多普勒频移测速与FMCW测距

最新推荐文章于 2024-03-09 13:49:24 发布

枫2333

最新推荐文章于 2024-03-09 13:49:24 发布

阅读量7.5k

点赞数 11

分类专栏：移动计算文章标签：移动开发 ieee论文

本文链接：https://blog.csdn.net/dsaaf21/article/details/110013278

版权

移动计算专栏收录该内容

2 篇文章 0 订阅

订阅专栏

文章目录

参考论文
时域与频域
基于多普勒频移估计速度
基于传统的FMCW测距
- 什么是FMCW
- FMCW测距原理
改进的FMCW

该博客是在学习利用FMCW原理进行声源信号追踪过程中的学习笔记。

参考论文

CAT: High-Precision Acoustic Motion Tracking
Vernier: Accurate and Fast Acoustic Motion Tracking Using Mobile Devices
MilliSonic: Pushing the Limits of Acoustic Motion Tracking
Turning a Mobile Device into a Mouse in the Air

相关部分已经更新到另一篇博客:点击链接

时域与频域

时域 — 自变量是时间,即横轴是时间,纵轴是信号振幅的变化。表示振幅随时间的变化。

频域 — 自变量是频率,即横轴是频率,纵轴是该频率信号幅度的峰值。表示振幅峰值随频率的变化。

基于多普勒频移估计速度

当发送端静止而接收端相对运动时，有：

$v=\frac{F^s}{F}c$

其中，F是信号的原始频率； $F^s$ 是接收信号频率与发送信号频率之差，即多普勒频移；c是声波的传播速度；v是接收源相对发送源的移动速度。

因此，通过测量 $F_s$ ,我们就能估计接收端的速度 v 了，这时我们使用STFT（短时傅里叶变换）获得 $F_s$

短时傅里叶变换：采用滑动窗口机制，设定窗口（窗函数，例如汉宁窗）大小和步长，让窗口在时域信号上滑动，分别计算每个窗口的傅立叶变换，形成了不同时间窗口对应的频域信号，拼接起来就成为了频率随时间变化的数据（时频信号）。加窗在时域上表现的是点乘，因此在频域上则表现为卷积。
在这里插入图片描述
计算得到的速度的误差由公式 $F^=\frac{F_s}{L_w}$ 决定，其中： $L_w$ 是窗口的长度， $F_s$ 是采样率

基于传统的FMCW测距

什么是FMCW

每个 FMCW 都是由若干个相同的 chirp组成，每个 chirp 是一组声波频率按固定斜率变化的声波，如下图：
在这里插入图片描述
每个chirp周期内，频率线性地从fmin增加到fmax，频率 $f_{min} + \frac{Bt}{T}$ ，其中B为信号的带宽（ $B=f_{max}-f_{min}$ ），T为信号的周期

将若干个 chirp 连接在一起就是 FMCW，如下图：
在这里插入图片描述
因为 FMCW 信号是由多个 Chirp 信号组合而成的周期信号，所以FMCW 的频率为：

$f_{min} +\frac{B}{T} (t − nT)$

FMCW测距原理

在这里插入图片描述
根据频率是相位的微分，相位是频率的积分，又每个chirp的频率为： $f_{min} + \frac{Bt}{T}$

对频率按时间积分可得相应的相位： $2π(f_{min}t + B\frac{t^2}{2T} )$

在第n次扫描期间（即第n个chirp）传输的信号为： $v_t(t') =cos(2πf_{min}t' + \frac{πBt'^2}{T})$ ，其中t’=t-nT

FMCW波在延迟 $t_d$ 时间后传播到接收端，接收到的信号会衰减： $v_r(t')= α cos(2πf_{min}(t' − t_d) + \frac{πB(t' − t_d)^2}{T})$ ，其中 α为衰减系数

接收方将收到的信号和发送的信号混合， $v_m(t) = v_r(t)v_t(t)$ ；利用cos A cos B = (cos(A − B) + cos(A + B))/2，并过滤掉高频部分cos(A + B)，得：

$v_m(t) = α cos(2πf_{min}t_d + πB\frac{(2t't_d − t_d^2)}{T})$

假设发送方与接收方相距R，发送方以v的速度移动， $t_d=\frac{R+vt'}{c}$ ，带入上式得：

$cos(2πf_{min} \frac{R + vt'}{c} + (\frac{2πBt'(R + vt')}{cT}− \frac{πB(R + vt')^2}{c^2T}))$

将上式中的相位部分对 $t^{'}$ 求导，常数项可以忽略，关于 ${\frac1c}^{2}$ 的二次项太小，也可以忽略，t’的平均值为T/2，得到：

$f_p = \frac1{2π}\frac{δPhase}{δt'} = \frac{BR}{cT} + \frac{f_{min}v}{c}+ \frac{Bv}{c}$

