Welche Objekte kann ein mmWave-Radarsensor erkennen?

mmWave-Radarsensoren arbeiten im Frequenzbereich zwischen 60 und 81 GHz und senden elektromagnetische Wellen aus, die von Objekten reflektiert werden. Aus der Laufzeit, der Phasenverschiebung und dem Doppler-Effekt der zurückkehrenden Signale lassen sich Entfernung, Geschwindigkeit und Winkel eines Objekts präzise bestimmen. Die zentrale Frage für Entwicklungsteams lautet dabei nicht, ob ein mmWave-Radarsensor etwas erkennen kann, sondern unter welchen Bedingungen er welche Objekte zuverlässig erkennt und wo die Grenzen liegen.

Millimeterwellenradar hat sich in den letzten Jahren als ernst zu nehmende Sensorik in IoT-Systemen, Industrieanlagen und Fahrzeugen etabliert. Wer einen mmWave-Sensor in ein Produkt integriert, muss verstehen, wie das Radarquerschnittsprofil (RCS) eines Objekts die Detektierbarkeit beeinflusst, welche Materialien das Signal absorbieren oder reflektieren und wie Umgebungsbedingungen die Erkennungsgenauigkeit verschieben.

Table of Contents

Wie mmWave-Radarsensoren Objekte erfassen

Ein mmWave-Radarsensor sendet frequenzmodulierte Dauerstrichsignale (FMCW) aus und analysiert das Echo. Die Entfernung ergibt sich aus der Frequenzdifferenz zwischen gesendetem und empfangenem Signal, die Geschwindigkeit aus der Doppler-Verschiebung und der Azimutwinkel aus der Phasendifferenz zwischen mehreren Empfangsantennen. Aktuelle Chips wie der TI AWR1843 oder der Infineon BGT60TR13C integrieren Sender, Empfänger und Signalverarbeitungseinheit auf einem Die.

Entscheidend für die Objekterkennung ist der Radarquerschnitt des Ziels. Große, metallische, senkrecht zur Radarachse ausgerichtete Flächen erzeugen starke Reflexionen. Kleine, schräg orientierte oder absorbierende Oberflächen liefern schwache Echos, die im Rauschen verschwinden können. Ein häufiger Fehler in frühen Systemdesigns ist die Annahme, dass die im Datenblatt genannte Reichweite für alle Objekttypen gilt, sie gilt in der Regel für einen Metallreflektor mit definiertem RCS, nicht für den tatsächlichen Anwendungsfall.

Personen, Fahrzeuge und kleine Objekte im Vergleich

Personen erzeugen ein charakteristisches Mikro-Doppler-Muster durch Atembewegungen, Herzschlag und Gliedmaßenbewegungen. Dieses Muster ermöglicht es, zwischen statischen Objekten und lebenden Personen zu unterscheiden, selbst wenn sich die Person nicht fortbewegt. Typische Detektionsreichweiten für Personen liegen bei 60-GHz-Sensoren im Innenbereich bei 5 bis 10 Metern, abhängig von Sensorgeometrie und Algorithmus.

Fahrzeuge haben einen deutlich größeren RCS und sind bei 77-GHz-Systemen auf bis zu 150 bis 200 Meter detektierbar. Das Risiko liegt hier in der Mehrfachreflexion: Ein Fahrzeug kann mehrere Echopunkte erzeugen, die Tracking-Algorithmen destabilisieren. Kleine Objekte, Drohnen, Tiere, herabfallende Gegenstände, sind die schwierigste Kategorie. Ihr niedriger RCS und ihre oft unregelmäßige Bewegung machen sie anfällig für False Negatives, besonders wenn der Sensor auf größere Targets optimiert wurde.

RCS-Werte als Auslegungsgrundlage

Für die Systemauslegung sollte das RCS-Profil der Zielobjekte früh quantifiziert werden. Eine Person hat einen RCS von etwa 0,5 bis 1 m², ein PKW liegt bei 10 bis 100 m², eine Drohne mit 30 cm Spannweite bei unter 0,01 m². Diese Unterschiede von mehreren Größenordnungen erfordern unterschiedliche Schwellenwerte im Detektionsalgorithmus, ein einheitlicher CFAR-Schwellenwert deckt nicht alle Objektklassen zuverlässig ab.

Materialien und Umgebungen, die die Erkennung beeinflussen

Metall reflektiert mmWave-Signale stark und ist gut detektierbar. Kunststoff, Glas und Holz sind für mmWave weitgehend transparent, was bedeutet, dass Sensoren hinter Gehäusewänden aus diesen Materialien montiert werden können, ein Vorteil gegenüber optischen Systemen. Nasses Holz, feuchter Beton und Wasser absorbieren das Signal hingegen deutlich stärker als im trockenen Zustand.

Regen und Nebel dämpfen mmWave-Signale bei 77 GHz messbar, bei starkem Regen (50 mm/h) um etwa 0,1 bis 0,2 dB/m. Das ist für Kurzstreckenanwendungen vernachlässigbar, bei Reichweiten über 50 Metern aber ein kalkulierbarer Verlustfaktor. Industrielle Umgebungen mit Metallregalen, rotierenden Maschinen oder Staubentwicklung erzeugen Clutter, der ohne geeignete Signalverarbeitung zu False Positives führt.

Temperatureffekte auf die Sensorelektronik selbst sind ein weiterer unterschätzter Faktor: Bei Temperaturen unter minus 20 Grad Celsius oder über 85 Grad Celsius können sich Frequenzabweichungen im VCO ergeben, die die Entfernungsmessung verfälschen. Für Hardware-Schaltplan und Simulation in Außenanwendungen muss dieser Betriebsbereich explizit abgesichert werden.

