Радар

Перевод Симуляция радара истребителя на 3 осциллографической ЭЛТ

31.01.2021 18:12:32 |

Автор: admin

Все из вас уже наверняка повыбрасывали старые громоздкие ЭЛТ-мониторы, предпочтя им изящные ультратонкие ЖК-дисплеи. Многие уже и не думают, что еще можно повстречать столь древний девайс в современном мире Но здесь речь пойдет об особенном ЭЛТ-дисплее круглом! Его диаметр составляет всего 3 дюйма, и выглядит это чудо очень мило.

В прошлом году ко мне как-то обратился один любитель авиа-симуляторов, которому для воссоздания копии кабины истребителя потребовался экран радиолокатора. В целях максимальной реалистичности, предполагалось, что этот экран будет реализован на базе ЭЛТ. По силам ли Oscilloclok спроектировать и собрать подобный дисплей?

Скажу так, долго меня уговаривать не пришлось. Ненадолго отвлекшись от сборки часов, я решил принять этот вызов и создать свой первый блок с растровым дисплеем. В последующие месяцы со всех сторон посыпались разные сложности, но в конечном итоге мне удалось все их решить и реализовать функционирующее устройство:

Комплектация

Ключевым компонентом в этом процессе стал новый прототип VGA-платы, преобразующей VGA-сигнал в аналоговый выход X и Y. В ней также были предусмотрены аналоговый выход контроля яркости луча и выход дискретного сигнала управления гашением.

Прототип VGA-платы от Oscilloclock

Выходы X и Y управляют платой отклонения Oscilloclock, а выход дискретного сигнала гашения управляет усилителем гашения на плате ЭЛТ.

Плата отклонения с реализацией сверхлинейного высоковольтного выхода

ЭЛТ-плата с реализацией улучшения частотной характеристики

Плата питания служит для питания нити накаливания катода, генерирует высокое анодное напряжение и напряжения для управляющей сетки.

Плата питания с улучшенной оптопарой

На первый взгляд все выглядело так просто, но не тут-то было. Как и в прочих проектах Oscilloclock, этот не обошелся без засиживания допоздна, болезненного дергания за волосы и лишения семьи внимания. Дальше я расскажу, что же меня так озадачило

Недостаток яркости растрового сканирования

В ТВ и мониторах для отрисовки изображений используется растровое сканирование. Электронный луч непрерывно и быстро перемещается вдоль экрана по предопределенному шаблону, при этом в нужных местах он активируется, благодаря чему и появляется изображение. Для меня это создало реальную проблему.

Чтобы понять почему, представьте, что вы граффитист, который рисует на стене круг. Обычно для этого вы бы просто делали круговое движение рукой. Это эффективно. В один или два захода можно получить жирный круг.

А теперь попробуйте рисовать методом растрового сканирования: перемещайте руку вправо, влево, немного вниз, вправо, влево, немного вниз, вправо, влево, ну вы поняли и нажимайте в нужных местах кнопку закрашивания, рисуя таким образом части круга. Вначале такой круг будет очень светлым, и потребуется много повторений, чтобы получить отчетливую насыщенную фигуру.

Круг граффити, нарисованный баллончиком (слева) и его вариант, полученный растровым сканированием (справа)

ЭЛТ подобна баллончику с краской электронная пушка направляет поток электронов с определенной скоростью. Если луч будет перемещаться быстро, в заданную точку экрана за раз будет попадать ограниченное число частиц, что, естественно, ограничит яркость этой точки.

Компромисс между яркостью и отклонением

С целью компенсации этого ограниченного потока электронов в реальных компьютерных ЭЛТ-мониторах для ускорения после отклонения (PDA) применяется очень высокое напряжение. В монохромных устройствах оно зачастую достигает 10-20кВ. После отклонения луча электроны сильно ускоряются этим потенциалом и врезаются в экран с невероятной силой. Огромная скорость электронов компенсирует их небольшое число, в результате чего получается очень яркая точка.

К сожалению, в большинстве доступных сегодня 3 ЭЛТ-дисплеев не реализована такая технология ускорения. На деле заказчик рассчитывал использовать универсальную трубку без PDA типа 3RP1A в силу ее широкой доступности. Но получаемое на ней растровое изображение было бы слишком тусклым. К тому же заказчику требовалась высокая яркость даже при условии использования зеленого акрилового фильтра.

Имеющиеся ограничения грозили реальными сложностями, но отступать я не привык.
Было решено сконфигурировать плату питания на подачу к пластинам отклонения 2кВ, что практически вдвое больше стандартно подаваемого большинством схем напряжения для этой ЭЛТ. Таким образом я рассчитывал сильно ускорить электроны, чего должно было хватить для получения ярких точек.

Но всегда есть какой-то подвох! Без PDA луч ускоряется до выхода из области отклонения. Из-за инерции электрона это означает, что луч не так легко преломляется, в связи с чем изображение уменьшается. Для корректировки необходим намного более мощный сигнал, чтобы отклонение луча стало достаточным для достижения им края экрана.

Сможет ли моя скромная плата отклонения обеспечить сигнал достаточной величины?

Сложности с отклонением

Обратимся к приведенной ниже спецификации 3RP1A. При работе на 2кВ с учетом максимальной границы диапазона пластинам отклонения оси X (Отклоняющие пластины 1-2) требуется колоссальный сигнал 198В для отклонения от центра всего на дюйм!

Значит для нашего экрана 3 необходимо 1.5*198 = 300В (приблизительно), чтобы отклонить луч от центра к любому краю экрана. Это серьезная проблема. Стандартная плата отклонения Oscilloclock едва способна обеспечить 200В до потери линейности.

В добавок к этому, выяснилось, что требуется добиться отклонения более 1.5 от центра! Взгляните на схему растрового изображения ниже, которое мне нужно было отобразить. Так оно выглядит при VGA сигнале 800х600. Обратите внимание на площадь мертвых зон, особенно слева и справа. Эта область определяется в VGA стандарте как импульс синхронизации, а также тайминги переднего фронта и заднего фронта, которые дают цепи дисплея время подготовиться к обработке каждой строки.

