻辑1072和1082可以是与处理器1070和1080分开的分立逻辑。存储器元件1032和/或1034可以存储要由处理器1070和1080使用于获取本文中所概述的操作和功能中的各种数据。
处理器1070和1080可以是任何类型的处理器，诸如结合其他附图所讨论的那些处理器。处理器1070和1080可经由分别使用点对点(PtP)接口电路1078和1088的点对点接口1050来交换数据。处理器1070和1080可各自经由使用点对点接口电路1076、1086、1094和1098的各个点对点接口1052和1054与芯片组1090交换数据。芯片组1090还可经由接口1038与协处理器1038交换数据，协处理器1038诸如高性能图形电路、机器学习加速器、或其他协处理器1038，接口1039可以是PtP接口电路。在替代实施例中，图10中所图示的PtP链路中的任一者或全部可被实现为多分支总线而不是PtP链路。
芯片组1090可经由接口电路1096与总线1020通信。总线1020可具有通过该总线通信的一个或多个设备，诸如总线桥1018和I/O设备1016。经由总线1010，总线桥1018可与其他设备通信，这些其他设备诸如用户接口1012(诸如键盘、鼠标、触摸屏、或其他输入设备)、通信设备1026(诸如调制解调器、网络接口设备、或可通过计算机网络1060通信的其他类型的通信设备)、音频I/O设备1014、和/或数据存储设备1028。数据存储设备1028可存储代码1030，该代码1030可由处理器1070和/或1080执行。在替代实施例中，总线架构的任何部分可利用一个或多个PtP链路来实现。
图10中所描绘的计算机系统是可用于实现本文中所讨论的各实施例的计算系统的实施例的示意性图示。将会领会，图10中所描绘的系统的各组件能以芯片上系统(SoC)架构或以能够实现本文中所提供的示例和实现方式的功能和特征的任何其他合适的配置来组合。
尽管本文中所描述和图示的系统和解决方案中的一些已被描述为包含多个元件或与多个元件相关联，但并非所图示或所描述的所有元件均用于本公开的每个替代实现方式中。另外，本文中所描述的元件中的一个或多个元件可位于系统外部，而在其他实例中，可将某些元件包括在一个或多个其他所描述的元件以及未在所图示的实现方式中描述的其他元件内，或者可将某些元件作为一个或多个其他所描述的元件以及未在所图示的实现方式中描述的其他元件的部分。此外，某些元件可与其他组件相组合，并且除本文中所描述的那些目的之外还可用于替代目的或附加目的。
以下示例涉及根据本说明书的实施例。示例1是一种装置，该装置包括：天线阵列，该天线阵列包括用于接收由多个对象响应于所传送的雷达信号而反射的多个雷达信号的多个天线；多普勒测量模块，用于基于第一经反射的雷达信号与所传送的雷达信号的比较来针对多个经反射的雷达信号中的第一经反射的雷达信号确定指示速度分量的第一多普勒测量；相位偏移测量模块，用于确定在多个天线中的第一天线处接收到的第一经反射的雷达信号相对于在多个天线中的参考天线处接收到的第一经反射的雷达信号的相位的第一相位偏移；以及相位偏移校准模块，用于针对第一天线，基于第一多普勒测量和第一相位偏移来确定第一相位偏移校准误差。
示例2可以包括示例1的主题，其中相位偏移校准模块用于针对多个对象中的每一个对象，基于多普勒测量和与相应的对象相关联的相位偏移测量来确定相位偏移校准误差。
示例3可以包括示例2的主题，其中第一天线的第一相位偏移校准误差是针对多个对象中的每个对象所确定的相位偏移校准误差的平均值。
示例4可以包括示例2的主题，其中第一天线的第一相位偏移校准误差是针对多个对象中的每个对象所确定的相位偏移校准误差的截尾均值。
