“2026加特兰日”演讲实录 | 加特兰工程师彭辉：《UWB雷达系统端到端的CPD解决方案》
6月5日，在以“芯感知・通未来”为主题的“2026加特兰日”大会上，加特兰工程师彭辉带来了《UWB雷达系统端到端的CPD解决方案》的主题分享。
以下为演讲实录：
各位来宾，大家下午好！上午我们的UWB产品负责人已经介绍了UWB产品的优异性能，接下来由我继续分享加特兰在UWB CPD领域的落地实践。我是加特兰雷达系统算法工程师彭辉，在加特兰主要负责毫米波雷达与UWB雷达的舱内应用，深耕嵌入式平台下ML与雷达信号处理相关工作。今天我分享的主题是《UWB雷达系统端到端的CPD解决方案》。
本次分享聚焦UWB CPD应用，为大家介绍一套从数据采集到模型部署落地的全流程端到端解决方案。
首先和大家分析目前行业内CPD量产普遍存在的痛点。不同车企、不同车型的测试场景差异较大，项目推进中需要反复调参、反复优化。现阶段行业主流CPD量产方案多基于逻辑规则搭建，高度依赖资深算法工程师逐场景调试参数，不仅耗时费力，一旦遇到疑难场景，参数调试周期还会进一步拉长，直接导致整体量产进度延后。
针对以上问题，加特兰分别从硬件、软件两大维度给出解决方案。硬件层面，我们推出业内首款两发四收8通道高性能UWB芯片，全面提升雷达检测能力；软件层面也是本次分享的核心，我们打造了配套端到端工具链与标准化开发流程，将数据采集、信号处理、特征提取、模型训练、模型部署全流程实现标准化、自动化。这套方案能够将项目开发转为标准化交付模式，有效缩短开发周期，加速产品落地。
下面介绍整套方案的整体架构。首先完成原始雷达数据采集，数据进入雷达信号处理模块后生成点云结果；再由机器学习模块对点云数据做特征提取与模型训练，生成权重文件；最后将权重文件集成至SDK完成部署，彻底减少传统方案中非标准化的人工调参工作。
数据是整套方案的基础，数据质量直接决定模型最终效果。我们首先对数据做标准化命名与规范化标注，依托自研标注系统，完成不同场景、不同安装位置的数据精细化标注，规范的数据管理也为后续自动化训练筑牢基础。
为保障模型训练稳定性，我们对数据实行批次化管理，每个数据批次同时包含正、负样本。正样本为成人、儿童等活体目标数据，负样本为各类干扰场景数据。数据采集配比设置为正向场景采集1次、负向场景采集3次，以此平衡样本数量。常规开发中，我们单轮采集5个批次数据，前3个批次用于模型训练，后2个批次用于效果推理。针对推理结果表现不佳的场景，我们会额外采集增强批次数据，提升模型的泛化能力。
数据处理环节由雷达信号处理模块（RSP）完成，这也是雷达前端处理的核心。原始CIR数据先经FFT模块完成时域到频域的转换，再依次开展目标检测、角度估计，最终输出包含距离、多普勒、方位角、俯仰角、能量、噪声等信息的点云数据。同时，工具支持FFT结果、多普勒频谱、多通道数据等各类中间结果可视化，方便研发人员快速研判信号质量、评估处理效果。
不少伙伴会关心RSP参数繁多，车型适配是否会增加工作量。我们将RSP总计57项参数做分层设计，大幅降低适配难度：其中45项为通用默认参数，经过大量项目验证，绝大多数车型可直接沿用；部分业务参数、硬件相关参数与天线布局、通道配置相关，仅需研发人员根据硬件实际情况填写，无需优化；最终仅6项参数需结合车型调试，主要为CAFA阈值这类适配参数。一名工程师经过1至3轮迭代，耗时2至5天即可完成调优。整套模块兼顾灵活性与易用性，大幅降低车型适配的试错成本。
完成参数优化、输出高质量特征文件后，就进入机器学习处理环节，整套流程分为四步：第一，汇总离散特征文件，生成CSV统计表格；第二，基于表格数据划分训练集与测试集；第三，调用模块内预置的CNN模型开展训练，工具也支持用户自定义模型，训练完成后生成模型权重文件；第四，结合权重文件与测试集完成性能评估，输出完整评估报告。该环节全程标准化，无需人工调参，整体耗时不超过一小时。
模型训练完成后，我们会从多维度开展系统性性能评估。
依托混淆矩阵评估整体准确率。矩阵分为干扰、儿童、成人三大分类，纵轴为真实数据类别，横轴为模型预测结果，对角线代表预测正确样本，其余区域对应虚警、漏检问题。通过混淆矩阵，可直观查看整体准确率以及单类目标的识别精度，我们设定标准：儿童检测准确率需高于98%，干扰场景识别准确率需高于99%。
细化单场景效果分析。通过单场景准确率图表，横轴为各类测试案例，纵轴为对应场景的识别准确率，可逐一核查不同干扰场景、不同位置下成人与儿童的识别表现，精准定位效果不达标的案例。举个例子，第二排E位窗外窥视场景的识别准确率仅90%。我们调取该场景的预测概率曲线分析问题：曲线以红、蓝、黑三色区分干扰、儿童、成人三类目标。数据显示，前期仅存在少量可通过滤波消除的虚警毛刺，但后期出现连续误判，模型将干扰场景识别为儿童目标。针对这类问题，我们采用两种优化思路：一是回溯RSP模块输出的点云、特征数据，排查信号异常；二是针对弱性能场景补充增强数据，迭代优化模型。根据项目经验，1至3轮迭代即可完成优化：单批次增强数据通常能明显提升模型效果，两个批次基本可满足性能要求，部分极端场景则需三个批次完成模型收敛。其中训练与评估单轮耗时不足一小时，单批次增强数据采集需耗时大半天。
模型评估达标后即可进入部署阶段，整套工具链极大简化了部署流程。机器学习模块会自动完成模型训练、量化，并一键生成C代码。用户仅需将生成的.cc文件替换SDK内同名文件，重新编译即可完成部署，流程简洁高效。
接下来总结这套端到端工具链的四大核心优势：
一是标准化，从数据采集到模型部署拥有完整标准作业流程；
二是可视化，支持RSP中间数据、模型评估结果、运行日志可视化展示，便于问题排查与效果分析；
三是可拓展性，适配各类干扰场景、不同人群、多车型以及多种天线阵列，兼容性强；
四是易部署，简化全流程操作，保障方案快速、稳定落地量产。
目前我们已推出完整的CPD开发套件，主要包含六大核心组成：一是两发四收高性能UWB芯片，具备优秀的检测与测角能力；二是成熟完善的SDK及内置机器学习模型；三是全流程端到端工具链；四是上位机实时CPD演示程序，可直观展示产品性能；五是全套技术文档与使用手册，助力研发人员快速上手；六是硬件参考设计，帮助客户快速启动项目开发。
最后，希望用加特兰的方案，帮助大家在最短时间内，把高性能CPD高质量落地到量产车型中。谢谢大家！