VGA-наложение, показывающее мертвые зоны

Следующая сложность (сколько их еще будет?) в том, что нам нужно отрисовывать круг в разрешении 800х600 с соотношением сторон 4:3 на круглом экране с соотношением 1:1. После преобразования всех разрешений в соотношение 1:1 и выражения их в дюймах для удобства, получаем следующее:

Соотношение сторон, приведенное к 1:1 и преобразованное в дюймы

Отсюда следует, что луч должен перемещаться максимум на +2.525 вправо и на 3.325 влево, обеспечивая перемещение фактического круга изображения радара на 1.5 и достижение им края экрана. Но отклонение -3.325 по оси X (Отражающие пластины 1-2) при 198В/дюйм требует не менее -658В! Куда уж тут моей плате с напряжением 200В

Побежден но не сломлен!

Спустя несколько часов мыслительных метаний мне в голову пришла прекрасная идея. Вот ряд сопутствующих ей фактов:

На VGA-диаграмме большая часть мертвой зоны относится к направлению X. Для Y эта зона существенно меньше.
Согласно спецификации ЭЛТ отклонение в Отклоняющих пластинах 3-4 более чувствительно, чем в Отклоняющих пластинах 1-2. Причина в том, что 3-4 пластины расположены ближе к электронной пушке, и в этой области электроны движутся медленнее.
Из-за повышенной чувствительности пластин 3-4 практически во всех осциллоскопах к ним подается вертикальный сигнал. И слепо следуя этой условности, я тоже планировал приспособить для этих пластин выход Y.
Но в VGA-дисплее ни для вертикальных, ни для горизонтальных сигналов не характерна высокая частота. При этом оба этих вида сигналов имеют одинаковую амплитуду от 0 до 5В. А значит чувствительность отклонения значения не имеет.

Так что Вау! К черту условности почему бы не подключить проблемный выход X, которому для преодоления мертвой зоны нужно намного большее отклонение, чем Y, к более чувствительным пластинам 3-4? А после просто повернуть трубку на 90 градусов!

Нужно еще раз все рассчитать

Отклонение 3.325 по оси X при использовании более чувствительных пластин 3-4 при 140В/дюйм (в худшем случае) требует -466В! Это фантастическое улучшение по сравнению с -658В, но все еще намного больше, чем 200В, которые может обеспечить моя плата

Излечение платы отклонения

Вот незадача! Место для этой статьи закончилось. Но я попрошу вас, мой дорогой читатель, набраться немного терпения, потому что вскоре последует продолжение, в котором мы рассмотрим базовую схему платы отклонения, попытаемся понять ПОЧЕМУ она не может пропускать линейно более 200В и в завершении узнаем, как я обошел это ограничение.

Подробнее..

Категории: Блог компании ruvds.com , Diy или сделай сам , Производство и разработка электроники , Электроника для начинающих , Ruvds_перевод , Элт , Радар

Самый большой радиотелескоп снял место посадки Apollo 15

05.02.2021 08:10:50 |

Автор: admin

... и не увидел лунный модуль. Два месяца, как астрофизики мира простились с легендарнымтелескопом Arecibo, который долгое время обладал самой большой тарелкой. Китайцы сделали тарелку ещё больше, но американцы тем временем модернизировали свои оставшиеся телескопы, и подняли их характеристику в четыре раза.

Трехсотметровая антенна Arecibo долгое время оставалась непревзойденной по площади это важное преимущество для прослушивания очень удаленных и слабых источников радиоизлучения. Но для науки этот телескоп служил не только как ухо, но и как голос радаром, зондирующим объекты Солнечной системы. В этой роли Arecibo работал в паре с другими радиотелескопами, в последние годы часто сGreen Bank Telescope. Телескоп Green Bank меньше диаметр антенны 100 м, зато она поворотная, в отличие от Arecibo, и для таких тарелок это бесспорный рекорд.

Диаметр антенны влияет не только на чувствительность телескопа, но и на его разрешающую способность, то, что фотографы называют резкость. Разрешающая способность это показатель насколько мелкие объекты или минимальное расстояние между ними способен рассмотреть телескоп. Разрешение зависит от двух параметров: диаметра телескопа и длины волны излучения, в котором ведется наблюдение. Так, для одинаковых по размеру телескопов, наблюдение на длине радиоволны 6 мм разрешение будет в 10 тыс раз хуже чем в наблюдении видимого света. То есть чтобы сравниться с 10-сантиметровым любительским телескопом, радиотелескоп должен иметь диаметр 1 километр.

К счастью, радиоастрономы, догадались как обойти это ограничение, если использовать несколько радиотелескопов на расстоянии. Один из способов интерферометрия, когда объединяются данные от нескольких телескопов. Тогда диаметром считается расстояние между наиболее удаленными телескопами в общей системе. Например антенный массивALMAсостоит из 66 антенн и имеет общий диаметр 16 км, а 27 антеннVLA диаметр 36 км.

Кстати, VLA вместе c Arecibo снималась в фильме Контакт.

Если данные с телескопов снимать не аналоговым, а цифровым методом, то можно значительно расширить границы. По сути телескопы можно расставить по всей Земле и тогда диаметр условного телескопа будет ограничиваться только диаметром планеты. Эта технология называется непроизносимым термином радиоинтерферометрия со сверхдлинной базой. Впервые она была теоретически обоснована в СССР при участии Николая Кардашева, и под его же руководством был создан проект РадиоАстрон космический радиотелескоп.

РадиоАстрон обладал тарелкой всего в 10 м, но объединяя работу с наземными станциями, позволял создавать радиотелескоп диаметром до десятков и сотен тысяч километров. С российским космическим телескопом работали практически все крупные наземные радиообсерватории, включая Arecibo, но американцы пошли своим путем. Они создали наземную сеть 25-метровых радиотелескоповVLBA, которая раскинулась на 9,5 тыс км от Гавайев до Карибского моря.

Российский аналогКвазар-КВОсостоит из трех 32-метровых антенн и разнесен на расстояние 4,5 тыс км, на одной из его станций мне удалось однажды побывать.

Обычно сеть VLBA работает на приём астрофизических сигналов отдельно от Green Bank или Arecibo, а эти две обсерватории использовали другую технологию улучшения изображения бистатическая визуализация. Похожую технологию используют авиационные или космические радары, зондирующие земную поверхность SAR: Arecibo работал как гигантский радиопрожектор, освещая пролетавшие астероиды, Луну, Меркурий и спутники Юпитера, а стометровая антенна Green Bank принимала отраженные лучи. За счет разницы расположения между освещающим и принимающим телескопом качество картинки получалось лучше, чем если бы работал один одновременно и на излучение и на прием. Фактически тут действует тот же принцип, что и в интерферометрии расстояние между двумя радиотелескопами определяют разрешающую способность как диаметр одного. В случае пары Arecibo-Green Bank это 2,5 тыс. км, которые давали разрешение на Луне около 20 м, что в три раза лучше телескопа Hubble.