示例5可以包括示例2的主题，其中第一天线的第一相位偏移校准误差是针对多个对象中的每个对象所确定的相位偏移校准误差的中位值。
示例6可以包括示例2的主题，其中多个对象包括静止对象和移动对象。
示例7可以包括示例1-6中任一项的主题，其中，相位偏移测量模块用于确定在多个天线中的第二天线处接收到的第一经反射的雷达信号相对于在多个天线中的参考天线处接收到的第一经反射的雷达信号的相位的第二相位偏移；并且相位偏移校准模块用于针对第二天线，基于第一多普勒测量和第二相位偏移来确定第二相位偏移校准误差。
示例8可以包括示例1-7中任一项的主题，进一步包括：角度确定模块，用于计算指示反射第一经反射的雷达信号的第一对象的位置的角度，角度计算部分地基于通过从第一相位偏移中减去第一相位偏移校准误差计算出的经校正的相位偏移。
示例9可以包括示例1-8中任一项的主题，其中第一相位偏移校准误差进一步基于包括天线阵列的车辆的速度。
示例10可以包括示例1-9中任一项的主题，其中第一相位偏移校准误差进一步基于第一天线与参考天线之间的距离。
示例11是一种方法，包括：通过多个天线接收由多个对象响应于所传送的雷达信号而反射的多个雷达信号；基于第一经反射的雷达信号与所传送的雷达信号的比较来针对多个经反射的雷达信号中的第一经反射的雷达信号确定指示速度分量的第一多普勒测量；确定在多个天线中的第一天线处接收到的第一经反射的雷达信号相对于在多个天线中的参考天线处接收到的第一经反射的雷达信号的相位的第一相位偏移；以及基于第一多普勒测量和第一相位偏移来针对第一天线确定第一相位偏移校准误差。
示例12可以包括示例11的主题，进一步包括针对多个对象中的每一个对象，基于多普勒测量和与相应的对象相关联的相位偏移测量来确定相位偏移校准误差。
示例13可以包括示例12的主题，其中第一天线的第一相位偏移校准误差是针对多个对象中的每个对象所确定的相位偏移校准误差的平均值。
示例14可以包括示例12的主题，其中第一天线的第一相位偏移校准误差是针对多个对象中的每个对象所确定的相位偏移校准误差的截尾均值。
示例15可以包括示例12的主题，其中第一天线的第一相位偏移校准误差是针对多个对象中的每个对象所确定的相位偏移校准误差的中位值。
示例16可以包括示例12的主题，其中多个对象包括静止对象和移动对象。
示例17可以包括示例11-16中任一项的主题，确定在多个天线中的第二天线处接收到的第一经反射的雷达信号相对于在多个天线中的参考天线处接收到的第一经反射的雷达信号的相位的第二相位偏移；并且针对第二天线，基于第一多普勒测量和第二相位偏移来确定第二相位偏移校准误差。
示例18可以包括示例11-17中任一项的主题，进一步包括计算指示反射第一经反射的雷达信号的第一对象的位置的角度，角度计算部分地基于通过从第一相位偏移中减去第一相位偏移校准误差计算出的经校正的相位偏移。
示例19可以包括示例11-18中任一项的主题，进一步包括计算包括多个天线的车辆的速度，并基于车辆的速度来确定第一相位偏移校准误差。
示例20可以包括示例11-19中任一项的主题，其中第一相位偏移校准误差进一步基于第一天线与参考天线之间的距离。
示例21是一种车辆，包括：处理器；驾驶控制装置，该驾驶控制装置包括加速度计和转向系统；以及雷达系统，该雷达系统用于通过多个天线接收由多个对象响应于所传送的雷达信号而反射的多个雷达信号；针对多个经反射的雷达信号中的第一经反射的雷达信号，基于第一经反射的雷达信号与所传送的雷达信号的比较来确定指示速度分量的第一多普勒测量；确定在多个天线中的第一天线处接收到的第一经反射的雷达信号相对于在多个天线中的参考天线处接收到的第一经反射的雷达信号的相位的第一相位偏移；并且针对第一天线，基于第一多普勒测量和第一相位偏移来确定第一相位偏移校准误差。
