Matriz de antenas com configuração alimentada em série fornecendo alto desempenho de radiação para radar automotivo em aplicações de IoT

Radar veicular mais inteligente para ruas mais seguras

Os carros modernos estão se tornando rapidamente computadores sobre rodas, equipados com sensores que os ajudam a enxergar a via e evitar perigos. Entre esses sensores, o radar é especialmente importante porque consegue medir distância e velocidade de forma confiável, mesmo na chuva, neblina ou escuridão. Este artigo descreve um novo tipo de antena de radar compacta projetada para a faixa de 24 gigahertz, pensada para veículos continuamente conectados à internet das coisas (IoT). Ao combinar um projeto de hardware inteligente com otimização guiada por inteligência artificial, os pesquisadores alcançam feixes de radar mais nítidos e mais fortes em um espaço muito reduzido — uma combinação atraente para veículos mais seguros e mais inteligentes.

Por que os carros precisam de “olhos” melhores

Os sistemas atuais de assistência ao motorista — como controle de cruzeiro adaptativo, alerta de ponto cego e assistentes de estacionamento — dependem do radar para monitorar o que acontece ao redor do veículo. Esses radares devem detectar objetos a dezenas de metros, diferenciar carros próximos de pedestres e ainda se integrar discretamente em para‑choques e painéis da carroceria. A faixa de frequência de 24 gigahertz é popular porque oferece desempenho confiável em diferentes condições climáticas e é bem adequada para sensoriamento de curto e médio alcance no tráfego urbano. Entretanto, projetar antenas para essa faixa é desafiador: os engenheiros precisam condensar alto ganho (sinais fortes e focados), largura de banda útil ampla e baixa perda de energia em uma estrutura pequena e de baixo custo que possa ser produzida em massa como uma placa de circuito impresso.

Projeto compacto de antena em pequena área

Os autores apresentam dois projetos de antena intimamente relacionados que atendem a essas exigências usando patches metálicos circulares e planos gravados em uma placa de circuito micro‑ondas. Um projeto tem duas fileiras de cinco patches (2 × 5) e o outro tem quatro fileiras de cinco patches (4 × 5). Um “divisor de potência” personalizado divide o sinal de radar de entrada em porções iguais e alimenta cada patch por meio de linhas metálicas finas que correm ao lado, em vez de conectarem‑se diretamente, aos patches. Esse acoplamento lateral evita conexões verticais frágeis e melhora a largura de banda, enquanto um espaçamento cuidadosamente escolhido entre os patches ajuda os sinais individuais a se somarem em um feixe forte e estreito. O resultado é um feixe em leque para cobertura ampla em um dos projetos e um feixe mais tipo lápis para sensoriamento de longo alcance e alta resolução no outro.

Usando inteligência artificial para ajustar o hardware

Em vez de ajustar dimensões por tentativa e erro, a equipe recorre a um método de otimização assistido por inteligência artificial chamado PSADEA. Esse algoritmo testa diferentes combinações de parâmetros-chave do projeto — como as folgas entre linhas de alimentação e patches, tamanhos dos patches e comprimentos das linhas — usando modelos matemáticos “substitutos” rápidos apoiados por simulações eletromagnéticas completas. O PSADEA procura formas que simultaneamente ofereçam baixa reflexão de sinal, alto ganho e um feixe adequadamente estreito. Comparado a algoritmos mais tradicionais, como estratégias genéticas ou buscas baseadas em partículas, o PSADEA atinge projetos melhores com muito menos simulações pesadas, economizando tempo computacional substancial enquanto ainda explora muitas possibilidades.

Desempenho medido no campo de testes

Protótipos de ambas as matrizes foram construídos em um material de circuito Rogers de baixa perda e medidos em uma câmara anecóica que simula o espaço livre. Ao longo da faixa de 23–25 gigahertz usada por muitos radares automotivos, ambas as antenas apresentam reflexão de sinal muito baixa, o que significa que a maior parte da potência é convertida em radiação em vez de voltar para a eletrônica. A menor matriz 2 × 5 alcança cerca de 16 decibéis de ganho, enquanto a 4 × 5 chega a aproximadamente 19,5 decibéis, com eficiências de radiação simuladas acima de 95 por cento. Seus feixes correspondem estreitamente às simulações: o projeto 2 × 5 forma um leque amplo em um plano, ideal para cobrir grandes áreas laterais ou traseiras, enquanto o 4 × 5 produz um feixe mais estreito em ambas as direções, mais adequado para mirar à frente a longas distâncias. Em comparação com outras antenas publicadas, essas matrizes alcançam uma “eficiência de abertura” incomumente alta, ou seja, extraem mais intensidade de feixe útil de cada centímetro quadrado de hardware.

O que isso significa para veículos conectados no futuro

Para não especialistas, a mensagem principal é que os autores demonstraram como construir antenas de radar muito eficientes e altamente focalizadas em um formato pequeno e plano usando ferramentas e materiais compatíveis com eletrônicos produzidos em massa. Ao permitir que um otimizador baseado em IA guie a geometria detalhada, eles obtêm projetos que superam muitas soluções existentes mantendo custos e tamanho sob controle. Essas antenas de feixe fixo são especialmente bem adequadas a tarefas comuns de assistência ao motorista, como detecção de ponto cego, alertas de tráfego cruzado traseiro, auxílio ao estacionamento e sensoriamento frontal de médio alcance. À medida que os carros se tornam mais profundamente conectados às redes IoT — compartilhando dados de radar com outros veículos e infraestrutura — essas antenas compactas e de alto desempenho serão um bloco de construção chave para sistemas de transporte mais seguros e mais conscientes.

Citação: Zakeri, H., Parvaneh, M., Moradi, G. et al. Array antenna with series-fed configuration providing high radiation performances for automotive radar in IoT applications. Sci Rep 16, 11116 (2026). https://doi.org/10.1038/s41598-026-40981-x

Palavras-chave: radar automotivo, arranjo de antenas, 24 GHz, Internet das Coisas, otimização por IA