К сожалению, бистатический радар Arecibo-Green Bank дальше Юпитера не добивал, т.к. вращение Земли уводило из прицела Arecibo далекие тела пока туда летел сигн. Но и этого хватало более чем. Главным открытием этой технологии сталооткрытиеводяного льда на Меркурии.

Изакрытиельда на Луне.

Также Arecibo много работал в наблюдении пролетающих околоземных астероидов.

А потом онразрушился.

К счастью, ученые подстелили соломку и смогли установить мощный передатчик на стометровый Green Bank. Теперь он будет прожектором, и за счет своей поворотной системы и большей мощности передатчика сможет добивать не только до Юпитера, но и до Урана и Нептуна. Принимать же данные будет наземная сеть VLBA.

Новая системаGreen Bank-VLBAпровела первые испытания и телескопы обратили взор к месту посадки Apollo 15 в лунных Аппенинах. Разрешение этой панорамы около 5 м на пиксель.

Разрешающая способность нового снимка примерно в четыре раза превосходит лунную съемку прежней пары Arecibo-Green Bank.

Авторы съемки не уточнили удалось ли им увидеть какие-либо следы пребывания человека в рассмотренной местности, поэтому пришлось самому сравнить результаты радарной съемки и спутниковой.

Первое, что бросается в глаза светлые пятна радарного снимка не всегда совпадают с оптическим. Это логично, т.к. яркое отражение в радиолучах дают дробленые камни, т.е. эти пятна следы разбросанной породы вокруг молодых метеоритных кратеров. А вот ни тропинки, вытоптанные астронавтами, ни оставшаяся ступень лунного модуля в радиодиапазоне не видны. В разрешении 5 м, модуль должен занимать два пикселя, и если бы он обладал более ярким отражением радиоволн, то был бы виден.

Судя по всему, панели экранно-вакуумной теплоизоляции и противометеоритной защиты такой же хороший поглотитель и рассеиватель радиолучей, что и окружающий реголит. Хотя возможно и другое объяснение алгоритм обработки данных мог съесть два ярких пикселя, решив, что это просто шум.

Для сравнения, в видимом диапазоне, на снимках пятиметрового разрешения от японского аппарата Kaguya темное пятно на месте лунного модуля видно благодаря контрасту с окружающим грунтом. Можно даже рассмотреть отрезок наиболее вытоптанного грунта в северо-западном направлении от места прилунения.

Место посадки Apollo 15 со спутника Kaguya

Ранее в эту же долинузаглядывали космический телескоп Hubble. Но у него разрешение всего 60 м, потому сумел рассмотреть лишь смутные признаки посадки чуть более светлое гало разогнанной ракетными двигателями пыли.

Сревнение снимка телескопа Hubble (слева) и спутника LRO (справа).

Самые качественные, на сегодня, спутниковые снимки места посадки Apollo 15 доступны благодаря американскому аппарату LRO. Тут уже видны и тропинки, и следы ровера, и сам ровер, и оставленное оборудование, и мусор. Разрешение этого кадра в десять раз лучше японского 0,5 м.

Место посадки Apollo 15 со спутника LRO

При увеличении мощности передатчика на телескопе Green Bank, возможно, качество лунных панорам ещё возрастет, хотя вряд ли они снова будут смотреть на Apollo. В Солнечной системе много других целей, интересных астрофизикам и планетологам.

С радиотелескопами и местами посадок американцев на Луну известен другой курьез. В конце 70-х гг в Советском Союзе построили большой наземный радиотелескоп РАТАН-600. Для испытания астрономы направили его на Луну, и с удивлениемобнаружилипять ярких источников радиоизлучения на поверхности. Оказалось, что это шли телеметрические данные с блоков приборовALSEP, которые оставили американские астронавты. Они питались от радиоизотопных термоэлектрических генераторов и могли проработать ещё десятилетия. Но ученые NASA к тому времени уже утратили интерес к Луне, и погасили ALSEP вскоре после обнаружения советскими радиоастрономами.

Подробнее..

Категории: Астрономия , Научно-популярное , Космонавтика , Беспроводные технологии , Будущее здесь , Луна , Телескоп , Радиотелескоп , Аресибо , Sar , Радар , Green bank , Аполлон 15

Снежная слепота беспилотных авто

02.06.2021 10:16:01 |

Автор: admin

У природы нет плохой погоды, каждая погода благодать. Слова этой лирической песни можно понимать образно, интерпретировав погоду как отношения между людьми. Можно понимать и буквально, что также верно, ибо не было бы снежной и холодной зимы, мы бы не так ценили лето, и наоборот. Но беспилотные автомобили лишены лирических чувств и поэтического мироощущения, для них далеко не вся погода благодать, особенно зимняя. Одной из основных проблем, с которыми сталкиваются разработчики робомобилей, это снижение точности датчиков, указывающих машине куда ей ехать, во время плохих погодных условий. Ученые из Мичиганского технологического университета создали базу данных погодных условий на дорогах глазами беспилотных авто. Эти данные были нужны дабы понять что нужно изменить или улучшить, чтобы зрение робомобилей во время снежной бури было не хуже, чем в ясный летний день. Насколько плохая погода влияет на датчики беспилотных авто, какой метод решения проблемы предлагают ученые, и насколько он эффективен? Ответы на эти вопросы мы найдем в докладе ученых. Поехали.

Основа исследования

Работу беспилотных авто можно сравнить с уравнением, в котором очень много переменных, которые нужно учесть все без исключения для получения верного результата. Пешеходы, другие авто, качество дорожного покрытия (видимость разделительных полос), целостность систем самого беспилотника и т.д. Многие исследования ученых, провокационные заявления политиков, колкие статьи журналистов базируются на связи между беспилотным автомобилем (далее просто авто или автомобиль) и пешеходом. Это вполне логично, ибо человек и его безопасность должны стоять на первом месте, особенно учитывая непредсказуемость его поведения. Морально-этические споры о том, кто будет виноват, если автомобиль собьет пешехода, выскочившего на дорогу, продолжаются до сих пор.