示例22可以包括示例21的主题，雷达系统用于针对多个对象中的每一个对象，基于多普勒测量和与相应的对象相关联的相位偏移测量来确定相位偏移校准误差。
示例23可以包括示例22的主题，其中第一天线的第一相位偏移校准误差是针对多个对象中的每个对象所确定的相位偏移校准误差的平均值。
示例24可以包括示例22的主题，其中第一天线的第一相位偏移校准误差是针对多个对象中的每个对象所确定的相位偏移校准误差的截尾均值。
示例25可以包括示例22的主题，其中第一天线的第一相位偏移校准误差是针对多个对象中的每个对象所确定的相位偏移校准误差的中位值。
示例26可以包括示例22的主题，其中多个对象包括静止对象和移动对象。
示例27可以包括示例21-26中任一项的主题，雷达系统用于确定在多个天线中的第二天线处接收到的第一经反射的雷达信号相对于在多个天线中的参考天线处接收到的第一经反射的雷达信号的相位的第二相位偏移；并且针对第二天线，基于第一多普勒测量和第二相位偏移来确定第二相位偏移校准误差。
示例28可以包括示例21-27中任一项的主题，雷达系统用于计算指示反射第一经反射的雷达信号的第一对象的位置的角度，角度计算部分地基于通过从第一相位偏移中减去第一相位偏移校准误差计算出的经校正的相位偏移。
示例29可以包括示例21-28中任一项的主题，其中雷达系统用于基于车辆的速度来确定第一相位偏移校准误差。
示例30可以包括示例21-29中任一项的主题，其中第一相位偏移校准误差进一步基于第一天线与参考天线之间的距离。
应当领会，上文所呈现的示例是仅仅出于说明某些原理和特征的目的而提供的非限制性示例，并且不必限制或约束本文中所描述的概念的潜在实施例。例如，各种不同的实施例可以利用本文中所描述的特征和组件的各种组合来实现，包括通过本文中所描述的组件的各种实现方式所实现的组合。应当从本说明书的内容领会其他实现方式、特征和细节。
尽管已经在某些实现方式和一般相关联方法的方面描述了本公开，这些实现方式和方法的更改和置换将对于本领域技术人员来说是显而易见的。例如，本文中描述的动作可以以与所描述的顺序不同的顺序来执行，并仍获得期望的结果。作为一个示例，所附附图中描绘的过程并不一定要求所示的特定顺序、或顺序地来实现所期望的结果。在某些实现方式中，多任务处理和并行处理可能是有利的。另外，也可以支持其他用户界面布局和功能。其他变型落在所附权利要求的范围之内。
虽然本说明书包含许多具体实现细节，但这些具体实现细节不应当被解释为对任何发明或可声称权利的范围的限制，而是被解释为针对一些实施例的特征的描述。也可将在本说明书中单独的各实施例的情境中所描述的某些特征以组合的形式，在单个实施例中实现。反之，也可单独地在多个实施例中，或在任何合适的子组合中实现在单个实施例的情境中所描述的各种特征。此外，虽然在上文中可能将多个特征描述为以某些组合的方式起作用且甚至最初是如此要求保护的，但是，在一些情况下，可将来自所要求保护的组合的一个或多个特征从组合中删除，并且所要求保护的组合可以针对子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了多个操作，但不应当将此理解为要求按所示的特定顺序或顺序地执行此类操作，或者要求要执行所有示出的操作才能达成期望的结果。在某些情况下，多任务处理和并行处理可能是有利的。此外，不应当将上文所描述的各实施例中的各种系统组件分开理解为在所有实施例中都要求进行此类分开，并且应当理解，一般可将所描述的程序组件和系统一起集成在单个的软件产品中，或将其封装近多个软件产品中。

