Euro NCAP 2026 CPD 强制要求详解：儿童遗留检测技术路线与实施指南

法规背景

Euro NCAP 2026 协议重大变化：

变化项	2025年前	2026年起
CPD 状态	可选（奖励分）	强制要求
分值	最高 4 分	最高 5 分
检测方式	间接方法可接受	仅限直接感知
覆盖范围	单排	双排座椅
警告时机	锁车后	锁车即刻警告

CPD 核心技术要求

1. 直接感知要求（Direct Sensing）

Euro NCAP 明确拒绝间接方法：

❌ 间接方法（不合规）	✅ 直接感知（合规）
车门开关状态检测	60GHz 雷达生命体征检测
座椅压力传感器	摄像头视觉识别
超声波占用检测	热成像红外检测
蓝牙手机配对推断	毫米波雷达呼吸检测

直接感知的核心指标：

# CPD 直接感知技术要求
class CPDRequirements:
    """Euro NCAP 2026 CPD 技术要求"""
    
    # 检测对象
    DETECTION_TARGETS = [
        "儿童（包括婴儿）",
        "宠物",
        "被遗留在车内的乘员"
    ]
    
    # 检测范围
    COVERAGE = {
        "前排": "必须覆盖",
        "后排": "必须覆盖（双排）",
        "行李舱": "可选"
    }
    
    # 生命体征检测
    VITAL_SIGNS = {
        "呼吸频率": "≥ 6 次/分钟",
        "心跳检测": "可选（加分项）",
        "微动检测": "必须支持"
    }
    
    # 检测精度
    ACCURACY = {
        "检测率": "≥ 95%",
        "误报率": "≤ 5%",
        "检测延迟": "≤ 10 秒"
    }
    
    # 警告机制
    WARNING = {
        "初始警告": "锁车即刻触发",
        "持续警告": "每 30 秒重复",
        "远程通知": "手机 App 推送",
        "紧急联系": "可选（连接服务中心）"
    }

2. 传感器选型对比

主流 CPD 传感器方案：

传感器类型	工作原理	优势	劣势	成本
60GHz 毫米波雷达	呼吸微动检测	穿透性强、隐私保护	分辨率有限	$15-25
热成像红外	温度分布检测	不受光照影响	成本高、穿透弱	$30-50
座舱摄像头	视觉识别	多功能复用	隐私争议、遮挡问题	$10-20
UWB 雷达	超宽带感知	高精度定位	成本高	$20-35
压力传感器	座椅压力分布	成本低	仅检测占位、无生命体征	$5-10

技术路线分析

方案一：60GHz 毫米波雷达（推荐）

主流芯片方案：

芯片型号	厂商	关键参数	应用场景
AWRL6844	TI	60GHz, 4Tx4Rx, Edge AI	座舱监测一体化
AWRL6432	TI	60GHz, 低功耗	CPD 单功能
BGT60ATR24C	Infineon	60GHz, 一芯多能	CPD+入侵检测
IWR6843AOP	TI	60GHz, AoP 封装	紧凑型设计

TI AWRL6844 典型实现：

"""
TI AWRL6844 60GHz 雷达 CPD 实现

硬件规格：
- 频段：60-64 GHz
- 天线配置：4Tx4Rx
- 扫描带宽：4 GHz
- 刷新率：10-20 Hz
- 功耗：< 2W（典型值）
"""

import numpy as np
from scipy import signal

class CPDRadar:
    """60GHz 毫米波雷达 CPD 检测"""
    
    def __init__(self, config: dict):
        # 雷达参数
        self.freq_center = 62e9  # 62 GHz
        self.bandwidth = 4e9     # 4 GHz 带宽
        self.sample_rate = 1e6   # 1 MHz 采样率
        self.chirps_per_frame = 64
        self.samples_per_chirp = 256
        
        # 检测参数
        self.breath_freq_range = (0.1, 0.5)  # 6-30 次/分钟
        self.detection_threshold = 0.2       # 微动阈值
        
    def process_frame(self, adc_data: np.ndarray) -> dict:
        """
        处理雷达帧数据
        
        Args:
            adc_data: ADC 原始数据，shape=(chirps, samples)
            
        Returns:
            检测结果：是否有人、生命体征信息
        """
        # 1. 距离-多普勒处理
        range_doppler = self._range_doppler_fft(adc_data)
        
