{"id":1326,"date":"2025-10-07T00:28:13","date_gmt":"2025-10-07T00:28:13","guid":{"rendered":"https:\/\/www.wallisemi.com\/?p=1326"},"modified":"2025-10-08T00:30:10","modified_gmt":"2025-10-08T00:30:10","slug":"entwurf-und-implementierung-eines-visuellen-radar-integrationssystems-auf-der-basis-von-zwei-kaskadierten-rf-chips","status":"publish","type":"post","link":"https:\/\/www.wallisemi.com\/de\/blog\/industry-insights\/design-and-implementation-of-a-radar-visual-integration-system-based-on-dual-rfchips-cascading\/","title":{"rendered":"Entwurf und Implementierung eines Radar-Visual-Integrationssystems basierend auf der Kaskadierung von zwei RF-Chips"},"content":{"rendered":"

Zusammenfassung:<\/strong>
Im Bereich der intelligenten Verkehrssysteme (IVS) leiden herk\u00f6mmliche Kombinationen aus Einzelradar und Kontrollpunktkameras unter hohen Kosten und Schwierigkeiten bei der Datenfusion. Das Radar-Visual-Integrationssystem, das Millimeterwellenradar und Kameras integriert, optimiert die Kosten und vertieft die Datenfusion und wird allm\u00e4hlich zu einem Schl\u00fcsselger\u00e4t in der Wahrnehmungsebene von ITS. In diesem Beitrag wird der Einsatz der RF-Chip-Kaskadierungstechnologie er\u00f6rtert, wobei die AWR2243-Dual-Chip-L\u00f6sung zur Verbesserung der Millimeterwellen-Radarleistung ausgew\u00e4hlt wurde. In Verbindung mit professionellen Sicherheitschips wird ein Radar-Visualisierungssystem mit Fernerkennungsf\u00e4higkeiten entwickelt. Auf der Ebene der Algorithmen wird eine Multisensor-Fusionsstrategie eingesetzt, und der YOLOv8n-Zielerkennungsalgorithmus wird durch die Einf\u00fchrung des RepViT-Backbone-Feature-Extraktionsnetzwerks und die Verwendung der SIoU-Verlustfunktion zur Optimierung der Bounding-Box-Regressionsgenauigkeit verbessert. Das verbesserte Modell reduziert die Anzahl der Parameter um 24%, schrumpft die Modellgr\u00f6\u00dfe um 22% und verbessert die Berechnungseffizienz bei gleichbleibend hoher Genauigkeit erheblich. In Tests mit realen Verkehrsszenarien erreicht das System eine 360\u00b0-\u00dcberwachung von Verkehrskreuzungen mit einer maximalen Erfassungsreichweite von 350 Metern und einer Erfassungsgenauigkeit von \u00fcber 97%. Damit erf\u00fcllt es die Designanforderungen f\u00fcr Radar-Visualisierungssysteme mit gro\u00dfer Reichweite und zeigt starke technische Anwendungsaussichten.<\/p>\n\n\n\n

1. Einleitung<\/strong>
Mit der zunehmenden Verst\u00e4dterung und der steigenden Zahl von Fahrzeugen sind die Stra\u00dfenverkehrsbedingungen komplexer geworden. Intelligente Verkehrssysteme (IVS), die die Effizienz des Verkehrsmanagements und die Sicherheit verbessern, erhalten immer mehr Aufmerksamkeit in Bezug auf die technologische Entwicklung. Unter den verschiedenen Sensoren zur Verkehrswahrnehmung kombiniert das Radar-Visual-Integrationssystem die Vorteile von Millimeterwellen-Radar und Videokameras. Diese Fusion bietet die pr\u00e4zise Entfernungs- und Geschwindigkeitsmessung des Radars, die von Licht- und Wetterbedingungen unbeeinflusst ist, und die intuitive Zielerkennung der Kamera sowie umfangreiche Informationen. Im Vergleich zu herk\u00f6mmlichen separaten Radar- und Kamerainstallationen bietet das Radar-Visual-Integrationssystem erhebliche Vorteile bei den Hardwarekosten, der Datensynchronisation und der Systemintegration und erm\u00f6glicht eine effizientere Wahrnehmung des Verkehrszustands und der Ereigniserkennung.<\/p>\n\n\n\n