Claims (22)

1.一种装置，所述装置包括：
天线阵列，所述天线阵列包括用于接收由多个对象响应于所传送的雷达信号而反射的多个雷达信号的多个天线；
多普勒测量模块，用于针对多个经反射的雷达信号中的第一经反射的雷达信号，基于所述第一经反射的雷达信号与所传送的雷达信号的比较来确定指示速度分量的第一多普勒测量；
相位偏移测量模块，用于确定在所述多个天线中的第一天线处接收到的所述第一经反射的雷达信号相对于在所述多个天线中的参考天线处接收到的所述第一经反射的雷达信号的相位的第一相位偏移；以及
相位偏移校准模块，用于针对所述第一天线，基于所述第一多普勒测量和所述第一相位偏移来确定第一相位偏移校准误差。
2.如权利要求1所述的装置，其特征在于，所述相位偏移校准模块用于针对所述多个对象中的每一个对象，基于多普勒测量和与相应的对象相关联的相位偏移测量来确定相位偏移校准误差。
3.如权利要求2所述的装置，其特征在于，所述第一天线的所述第一相位偏移校准误差是针对所述多个对象中的每个对象所确定的所述相位偏移校准误差的平均值。
4.如权利要求2所述的装置，其特征在于，所述第一天线的所述第一相位偏移校准误差是针对所述多个对象中的每个对象所确定的所述相位偏移校准误差的截尾均值。
5.如权利要求2所述的装置，其特征在于，所述第一天线的所述第一相位偏移校准误差是针对所述多个对象中的每个对象所确定的所述相位偏移校准误差的中位值。
6.如权利要求2所述的装置，其特征在于，所述多个对象包括静止对象和移动对象。
7.如权利要求1-6中任一项所述的装置，其特征在于：
所述相位偏移测量模块用于确定在所述多个天线中的第二天线处接收到的所述第一经反射的雷达信号相对于在所述多个天线中的参考天线处接收到的所述第一经反射的雷达信号的相位的第二相位偏移；以及
所述相位偏移校准模块用于针对所述第二天线，基于所述第一多普勒测量和所述第二相位偏移来确定第二相位偏移校准误差。
8.如权利要求1-6中任一项所述的装置，进一步包括：角度确定模块，用于计算指示反射所述第一经反射的雷达信号的第一对象的位置的角度，角度计算部分地基于通过从所述第一相位偏移中减去所述第一相位偏移校准误差计算出的经校正的相位偏移。
9.如权利要求1-6中任一项所述的装置，其特征在于，所述第一相位偏移校准误差进一步基于包括所述天线阵列的车辆的速度。
10.如权利要求1-6中任一项所述的装置，其特征在于，所述第一相位偏移校准误差进一步基于所述第一天线与所述参考天线之间的距离。
11.一种方法，所述方法包括：
通过多个天线接收由多个对象响应于所传送的雷达信号而反射的多个雷达信号；
针对多个经反射的雷达信号中的第一经反射的雷达信号，基于所述第一经反射的雷达信号与所述所传送的雷达信号的比较来确定指示速度分量的第一多普勒测量；
确定在所述多个天线中的第一天线处接收到的所述第一经反射的雷达信号相对于在所述多个天线中的参考天线处接收到的所述第一经反射的雷达信号的相位的第一相位偏移；以及
针对所述第一天线，基于所述第一多普勒测量和所述第一相位偏移来确定第一相位偏移校准误差。
12.如权利要求11所述的方法，进一步包括针对所述多个对象中的每一个对象，基于多普勒测量和与相应的对象相关联的相位偏移测量来确定相位偏移校准误差。
13.如权利要求12所述的方法，其特征在于，所述第一天线的所述第一相位偏移校准误差是针对所述多个对象中的每个对象所确定的所述相位偏移校准误差的平均值。
14.如权利要求12所述的方法，其特征在于，所述第一天线的所述第一相位偏移校准误差是针对所述多个对象中的每个对象所确定的所述相位偏移校准误差的截尾均值。
15.如权利要求12所述的方法，其特征在于，所述第一天线的所述第一相位偏移校准误差是针对所述多个对象中的每个对象所确定的所述相位偏移校准误差的中位值。
16.如权利要求12所述的方法，其特征在于，所述多个对象包括静止对象和移动对象。
17.如权利要求11-16中任一项所述的方法，进一步包括：
确定在所述多个天线中的第二天线处接收到的所述第一经反射的雷达信号相对于在所述多个天线中的所述参考天线处接收到的所述第一经反射的雷达信号的所述相位的第二相位偏移；以及
针对所述第二天线，基于所述第一多普勒测量和所述第二相位偏移来确定第二相位偏移校准误差。
18.如权利要求11-16中任一项所述的方法，进一步包括计算指示反射所述第一经反射的雷达信号的第一对象的位置的角度，角度计算部分地基于通过从所述第一相位偏移中减去所述第一相位偏移校准误差计算出的经校正的相位偏移。
19.如权利要求11-16中任一项所述的方法，进一步包括计算包括所述多个天线的车辆的速度，并基于所述车辆的速度来确定所述第一相位偏移校准误差。
20.如权利要求11-16中任一项所述的方法，其特征在于，所述第一相位偏移校准误差进一步基于所述第一天线与所述参考天线之间的距离。
21.一种系统，包括用于执行如权利要求11-20中任一项所述的方法的装置。
22.如权利要求21所述的系统，其中，所述装置包括机器可读代码，所述机器可读代码在被执行时使得机器执行如权利要求11-20中任一项所述的方法的一个或多个步骤。
CN202011024637.6A 2019-12-27 2020-09-25 通过静态环境测量进行在线雷达相位校准 Pending CN113050049A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/729,276 US11609305B2 (en) 2019-12-27 2019-12-27 Online radar phase calibration through static environment measurements
US16/729,276 2019-12-27

