HN 日本語サマリー

← 一覧へ戻る
科学・技術

ミリ波材料分類レーダーの製作

I built a mmWave material classification radar (gauthier-lechevalier.com)

188 pointsby GL2654 コメント

要約

筆者は、研究プロジェクトの一環として、ミリ波(mmWave)を用いて材料を分類できるレーダーを開発しました。これは、特にヨーロッパで問題となっているアスベスト検出を目的としたものです。このプロジェクトでは、DSPアルゴリズム、AI(ニューラルネットワーク)、およびRFプロトタイピングなど、多岐にわたる技術が活用されています。

全文翻訳

mmWave素材分類レーダーを自作した話

2025年 · [レーダー, RF, DSP, 組み込み, ビームフォーミング, スタートアップ]

[画像: レーダープロトタイプの内部 — ケース内の開発ボード]

プロトタイプ — ケース内にIWRL6432 + ESP32を搭載


Claude Codeのおかげでソフトウェアはコモディティ化しました。次のステップは明らかにハードウェアです。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、それは非常に困難でした。

素材を分類できるレーダーを開発しました。これは、私の「卒業制作」プロジェクトとしてどのように実現したかの物語です。ちなみに、このプロジェクトは(記事の後半でわかるように、資金不足のため)決して終わることはありませんでした。

私はヨーロッパに住んでおり、アスベストはここすべての国で非常に一般的で厄介な問題です。その物質は壁に充填されており、人々があなたの場所に来て、建物にアスベスト汚染物質があるかどうかを教えてくれます。もしそうなら、子供の頃から毒を吸い込んでいるかもしれません。アスベストは癌を引き起こし、あなたをひどく害する可能性があります。

それを検出する従来の方法は、基本的に壁のサンプルを採取し、ラボに送って、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、規制や毒にやられることへの恐怖に基づいて多額のお金を稼ぐために、多くの仲介者が介在します。そのため、1ドルの分析がエンドユーザーには60ドルになり、それを何十回も行うと、価格は急騰します。

アイデア

そこで私のプロジェクトは、あなたのためにアスベストを検出するレーダーを構築することでした。それは素材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(最近の工学卒業生)です。そこで私はデバイスの計画を立てました:アスベスト検知レーダーを作る。

次に、電子機器を設計する必要がありました。私はバカではないので、あなたもそうではないと願っていますが、迅速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。私の場合は、Texas InstrumentsのIWRL6432 BOOSTとESP32開発キットです。それらを組み立て、DSPアルゴリズムをいじって素材を検出することから始めました。

このテストベンチを構築して、私の特別な素材レーダーに対する素材の電磁応答をテストしました。素材をホットスワップしたり、素材を締め付けたりしてデバイスをテストできました。

[画像: 分類器のトレーニング]

分類器のトレーニング

Caponビームフォーミングを採用して密度スペクトルを取得し、それをニューラルネットワークにフィードしました。これにより、素材の表面を分類できるようになりました。「同じ表面、同じ層」という素材仮説と、「素材の変化は突然で不連続である」という仮説のもとでは、「この層全体はx、y、z素材でできている」と言うことができるようになります。

デジタル信号処理チェーン

[画像: 完全なデジタル信号処理チェーン、ブロック図]

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上昇させます(チャープ)。DSPチェーンのすべてのジョブは、これらのチャープのエコーを素材のシグネチャに変換することです。仕組みは次のとおりです。

  • 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信します。下流のすべては、そのスイープの正確な形状(開始周波数、スロープ、帯域幅)に依存するため、最初に行ったことは、フロントエンドから実際に発生するチャープの特性を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ミキシングされます。出力されるのは低周波の「ビート」トーンであり、その周波数は反射体への往復距離に比例します。
  • レンジFFT ビート信号に対するFFTは、周波数を距離に変換します。各ビンは素材の深さであり、レンジの関数として反射エネルギーが得られます。
  • Caponビームフォーミング(AOA) MIMO RXアレイ全体で、Capon(MVDR)ビームフォーミングは、各レンジビンに対して到来角を解決し、ぼやけた単一の戻りではなく、シャープな角度密度スペクトルを提供します。

これらすべてのアウトプットは、レーダーの前にある表面の電磁指紋である、レンジごと、角度ごとの密度「スペクトル」です。そのスペクトルは、素材を分類するためにニューラルネットワークにフィードしたまさにテンソルです。

[画像: レーダーで表面をスキャン — 密度スペクトル]

レーダーで表面をスキャン — AIステップ前の密度スペクトル

[画像: チャープ特性評価]

チャープ特性評価

私はこのツールチェーンを正しく設定するために2ヶ月を費やし、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・デバッグループを乗り越えました。

AIパート

現在、誰もがAIを使用しているので、以前は不可能だった新しい機能を追加するために、発明にAIを組み込むのも良いでしょう。そこで私たちがやったことは、DSPチェーンのアウトプットを取り込み、素材のクラスを出力するニューラルネットワークを組み込むことでした。

このモデルは、素材の電磁特性(ε'とε'')を実際に「学習」します。これは古典的なCNNです。

機械 & RF

次に、機械的な筐体が登場しました。最初は似たようなものを作っていましたが、開発ボードを中心に設計する方がはるかに良いアプローチであるという結論に至りました。

[画像: 機械的筐体の製造]

機械的筐体の製造

私はRFプロトタイピングの深淵にも足を踏み入れました。誰にでも聞いてみてください。RFは純粋な魔術だと言うでしょう。偏微分方程式、物理学、カオスシステムがすべて1つの分野に詰め込まれています。そこで、回路で何が起こっているかを捉えるためにアンテナをモデル化し、それをリバースエンジニアリングすることから始めました。

Texas Instrumentsのアンテナと同じ特性を持つようにアンテナ形状を最適化した方法を以下に示します。

OpenEMS内でコーディングしたパラメトリックシミュレーションがあり、アンテナの特性を計算しました。その後、TXからRXへの伝達関数(MIMOアレイ)を外挿することで、チャープがどのように放出され、表面で反射され、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。

[画像: 完全なチャープ放出/反射/受信シミュレーション]

完全なチャープ放出/反射/受信シミュレーション

[画像: ポート電圧の時間変化、シミュレーション]

ポート電圧の時間変化、シミュレーション

シミュレートされたシグネチャを、実際の測定出力に十分に近づけることができました。そして、アスベストを含む素材を手に入れることが問題となりました。

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、Ansys HFSS(ライセンスを取得するには基本的に全腎臓が必要なほど高価)のオープンソース代替であるopenEMSを使用しました。これは、Maxwell方程式が材料中をどのように伝播するかをモデル化するためにFDTDシミュレーションを使用します。

FDTDの詳細はこちら:en.wikipedia.org/wiki/Finite-difference_time-domain_method(Yee法を使用しました)。

しかし、openEMSの問題はGPUで実行できないことです。そのため、結果を迅速に得るために、シミュレーションのサイズ(時間領域と空間領域の両方)を小さくする必要があります。そして、それを反復処理する必要があります(特にアンテナの寸法を見つけるためにパラメトリック最適化を行っている場合)。

では、どのようにして高速シミュレーションを行ったのでしょうか?私は「少しズルをしました」:TXからRXへの伝達関数のみを計算し、その後、チャープを発信し、表面で反射させ、受信した場合のシミュレーションの動作をシミュレートするために畳み込み演算を使用しました。これにより、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。

[画像: 時間領域 vs 周波数領域ガウスパルス]

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(これは優れた信号理論です)を取得したい場合、ディラックパルスを送信すると、システムを特定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、周波数領域で入力を出力で割って伝達関数を取得します。(MIMOでは、これは一種の行列除算ですが、うまく機能します)。

そして、最初にガウスパルスを送信しましたが、信号理論を知っていれば、ガウスのフーリエ変換はガウスであると知っています。しかし、シミュレーションのアウトプットを見ると、奇妙な正弦波形が得られました。これも信号理論によれば、ガウスがゼロを中心に配置されていない場合、実際には正弦波形が得られ、ガウスはその正弦波の包絡線にすぎません。

[画像: TXからRXへの伝達関数ボード線図]

TX→RX伝達関数(ボード線図)

ボード線図を使用して、チャープと伝達関数を畳み込み、シミュレートされた受信信号を取得しました。

結果を見ると:

アスベストに関する簡単な補足

アスベストは実際には全体としての素材ではなく、繊維のように見える鉱物であり、複数のアスベストファミリーが存在するため、定義が難しいです。理解する上で重要なのは、吸い込むと肺に重度の炎症を引き起こし、非常に速く損傷を与える可能性のある小さな破片で構成されているということです。

このビデオで詳細を確認できます。

https://www.youtube.com/watch?v=cMx139eTxoc&t=4s

素材にアスベストが含まれている場合、その電磁特性(ε'とε'')が変化します。しかし、大きな疑問は、レーダーが素材とそのアスベスト破片を含む同種の素材との違いを一貫して、そしてどの濃度で識別できるほど敏感であるか、ということでした。

実証実験

素材検知レーダーのPOC(概念実証)を示しました。ビデオはこちらです。

[画像: 素材検知レーダー — 実証実験デモ]

分類器はビームフォーミングシグネチャでトレーニングされました。複数の素材層にわたる精度は次のとおりです。

[画像: 複数の素材層にわたる分類精度]

多層分類精度

分類される素材を示す辞書は次のとおりです:class_dict = { "wood_alu":0, "wood_book":1, "wood_stone":2, "wood_plastique":3, "stone_alu":4, "stone_wood":5, "stone_book":6, "stone_plastique":7, "stone_plexiglas":8, }

データセットのサイズ:さまざまな環境と向きで、各クラスに500KBのスペクトルデータ。

中止した理由

残念ながら、資金不足のため、プロジェクトはそこで中断しました。POCを実証したときの話の詳細ですが、顧客に会いに行きましたが、私たちを信じてくれる顧客を見つけるのに非常に苦労しました。彼らは製品を手に取るまでLOI(意向表明書)に署名したくありませんでした。また、すべての欧州規制のクリアランスを持つ製品を求めていました(はい、私のユーザーは非常に懐疑的でした)。POCを持っているという事実もあまり助けにはなりませんでした。

しかし、私たちは多くのことを達成しました。基本的な素材(木材、銅、アルミニウム、プラスチックなど)で実際のレーダーを動作させること、そして組み込みファームウェアプログラミング、製品設計、ハードウェアスタートアップの構築を試みる上で多くのことを学びました。

学んだ教訓

  • ハードウェアを構築する際は、常に支払い意欲を検証するためのフロントページを作成してください:構築を開始する前に、返金可能な接続されたストライプ事前注文システムで事前注文を求めてください。
  • これを早期に事前注文するためにローンチビデオを作成し、マーケティングにどれだけ費やすかを測定してください。誰も来なければ、あなたはスタートアップではなく、ビジネスを持っているだけです。
  • 開発ボードを使用してプロトタイプを作成し、不要なコンポーネントを迅速に排除し、設計を可能な限りLEANにしてください。
  • 電子機器を中心に3D筐体を設計してください。その逆ではありません。PCBの設計は時間がかかり、リードタイムはさらに長くなります。
  • 顧客からのフィードバックを得ながらアップグレードできるように製品を設計し、OTA(Over-The-Air)で更新可能にし、コードを後方互換性のあるものにしてください。これは私の最もホットなテイクです...
  • これができない場合は、遠隔からClaude Codeでハードウェアを作成できる私のオープンコアツールを使用してください:https://www.nanoforgeflow.com/
  • RFは非常に厄介です。避けるか、それをナビゲートできるオープンソースツールを見つけてください。

← 戻る