实际上，这一前端处理单元处理输入的多个FMCW模拟通道，形成方位角/范围/速度数组的数字码流。这一数据流进入到一个或者多个CPU内核中，由其他加速器所支持的软件会推断出在车辆周围是否有物体出现，物体的位置以及属性。

Reuter解释说：“您需要识别出目标，把它们从背景中分离出来，选择最关键的一个。您可能需要处理200个目标，因此，计算会非常复杂，特别是提取出角度信息。”

系统的物理配置也越来越复杂。Reuter说，目前传感器本身的处理工作很少。相反，ADC有专用模拟接口，信号处理硬件的专用数字接口用于FFT，微控制器还有其他的接口来提取出目标，并对其进行分类。目标信息被输入到车辆控制区域网(CAN)或者FlexRay总线上，中央CPU集群对其进行解释和分析。

整条流水线都有很大的带宽和延时要求。Reuter说，CPU对数据的解释一般以图形显示的方式呈现给司机，即，他通过挡风玻璃能够观察到的前端多功能显示屏。这种混合显示要求最多不能超过50-ms的更新间隔，以及更具挑战性的50-ms最大延时。否则，图像会很不平稳，通过挡风玻璃的图像会有滞后，可能导致司机误判。

随着系统从一个传感器发展到支持聚束功能的多个传感器，以实现摄像机数据融合，互联体系结构也发生了变化。Reuter说：“有使用以太网来降低成本的需求。”但是，系统仍然要求实时工作，带来了怎样保证以太网实时性的问题。

到处都是干扰的未来

只要周围没有人使用雷达，车载雷达一般都比较可靠。但是，这有很明显的问题：越来越多的车辆使用了雷达，因此，设备之间不可避免的会出现干扰。Reuter说，您可以改变调制速率以减小干扰，最终，采用编码跳频码型来替代简单的频率变化，因此，每一辆车都能够识别出自己的啁啾。这种变化能够保持早期系统的体系结构以及大部分硬件不变，但是要实现复杂的提取和分析功能，则要求每一系统能够识别出来自其天线的反射信号。

而且，还有一类不容易解决的问题：固定设备所产生的干扰。Reuter提醒说：“马上带来的问题是，欧洲的隧道使用大功率雷达来识别车辆。他们的发射器会导致车载雷达无法工作。” 

一个更科学化的敏感问题是，天文物体辐射频谱的关键部分位于77-GHz频带。在人口密集区，越来越多的车载雷达会强烈干扰天文射频信号。

Reuter提醒说：“在日本已经出现了要求关掉射频天文望远镜1,000公里范围内发射器的法规。这有可能覆盖整个国家。”

啁啾调制器、数字聚束、目标识别、危险评估、防护跳频、干扰等——这些听起来都像是新型作战飞机的情形，而不是货车和轿车。实际上，ADAS继承了军事系统的很多技术。这并不奇怪，当天气越来越糟，车越来越堵时，这的确像是一场战争。