Однако, если убрать из нашего образного уравнения переменную пешеход, то все равно останется много потенциально опасных факторов. Погода является одним из них. Очевидно, что в плохую погоду (ливень или снежная буря) видимость может снизиться настолько, что порой приходится просто остановиться, ибо ехать нереально. Зрение автомобилей, конечно, сложно сравнить со зрением человека, но их датчики страдают от снижения видимости не меньше нас. С другой стороны у машин есть более широкий арсенал этих датчиков: камеры, радары диапазона миллиметровых волн (MMW), система глобального позиционирования (GPS), гиростабилизатор (IMU), система обнаружение и определение дальности с помощью света (LIDAR) и даже ультразвуковые системы. Несмотря на это многообразие органов чувств, автономные машины все еще слепы во время плохой погоды.

Дабы понять, в чем же дело, ученые предлагают рассмотреть аспекты, совокупность которых тем или иным образом влияет на возможное решение этой проблемы: семантическая сегментация, обнаружение проходимого (подходящего) пути и объединение датчиков.

При семантической сегментации вместо обнаружения объекта на изображении каждый пиксель классифицируется индивидуально и присваивается классу, который пиксель представляет лучше всего. Другими словами, семантическая сегментация это классификация на уровне пикселей. Классическая семантическая сегментация сверточная нейронная сеть (CNN от convolutional neural network) состоит из кодирующей и декодирующей сетей.

Кодирующая сеть понижает дискретизацию входных данных и извлекает функции, а декодирующая использует эти функции для восстановления и повышения дискретизации входных данных и, наконец, присваивает каждому пикселю тот или иной класс.

Двумя ключевыми компонентами в декодирующих сетях являются так называемые слой MaxUnpooling и слой свертки Transpose. Слой MaxUnpooling (аналог слоя MaxPooling операция пулинга с функцией максимума) необходим для снижения размерности обрабатываемых данных.

Пример операции MaxPooling.

Существует несколько методов распределения значений (т.е. пуллинга), которые имеют общую цель сохранить местоположения максимальных значений в слое MaxPooling и использовать эти местоположения для размещения максимальных значений обратно в совпадающие местоположения в соответствующем слое MaxUnpooling. Этот подход требует, чтобы сеть кодирования-декодирования была симметричной, в которой каждый уровень MaxPooling в кодере имеет соответствующий уровень MaxUnpooling на стороне декодера.

Другой подход разместить значения в заранее определенном месте (например, в верхнем левом углу) в области, на которую указывает ядро. Именно этот метод и был использован в моделировании, речь о котором пойдет немного позже.

Транспонированный сверточный слой противоположен обычному сверточному слою. Он состоит из движущегося ядра, которое сканирует входные данные и свертывает значения для заполнения выходного изображения. Объемом вывода обоих слоев, MaxUnpooling и транспонированного можно управлять, регулируя размер ядра, отступы и шаг.

Второй аспект, играющий важную роль в решении проблемы плохой погоды, является обнаружение проходимого пути.

Проходимый путь это пространство, в котором машина может безопасно двигаться в физическом смысле, т.е. обнаружение проезжей части. Этот аспект крайне важен для различных ситуаций: парковка, плохая разметка на дороге, плохая видимость и т.д.

По словам ученых, обнаружение проходимого пути может быть реализовано как предварительный шаг к обнаружению полосы движения или какого-либо объекта. Этот процесс вытекает из семантической сегментации, цель которой состоит в том, чтобы сгенерировать попиксельную классификацию после обучения на наборе данных с пиксельной разметкой.

Третий, но не менее важный, аспект это объединение датчиков. Под этим подразумевается буквальное объединение данных от нескольких датчиков для получения более полной картины и уменьшения вероятных погрешностей и неточностей в данных отдельных датчиков. Существует однородное и неоднородное объединение датчиков. Примером первого может быть использование нескольких спутников для уточнения местоположения по GPS. Примером второго является объединение данных камер, LiDAR и Radar для беспилотных авто.

Каждый из вышеперечисленных датчиков по отдельности действительно показывает отличные результаты, но только в нормальных погодных условиях. В более суровых условиях работы их недостатки становятся очевидными.

Таблица преимуществ и недостатков датчиков, используемых в беспилотных авто.

Именно потому, по мнению ученых, объединение этих датчиков в единую систему может помочь в решении проблем, связанных с плохими погодными условиями.

Сбор данных

В данном исследовании, как уже упоминалось ранее, были использованы сверточные нейронные сети и объединение датчиков для решения проблемы обнаружения пути, по которому можно проехать, в неблагоприятных погодных условиях. Предлагаемая модель представляет собой многопотоковую (по одному потоку на датчик) глубокую сверточную нейронную сеть, которая будет понижать дискретизацию карт функций (результат применения одного фильтра к предыдущему слою) каждого потока, объединять данные, а затем повторно повышать дискретизацию карт для выполнения попиксельной классификации.

Для проведения дальнейших работ, включающих расчеты, моделирование и тестирование, необходимо было много данных. Чем больше, тем лучше, говорят сами ученые, и это вполне логично, когда речь идет о работе различных датчиков (камеры, LiDAR и Radar). Среди множества уже существующих наборов данных был выбран DENSE, которые охватывает большую часть необходимых для исследования нюансов.

DENSE также является проектом, нацеленным на решение проблем нахождения пути в суровых погодных условиях. Ученые, работавшие над DENSE, проехали порядка 10000 км по Северной Европе, записывая данные с нескольких камер, нескольких LiDAR, радаров, GPS, IMU, датчиков дорожного трения и тепловизионных камер. Набор полученных данных состоит из 12000 выборок, которые можно разбить на более мелкие подгруппы, описывающие конкретные условия: день+снег, ночь+туман, день+ясно и т.д.

Однако для правильной работы модели необходимо было провести коррекцию данных из DENSE. Исходные изображения камеры в наборе данных имеют размер 1920 х 1024 пикселей, их уменьшили до 480 х 256 для более быстрого обучения и тестирования модели.

Данные LiDAR хранятся в формате массива NumPy, который нужно было преобразовать в изображения, масштабировать (до 480 x 256) и нормализовать.

Данные радара хранятся в файлах JSON, по одному файлу для каждого кадра. Каждый файл содержит словарь обнаруженных объектов и несколько значений для каждого объекта, включая x-координаты, y-координаты, расстояние, скорость и т.д. Такая система координат параллельна плоскости автомобиля. Чтобы преобразовать ее в вертикальную плоскость, нужно учитывать только y-координату.

Изображение 1: проецирование y-координаты на плоскость изображения (слева) и обработанный кадр радара (справа).

Полученные изображения подвергались масштабированию (до 480 x 256) и нормализации.

Разработка CNN модели

Изображение 2: архитектура разработанной CNN модели.