当v接近于0时，频谱的第一个峰值为 $\frac{BR}{cT}$

如果发送方和接收方之间存在多路径传播，在混合信号的频谱中观察到多个峰值，在这种情况下 $f_p$ 由第一个峰值决定，该峰值对应于直接路径。通过测量第一个峰值 $f_p$ ，距离 $R=\frac {f_pcT}{B}$

改进的FMCW

1、使用FMCW相位测距（手机是发送方）

传统FMCW方法在峰值估计上的错误

直接路径的到达时间为 $t_1$ ,对应解调信号的频率为 $f_{t_1}$ ;非直接路径的到达时间为 $t_2$ ,对应解调信号的频率为 $f_{t_2}$ 。

当 $f_{t_1}-f_{t_2}|<1$ 时，两个峰值在频域内合并成为一个峰值，近似于 $A_2f_{t_2}+A_1f_{t_1})/(A_2+A_1)$ ，其中A1和A2分别是直接路径的振幅和剩余非直接路径的总振幅，因此频率的错误为 $(A_2f_{t_2}+A_1f_{t_1})/(A_2+A_1)-f_{t_1}=(f_{t_2} − f_{t_1})/(1 + \frac{A_1}{A_2} )$
随（ $f_{t_2} − f_{t_1}$ ）线性增长，并且随着 $\frac{A_1}{A_2}$ 按比例增长

使用FMCW相位

方法：

1）在时域应用动态窄带带通滤波器来滤除大部分到达时间较远的多径，这使得我们只剩下了直接路径周围剩余的一小部分间接路径。

2）从瞬时FMCW相位提取距离信息（具体怎么从相位中获取距离信息论文没提）。
在这里插入图片描述
假设在通过滤波器后，剩余的非直接路径的振幅比直接路径的振幅低。蓝色向量：直接路径；红色向量：所有剩下的非直接路径之和；绿色向量：前两个向量之和。

因此，最大相位错误发生在红色向量垂直于绿色向量时，相位错误为 $sin^{-1}(\frac{A_2}{A_1})$ ，在 $sin^{-1}(\frac{A_2}{A_1})$ 处要增长得慢得多

2、分布式FMCW（手机是接收方）

在传统的FMCW中，发送方和接收方是在一起的并且分享同一个时钟；而在分布式FMCW中，发送方（扬声器）和接收方（麦克风）是分离的和不同步的。因此，传统FMCW中所需的传输时间对于接收方来说是未知的。

分布式FMCW使用如下步骤解决上述问题：

1）找到一个参考点并获知它的绝对位置

2）当发送方移动时，估计它相对于参考点的距离变化

3）推测出发送方和接收方的绝对距离

此时，就无需知道信号的传输时间了，但是，分离的接收方和发送方有不同的采样率

Step1：在接收信号上进行一次近似同步

如上图所示，近似同步保证每个处理周期都与单个chirp对齐，每次处理一个完整的chirp。

具体方法是将接收到的信号与原始chirp信号互相关（correlation），选择检测到最高相关峰的时间作为第一个处理周期的开始时间，同步只需要在开始时执行一次。

如上图，由于互相关通常会显示多个幅度相似的峰，因此同步是近似的。

Step2：引入pseudo-transmission time

由于在每个处理周期中，要将接收信号与发送信号混合，但是我们不知道发送信号开始的具体时间，因此，引入了pseudo-transmission time（接收方假设传输信号开始的时间，下图绿色虚线所示）

在这里插入图片描述

t0为第一个chirp中pseudo transmission time和实际发送时间之差，并且对于接收方来说是一个未知的常数，因此，在每个处理周期，估计距离相对于实际距离偏移一个常数：
$R_n=\frac{cTf_n^p}B+ct_0$
其中， $R_n$ 为在第n个处理周期中发送方和接收方的距离， $f^p_n$ 是第n个处理周期中混合信号的峰值，c是声信号的传播速度，T是chirp的周期，B是信号带宽（ $B=f_{max}-f_{min}$ ）。

根据上述等式，接着考虑两个处理周期：
$R_n-R_1=(f_n^p-f_1^p)\frac{cT}B$
由于这个常数偏移，我们仅可以测量距离的变化量。要随时获取绝对距离，我们需要知道某个点（称为参考点）的绝对距离，并使用距离变化来获取新位置的绝对距离，即：