        # 2. 静态杂波去除
        range_doppler = self._clutter_removal(range_doppler)
        
        # 3. 目标检测（CFAR）
        detections = self._cfar_detection(range_doppler)
        
        # 4. 生命体征提取
        vital_signs = self._extract_vital_signs(detections)
        
        return {
            "occupancy": len(detections) > 0,
            "breathing_rate": vital_signs.get("breathing_rate"),
            "confidence": vital_signs.get("confidence", 0.0)
        }
    
    def _range_doppler_fft(self, data: np.ndarray) -> np.ndarray:
        """距离-多普勒 FFT"""
        # 距离 FFT（沿快时间维度）
        range_fft = np.fft.fft(data, axis=1)
        
        # 多普勒 FFT（沿慢时间维度）
        range_doppler = np.fft.fftshift(
            np.fft.fft(range_fft, axis=0), 
            axes=0
        )
        
        return np.abs(range_doppler)
    
    def _clutter_removal(self, data: np.ndarray) -> np.ndarray:
        """静态杂波去除"""
        # 使用均值减去法
        mean = np.mean(data, axis=0, keepdims=True)
        return data - mean
    
    def _cfar_detection(self, data: np.ndarray) -> list:
        """CFAR 目标检测"""
        # CA-CFAR 实现
        threshold = np.mean(data) + self.detection_threshold * np.std(data)
        detections = np.where(data > threshold)
        
        return list(zip(detections[0], detections[1]))
    
    def _extract_vital_signs(self, detections: list) -> dict:
        """提取生命体征（呼吸频率）"""
        if not detections:
            return {"breathing_rate": None, "confidence": 0.0}
        
        # 简化实现：基于多普勒频移估算呼吸频率
        # 实际实现需要 FFT 和峰值检测
        breathing_rate = 15  # 次/分钟（假设值）
        
        return {
            "breathing_rate": breathing_rate,
            "confidence": 0.85
        }


# 实际部署示例
if __name__ == "__main__":
    radar = CPDRadar({})
    
    # 模拟雷达数据（实际从硬件获取）
    sim_data = np.random.randn(64, 256) * 0.1
    sim_data[10:15, 30:35] += 1.0  # 模拟目标
    
    result = radar.process_frame(sim_data)
    print(f"占用检测: {result['occupancy']}")
    print(f"呼吸频率: {result['breathing_rate']} 次/分钟")
    print(f"置信度: {result['confidence']:.2%}")

方案二：摄像头 + AI 视觉检测

视觉检测优势：

与 DMS/OMS 共用硬件，降低成本
可同时检测乘员姿态、安全带状态
支持儿童/宠物分类识别

视觉检测局限：

被遮挡时失效（毯子覆盖儿童）
隐私问题需要处理
光照极端条件影响

"""
摄像头视觉 CPD 检测

核心算法：
1. 儿童检测（YOLO/SSD）
2. 呼吸运动分析（光流法）
3. 活体判断（微动检测）
"""

import cv2
import numpy as np

class VisualCPD:
    """视觉 CPD 检测"""
    
    def __init__(self, model_path: str):
        # 加载检测模型
        self.detector = cv2.dnn.readNet(model_path)
        
        # 呼吸检测参数
        self.motion_history = []
        self.history_length = 300  # 10 秒 @ 30fps
        
    def detect_child(self, frame: np.ndarray) -> list:
        """
        检测儿童
        
        Returns:
            儿童边界框列表 [(x, y, w, h, confidence), ...]
        """
        # 预处理
        blob = cv2.dnn.blobFromImage(frame, 1/255, (416, 416))
        self.detector.setInput(blob)
        
        # 推理
        detections = self.detector.forward()
        
        # 后处理
        children = []
        for det in detections:
            confidence = det[4]
            if confidence > 0.5:
                class_id = int(det[5])
                if class_id == 0:  # person class
                    x, y, w, h = det[:4] * np.array([frame.shape[1], frame.shape[0]] * 2)
                    children.append((int(x), int(y), int(w), int(h), confidence))
        
        return children
    
    def detect_breathing(self, frame: np.ndarray, roi: tuple) -> float:
        """
        检测呼吸运动
        
        Args:
            frame: 当前帧
            roi: 感兴趣区域 (x, y, w, h)
            
        Returns:
            呼吸频率（次/分钟）
        """
        x, y, w, h = roi
        roi_frame = frame[y:y+h, x:x+w]
        
        # 光流计算
        gray = cv2.cvtColor(roi_frame, cv2.COLOR_BGR2GRAY)
        
        # 简化实现：帧差法检测微动
        self.motion_history.append(np.std(gray))
        
        if len(self.motion_history) < self.history_length:
            return 0.0
        
        # FFT 分析运动频率
        motion_signal = np.array(self.motion_history[-self.history_length:])
        fft_result = np.fft.fft(motion_signal)
        freqs = np.fft.fftfreq(len(motion_signal), 1/30)
        