In den letzten Jahren haben sich die Millimeterwellen-Radartechnologie und Radar-Visual-Fusion-Systeme rasant entwickelt. Millimeterwellen-Radar nutzt den Doppler-Effekt, um die Geschwindigkeit und die Entfernung des Ziels zu ermitteln, und seine Leistung wird von Faktoren wie dem Betriebsfrequenzband, der Chiparchitektur und dem Antennendesign beeinflusst. Basierend auf der Erfassungsdistanz wird das Millimeterwellenradar in Nah- und Fernradar unterteilt. F\u00fcr die Datenverarbeitung werden h\u00e4ufig FPGA- oder FPGA+DSP-Architekturen verwendet, um Verarbeitungsgeschwindigkeit und Systemflexibilit\u00e4t in Einklang zu bringen. In Bezug auf die Frequenzb\u00e4nder sind 24GHz und 77GHz Radar weit verbreitet. Das 77-GHz-Band eignet sich aufgrund der k\u00fcrzeren Wellenl\u00e4nge, der kleineren Antennengr\u00f6\u00dfe, des gr\u00f6\u00dferen Erfassungsbereichs und der h\u00f6heren Aufl\u00f6sung besonders f\u00fcr Verkehrs\u00fcberwachungsszenarien mit gro\u00dfer Reichweite.<\/p>\n\n\n\n

Es gibt jedoch nur wenige Studien zum Design von Radar-Visual-Integrationssystemen, und die meisten L\u00f6sungen haben Probleme mit der Erfassungsreichweite oder den Kosten. Um diese Probleme anzugehen, wird in diesem Beitrag eine L\u00f6sung f\u00fcr die Entwicklung eines Radar-Visual-Integrationssystems mit weitreichenden Erkennungsf\u00e4higkeiten vorgeschlagen, das auf einem 77-GHz-Millimeterwellenradar und einer RF-Chip-Kaskadentechnologie basiert. Der Beitrag beschreibt die Hardware-Architektur und die Algorithmus-Optimierungsstrategien und testet die Machbarkeit und Zuverl\u00e4ssigkeit des Systems.<\/p>\n\n\n\n

2. \u00dcberblick \u00fcber den Systementwurf<\/strong><\/p>\n\n\n\n

Das radar-visuelle Integrationssystem ist in zwei Hauptteile unterteilt: Radar und Video. Der Videoteil umfasst den Hauptsteuerchip und das Bilderfassungsmodul, das einen 5MP-Sensor verwendet, um die Bildqualit\u00e4t zu gew\u00e4hrleisten. Der Radarbereich verwendet die AWR2243-Dual-Chip-Kaskadenl\u00f6sung, um eine Antennengruppe mit 6 Sende- und 8 Empfangsantennen zu bilden, wobei Synchronisationssignale die Zusammenarbeit im Master-Slave-Modus erm\u00f6glichen. Zur Verbesserung der HF-Signalqualit\u00e4t verwendet das System einen speziellen Power-Management-Chip f\u00fcr die Stromversorgung der HF-Chips. Der Video-DSP steuert den Sensor zur Erfassung von Videodaten und integriert intern die Radar- und Videodatenfusion.<\/p>\n\n\n\n

2.1 Gestaltung der Videosektion<\/strong>
Die Videosektion verwendet einen professionellen Sicherheitschip (H13403V100), der \u00fcber das MIPI-Protokoll mit dem 5MP-Sensor verbunden ist und die Erfassung und \u00dcbertragung von hochaufl\u00f6senden Videodaten erm\u00f6glicht. Dieser Chip bietet leistungsstarke Bildverarbeitungs- und Datenplanungsfunktionen und unterst\u00fctzt Multisensor-Fusionsalgorithmen.<\/p>\n\n\n\n

2.2 RFchip-Modulentwurf<\/strong>
Die Kaskadierung von Millimeterwellenradar-HF-Chips ist eine effektive Methode zur Verbesserung der Systemleistung. Durch die Synchronisierung mehrerer RF-Chips k\u00f6nnen Sendeleistung und Empfangsempfindlichkeit verbessert werden, was zu einer besseren Erfassungsreichweite und Winkelaufl\u00f6sung f\u00fchrt. Der AWR2243 wurde als Kern-HF-Chip ausgew\u00e4hlt, der im Frequenzband von 76-81 GHz arbeitet und sich durch hohe Integration und hervorragende HF-Leistung auszeichnet. Ein einzelner AWR2243 unterst\u00fctzt 3 Sende- und 4 Empfangsantennen. Durch die Kaskadierung von zwei Chips kann diese Zahl auf 6 Sende- und 8 Empfangsantennen erweitert werden, was die Systemflexibilit\u00e4t und die Erkennungsgenauigkeit erheblich verbessert.<\/p>\n\n\n\n

