现代汽车感知系统对环境信息的实时性要求正在随着驾驶自动化等级的提升而持续提高。毫米波雷达凭借其全天候工作能力和直接测量目标速度的物理特性，成为高级驾驶辅助系统和自动驾驶系统中不可或缺的环境感知传感器。一辆装备齐全的测试车辆通常搭载多个毫米波雷达，分别负责前向长距探测、后向盲区监测以及四角的中短距广角覆盖。这些雷达每秒产生大量目标点云数据，包括每个目标的相对距离、径向速度、方位角和反射强度等信息。在传统架构中，原始雷达数据被发送到中央域控制器或高性能计算平台进行处理。随着雷达数量和分辨率的增加，中央控制器的计算负载和点点taptap安卓间数据传输带宽面临严峻挑战。边缘计算架构将数据处理任务从中央控制器下放到靠近雷达传感器的计算节点上执行，在数据产生的源头完成滤波、聚类、跟踪和目标分类等初级处理，仅将结构化后的目标列表或特征向量传送给中央决策模块。这种分布式计算模式有效缩短了从雷达波束照射到感知结果输出的整链延迟，为车辆执行避障、变道和制动等安全关键功能争取了更多响应时间。
毫米波雷达的数据特性决定了边缘计算介入的必要性。与传统摄像头传感器相比，毫米波雷达输出的原始回波数据量虽然较小，但雷达信号处理链路中包含多次傅里叶变换和恒虚警率检测等计算密集型步骤。在传统集中式架构中，雷达传感器通过控制器局域网络总线或以太网将处理后的目标列表发送给域控制器。然而随着四点发四点收、六点发八点收等多输入多输出雷达的普及，雷达传感器自身的数字信号处理器已经难以同时完成所有高级处理任务。部分原始数据需要上传到域控制器进行后续处理。这种分工方式导致了两个问题。其一，雷达传感器与域控制器之间的物理链路距离可能超过两米，信号经过线束和连接器时引入的传输延迟随数据率增加而恶化。其二，域控制器需要同时接收来自多个雷达、摄像头和激光雷达的数据流，其入站数据缓冲和中断处理开销会显著拉高处理时延的不确定性。边缘计算方案在雷达传感器附近部署一个专用的计算单元，该单元与雷达射频前端和模数转换器直接相连。原始回波数据在进入数字域后立即由该边缘计算单元进行处理，无需经过长距离线束传输。边缘计算单元完成距离多普勒图生成、目标检测和到达角估计后，将精简后的目标列表通过车载以太网发送给中央决策模块。这种就近处理模式将数据从雷达到初级处理结果的时间压缩到最低。
边缘计算架构对毫米波雷达感知延迟的优化效果可以从信号处理流水线的角度进行分析。传统集中式处理流水线包含多个串行阶段，每个阶段都有确定的处理时间和传输时间。雷达传感器内部的数字信号处理器完成第一阶段的快速傅里叶变换后，将中间结果通过串行外设接口或低电压差分信号传输给传感器微控制器。微控制器完成第二阶段的多普勒处理后将检测到的目标列表打包，通过控制器局域网络总线发送到域控制器。域控制器接收到多个传感器的数据后进行时间同步和空间融合，再输出给规划控制模块。这条流水线中任何一阶段的阻塞都会导致整体延迟增加。边缘计算架构将前两个处理阶段整合到同一个计算单元中，该单元与雷达射频前端共享同一块电路板，并通过共享内存而非消息队列完成阶段间数据传递。共享内存的传输延迟远低于总线传输。这种整合使得从模数转换器采样完成到目标列表生成的处理延迟大幅降低。更重要的是，边缘计算单元输出的目标列表在发送给中央决策模块时可以采用低延迟的实时以太网协议，这类协议针对周期性的传感器数据流进行了优化，能够将传输抖动控制在较小范围内。中央决策模块收到的目标列表已经是经过有效过滤和初步跟踪的结果，无需再执行点云聚类和群目标分割等计算量较大的步骤，因此中央决策模块的响应延迟同样得到改善。
