1. 课程导入与毫米波雷达汽车感知全景
欢迎进入《TI毫米波雷达感知系统开发与汽车场景集成》课程。在正式动手写第一行配置代码之前，我们需要先建立一张"全景地图"：毫米波雷达在整车上到底扮演什么角色，TI的芯片与工具链提供了哪些能力，一个可交付的感知系统从需求到上车要经过哪些环节。只有把这张地图看清楚，后面每一节的寄存器配置、波形设计、点云处理和场景验证才不会变成孤立的操作记忆。
为什么汽车选择毫米波雷达
汽车感知的三大主流传感器各有物理边界。摄像头分辨率高、成本低，但对光照和天气敏感，且单目测距精度有限；激光雷达点云密集、测距准，但雨雾衰减明显、成本与寿命仍是量产顾虑；毫米波雷达工作在 76–81 GHz 频段，波长约 3.7–3.9 mm，对雨、雾、尘、黑夜几乎"免疫"，并且能直接利用多普勒效应测出目标的径向速度——这是摄像头和激光雷达都不擅长的。它的短板是角分辨率相对较低、点云稀疏，因此现代方案普遍走"雷达+视觉"前融合或后融合路线。
在汽车场景中，毫米波雷达承担的任务可以按作用距离分层：
- 长距（LRR，约 150–250 m）：前向雷达，用于自适应巡航 ACC、前向碰撞预警 FCW、自动紧急制动 AEB，关注距离与径向速度精度。
- 中距（MRR，约 60–100 m）：前角雷达，用于交叉路口辅助、盲区监测的远段覆盖。
- 短距（SRR，约 0.2–30 m）：角雷达与侧后雷达，用于盲区监测 BSD、变道辅助 LCA、开门预警 DOW、泊车与近距避障。
一个典型的 L2+ 车型会布置 5 颗雷达：前保险杠 1 颗前向雷达，四个角各 1 颗角雷达，形成 360° 覆盖。理解这个布局，是理解后续"为什么不同安装位置要用不同波形和不同天线配置"的前提。
TI 毫米波雷达在其中的位置
TI 的毫米波产品线主要分为两类。一类是 AWR 系列（如 AWR1642、AWR1843、AWR2944），面向汽车应用，满足 AEC-Q100 车规要求；另一类是 IWR 系列，面向工业与通用场景。两者在射频前端架构上高度相似，都采用 FMCW（调频连续波）体制，集成发射链路、接收链路、ADC 与处理子系统。
以 AWR1843 为例，它包含 3 个发射通道（TX）和 4 个接收通道（RX），通过 MIMO 虚拟阵列可扩展出更多等效通道，从而提升角分辨率；片上集成 DSP（C674x）与 ARM Cortex-R4F，前者跑雷达信号处理链，后者跑控制与上层逻辑。AWR2944 则进一步集成了硬件加速器，把部分 FFT 与恒虚警检测卸载到专用单元，降低 DSP 负载。这些硬件差异会直接决定你能跑多复杂的波形、能出多少点、能不能做片上跟踪。
感知系统开发流程
从零到一套可上车的雷达感知功能，通常要经过下面这条链路。它不是线性一次通过的，而是反复迭代的闭环：
- 场景与需求定义：明确功能（如 BSD）、探测距离、视场角、最小可检测目标 RCS、更新率（通常 20–50 ms 一帧）、误报率上限。
- 波形与天线设计：确定调频斜率、带宽、 chirp 数、帧结构、TX 时分复用顺序，以及天线阵列排布。
- 射频与数据采集配置：通过 mmWave Studio 或 DFP 配置 profile、chirp、frame，采集原始 ADC 数据（.bin）。
- 信号处理链实现：距离 FFT → 多普勒 FFT → 恒虚警检测（CFAR）→ 角度估计（FFT 或 MUSIC）→ 点云输出。
- 聚类与跟踪：DBSCAN 聚类、卡尔曼滤波跟踪，输出目标级航迹（距离、速度、角度、RCS）。
- 场景验证与标定：静态角反标定、动态目标测试、安装角度补偿、误报与漏报统计。
- 集成与上车：通过 CAN/CAN-FD 或以太网输出目标列表，与域控制器或整车网络对接。
这条链路中，第 2、3 步决定了数据质量的上限，第 4、5 步决定了你能从数据里"榨"出多少信息。很多初学者一上来就调跟踪参数，却忽略了波形本身已经限制了速度模糊范围或角度分辨率，结果怎么调都不理想。
整体课程框架与实战项目
本课程共 30 节，整体按"基础—配置—处理—场景—集成"五段推进。前段讲清 FMCW 测距测速测角原理与 TI 器件架构；中段进入实际配置，包括 profile/chirp/frame 参数计算、mmWave Studio 采集流程、原始数据解析；后段展开信号处理链实现、点云生成、聚类跟踪，以及 AEB、BSD、LCA 等典型汽车场景的适配与验证；最后落到整车集成与性能评估。
贯穿全程的实战项目是：基于 AWR1843 的短距盲区监测（BSD）原型。项目要求覆盖车辆侧后方约 3 m × 20 m 的盲区区域，输出目标距离、径向速度与角度，帧周期 50 ms，并在静态角反与动态车辆两种场景下完成验证。下面这张图给出了该项目的信号链与数据流全景，也是本课程后续各节将逐段展开的对象。
这张图里有三条值得注意的线索。第一，波形参数决定了后面所有处理的边界：1 GHz 带宽对应约 0.15 m 的距离分辨率，128 个 chirp 在 50 ms 帧周期下对应约 0.13 m/s 的速度分辨率，这些数字不是调出来的，是算出来的。第二，点云是中间产物而非终点，真正交付给整车的是目标级航迹，因此聚类与跟踪的质量直接决定功能表现。第三，验证环节会反向修改前面的参数，图中紫色虚线就是这条迭代回路——如果盲区边缘漏检，可能要回头调整 CFAR 门限或 chirp 数，而不是只改跟踪。
学习建议
建议按下面的方式推进本课程：每学完一个配置环节，就在 mmWave Studio 里实际跑一次采集，把 .bin 文件存下来；每学完一个处理环节，就用同一份数据复现一次结果。这样到课程结束时，你手里会有一套完整的、可复现的 BSD 原型数据与代码，而不是一堆零散的知识点。
接下来，我们将从 FMCW 的基本原理开始，一步步把这张全景图里的每个方框展开成可执行的配置与代码。