Сеть была спроектирована так, чтобы быть как можно более компактной, так как глубокие сети кодирования-декодирования требуют немало вычислительных ресурсов. По этой причине сеть декодирования не была спроектирована с таким количеством уровней, как сеть кодирования. Сеть кодирования состоит из трех потоков: камера, LiDAR и радар.

Поскольку изображения с камеры содержат больше информации, поток камеры сделан глубже, чем два других. Он состоит из четырех блоков, каждый из которых состоит из двух сверточных слоев слоя пакетной нормализации и слоя ReLU, за которым следует слой MaxPooling.

Данные LiDAR не столь массивны, как данные от камер, потому его поток состоит из трех блоков. Точно так же поток Radar меньше, чем поток LiDAR, потому состоит всего из двух блоков.

Выходные данные от всех потоков изменяются и объединяются в одномерный вектор, который подключен к сети из трех скрытых слоев с ReLU активацией. Затем данные преобразуются в двумерный массив, который передается в сеть декодирования, состоящую из четырех последовательных этапов MaxUnpooling и транспонированной свертки для повышения дискретизации данных до размера ввода (480x256).

Результаты обучения/тестирования CNN модели

Обучение и тестирование проводились на Google Colab с использованием GPU. Подмножество данных, размеченных вручную, состояло из 1000 выборок данных камеры, LiDAR и радара 800 для обучения и 200 для тестирования.

Изображение 3: потери в обучающих выборках во время фазы обучения.

Выходные данные модели были подвергнуты постобработке с расширением и эрозией изображения с различными размерами ядер, чтобы уменьшить количество шума в выходных данных классификации пикселей.

Изображение 4: точность в тестовых выборках во время фазы тестирования.

Ученые отмечают, что самым простым показателем точности системы является пиксельная, т.е. отношение правильно определенных пикселей и неправильно определенных пикселей к размеру изображения. Пиксельная точность рассчитывалась для каждой выборки в наборе тестирования, среднее из этих значений и представляет общую точность модели.

Однако этот показатель не является идеальным. В некоторых случаях определенный класс недостаточно представлен в выборке, от чего точность пикселей будет значительно выше (чем на самом деле) из-за того, что не хватает пикселей для тестирования модели для определенного класса. Посему было решено дополнительно использовать MIoU среднее отношение области пересечения к области объединения.

Визуально представление IoU.

Подобно точности пикселей, точность по IoU вычисляется для каждого кадра, а конечный показатель точности это среднее от этих значений. Однако MIoU рассчитывается для каждого класса отдельно.

Таблица значений точности.

Изображение 5

На изображении выше показаны четыре выбранных кадра движения по снегу с камеры, LiDAR, радара, наземных данных и выходных данных модели. Из этих изображений очевидно, что модель может очертить общую окружность области, в которой транспортное средство может безопасно двигаться. Модель при этом игнорирует какие-либо линии и края, которые в противном случае можно было бы интерпретировать как края проезжей части. Модель также показывает хорошие результаты в условиях пониженной видимость (например, во время тумана).

Также модель, хоть это и не было основной целью данного конкретного исследования, избегает пешеходов, другие машины и животных. Однако этот конкретный аспект необходимо усовершенствовать. Тем не менее, учитывая, что система состоит из меньшего числа слоев, она обучается гораздо быстрее, чем ее предшественники.

Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых и дополнительные данные к нему.

Эпилог

Отношение к беспилотным автомобилям неоднозначное. С одной стороны, робомобиль нивелирует такие риски, как человеческий фактор: нетрезвый водитель, лихачество, безответственное отношение к ПДД, малый опыт вождения и т.д. Другими словами, робот не ведет себя как человек. Это хорошо, так ведь? И да, и нет. Во многом автономные транспортные средства превосходят водителей из плоти и крови, но далеко не во всем. Плохая погода тому яркий пример. Человеку, конечно, непросто ехать во время снежной бури, но для беспилотных авто это было практически нереально.

В данном труде ученые обратили внимание на эту проблему, предложив сделать машины немного человечнее. Дело в том, что у человека тоже есть датчики, которые работают командно для того, чтобы он получал максимум информации об окружающей среде. Если датчики беспилотного авто также будут работать как единая система, а не как отдельные ее элементы, можно будет получить больше данных, т.е. повысить точность нахождения проходимого пути.

Конечно, плохая погода это собирательный термин. Для кого-то легкий снегопад это плохая погода, а для кого-то буря с градом. Дальнейшие исследования и тестирования разработанной системы должны научить ее распознавать дорогу в любых погодных условиях.

Благодарю за внимание, оставайтесь любопытствующими и хорошей всем рабочей недели, ребята. :)

Немного рекламы

Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).

Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?

Подробнее..

Категории: Научно-популярное , Блог компании ua-hosting.company , Транспорт , Декодирование , Lidar , Робототехника , Gps , Погода , Глобальные системы позиционирования , Дороги , Кодирование , Радар , Беспилотные автомобили , Робомобиль , Снегопад , Анализ изображений

Радары диапазонов 77 и 24 ГГц для автотранспорта и дорожной инфраструктуры (часть 1)

13.04.2021 10:07:06 |

Автор: admin

Почему именно радары?

Компания АО ПКК Миландр знакома хабровчанам в сфере разработки интегральных микросхем. Сейчас номенклатурный ряд микросхем достаточно широкий, но в данном контексте нам интересны именно DSP (ЦОС) процессоры 1967ВН028 и 1967ВН044, которые имеют систему команд совместимую с процессором ADSP TS201. Принципиальное различие процессоров заключается в том, что 1967ВН028 нацелен на работу в составе многопроцессорного вычислительного кластера, а 1967ВН044 больше подходит на роль микроконтроллера с мощным вычислительным ядром и богатым набором периферии.

Именно процессоры 1967ВН028 стали востребованы в радарной тематике, правда речь идет о радарах специального назначения. В качестве примера могу привести блок обработки радиолокационных данных - ВНБО, рисунок 1).

Рисунок 1. Внешний вид ВНБО.

ВНБО предназначен для цифровой обработки радиолокационных сигналов, поступающих от блока приёмопередающих модулей, и передачи результатов на рабочую станцию оператора:

Тип вычислительного ядра - микросборка МВМ-03 (41967ВН028 + ПЗУ);
Количество - 52 микросборки МВМ-03;
Вычислительная производительность ~1100 Гфлопс.