边缘计算赋能的毫米波雷达系统在多个车辆感知应用场景中实现了低延迟闭环。在前向碰撞预警场景中，安装在车辆前保险杠后的长距毫米波雷达持续探测正前方目标的相对运动状态。边缘计算单元以固定周期生成包含目标距离、速度和角度信息的数据帧。当相对速度与相对距离的比值超过安全阈值时，边缘计算单元直接通过硬线向制动控制器发送触发信号。这种直连方式避开了中央决策模块的调度延迟，实现了从危险状态识别到制动执行器启动的总延迟控制在极短时间范围内。在行人和非机动车检测场景中，边缘计算单元对雷达点云进行微多普勒特征分析，提取行人摆臂和迈腿产生的周期性速度调制信号。识别出行人存在后，边缘计算单元将带有分类标签的目标信息通过车载以太网发送给中央域控制器。中央域控制器结合摄像头数据完成融合感知后，在仪表盘或抬头显示器上输出视觉提示。由于边缘计算单元已经完成了雷达信号处理中最消耗计算资源的特征提取工作，中央域控制器所需的数据等待时间显著缩短。在自动变道辅助场景中，安装在后保险杠两侧的角雷达分别探测左后方和右后方的目标。每个角雷达的边缘计算单元独立生成后方目标列表，同时两个边缘计算单元之间通过直接的点对点链路交换初步跟踪结果。这种协同处理使得后方目标切入检测的延迟相比于将数据全部汇集到中央控制器进行处理的方式更短。中央域控制器获取到置信度较高的后方目标信息后，结合车速和转向灯状态决策是否发出变道预警或主动干预转向。
边缘计算与毫米波雷达的融合还解决了车辆感知系统中的数据同步问题。在集中式架构下，不同雷达发送给中央控制器的数据帧之间存在时间偏差，因为每个雷达的内部时钟晶振存在频率误差和初始偏移。中央控制器收到数据后需要根据每个数据帧的时间戳进行插值和外推对齐，这个过程会引入额外的计算延迟和近似误差。边缘计算单元可以采用分布式时钟同步协议与中央控制器保持微秒级的时间同步。每个边缘计算单元在生成目标列表时打上全局同步的时间戳，中央控制器收到来自不同雷达的数据后无需进行复杂的插值运算，因为所有数据帧对应的是相同的全局时间点。这种精确同步显著降低了多雷达融合处理时延的不确定性。在需要雷达与摄像头融合的目标级感知任务中，边缘计算单元还可以主动向中央控制器请求摄像头帧的曝光时间戳，并调整雷达信号处理的时间窗中心使其与摄像头帧曝光时刻对齐。这种主动对齐操作消除了传感器间因触发时刻不同而产生的时间错位，从数据源头上减少了融合算法所需的延迟补偿计算。
边缘计算架构也为毫米波雷达感知系统的功能安全设计提供了新的路径。在集中式架构中，中央控制器需要对整个感知系统的健康状况进行集中监控。如果某个雷达传感器发生故障，中央控制器需要在下一个诊断周期才能检测到异常。边缘计算单元可以实时监控雷达射频前端的状态、温度以及信号处理过程的数值稳定性。当边缘计算单元检测到雷达输出数据不可信时，能够立即向中央控制器发送错误代码，并同时触发故障安全模式的指示灯或声音提示。这种本地故障检测与响应机制避免了故障信息在集中式架构中的多层传递延迟。在更高要求的自动泊车场景中，安装在车辆四周的多个毫米波雷达需要进行近距离障碍物的精细描绘。每个边缘计算单元输出局部占据栅格图，中央控制器将多个局部占据栅格图融合为车辆周围的全景占据栅格图。边缘计算单元输出的局部占据栅格图刷新率远高于传统超声传感器，且对金属隔离桩和低矮路障等超声不易检测的目标同样敏感。自动泊车系统依赖这些高频刷新信息实现接近障碍物时的快速刹停控制。整个闭环从雷达探测到执行器响应的时间由边缘计算单元的刷新周期和中央控制器融合处理时间共同决定。边缘计算赋能的毫米波雷达系统将车辆感知的处理重心从前期的集中式后端处理转移到前端的分布式就近计算，这一转变直接回应了自动驾驶对感知数据实时性的本质要求。