        # 找到呼吸频段的峰值
        breath_freq_range = (0.1, 0.5)  # Hz
        valid_idx = np.where((freqs >= breath_freq_range[0]) & 
                             (freqs <= breath_freq_range[1]))
        
        if len(valid_idx[0]) > 0:
            peak_freq = freqs[valid_idx[0][np.argmax(np.abs(fft_result[valid_idx]))]]
            breathing_rate = peak_freq * 60  # 转换为次/分钟
            return breathing_rate
        
        return 0.0

Euro NCAP 测试场景

CPD 测试场景清单（官方协议）

场景 ID	场景描述	测试要求	通过标准
CPD-01	婴儿在安全座椅	6 个月以下婴儿	≤10s 检测到
CPD-02	幼儿独自在后座	1-3 岁幼儿	≤10s 检测到
CPD-03	儿童睡眠状态	模拟睡眠姿势	≤10s 检测到
CPD-04	儿童被毯子覆盖	部分遮挡	≤30s 检测到
CPD-05	宠物在车内	猫/狗	≤10s 检测到
CPD-06	双排座椅场景	前后都有儿童	≤10s 双排检测
CPD-07	极端温度环境	-20°C 至 +50°C	功能正常
CPD-08	强光/弱光环境	0 lux 至 100k lux	功能正常

IMS 开发启示

1. 传感器选型策略

推荐方案：雷达为主，视觉为辅

graph TD
    A[CPD 传感器选型] --> B&#123;成本敏感度&#125;
    B -->|高成本敏感| C[60GHz 单雷达]
    B -->|中等成本| D[雷达+视觉融合]
    B -->|成本不敏感| E[多雷达阵列]
    
    C --> F[AWRL6432]
    D --> G[AWRL6844 + IR摄像头]
    E --> H[前后排双雷达]
    
    F --> I[CPD 单功能]
    G --> J[CPD + OMS + DMS]
    H --> K[全座舱感知]

2. 软件架构设计

"""
IMS CPD 模块架构

分层设计：
1. 传感器抽象层（Sensor HAL）
2. 数据处理层（Processing）
3. 决策逻辑层（Decision）
4. 警告输出层（Warning）
"""

class CPDSystem:
    """CPD 系统主类"""
    
    def __init__(self):
        # 传感器抽象
        self.sensor = RadarSensor("AWRL6844")
        
        # 处理模块
        self.range_processor = RangeDopplerProcessor()
        self.vital_extractor = VitalSignsExtractor()
        
        # 决策模块
        self.detector = OccupancyDetector()
        self.classifier = ChildPetClassifier()
        
        # 警告模块
        self.warning = WarningManager()
        
    def run(self):
        """主循环"""
        while True:
            # 1. 获取雷达数据
            frame = self.sensor.acquire_frame()
            
            # 2. 距离-多普勒处理
            rd_map = self.range_processor.process(frame)
            
            # 3. 生命体征提取
            vital_signs = self.vital_extractor.extract(rd_map)
            
            # 4. 占用检测
            occupancy = self.detector.detect(rd_map, vital_signs)
            
            # 5. 分类（儿童/宠物/成人）
            if occupancy:
                classification = self.classifier.classify(rd_map)
                
                # 6. 触发警告
                if classification["type"] in ["child", "pet"]:
                    self.warning.trigger(
                        level="critical",
                        message=f"检测到{classification['type']}遗留！",
                        vital_signs=vital_signs
                    )

3. 部署优化要点

边缘 AI 优化：

优化项	方法	效果
模型量化	INT8 量化	精度损失 <1%，速度提升 3x
FFT 加速	硬件 FFT	延迟降低 80%
内存优化	静态分配	RAM 占用从 2MB 降至 512KB
功耗管理	动态唤醒	熄火后功耗 <50mW

总结

Euro NCAP 2026 CPD 关键要点：

强制要求：CPD 成为必选项，OEM 必须实施
直接感知：间接方法不再被接受，需使用雷达/视觉等直接检测
双排覆盖：前后排都必须支持检测
即刻警告：锁车即刻触发初始警告
生命体征：需检测呼吸等生命体征，避免误报

IMS 开发优先级：

优先级	模块	时间节点
P0	60GHz 雷达驱动集成	2026 Q1
P0	呼吸检测算法实现	2026 Q1
P1	视觉辅助检测	2026 Q2
P1	儿童分类模型	2026 Q2
P2	警告系统集成	2026 Q3

参考资料：

Euro NCAP CPD Test and Assessment Protocol v1.3
TI AWRL6844 Datasheet
Smart Eye - What Euro NCAP 2026 Says About Child Presence Detection
Infineon XENSIV 60GHz Radar Solution Guide