Written by author:由于作者还是学生,研究的方向是毫米波雷达,因此作者希望通过每天写一篇博客的形式来记录并巩固自己每天所学习的知识,同时也锻炼自己的总结能力,故文中可能会出现一些理论上的错误或者引用错误,恳请读者指正!!
1、简介
上文已经介绍过了,毫米波雷达对距离的设置相关计算。紧接上篇文章的问题,当毫米波雷达检测到两个距离雷达相同距离,但是速度不同的object时,Range-FFT得到的却只有一个谱峰,那该如何区分两个object呢?
因此,在本篇中,我们会着重讨论IF信号的相位。FMCW雷达有着很好的捕捉微小位移的能力,正是因为这个优势,毫米波雷达可以用于心率、心跳、血压等人体微小运动的测量的设备。
2、原理简介
2.1、傅里叶变换原理
众所周知,傅里叶变换应该是必须了解的,因此不再详细说明。根据了解,频域中的信号是一个包含了相位和振幅的复数,因此,虽然频域图中只显示了振幅,但是其中还包含了相位的信息。根据学过的信号系统等知识,可以知道,一个信号是可以用复数的形式来表示的,即
显而易见,A是振幅,θ是信号的相位。
为了更加直观,我们也可以用下图这样用一个矢量的向量表示信号。
FFT有一条十分重要的性质,即:频域峰值的相位对应于正弦波的初始相位。因此 ,下图的两个正弦波,虽然他们拥有相同的频率,在频谱图上也会有相同的图像,但是从相位的角度来说,第一个正弦波相比于第二个正弦波,二者之间相差了90°的相位,因此事实上,虽然二者的波峰都是一模一样的,但是在从相位的角度来看,他们之间还是相差90°。
讨论了这么久的连续时间信号的FFT,那么对离散时间信号的FFT是否也成立呢?答案是肯定的。假设有个离散的信号如下图,该信号以每个点ω 弧度的恒定速率旋转,这样一来,在任意两个点之间,该向量每次都旋转ω弧度,这时的ω 不叫角频率,而叫离散角频率(频率)。
同理,上面是单目标,当有两个目标的时候,离散信号的相位图如下所示。其中频谱图上会出现两个波峰,向量图中会出现两个颜色分别代表两个物体以各自的离散角频率旋转。
同样的,与时域信号相类似,如果两个离散角频率过于接近,那么频谱图上两个object的波峰也会重合,从而只有一个波峰。如下图所示,其中蓝色比红色最终实际是多走了半个周期,但是频谱图并不能将他们二者分开来。
那如果我们同时域一样,将观测周期的持续时间加长,令采集次数N变为原来的两倍,这样的话,我们就相比于之前多测得了N个的样本,一共2N个样本。因为N次蓝色走了半个周期,2N次的话蓝色就比红色多走了一个周期。此时在频谱图上可以清晰的看到两个波峰,二者也成功地被区分开来。
因此,我们可以得出一个结论:离散序列长度越长,测得的分辨率越高。
上述的两个公式是计算分辨率的重要条件。
其中T是时域的观测时长,N是离散域的样本数量。分辨率越小,测得的数值越精准。
2.2、IF信号的表示以及其相位与位移的关系(微小位移)
本篇文章中,为了更加直观的观察IF信号,我们使用幅度-时间图(A-t图)来分析IF信号的相位,下图的三个信号分别为TX的chirp信号、RX的chirp信号、IF信号。其中TX与RX之间相差了τ的往返延迟。同时,对IF信号来说,他的频率是固定的,是一个具有固定频率正弦波。那么我们可以用数学的方法去表示IF信号,即:
f由上篇文章可知:,其中S是chirp的斜率,d是雷达到物体的距离,c是光速,为IF信号在点C的相位。
那么下面我们假设,目标object出现了一个微小的位移,那么RX和IF信号会发生什么变化?
当雷达检测到object一个微小的变化时,雷达到object的距离发生变化,从而导致雷达信号往返的时间也发生变化,前后改变的时间为。从图中可以看出,RXchirp的初始相位会从B->E点,IF信号的初始相位会从C->F点。
可以看出,TXchirp与RXchirp的时间间隔为,那么从数学角度来说,相当于产生了一个相位偏移,即:
这个偏移会直接体现在IF信号的初始相位上。如下图所示。
根据之前所推导的公式:
可以得出:
上式便是与,即object微小的位移与IF信号相位变换的关系。
2.3、物体进行微小位移运动时方法的选择
已知中频信号可以写为。我们来看里面的参数和 。
其中
,
我们可以得知,中频信号的频率 与雷达到object距离成一定的线性关系,而也与object到雷达的距离成一定的线性关系。那么我们该什么时候去用相位来分析位移呢?下面我们用一个小例子来得到答案。
假设object进行了一个相对于雷达1mm的微小的距离变化,雷达的chirp信号如下图所示。
由上图可知,与都已经给出。
先从中频信号的频率角度来分析:
在观测窗口中:
也就是0.013个周期,这个频率在频谱图上是根本无法识别的。因此我们再来从相位的角度来分析:
已知工作频率在的雷达,1mm的变化相当于,因此IF信号的相位变化即:
很显然我们可以看出,IF信号的相位对物体微小位移变化非常敏感,而频率对其变化十分不敏感,因此,我们可以得到答案:在object对雷达产生微小位移的时候,用相位来分析微小位移是最正确的选择。
2.4、毫米波雷达测速原理
假设前面有一个单个的物体在进行微动运动,TX天线发送两个chirp,且两个chirp之间间隔Tc。根据2.3的分析,频谱图上届时会显示相同的波峰,但是实际上波峰处的相位是不同的。假设这两个波峰的相位差为,且这个差值将会于与物体进行的微小位移相对应。根据最基础的速度公式可以轻松的求出物体在Tc内进行的微小位移的值。在将其带入中。可以得出:
由此可以知道,可以通过IF信号的相位差来对object的速度进行估算。
实际上,测速的原理就是通过测量两个chirp的相位差来计算单个物体的速度。
我们已经学习了单个物体的速度测量,但当有两个距离雷达相同距离,但是速度不同的object时,range-FFT的结果只有一个波峰,且这个波峰中夹杂着两个object的相位分量,这样的话,简单的对向量进行计算则变得不现实了。那么我们该如何去解决这个问题呢?
常规的解决方法为,发送N个等间距的chirp信号。这样在range-FFT上每个chirp信号在完全相同的位置有着相同的波峰值。But,从向量角度来看,虽然幅度是相同的,但是他们的角度是不同的,即对应的离散角速度是不同的,分别以和的离散角速度旋转,这样就对应了两个速度V1和V2。很显然,对这个离散序列做FFT变换,频谱图上会显示两个波峰,对应波峰的两个横坐标即为物体1和物体2的和。通过之前的公式,将角速度带入公式,可以反推出速度。
上述对离散序列做FFT变换也称doppler-FFT,N个等间隔的chirp也称帧。
PS:上文的和实际上是一样的,只不过是连续域和离散域的关系,在计算中可以等同。
2.5、最大速度与最小速度分辨率
同测距的问题,那么如何去计算最大的速度与最小的速度分辨率呢?事实上,推导最大速度与最小分辨率并不难,等同于在测距中推导最大距离与最小距离分辨率一样。我们先来推导最大速度。
由于速度是基于相位的变化,因此只有当的时候,速度测量的结果才是准确的。如上图的例图,逆时针旋转代表物体远离雷达,相反顺时针代表物体接近雷达。如果大于的话,会产生相位模糊,不知道到底是接近还是原理。因此,证明最大速度便十分清晰。使:
进行变换后可得
左右变换一下
则可以得出
因此,如果要测量更快的速度,chirp信号的间隔需要十分接近,需要很密集。 其中是两个chirp信号之间的间隔。与前者的单个chirp信号持续时间不是一个变量。不要记混。
下面我们来推导最小速度分辨率。
根据之前离散最大分辨率可知
将上述两个公式结合一下可得:
也可以用下图的方法表示 其中Tf=N*Tc。
2.6、实际应用
IF信号相位也可以用于对object进行微小位移的测量,例如电机振动的检测,人体心率的测量等等。下图便是一个进行微小振荡运动的物体随时间演化的过程。我们假设这个物体移动的位移非常小,如果我们将雷达放在他的前方并发射一系列帧,结果会是如何?
上图右侧即相位的变化,因为距离不变,因此Range-FFT的谱峰只有一个,但是由于相位对微小位移的敏感性,因此相位会随着物体的运动而进行一定的改变。一个相位对应一个位移距离。具体细节看图就能看懂,作者再次不在详解。
如果我们按照时间为x轴,对测量的峰值相位进行作图,结果如下图所示。
最大相位偏移Δφ 与最大位移 Δd 相关,该图中我们还能得知目标的振幅和周期。
因此,我们就可以得出一个结论: 距离FFT 峰值相位随时间的演变可用于估算振动的振幅和周期。
2.7、速度方向问题
讨论了这么多,我们发现,速度也是一个矢量,具有正负性。根据了解,对正常的脉冲雷达,当物体朝向其运动时,物体速度为正;物体远离其运动时,物体速度为负。那么毫米波雷达也是如此吗?实则不然。
根据
可知,目标的速度与其相位差有关,而相位差又与物体与雷达的距离有关。那么可以认为,目标的速度方向与目标到雷达距离的差值是可以等效的。因此,目标向雷达运动时,距离R逐渐减小,当前距离与上一个时刻的距离的差值为负,因此速度也是负的。同理,远离雷达,距离差为正,速度为正。
3、总结
1.FMCW所测物体速度的最大值为
2.FMCW所测物体速度的最小分辨率为
3.距离FFT 峰值相位随时间的演变可用于估算振动的振幅和周期
4.参考一些论文后了解,测得的速度是径向速度,要是相对速度进行分解需要测量物体相对于雷达的角度,在进行速度分解。
5.目标向雷达运动,速度为正;目标远离雷达运动,速度为负。
4、后续以及思考
在雷达探测两个object的时候,如果距离是相同的,速度也是相同的,那么在range-FFT和doppler-FFT之后的频谱上会有相同的谱峰,那么如何去区分这两个物体呢??
根据事实证明,两个物体如果相对于雷达有不同的角度,则可以通过进一步的处理将二者分离出来,即我们要在下一篇要讨论的,角度FFT的计算。