60GHz雷达舱内感知：Euro NCAP CPD强制要求下的技术路线解析

核心摘要

Euro NCAP 2025年起强制要求Child Presence Detection (CPD)，60GHz FMCW雷达成为舱内感知的最佳技术选择。本文深入解析：60GHz雷达的物理优势、FMCW vs UWB技术对比、CPD检测算法流程、DSP处理需求，以及IMS开发中的集成方案。

技术背景

Euro NCAP CPD强制时间线

时间节点	要求	技术方向
2025年	CPD评分项	摄像头/雷达/压传感器
2026年	CPD加分项	推荐雷达方案
2029年	预计强制	雷达成为主流

为什么60GHz成为”甜蜜点”

graph TB
    subgraph 频段选择
        A[24GHz] -->|分辨率低| X[淘汰]
        B[60GHz] -->|最佳平衡| C[推荐]
        C[77GHz] -->|成本高| D[备选]
    end
    
    subgraph 60GHz优势
        C --> E[波长5mm]
        C --> F[穿透性适中]
        C --> G[成本可控]
        C --> H[芯片生态成熟]
    end

60GHz FMCW雷达核心优势：

1. 隐私保护：不采集人脸图像，只输出点云
2. 非视距检测：穿透毛毯、衣物检测呼吸
3. 光照无关：夜间/强光均能工作
4. 呼吸检测：微多普勒效应检测胸廓起伏

FMCW vs UWB 技术对比

技术原理差异

特性	FMCW雷达	UWB雷达
波形	线性调频连续波	纳秒级脉冲
带宽	4-7 GHz	500 MHz - 数GHz
分辨率	高（距离/速度）	中等
处理复杂度	FFT为主	相关运算
安全性	无中继攻击风险	需防中继攻击
成本	低	中高
多功能	CPD + 生命体征 + 手势	CPD为主

为什么OEM选择FMCW

Cadence Tensilica产品总监Amit Kumar观点：

“FMCW在成本结构、集成路径、功能扩展性上全面优于UWB。支持CPD、生命体征检测、手势识别等统一信号处理流程，避免中继攻击等安全漏洞。”

量产时间线：

• 2026-2027：第一批FMCW舱内雷达量产
• 2028-2030：多车型平台化部署
• 2030+：成为L3+自动驾驶标配

CPD检测算法流程

信号处理流水线

graph LR
    A[雷达原始数据] --> B[Range FFT]
    B --> C[Doppler FFT]
    C --> D[杂波抑制]
    D --> E[CFAR检测]
    E --> F[微多普勒分析]
    F --> G[呼吸信号提取]
    G --> H[ML分类]
    H --> I{儿童存在?}
    I -->|是| J[报警]
    I -->|否| K[正常状态]

核心参数

参数	典型值	说明
帧率	50 FPS	实时检测需求
距离分辨率	2-5 cm	儿童位置精度
速度分辨率	0.1 m/s	呼吸速度检测
检测准确率	99.9%	Euro NCAP要求
漏检率	<0.1%	儿童安全红线

呼吸信号提取

import numpy as np
from scipy import signal

def extract_breathing_signal(
    radar_data: np.ndarray,
    range_bin: int,
    sample_rate: float = 50.0
) -> np.ndarray:
    """
    从雷达数据中提取呼吸信号
    
    Args:
        radar_data: 雷达ADC数据 (frames, chirps, samples)
        range_bin: 目标距离bin
        sample_rate: 帧率 (Hz)
    
    Returns:
        breathing_signal: 呼吸信号序列
    """
    # Range FFT
    range_fft = np.fft.fft(radar_data, axis=2)
    
    # 提取目标距离bin的相位
    target_phase = np.angle(range_fft[:, :, range_bin])
    
    # 相位差分 = 微多普勒
    phase_diff = np.diff(target_phase.mean(axis=1))
    
    # 带通滤波 (0.1-0.5 Hz, 对应6-30次/分钟呼吸)
    nyquist = sample_rate / 2
    low = 0.1 / nyquist
    high = 0.5 / nyquist
    b, a = signal.butter(4, [low, high], btype='band')
    breathing_signal = signal.filtfilt(b, a, phase_diff)
    
    return breathing_signal


def detect_child_presence(
    breathing_signal: np.ndarray,
    threshold: float = 0.02
) -> dict:
    """
    检测儿童存在
    
    Args:
        breathing_signal: 呼吸信号
        threshold: 能量阈值
    
    Returns:
        result: {detected: bool, breathing_rate: float, confidence: float}
    """
    # 计算能量
    energy = np.sum(breathing_signal ** 2) / len(breathing_signal)
    
    # FFT计算呼吸频率
    fft_result = np.abs(np.fft.fft(breathing_signal))
    freqs = np.fft.fftfreq(len(breathing_signal), 1/50.0)
    
    # 找主频 (0.1-0.5 Hz范围)
    valid_idx = (freqs >= 0.1) & (freqs <= 0.5)
    peak_idx = np.argmax(fft_result[valid_idx])
    breathing_rate = freqs[valid_idx][peak_idx] * 60  # 次/分钟
    
    detected = energy > threshold
    confidence = min(energy / threshold, 1.0) if detected else 0.0
    
    return {
        'detected': detected,
        'breathing_rate': breathing_rate,
        'confidence': confidence,
        'energy': energy
    }


# 测试示例
if __name__ == "__main__":
    # 模拟雷达数据 (100帧, 16 chirps, 64 samples)
    radar_data = np.random.randn(100, 16, 64) * 0.01
    