2.3 Entwurf des Radardatenerfassungsmoduls<\/strong>
F\u00fcr die Radardatenerfassung wird die L\u00f6sung AM2732 DSP + FPGA verwendet. Der AM2732 steuert die Master-Slave-AWR2243-Chips \u00fcber die SPI-Schnittstelle, empf\u00e4ngt LVDS-Daten von den Front-End-Sensoren und f\u00fchrt grundlegende Verarbeitungen wie die Messung von Zielentfernung und Geschwindigkeit durch. Der FPGA ist f\u00fcr die Erfassung und Weiterleitung der Radardaten, die \u00dcbertragung der Daten an die Videokontrollkarte \u00fcber das LVDS-Protokoll und die Fusion von Radar- und Bilddaten im Haupt-DSP zust\u00e4ndig.<\/p>\n\n\n\n

3. Algorithmusentwurf<\/strong><\/p>\n\n\n\n

Das Herzst\u00fcck des Radar-Visual-Integrationssystems ist der Multisensor-Fusionsalgorithmus. Das System implementiert die Radarpunktwolken- und Videobildfusionsverarbeitung im Haupt-DSP, einschlie\u00dflich Zielerkennung, Verfolgung und Datenzuordnung.<\/p>\n\n\n\n

3.1 Radar-Zielerfassung<\/strong>
Bei der Radar-Zielerfassung kommt der DBSCAN-Clusteralgorithmus zum Einsatz, der Stichproben auf der Grundlage der Dichte unterteilt und so nicht-sph\u00e4rische, verteilte Zielpunkte erkennt, die sich f\u00fcr die Erkennung mehrerer Ziele und Formen in Verkehrsszenarien eignen.<\/p>\n\n\n\n

3.2 Erkennung von Bildzielen<\/strong>
Die Erkennung von Bildzielen basiert auf dem YOLOv8n-Modell, das Backbone-, Neck- und Head-Komponenten umfasst. Um die Erkennungsgenauigkeit und Modelleffizienz weiter zu verbessern, wird in dieser Arbeit das RepViT-Backbone-Netzwerk eingef\u00fchrt und die SIoU-Verlustfunktion zur Optimierung der Bounding-Box-Regression verwendet.<\/p>\n\n\n\n

4. Schlussfolgerung<\/strong><\/p>\n\n\n\n

In diesem Beitrag wird ein System zur Integration von Radar und Sichtger\u00e4ten mit gro\u00dfer Reichweite vorgestellt, das auf der AWR2243-Dual-RF-Chip-Kaskadentechnologie basiert. Das System verbessert die Antennenleistung durch Hardware-Kaskadierung, kombiniert mit Multi-Sensor-Fusionsalgorithmen und einem verbesserten YOLOv8n-Erkennungsmodell. Das System erreicht eine Erkennungsgenauigkeit von \u00fcber 97% mit einer maximalen Erkennungsreichweite von 350 Metern und erf\u00fcllt damit die Anforderungen der Verkehrs\u00fcberwachung \u00fcber gro\u00dfe Entfernungen in ITS-Szenarien. Die Testergebnisse best\u00e4tigen die Stabilit\u00e4t und Zuverl\u00e4ssigkeit des Systems und bieten einen hohen technischen Anwendungswert.<\/p>","protected":false},"excerpt":{"rendered":"

Abstract:In the field of Intelligent Transportation Systems (ITS), traditional combinations of single radar and checkpoint cameras suffer from high costs and difficulties in data fusion. The radar-visual integration system, which integrates millimeter-wave radar and cameras, optimizes costs and deepens data fusion, gradually becoming a key device in the perception layer of ITS. This paper discusses […]<\/p>\n","protected":false},"author":1,"featured_media":1325,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[30,31],"tags":[36],"class_list":["post-1326","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-industry-insights","category-blog","tag-yvette-wu"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/posts\/1326","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/comments?post=1326"}],"version-history":[{"count":1,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/posts\/1326\/revisions"}],"predecessor-version":[{"id":1327,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/posts\/1326\/revisions\/1327"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/media\/1325"}],"wp:attachment":[{"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/media?parent=1326"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/categories?post=1326"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.wallisemi.com\/de\/wp-json\/wp\/v2\/tags?post=1326"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}