Publications (1)

Publication Number Publication Date
CN113050049A true CN113050049A (zh) 2021-06-29

Family

ID=70326822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011024637.6A Pending CN113050049A (zh) 2019-12-27 2020-09-25 通过静态环境测量进行在线雷达相位校准

Country Status (3)

Country Link
US (1) US11609305B2 (zh)
CN (1) CN113050049A (zh)
DE (1) DE102020130829A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113340560A (zh) * 2021-07-05 2021-09-03 中国空气动力研究与发展中心低速空气动力研究所 一种多普勒干涉仪校准调试系统、校准方法及调试方法
CN113805147A (zh) * 2021-07-30 2021-12-17 纵目科技（上海）股份有限公司 车载雷达水平测量角度自校正方法、装置、介质及设备
CN114966533A (zh) * 2022-05-20 2022-08-30 上海航天测控通信研究所 一种测向定位系统相位干涉仪测向方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102116604B1 (ko) * 2018-01-26 2020-05-28 한양대학교 산학협력단 레이더를 이용한 제스처 인식 장치 및 방법
US11402468B2 (en) * 2019-12-30 2022-08-02 Woven Planet North America, Inc. Systems and methods for blind online calibration of radar systems on a vehicle
DE102020107222A1 (de) * 2020-03-17 2021-09-23 HELLA GmbH & Co. KGaA Verfahren zur Bestimmung einer Richtungsinformation
US11614514B2 (en) * 2020-03-27 2023-03-28 Intel Corporation Apparatus, system and method of generating radar perception data
EP3913391A1 (en) * 2020-05-20 2021-11-24 Infineon Technologies AG Processing radar signals
CN111562554B (zh) * 2020-05-26 2022-08-12 中国重汽集团济南动力有限公司 一种智能卡车雷达静态标定仪及标定方法
CN111679256B (zh) * 2020-07-23 2023-09-19 杭州智波科技有限公司 汽车毫米波雷达的角度校准方法、装置、系统及存储介质
WO2022040927A1 (en) * 2020-08-25 2022-03-03 Nokia Shanghai Bell Co., Ltd. Relative phase determination for frequency drift compensation
CN112180326B (zh) * 2020-09-21 2023-11-21 南昌大学 一种基于大规模天线阵的分层分布式定位和测速方法
DE102020134284A1 (de) 2020-12-18 2022-06-23 Friedrich-Alexander-Universität Erlangen-Nürnberg Verfahren zur Kalibrierung mindestens eines Signal- und/oder System-Parameters eines wellenbasierten Messsystems
DE102021125603A1 (de) 2021-10-04 2023-04-06 Valeo Schalter Und Sensoren Gmbh Verfahren zur Kalibrierung eines Radarsystems eines Fahrzeugs, Radarsystem und Fahrzeug
CN116299463B (zh) * 2023-05-16 2023-08-08 四川天府新区北理工创新装备研究院 一种基于通用计算设备后端的小型sar成像系统及方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0701869D0 (en) * 2007-01-31 2007-03-14 Cambridge Consultants Adaptive radar
US10627473B2 (en) * 2013-10-01 2020-04-21 Phasorlab, Inc. Angle of arrival measurements using RF carrier synchronization and phase alignment methods
US10775489B2 (en) * 2016-12-15 2020-09-15 Texas Instruments Incorporated Maximum measurable velocity in frequency modulated continuous wave (FMCW) radar
DE102018207718A1 (de) * 2018-05-17 2019-11-21 Robert Bosch Gmbh Verfahren zur Phasenkalibrierung von Hochfrequenzbausteinen eines Radarsensors
US11448754B2 (en) * 2018-11-20 2022-09-20 KMB Telematics, Inc. Object sensing from a potentially moving frame of reference with virtual apertures formed from sparse antenna arrays
US11269049B2 (en) * 2019-03-18 2022-03-08 Nxp Usa, Inc. Distributed aperture automotive radar system
US11346933B2 (en) * 2019-07-24 2022-05-31 GM Global Technology Operations LLC Doppler ambiguity resolution in MIMO radars using a SIMO evaluation
US11460568B2 (en) * 2019-08-29 2022-10-04 Zoox, Inc. Estimating in-plane velocity from an arbitrary radar return