Соглашусь, что 1100 Гфлопс сегодня не выглядит как выдающийся результат, но стоит отметить, что речь о специальном назначении ₍_{со всеми вытекающими особенностями: работа при
температуре в -60, рядом с источником электромагнитных "помех" в
100 кВт}₎ и о том, что ближайший отечественный аналог, разработанный не так давно на других процессорах, имеет вычислительные возможности почти в три раза ниже.

Как это связано с темой статьи?

Как оказалось, напрямую... В 2018 году ФГУП НАМИ пригласило представителей нашей компании для участия в рабочей группе на тему Компоненты отечественной системы ADAS (Advanced driver-assistance systems). Основными участниками этой встречи были ФГУП НАМИ, ПАО КАМАЗ, Группа ГАЗ, УАЗ. Обсуждались такие вопросы, как Разработка отечественных автокомпонентов, предназначенных для решения задачи ADAS (камеры, блоки управления, радары), Подготовка необходимой нормативной базы, Наиболее востребованные функции ADAS по мнению отечественных атомобилепроизводителей, Планы и предварительные сроки введения соответствующих уточнений в новый технологический регламент и многие другие, в общем, серьёзные вопросы, которые могут повлиять на нашу повседневную жизнь. Больше всего это было похоже на начало нового масштабного проекта, каким ранее был ЭРА-ГЛОНАСС ₍_{если вспомнить, то в Эру тоже
многие не верили и сроки регулярно отодвигались, но сегодня мы все
видим насколько она была неотвратима}₎. После этого было много чисто технических рабочих групп на территории ФГУП НАМИ и участие в группах по регулированию нормативной базы в составе Национальной технологической инициативы Автонет. Были споры, дебаты, - острая, но интересная конкурентная борьба заинтересованных лиц.

Результатом функционирования рабочих групп стала разработка целой серии новых стандартов _{(в плане разработки числились
более 180 проектов)}, регламентирующих различные сферы автомобильной отрасли: от электрифицированного (например, элементы инфраструктуры: зарядные станции, методы подключения, протоколы взаимодействия и т.д.) до автономного транспорта (см. далее). Для примера приведу несколько свежих стандартов по теме ADAS:

ГОСТ Р 58835-2020 Автомобильные транспортные средства. Бортовые системы помощи водителю. Радарные подсистемы. Общие технические требования и методы испытаний. _{(Дата введения
2021-04-30)}
ГОСТ Р 58834-2020 Автомобильные транспортные средства. Бортовые системы помощи водителю. Общие технические требования к компонентам и методы испытаний. _{(Дата введения
2021-04-30)}
ГОСТ Р 58838-2020. Автомобильные транспортные средства. Бортовые системы помощи водителю. Системы непрямого обзора. Общие технические требования и методы испытаний _{(Дата введения
2021-04-30)}

Таким образом, Миландр, с одной стороны, имел опыт разработки ~~военных локаторов~~ вычислительной техники для обработки радиолокационных данных, с другой опыт разработки отечественных DSP процессоров, а также давно сотрудничал с кафедрой Информационных радиосистем Нижегородского Государственного Технического Университета им. Р.Е. Алексеева _{(одного из основных
профильных ВУЗов по радиолокации)}. Другими словами, многое сложилось удачно. А ещё мне как инженеру кажется важным, что к началу такого сложного проекта в лабораториях Миландра имелось всё необходимое ~~безумно дорогое~~ измерительное оборудование.

Ближе к теме!

Рассмотрим принцип работы FMCW (Frequency Modulated Continuous Wave) радара, обобщенная структура которого показана на рисунке 2. Передатчик радара излучает непрерывный ВЧ сигнал через топологически сфазированную антенную решетку (ФАР), частота которого изменяется в заданном диапазоне по заранее определенному линейному закону, при этом амплитуда частотно-модулированного сигнала остается практически неизменной. Излучаемые радаром электромагнитные сигналы, отражаясь от объектов, находящихся в зоне обнаружения, поступают через приёмную ФАР на модуль приемо-передатчиков, где, смешиваясь с передаваемым сигналом, образуют разностный сигнал на промежуточной частоте. Частота промежуточного сигнала f_if зависит от расстояния f_R и относительной скорости f_D обнаруженного объекта.

Рисунок 2. Обобщенная структурная схема.

Рассмотрим идеальный случай, когда цель одна, и движется медленно (рисунок 3). Графики показывают характер изменения частоты передаваемого (красный) и принимаемого (зеленый) СВЧ сигналов во времени и причину формирования промежуточной частоты f_if (T период зондирования, разностная частота показана без знака).

Рисунок 3. Принцип работы FMCW радара при частотно-модулированном излучаемом сигнале.

Промежуточная частота f_if складывается из двух компонент: доплеровского сдвига частоты, зависящего от скорости объекта

$f_{D} = \frac{2V}{\lambda}$

и разностной частоты, вызванной временной задержкой на распространение зондирующего сигнала "туда" и "обратно"

$f_{R} = \frac{2R}{c} *\frac{f_{\text{BW}}}{T/2}$

Промежуточная частота f_if , формируется согласно уравнению

$f_{\text{if}} = \pm \frac{2V}{\lambda} + \frac{2R}{c} * \frac{f_{\text{BW}}}{T/2}$

При использовании нашего модуля приемопередатчика M-LC6 _{(описание есть на сайте)} в условиях безэховой камеры и не быстрого (500 Гц) модулирующего пилообразного сигнала отражение от уголкового отражателя выглядит следующим образом (рисунки 4 и 5):

Рисунок 4. Фотография условий эксперимента.

Рисунок 5. Модулирующий сигнал (синий), квадратурный (желтый) и синфазный (зеленый) сигналы ПЧ.

Результат расчета FFT по квадратурной компоненте после цифрового фильтра верхних частот и удаления паразитной модуляции (вызванной проникновением сигнала передатчика в приемник внутри СВЧ микросхемы) даёт спектр, показанный на рисунке 6.

Рисунок 6. Результат расчета FFT.

Рассчитаем разностную частоту для данного случая (понимая, что fD = 0):

$f_{\text{if}} = \frac{f_{\text{BW}}}{T}*\left( \frac{2*R}{c} \right) = \frac{200\ MГц}{\left( \frac{1}{500\ Гц} \right)}*\left( \frac{2*5,4м}{300E6\frac{м}{с}} \right) = 3600\ Гц\ \$

Matlab и осциллограф, совмещенный с генератором от Keysight, - это, конечно, хорошо и правильно, но в реальности для коммерческой компании это неинтересно. Необходимо, чтобы всё было в формате законченного изделия, имеющего реальное коммерческое применение.