Typische Anwendungsfelder in IoT und Industrie

Im Bereich Gebäudeautomation und Smart Building ermöglicht der mmWave-Radarsensor präzise Präsenzerkennung ohne Kamera, datenschutzkonform und unabhängig von Lichtverhältnissen. Systeme zur HLK-Steuerung nutzen die Atemfrequenzerkennung, um zwischen anwesenden und abwesenden Personen zu unterscheiden, nicht nur zwischen Bewegung und Stillstand.

In der industriellen Automatisierung überwachen mmWave-Sensoren Sicherheitszonen um Maschinen, messen Füllstände in Silos und Tanks und detektieren Fremdkörper auf Förderbändern. Ein konkretes Szenario: In einer Abfüllanlage für Schüttgut ersetzt ein 60-GHz-Sensor eine Lichtschranke, weil Staub die optische Erkennung regelmäßig unterbricht. Der Radarsensor arbeitet in diesem Umfeld zuverlässig, erfordert aber eine angepasste Clutter-Filterung für die Behälterwände.

Im Automotive-Bereich sind 77-GHz-Systeme für Totwinkelüberwachung, automatisches Notbremsen und Einparkhilfe etabliert. Für IoT-Anwendungen mit Batteriebetrieb sind 60-GHz-Sensoren mit Duty-Cycle-Betrieb relevanter: Ein Sensor, der nur 10 ms pro Sekunde aktiv ist, verbraucht im Mittel unter 1 mA, realisierbar mit Standardbatterien über mehrere Monate. Die Firmware-Entwicklung für solche Duty-Cycle-Strategien muss den Aufwachzeitpunkt des Sensors mit der Signalverarbeitung koordinieren, um keine Detektionslücken zu erzeugen.

Grenzen der mmWave-Erkennung und wie man damit umgeht

mmWave-Sensoren haben Schwierigkeiten mit Objekten, die sich sehr langsam bewegen oder vollständig statisch sind, wenn kein Mikro-Doppler-Signal vorhanden ist. Ein Mensch, der reglos auf einem Stuhl sitzt und flach atmet, kann unterhalb der Detektionsschwelle liegen, wenn der Algorithmus auf Bewegungserkennung optimiert ist. Systeme für Vitalzeichenüberwachung, etwa in der Patientenüberwachung, benötigen dedizierte Signalverarbeitungspipelines, die Atemfrequenzen im Bereich 0,1 bis 0,5 Hz auflösen.

Mehrwegeausbreitung in engen Räumen, Flure, Aufzüge, Serverräume, erzeugt Geisterziele, die realen Objekten entsprechen können. Hier hilft eine Kombination aus räumlichem Filtering (Azimut- und Elevationsauflösung) und zeitlicher Konsistenzprüfung: Ein Target, das nur in einem einzigen Frame auftaucht, wird verworfen. Das erhöht die Latenz der Erstdetektion auf typischerweise 3 bis 5 Frames, reduziert aber die False-Positive-Rate deutlich.

Eine verbreitete Fehlannahme ist, dass ein höherer Frequenzbereich immer bessere Auflösung bedeutet. Das stimmt für die Entfernungsauflösung (proportional zur Bandbreite), nicht für die Winkelauflösung (abhängig von der Antennenapertur). Ein 60-GHz-Sensor mit 4-GHz-Sweep-Bandbreite hat eine Entfernungsauflösung von etwa 3,75 cm, gut für Füllstandsmessung, aber unzureichend für die Unterscheidung zweier nebeneinander stehender Personen ohne ausreichende Antennenapertur. Wer diese Grenze erst im Prototypenstadium entdeckt, verliert 6 bis 10 Wochen Entwicklungszeit für Hardware-Redesign.

Wie Oxeltech bei mmWave-Sensorintegration unterstützt

Wir begleiten Teams bei der vollständigen Integration von mmWave-Radarsensoren in Embedded-Systeme und IoT-Produkte, von der Systemarchitektur bis zur Serienreife. Das umfasst konkret:

Auswahl und Bewertung geeigneter mmWave-Chips (z.B. TI-AWR-Serie, Infineon-BGT60-Familie) in Abhängigkeit von Zielobjekt, Reichweite und Strombudget
Antennenlayout und HF-Design mit EMI/EMC-Optimierung, einschließlich Simulation und Validierung unter realen Umgebungsbedingungen
Firmware-Entwicklung für Signalverarbeitungspipelines: CFAR-Schwellenwerte, Clutter-Filterung, Mikro-Doppler-Auswertung und Duty-Cycle-Management
Prototypenaufbau und Fehlersuche bis hin zur Unterstützung bei CE- und FCC-Zertifizierung
Integration in bestehende IoT-Architekturen mit drahtloser Datenübertragung via BLE, Wi-Fi oder NB-IoT

Wir haben über 20 Hardwareprodukte vom ersten Konzept bis zur Serienproduktion begleitet und kennen die typischen Fallstricke bei der mmWave-Integration aus der Praxis. Wenn das Team bereits einen Sensor ausgewählt hat und in die Systemintegration einsteigt, oder wenn die Anforderungen noch offen sind und eine Technologieentscheidung ansteht, nehmt Kontakt mit uns auf und beschreibt das konkrete Projekt. Wir bewerten den Aufwand und die Machbarkeit direkt.