    # 添加模拟呼吸信号
    t = np.linspace(0, 2, 100)
    breathing = 0.05 * np.sin(2 * np.pi * 0.3 * t)  # 18次/分钟
    radar_data[:, 0, 20] += breathing  # 在距离bin 20处
    
    # 提取呼吸信号
    breathing_signal = extract_breathing_signal(radar_data, range_bin=20)
    
    # 检测儿童存在
    result = detect_child_presence(breathing_signal)
    print(f"检测结果: {result}")

DSP处理需求

算力要求

处理模块	算力需求	说明
Range FFT	1024-point × 50fps	51K FFT/秒
Doppler FFT	16-point × 50fps	800 FFT/秒
CFAR检测	1024点/帧	51K点/秒
ML推理	CNN小模型	约10K MAC/帧
总计	约100 GOPS	含冗余

推荐DSP平台

平台	算力	功耗	适用场景
Cadence Tensilica Vision 110	200 GOPS	<1W	单雷达处理
NXP i.MX 9 + DSP	300 GOPS	2-3W	多雷达融合
TI IWR6843AOP	集成DSP	<1W	单芯片方案
Qualcomm QCS8255	Hexagon NPU	可共享	DMS+雷达融合

代码示例：Tensilica Vision DSP优化

// Tensilica Vision P5 DSP上的FFT优化
#include <xtensa/tie/xt_core.h>

void range_fft_optimized(
    int16_t *adc_data,      // ADC数据
    complex_int16_t *fft_out, // FFT输出
    int num_chirps,
    int num_samples
) {
    // 使用Tensilica向量指令
    // 8-bit和16-bit MAC操作
    for (int chirp = 0; chirp < num_chirps; chirp++) {
        // 加载ADC数据到向量寄存器
        xtbool load_success;
        VecNx16 data = XT_LX_VX16_I(adc_data + chirp * num_samples, 0, load_success);
        
        // 原地FFT
        fft_16pt_radix4(data, fft_out + chirp * num_samples);
    }
}

IMS集成方案

硬件架构

graph TB
    subgraph 传感器层
        A1[60GHz雷达 x2] --> B[雷达前端]
        A2[红外摄像头] --> C[DMS模块]
    end
    
    subgraph 处理层
        B --> D[DSP处理器]
        C --> D
        D --> E[融合算法]
    end
    
    subgraph 输出层
        E --> F1[CPD报警]
        E --> F2[疲劳警告]
        E --> F3[生命体征显示]
    end

软件接口定义

// IMS舱内感知接口
class InCabinSensing {
public:
    struct CPDResult {
        bool child_detected;
        float breathing_rate;      // 次/分钟
        float confidence;
        Position3D position;       // 儿童位置
        Timestamp timestamp;
    };
    
    struct VitalSigns {
        float heart_rate;          // 次/分钟
        float breathing_rate;      // 次/分钟
        float confidence;
    };
    
    // 初始化雷达
    bool init(const RadarConfig& config);
    
    // CPD检测 (主循环调用)
    CPDResult detect_child_presence();
    
    // 生命体征监测
    VitalSigns get_vital_signs(int seat_id);
    
    // 设置报警回调
    void set_alarm_callback(std::function<void(const CPDResult&)> callback);
    
private:
    RadarDriver radar_;
    BreathingDetector breathing_detector_;
    MLClassifier classifier_;
};

// 使用示例
int main() {
    InCabinSensing sensing;
    
    RadarConfig config = {
        .frequency = 60e9,         // 60 GHz
        .bandwidth = 4e9,          // 4 GHz
        .num_tx = 2,
        .num_rx = 4,
        .frame_rate = 50
    };
    
    sensing.init(config);
    
    sensing.set_alarm_callback([](const InCabinSensing::CPDResult& result) {
        if (result.child_detected) {
            // 触发仪表盘报警
            trigger_dashboard_alert("Child detected in vehicle!");
            
            // 发送手机通知
            send_mobile_notification(result);
            
            // 启动空调
            activate_climate_control();
        }
    });
    
    // 主循环
    while (true) {
        auto result = sensing.detect_child_presence();
        // 处理结果...
    }
    
    return 0;
}

开发启示

技术路线选择

阶段	推荐方案	原因
2025-2026	TI IWR6843AOP单芯片	快速验证，开发成本低
2027-2028	多雷达 + DSP融合	提升精度，支持多功能
2029+	与DMS共享计算平台	降低成本，架构统一

Euro NCAP测试场景

CPD测试场景清单（部分）：

场景编号	描述	检测时限
CPD-01	儿童在后排座椅，无遮挡	≤10秒
CPD-02	儿童被毛毯覆盖	≤30秒
CPD-03	儿童在婴儿座椅，后向安装	≤30秒
CPD-04	极端温度（-20°C/50°C）	≤60秒
CPD-05	振动环境（引擎怠速）	≤30秒

成本分析

方案	BOM成本	开发成本	量产时间
单雷达TI方案	$15-20	低	6个月
双雷达融合	$30-40	中	12个月
雷达+DMS融合	$50-70	高	18个月

参考资料

• Cadence Design Systems: How 60GHz Radar is Transforming In-Cabin Safety
• Euro NCAP Child Presence Detection Test Protocol v1.0
• TI IWR6843AOP Technical Reference Manual
• IEEE: Micro-Doppler Signatures for Human Activity Classification

---

IMS开发建议： 优先采用TI IWR6843AOP进行原型验证，熟悉信号处理流程后再考虑多雷达融合方案。关注Euro NCAP官方测试场景更新，确保算法满足最新评分要求。