Нет ничего проще.. часы ~~ругани~~ "мозговых штурмов", недели расчетов, месяцы испытаний и год работы - в трех рисунках 7, 8, 9.

Рисунок 7. Фотография прототипа. Рисунок 8. Фотография макета.

Рисунок 8. Фотография макета.

Рисунок 9. Фотография опытного образца однолучевого радара.

Однолучевой радар состоит из модулей приемопередатчика и вычислителя с сигнальным процессором. Приёмопередатчик представляет собой компактный модуль, включающий ФАР, реализованную в виде отдельных передающей и приемной частей, выполненных симметрично. Каждая часть состоит из отдельных патч-антенн, сориентированных между собой таким образом, чтобы была сформирована желаемая диаграмма направленности (ДН), и минимизировано взаимное влияние приёмника и передатчика. Модуль цифрового вычислителя разработан на основе 32-разрядного высокопроизводительного процессора цифровой обработки сигналов1967ВН044 (тактовая частота до 230 МГц). Рассмотрим подробнее структурную схему радара (рисунок 10).

Рисунок 10. Структурная схема опытного образца однолучевого радара

Всё просто, а в гражданских изделиях иначе и нельзя - должно быть дешево и надежно. Центром радара является 1967ВН044 немного переделанный под данную задачу... Загружать ПО процессор умеет по SPI, соответственно, в качестве ПЗУ подходит почти любая флэшка.

ЦАП и АЦП выбираются по частоте, цене и возможности когерентного захвата данных. Сейчас реализована простая схема, почти не загружающая процессорное время, в ОЗУ лежит заранее сформированный фрагмент пилы; цепочка DMA выдвигает данные в SPI0 и в нужный момент перезапускает фрагмент этой пилы, запуская таймер TMR0. TMR0 запускает другую цепочку DMA, которая собирает данные с SPI1, выводы nCS двух АЦП объединены, выводы SDO, CLK заведены на простенький буфер, TMR0 также управляет стробами nOE буфера, а DMA собирает данные последовательно сначала с одного АЦП, а затем с другого, даже не подозревая, что это не один АЦП. Процессор загружается разного рода фильтрацией и расчетом FFT. Физический уровень CAN обеспечивает микросхема 5559ИН14, а логический SPI CAN-контроллер. Ethernet также выполнен на Ethernet-контроллере. Решение по CAN и Ethernet сейчас переносится на наш 1986ВЕ1QI, там уже есть CAN и Ethernet. Микросхема ГЛОНАСС используется не обычная, а Навигационный приемник ГЛОНАСС/GPS/SBAS/GALILEO ПРО-04, ИЛТА.464346.001 НИИ МА ПРОГРЕСС. Работает нормально, подключается по UART, свои задачи явно выполняет. Физический уровень RS-485 обеспечивает микросхема 5559ИН10. Таким образом видно, что сегодня вполне реально создать коммерческий продукт с очень высокой степенью ~~отечественности~~ локализации по ЭКБ.

Удобство такой модульной платформы очевидно. Меняем СВЧ приёмопередатчик (рисунок 11) получаем другое изделие, а FFT крутится на процессоре.

Рисунок 11. Пример характеристик двух СВЧ модулей в одном габарите.

Разработкой СВЧ мы тоже занимаемся сами, но тут стоит отметить, что разработка - это не просто расчет ФАР нужной формы. Это долгий процесс от идеи и до серийной сборки, ~~расхлебывая~~ решая все проблемы на своём пути. Например, есть нормы ГКРЧ (РЕШЕНИЕ от 7 мая 2007 года N 07-20-03-001 О выделении полос радиочастот устройствам малого радиуса действия), по которым разрешённым диапазоном в России считается 24,05 24,25 ГГц. Это значит, что использовать мы можем ЛЧМ максимум 200 МГц _{(а аппаратно можем - до 1500
МГц... Жаль...)}, и, применяя в качестве основного математического аппарата FFT, у нас будет следующее ограничение:

$\frac{1}{T} = \frac{f_{\text{BW}}}{T}*\left( \frac{2*\Delta d}{c} \right)$ $\Delta d = \frac{c}{{2*f}_{\text{BW}}} = \frac{300E6}{2*200E6} = 0.75\ м\ \$

Другими словами, если забыть про всё, что реально расширяет нам каждый бин FFT (например, наложение оконной функции), ЛЧМ в 200 МГц обеспечивает нам разрешающую способность по дальности в 75 см. Но 200 МГц должны быть стабильными, иначе будет нарушение ГКРЧ. А так как мы должны использовать максимально ~~дешевые~~ доступные СВЧ микросхемы, ожидаемо, что с термостабилизацией у них не очень. Можно и нужно вносить аналоговую термокомпенсацию _{(например вводя термисторы в схему управления
ГУН)}. Таких СВЧ приёмопередатчиков мы собрали уже несколько тысяч и можем поделиться обобщенной статистикой (рисунок 12).

Рисунок 12. Пример характеристик частотно-температурных зависимостей (слева зависимость абсолютного значения частоты в МГц от температуры, справа - зависимость полосы ЛЧМ сигнала от температуры), при подаче модулирующего сигнала лабораторным генератором.

Видно, что термокомпенсация получилась неплохой, максимальный разброс 15 МГц и в крайних значениях температуры (минус 40 плюс 85 градусов). Если считать грубо, то это 30 МГц на 125 градусов или 0,24 МГц на градус _{(основные импортные аналоги
обеспечивают 1 МГц на градус)}. Но ГКРЧ нарушается, значит, нужна дополнительная стабилизация. На модуле СВЧ для этой цели предусмотрен сигнал делителя частоты (рисунок 10); сигнал делителя - низкочастотный, порядка 24 кГц заводится на вход таймера TMR1. TMR1 записывает в память текущее значение счетчика тиков процессора, затем TMR1 отсчитывает до 1000 и снова записывает значение счетчика тиков процессора. Сравнивая эти значения, можно достаточно точно получить значение делителя частоты.

Хорошо, частоту СВЧ сигнала мы теперь знаем, нужно её скорректировать с помощью ЦАП, соответственно, точность подстройки частоты зависит от разрядности и качества ЦАП. Мы получили точность подстройки частоты СВЧ сигнала не хуже 240 кГц, что соответствует 110-3% от частоты 24,15 ГГц. Процесс подстройки представлен на рисунке 13.

