ミリ波材料分類レーダーの製作

ミリ波材料分類レーダーをいかにして作ったか 2025年 プロトタイプ — IWRL6432 + ESP32を筐体内に収めたもの 今やソフトウェアはClaude Codeのおかげでコモディティ化しました。だから、次のステップは当然ハードウェアです。私は過去6ヶ月間、ハードウェアスタートアップの構築に費やしましたが、それは途方もなく大変なものでした。私は材料を分類できるレーダーを作り、これが私の「卒業制作」プロジェクトとしてそれをどのように作ったかの物語です。ちなみに、このプロジェクトは（この記事を読み進めればわかるように、資金不足のため）決して終わりませんでした。 私はヨーロッパに住んでいますが、ここではアスベストがどの国でも大きな共通の悩みです。あの物質は壁に充満しており、建材にアスベスト汚染物質が含まれているかどうかを教えてもらうために、わざわざ人を呼ぶ必要があります。もしそうなら、あなたは子供の頃から毒を吸っていたかもしれません。アスベストは癌を引き起こし、非常に悪い影響を及ぼす可能性があります。従来の検出方法は、基本的に壁のサンプルを採取し、研究室に送って、壁にアスベストが含まれているかどうかを教えてもらうというものです。もちろん、規制や毒されることへの恐怖に基づいて、多額の金銭を稼ぐために多くの仲介業者が介在します。そのため、1ドルの分析が最終支払い者にとっては60ドルになり、それを何十回も行わなければならないとなると、価格は跳ね上がります。 **アイデア** そこで私のプロジェクトは、アスベストを検出するレーダーを構築することでした。これは材料科学と波動物理学に基づいており、これらは私の専門分野です（最近の工学部の卒業生です）。ここに私のデバイス計画がありました：アスベストを感知するレーダーを作る。次に、電子機器を設計する必要がありました。私は「ぼうや」ではないので、そして皆さんもそうではないことを願って、すぐにプロトタイプを作成するために開発ボードを注文しました。私の場合：Texas Instruments IWRL6432 BOOSTとESP32開発キットです。それらを組み立て、材料を検出するためのDSPアルゴリズムをいじり始めました。このテストベンチを構築して、私の特殊な材料レーダーに対する材料の電磁応答をテストしました。材料をホットスワップし、材料を締め付けてデバイスをテストすることができました。 **分類器のトレーニング** 私はカポンビームフォーミングを用いて密度スペクトルを得るアプローチを最終化し、それをニューラルネットワークに入力しました。これにより、材料表面を分類できるようになり、「同じ表面、同じ層」という材料仮説と「材料の変化は突然で不連続である」という仮説のもとで、「この層全体はx,y,zの材料で構成されている」と言うことが可能になりました。 **デジタル信号処理チェーン** DSPチェーン、エンドツーエンド レーダーはFMCWです：単一のトーンを発するのではなく、時間とともに周波数をスイープします（チャープ）。DSPチェーンの主な仕事は、これらのチャープのエコーを材料のシグネチャに変換することです。その仕組みは以下の通りです： **チャープ生成と特性評価** TXアンテナは線形周波数スイープを発します。ダウンストリームのすべてはそのスイープの正確な形状（開始周波数、傾斜、帯域幅）に依存するため、最初に行うべきことは、フロントエンドから実際に出力されるチャープを特性評価することでした。 **ミキシングとビート信号** 受信したエコーは送信されたチャープと混合されます。出力されるのは、反射体までの往復距離に周波数が比例する低周波の「ビート」トーンです。 **レンジFFT** そのビート信号に対するFFTは周波数を距離に変換します。各ビンは材料の深さであり、これにより範囲の関数として反射エネルギーが得られます。 **カポンビームフォーミング (AOA)** MIMO RXアレイ全体で、カポン（MVDR）ビームフォーミングは各レンジビンの到来角を解決し、ぼやけたリターンではなく、鮮明な角度密度スペクトルを提供します。これらすべての出力は、レーダーの前に置かれた表面の電磁的指紋である、レンジごと、角度ごとの密度「スペクトル」です。このスペクトルこそが、材料を分類するためにニューラルネットワークに入力したテンソルです。 レーダーで表面をスキャンする — AIステップ前の密度スペクトル **チャープ特性評価** これに2ヶ月を費やし、ツールチェーンを適切に設定し、組み込みファームウェアの悪名高いコンパイル・フラッシュ・デバッグループを繰り返しました。 **AI部分** 誰もが今AIを使っているので、自分の発明にもAIを導入して、これまで不可能だった新しい機能を追加するのも良いでしょう。そこで私たちは、DSPチェーンの出力を取り込み、材料のクラスを出力するニューラルネットワークを導入しました。このモデルは、実際に材料の電磁特性（イプシロン'とイプシロン''）を「学習」します。これは古典的なCNNです。 **機械的・RF** 次に、機械的なケーシングに取り掛かりました。試作を始めたのですが、最終的には開発ボードをベースに設計する方がはるかに良いアプローチだという結論に達しました。 機械ケーシングの製作 RFプロトタイピングの深い世界にも足を踏み入れました。誰に聞いても、RFは純粋な黒魔術だと言うでしょう。PDE、物理学、カオスシステム、すべてが一つの分野に詰まっています。そこで、私は回路で何が起こっているかを把握し、それをリバースエンジニアリングするためにアンテナのモデリングを始めました。以下は、Texas Instrumentsのアンテナと同じ特性を持つように、アンテナの形状を最適化した方法です。 単一マイクロストリップアンテナのシミュレーション vs 測定指向性 OpenEMS内にコーディングしたパラメータシミュレーションがあり、アンテナの特性を計算し、TXからRX（MIMOアレイ）への伝達関数を外挿することで、チャープがどのように放射され、表面で反射され、アンテナで受信されるかをシミュレートするために畳み込み演算を使用できました。 フルチャープ放射/反射/受信シミュレーション ポート電圧の時間変化、シミュレートされたもの シミュレーションされたシグネチャが実際の測定出力と十分に近似することに成功しました。そして、残るはアスベストを含む材料を手に入れることだけでした。 **TIのアンテナをリバースエンジニアリングするためのちょっとしたコツ** まず、OpenEMSを使用しました。これはAnsys HFSSのオープンソース代替品です（ライセンス取得には文字通り腎臓一つ分の費用がかかります）。これはFDTDシミュレーションを使用して、マックスウェル方程式が材料中でどのように伝播するかをモデル化します。FDTDの詳細はこちら：en.wikipedia.org/wiki/Finite-difference_time-domain_method （私はYee法を使用しました）。 しかし、OpenEMSの問題はGPUで動作しないことです。そのため、結果を早く得て反復するために、シミュレーションのサイズ（時間領域と空間領域の両方）を減らす必要があります（特に、アンテナの寸法を見つけるためのパラメトリック最適化を行っている場合など）。 では、どうやって高速シミュレーションを行ったのでしょうか？私は「少しごまかしました」：TXからRXへの伝達関数のみを計算し、その後、畳み込み演算を使用して、チャープを放射し、表面で反射させ、受信した場合にシミュレーションがどのように振る舞うかをシミュレートしました。この方法で、PCでのシミュレーション時間を1時間から2分に短縮できました。 ガウスパルス、時間 vs 周波数領域 ちょっとした「落とし穴」：伝達関数を得たい場合（これは良い信号理論です）、ディラックパルスを送信すると、識別しようとしているシステムの伝達関数が得られるはずです。しかし、ディラックパルスはシミュレーションを不安定にします（収束できません）。したがって、ディラックパルスを送信する代わりにガウスパルスを送信し、その後、周波数領域で出力を入力で割って伝達関数を得ます。（MIMOではある種の行列除算のような形で動作しますが、うまくいきます）。 そして、最初はガウスパルスを送信しました。信号理論を学んだ方なら、ガウス関数のフーリエ変換がガウス関数であることをご存知でしょうが、シミュレーションの出力を確認すると、奇妙な正弦波形が得られました。まあ、信号理論によれば、ガウス関数がゼロに中心がない場合、実際には正弦波形が得られ、ガウス関数はその正弦波のエンベロープにすぎません。 TX→RX伝達関数（ボード線図） ボード線図を使用して、チャープを伝達関数と畳み込み、シミュレートされた受信信号を取得しました。 結果を見る： カポンビームフォーミング — シミュレートされたもの カポンビームフォーミング — 実際に測定されたデータ **アスベストについての簡単な補足** アスベストは全体として材料というよりも、繊維状の鉱物であり、定義が難しいです。なぜなら、多…