打造一個 mmWave 材料分類雷達

打造一個 mmWave 材料分類雷達

概述

一位工程師開發了一個概念驗證 (POC) 毫米波 (mmWave) 雷達，能夠根據電磁特徵對材料進行分類。該專案旨在透過非破壞性的雷達掃描取代物理實驗室取樣，以解決歐洲建築中石棉檢測成本高昂且具侵入性的問題。

硬體架構

該原型機結合了現成的開發板，以加速原型製作階段並降低初始硬體設計風險。

  • 核心組件： 系統利用 Texas Instruments IWRL6432 BOOST 進行雷達功能，並使用 ESP32 開發套件進行控制與連線。
  • 機械設計： 作者採用了「電子優先」的方法，針對現有的開發板設計 3D 列印機械外殼，而非從頭開始設計客製化 PCB。

數位訊號處理 (DSP) 鏈

該雷達基於頻率調變連續波 (FMCW) 原理運作，發射器發射的是線性頻率掃描 (chirp) 而非單一音調。DSP 鏈透過以下階段將這些回波轉換為材料特徵：

  1. Chirp 生成與特性分析： 系統會分析實際輸出的掃描 (起始頻率、斜率與頻寬)，以確保後續處理的準確性。
  2. 混頻與拍頻訊號 (Beat Signal)： 接收到的回波與發射的 chirp 進行混頻，產生與反射體距離成正比的低頻「拍頻」音調。
  3. 範圍 FFT： 快速傅立葉轉換 (FFT) 將拍頻訊號的頻率轉換為距離，提供反射能量作為距離（進入材料的深度）的函數。
  4. Capon 波束成形 (AOA)： 使用 MIMO RX 陣列，Capon (MVDR) 波束成形可以解析每個距離箱 (range bin) 的到達角 (AOA)，從而建立精確的角度密度譜。

最終輸出是每個距離、每個角度的密度「光譜 (spectre)」——這是一種電磁指紋，作為分類模型的輸入張量 (tensor)。

透過 AI 進行材料分類

為了分類材料，系統採用了卷積神經網路 (CNN)，輸入由 DSP 鏈產生的密度光譜。該模型能有效地學習材料的電磁特性，特別是複介電常數 ($\epsilon'$ 和 $\epsilon''$)。

概念驗證結果： 分類器是在包含各類環境與方向下，每類 500 KB 光譜數據的數據集上進行訓練的。系統成功分類了多種材料組合，包括：

  • 木材與鋁、書籍、石頭或塑膠。
  • 石頭與鋁、木材、書籍、塑膠或壓克力。

RF 模擬與逆向工程

為了優化天線形狀並匹配 Texas Instruments 硬體特性，作者使用了 openEMS，這是一款開源的 FDTD (Finite-Difference Time-Domain) 模擬器。

模擬優化技術：

  • 傳遞函數近似： 為了避免全波模擬 (full-wave simulations) 的高昂計算成本 (可能耗時超過一小時)，作者使用高斯脈衝 (Gaussian pulse) 而非狄拉克脈衝 (Dirac pulse) 來計算從 TX 到 RX 的傳遞函數，以維持模擬穩定性。
  • Convolution (卷積)： 透過將 chirp 與計算出的傳遞函數進行卷積，模擬時間從一小時縮短至約兩分鐘。
  • 頻率域分析： 作者使用波德圖 (Bode diagrams) 來驗證模擬的接收訊號與實際測量輸出是否一致。

商務挑戰與經驗教訓

儘管 POC 的技術成功，但由於缺乏資金與市場懷疑，該專案已停止。潛在客戶在沒有拿到完成且符合法規的產品之前，不願簽署意向書 (LOI)。

關鍵工程與創業教訓：

  • 市場驗證： 在開發硬體之前，透過預訂與登陸頁面 (landing page) 來驗證支付意願。

  • 精簡原型製作 (Lean Prototyping)： 使用開發板來快速排除無用組件，並保持設計精簡。

  • 設計順序： 針對電子元件設計機械外殼，而非反之，以避免長期的 PCB 交期。

  • **Maintainability (可維護性)： 確保產品具備 OTA (Over-the-Air) 更新能力，並對程式碼保持向後相容性。

社群洞察與反論點

圍繞該專案的討論突顯了幾個關於技術效用與特定應用場景的關鍵觀點：

"石棉沒有那樣運作。如果你不接觸它，你就沒事... 從恐懼中產生的傷害反而更大。"

批評者也質疑該 POC 是否真的證明了核心價值主張——在材料內檢測石棉碎片——而非僅僅是分類不同的大宗材料。

"除非我漏掉了什麼，看起來這個 'POC' 裝置仍然沒有嘗試解決這個問題... 它只是展示了對一些其他常見材料的分類。

其他貢獻者建議擴展此模態，用於檢測材料特性的不連續性，例如這可以用於皮膚癌檢測或通用型工業檢測。

Sources