Рисунок 13. Пример частотно-временной зависимости при включении радара.

Другой вопрос - изменяется ли диаграмма направленности при использовании крышки из радиопрозрачного материала? К сожалению, крышка почти всегда ведет себя как сильная неоднородность, но при правильном подборе параметров _{(материал, толщина, самое
важное расстояние от ФАР)}, в целом, всё будет терпимо. Наибольшие трудности возникают, когда необходима широкая диаграмма, так как увеличивается число возможных переотражений и даже если всё сделано правильно, крышка выступает в качестве диэлектрической линзы и немного обужает диаграмму.

Приведу пример измерений для немного другого радара с использованием следующих крышек: напечатанной на 3D принтере со 100% заполнением (красный), такой же, но отлитой из "типового" обычного пластика Vg280 (голубой), отлитой из "типового" пластика, но на скорректированном расстоянии от ФАР (зеленый) (рисунок 14).

Рисунок 14. Измерение диаграммы направленности.

В общем, нюансов множество, но со всеми можно справиться, если много ~~страдать~~ читать и работать... Зато и результаты есть! Рассмотрим подробнее приборы, разработанные на основе Однолучевого радара.

Радар Поток-1, ТСКЯ.466369.007, является радиолокационным детектором транспортных средств (ТС) и предназначен для автоматизированного учета интенсивности дорожного движения. Детектор определяет следующие основные параметры: количество обнаруженных ТС, средняя скорость, загруженность, количество полос, классификация обнаруженных ТС; а для каждого из обнаруженных ТС скорость, длину, класс, номер полосы движения.

Наименование параметра, единица величины	Значение
Диапазон напряжений питания постоянного тока, В	От 9 до 32
Потребляемая мощность изделия по цепям питания при напряжении питания 12 В, Вт, не более	3
Диапазон изменения рабочей частоты, ГГц	От 24,05 до 24,25
Максимальная мощность излучаемого сигнала, мВт, не более	100
Угол обзора изделия по горизонтали, не более	16
Угол обзора изделия по вертикали, не менее	60
Диапазон измеряемых скоростей, км/ч	От 5 до 160
Число одновременно анализируемых полос, не более	12
Анализируемая дальность, м	От 2 до 60
Рабочая температура среды, С	От 40 до +75
Габаритные размеры, мм, не более	14012035
Масса, кг, не более	0,3
Возможность оснащения модулем отечественного ГЛОНАСС/GPS приемника	Опционально
Возможность оснащения интерфейсами Ethernet, CAN, RS-485, RS-232	Опционально

Детектор располагается возле контролируемого участка дорожного полотна на высоте 4-6 метров в зависимости от числа полос и необходимой максимальной дальности детектирования. В азимутальной (горизонтальной) плоскости детектор направляется ортогонально дороге, в угломестной плоскости, со смещением в 15-35 градусов (с наклоном в сторону дорожного полотна, рисунок 15).

Рисунок 15. Фотография установки радара Поток-1 на объекте эксплуатации.

Радар Скорость-1, ТСКЯ.466369.006, является радиолокационным измерителем скорости движения и предназначен для обнаружения движущихся ТС, детектирования их скорости и направления движения. Измеритель может определять скорость целей с учетом направления их движения (только встречные, только попутные, оба направления), выделять скорости самой быстрой цели из группы и цели с наибольшей амплитудой принятого сигнала.

Наименование параметра, единица величины	Значение
Диапазон напряжений питания постоянного тока, В	От 9 до 32
Потребляемая мощность изделия по цепям питания при напряжении питания 12 В, Вт, не более	3
Диапазон рабочей частоты, ГГц	От 24,05 до 24,25
Максимальная мощность передающего устройства, мВт, не более	100
Угол обзора изделия по горизонтали, не более	16
Угол обзора изделия по вертикали, не более	26
Диапазон измеряемых скоростей, км/ч	От 10 до 320
Допускаемый предел среднеквадратичной ошибки измерения скорости, км/ч, не более	1
Дискретность выдаваемой измерителем информации, км/ч, не более	0,5
Дальность измерения скорости транспортного средства, м	От 10 до 180
Рабочая температура среды, С	От - 40 до +75
Габаритные размеры, мм, не более	14012035
Масса, кг, не более	0,3
Возможность оснащения модулем отечественного ГЛОНАСС/GPS приемника	Опционально
Возможность оснащения интерфейсами Ethernet, CAN, RS-485, RS-232	Опционально

Измеритель (рисунок 16) может быть использован как самостоятельный прибор, так и встраиваться в готовые решения заказчика. В настоящее время востребованы следующие применения: табло информирования о превышении скорости на опасном участке дороги, системы контроля скорости движения в складских помещениях и частных территориях.

Рисунок 16. Применение радара скорость для информирования о опасном участке дороги.

Радары Поток-1 и Скорость-1 соответствуют требованиям ГОСТ Р 50856-96, ГОСТ 33991 2016, ГОСТ Р 50607-2012 с уточнениями, изложенными в технических условиях, являются конструктивно законченными, самостоятельными, изделиями и имеют класс защиты IP67 по ГОСТ 14254-2015.

Заключение.

Работа над радарами не останавливается думаю в следующей части статьи можно подробнее рассказать про именно автомобильные радары на 24 ГГц и 77 ГГц, сейчас просто покажу их внешний вид, рисунок 17.

Рисунок 17. Внешний вид автомобильных радаров МАРС2А1 (правее, ниже)и Обзор-77-2 (левее, выше).

Спасибо, что дочитали..

Подробнее..

Категории: Производство и разработка электроники , Транспорт , Схемотехника , Adas , Блог компании миландр , Цос (dsp) , Радар , Безопастность , Дорожный трафик

	Русский
	English

Радар

Перевод Симуляция радара истребителя на 3 осциллографической ЭЛТ

Комплектация

Недостаток яркости растрового сканирования

Компромисс между яркостью и отклонением

Сложности с отклонением

Побежден но не сломлен!

Излечение платы отклонения

Самый большой радиотелескоп снял место посадки Apollo 15

Снежная слепота беспилотных авто

Основа исследования

Сбор данных

Разработка CNN модели

Результаты обучения/тестирования CNN модели

Эпилог

Немного рекламы

Радары диапазонов 77 и 24 ГГц для автотранспорта и дорожной инфраструктуры (часть 1)

Почему именно радары?

Как это связано с темой статьи?

Ближе к теме!

Заключение.

Категории

Последние комментарии