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113340560A (zh) * 2021-07-05 2021-09-03 中国空气动力研究与发展中心低速空气动力研究所 一种多普勒干涉仪校准调试系统、校准方法及调试方法
CN113340560B (zh) * 2021-07-05 2022-05-17 中国空气动力研究与发展中心低速空气动力研究所 一种多普勒干涉仪校准调试系统、校准方法及调试方法
CN113805147A (zh) * 2021-07-30 2021-12-17 纵目科技（上海）股份有限公司 车载雷达水平测量角度自校正方法、装置、介质及设备
CN113805147B (zh) * 2021-07-30 2024-04-05 纵目科技（上海）股份有限公司 车载雷达水平测量角度自校正方法、装置、介质及设备
CN114966533A (zh) * 2022-05-20 2022-08-30 上海航天测控通信研究所 一种测向定位系统相位干涉仪测向方法
CN114966533B (zh) * 2022-05-20 2024-04-26 上海航天测控通信研究所 一种测向定位系统相位干涉仪测向方法

Also Published As

Publication number Publication date
US20200132812A1 (en) 2020-04-30
US11609305B2 (en) 2023-03-21
DE102020130829A1 (de) 2021-07-01

Similar Documents

Publication Publication Date Title
US11609305B2 (en) Online radar phase calibration through static environment measurements
CN115206132B (zh) 基于道路使用者意图预测的潜在碰撞警告系统
US11887377B2 (en) Acceleration of data processing for object detection
JP6906011B2 (ja) オブジェクトの二次元境界枠を自動運転車両の三次元位置に転換するための方法［ｍｅｔｈｏｄ ｆｏｒ ｔｒａｎｓｆｏｒｍｉｎｇ ２ｄ ｂｏｕｎｄｉｎｇ ｂｏｘｅｓ ｏｆ ｏｂｊｅｃｔｓ ｉｎｔｏ ３ｄ ｐｏｓｉｔｉｏｎｓ ｆｏｒ ａｕｔｏｎｏｍｏｕｓ ｄｒｉｖｉｎｇ ｖｅｈｉｃｌｅｓ （ａｄｖｓ）］
US12001958B2 (en) Future trajectory predictions in multi-actor environments for autonomous machine
US11302031B2 (en) System, apparatus and method for indoor positioning
US11676284B2 (en) Shape fusion for image analysis
US11900629B2 (en) Surface profile estimation and bump detection for autonomous machine
WO2020205648A1 (en) Autonomous vehicle system
US20200302250A1 (en) Iterative spatial graph generation
US20230054759A1 (en) Object tracking using lidar data for autonomous machine applications
US11585669B2 (en) Vehicle routing using connected data analytics platform
US20240059285A1 (en) Adaptive cruise control using future trajectory prediction for autonomous systems and applications
US20220341750A1 (en) Map health monitoring for autonomous systems and applications
US20230296756A1 (en) Sensor data based map creation and localization for autonomous systems and applications
US20230130478A1 (en) Hybrid solution for stereo imaging
US20230324194A1 (en) Translating route information between data structures for autonomous systems and applications
US20240051553A1 (en) Sensor performance monitoring for autonomous systems and applications
WO2022226239A1 (en) Map health monitoring for autonomous systems and applications
CN113439262A (zh) 用于自适应模型处理的系统和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination