超短距雷达毫米波雷达传感器模块的发展与创新，一般情况下，自动驾驶或ADAS需要感知、控制决定和执行这三个部分。感知层主要由毫米波雷达、摄像机、激光雷达、超声波等各种类型的传感器实现。
众所周知的毫米波雷达应用就是前向长距雷达加角雷达，它能够实现ACC、AEB或BSD、LCA等功能，主要应用于高速公路和城市道路。飞睿科技发布的毫米波雷达传感器模块将为此类雷达的研制与实现提供良好的支持。
但在生活中，我们常常遇到下列情况：
早和晚高峰，交通拥挤造成交通堵塞。上部被高架桥等遮挡物，增加了位置信息获取的难度。
大停车场，找车位难，停车难。
人车混行，极易造成交通事故。
这类场景有一个共同的特征：道路条件复杂、汽车低速行驶，要求对周围360度范围内的状况有较好的感知判断。目前，对于近距感知的覆盖范围还存在不足。如超声雷达，其检测距离、检测精度、灵敏度都比较有限；毫米波雷达，体积较大，想要安装在车辆侧边会比较困难…面对市场的需求，先要解决的问题是如何提高传感器的探测能力和覆盖范围，即要求30米范围内360度的范围覆盖车体，实现了开门报警、车辆定位、找车位、自动停车等功能。
将这些应用场景和功能需求归纳为以下几个方面：超短距雷达毫米波雷达传感器模块所需满足的技术特征：
1、安装简便，体积小；
2、视场角度，尽量宽视野；
3、仰望探测能力强；
4、要具有更高的性能，包括角分辨率等；
5、成本低，要实现探测距离的无缝覆盖，一辆车需要安装多个这样的超短距雷达，从而实现探测距离的无缝覆盖，所以单颗的成本要求将会非常高。
实现这种超短距雷达需要适当的毫米波雷达传感器模块方案支持。飞睿科技毫米波雷达传感器模块就能很好地满足这些需要。整合射频前端、雷达信号处理基带、微处理器及高频天线。仅需少量周边设备即可完成雷达模块的建造(包括电源芯片、闪光灯、CAN收发器)。研制的超短距雷达毫米波雷达传感器模块有明显的优点-高性能，便于安装，价格低廉等优点。
完成这种超短距雷达的研制，当然要面对许多挑战，如路面杂波(即地杂波)、天线耦合和频率干扰等等。飞睿科技开发方面做了大量的工作，并帮助下游厂商共同克服这些挑战。
地杂波：
超短距雷达要求俯仰角度较大，以便对近距离目标的高度信息等进行探测更加丰富，但同时探测到的地杂波也将增加。在此基础上，将地杂波问题与先验资料进行对比，利用多帧数据与先验资料对拟合的特征曲线进行比较，超过该曲线即视为真实的被测目标，低于此曲线，则被抑制。物体的距离、幅值，甚至速度、俯仰信息等等，都有助于此类特征曲线的拟合。另外，通过实测，如水泥、沥青、土路等路面材料具有不同的特性，对路面材料进行了研究。此外，通过支持自适应特性曲线，增加了速度，增加了俯仰信息等特征变量，结合在线训练，动态调整特征曲线，使车辆进入不同的路面条件时能得到较好的处理效果。
天线耦合：
受物理空间的限制，集成天线耦合所产生的角度畸变具有非线性特性，非线性失真将导致角度解算变差，这就要求天线校正。常规的标定方法仅采用线性变换补偿，对非线性畸变的效果不好。为应对这一挑战提出了一种新的神经网络算法(RBF-NN)，用于天线校正。对这类神经网络结构而言，输入层是天线测量角θ，通过中间隐含层，传递函数φ，加总角校准值，作为输出。原始的角度测量数据，存在非线性畸变，中间为传统的标定方法，标定的角误差为5度左右；右侧用神经网络标定算法，角度误差为1度以内，效果十分明显。
频率干扰：
一般超短距雷达毫米波雷达传感器模块方位向视野角度较大，当车辆流量较大时，收到干扰的可能性较大，对抗干扰要求较高，对AiP芯片采用系统策略进行对抗干扰：3模式绕过干扰，1种机制消除干扰。该方法结合灵活模块FMCW波形发生器，通过随机更改数据帧中配置参数，避免了可能的干扰，是一种有效的同步防护方法。扰相(PhaseScrambling,PS)，改变波形的相位；将触点移到上升沿(CS)上，使触点发生变化；跳频(FH)，保持扫描频带不变，改变起始和截止频率。如果在相同频带中工作，而对斜率调制不一致，则发射信号与其它雷达的回波信号重叠，这就会产生干扰，这种干扰可能导致另外一个频率分量，或使一个振幅增大，在时域中会出现明显的底噪声抬升现象。
这类干扰一般可大致分为：高频头区域、低频区域和高频高频区。该方法分两步进行，先是定位干扰，由信号的幅值和相邻两点的幅度差来判断。滤除干扰的方法主要有两种：1、滤除干扰的方法；2、用一种预设的振幅代替干扰的幅度。
环车360度全景式毫米波雷达传感器模块方案：
通过传感器将超近距等场景补上，构建了一种覆盖环车360度的全场景模块方案--通过单片或2片雷达传感器级联，能够满足前向雷达的要求；单片式四放或四对四收)能满足前角/后角雷达的要求；可通过实现环形车辆对超短距雷达的要求。
采用芯片平台实现全环车雷达传感器设计，不仅减少了研制难度，而且节约了开发时间、而且有利于传感器硬件的标准化。全景式对车辆周边环境的感知将十分丰富，有层次感，对于上层的信息融合等将更加灵活。