$R_n=(f_n^p-f_1^p)\frac{cT}B+R_1$
其中，R1就是参考点相对于扬声器的绝对距离

Step3：估计参考点

为了获得距离 $R_n$ ，我们需要知道手机在某个点（称之为参考点）上与扬声器之间的绝对距离。

在这里插入图片描述

假设两个speaker分别位于（0，0）和（A，0）的位置，让移动设备沿x轴(两个扬声器之间的连线)来回移动。

当移动设备移动向speaker2时，它在接近speaker2并且在x=A之前，经历正多普勒频移；当经过x=A后，并且远离speaker2时，经历负多普勒频移。因此，我们可以检测到多普勒频移改变其符号的时间，并且那时移动设备移动到x = A上的一个点，就是我们的参考点。

假设参考点距离两个speaker的距离分别为D1和D2，我们可以通过让两个speaker相同时间开始发送信号并且使用相同的pseudo-transmission time（此时t0是相同的），然后使用FMCW测距D1与D2之差 $\Delta D$ ：
$\Delta D=D1-D2=\frac{cT(f_{p,1}-f_{p,2})}B$
又因为勾股定理： $D1^2-D2^2=A^2$ ，我们可以得到D1和D2的值。

为了提高精度，我们可以多次扫描，让移动设备穿过参考位置多次，并将平均值用作为D1和D2的估计值。

Step4：考虑接收方运动的影响

为了简便，上述公式忽略了接收方运动的影响，但是不可忽略的速度会导致混合信号的峰值频率的额外频移。

因为 $f_p = \frac{BR}{cT} + \frac{f_{min}v}{c}+ \frac{Bv}{c}$ ，并且由于pseudo-transmission时间 $t_0$ ，这个周期中的测量值与实际值 $R_n$ 相差 $ct_0$ ，因此得到下式：

$f_n^p=\frac{B(R_n-ct_0)}{cT}+\frac{f_{min}v_n}c+\frac{Bv_n}c$

其中， $v_n$ 是接收方相对于发送方在第n个处理周期的速度，为了简单，假设在第一个处理周期中是静止的（可以作为参考点）

$R_n=(f_n^p-\frac{f_{min}v_n}c-\frac{Bv_n}c-f_1^p)\frac{cT}B+R_1$

根据上式，绝对距离 $R_n$ 由第1个和第n个处理周期的峰值频率 $f_n^p、f_1^p$ ，基于多普勒频移的第n个处理周期接收方的速度 $v_n$ ，和参考点的距离 $R_1$ 决定

Step5：考虑频率偏移

由于不完美的时钟，发送方和接收方的采样率不完全相同，也就是说发送方和接收方采样相同的点数花费不同的时间，因此也就引入的误差。

在这里插入图片描述

如上图，发送方传输一个由1764个采样点构成的chirp，在经历了Delay1的时间后，该chirp被接收方收到。由于接收器的时钟速率略有不同，因此接收器累积这1764个采样所需的时间稍长一些，所以Delay2不仅包括传输延迟还包括不同时钟速率造成的采样时间差。Delay3同理。

如果发送方和接收方是静态的，并且它们的采样率偏移是恒定的，则估计的延迟将随时间线性增加。为了补偿这种影响，我们在开始时引入了一个简短的校准阶段，我们会在校准过程中固定接收器的位置。

如果没有采样频率偏移，则FMCW检测到的峰值频率应固定，采样频率偏移将导致峰值频率随时间稳定变化，我们可以通过绘制随时间变化的峰值频率来估计偏移（对测量数据应用最小二乘拟合）：

在这里插入图片描述

图中红虚线的斜率为k，我们按以下方式处理原始测量：
$f_p^{adjusted}=f_p^{raw}-kt$
其中 $f^{adjusted}_p$ 和 $f_p^{raw}$ 分别表示调整后的和原始的峰值频率，t是校准阶段经过的时间，k是拟合线的斜率

采样频率偏移可能会随时间缓慢变化，当接收器静止时，重新校准频率偏移。

Step6：优化框架，得到最合适的移动方坐标

结合了多普勒频移和FMCW测量，可进行精确的运动跟踪的优化框架：
$\sum_{i\in [k-n+1..k]}\sum_j\alpha(|z_i-c_j|-|z_0-c_j|-d_{FMCW}^{i,j})^2+\\ \sum_{i\in [k-n+2..k]}\sum_j\beta(|z_i-c_j|-|z_{i-1}-c_j|-v_{i-1,j}^{doppler}T)^2$
其中，k是当前的处理周期，n是用于该优化的周期数， $z_i$ 表示在i个周期开始的时候移动方的位置， $z_0$ 表示参考点的位置， $c_j$ 表示第j个周期扬声器的位置， $d_{FMCW}^{i,j}$ 表示在第i个周期中相对于第j个扬声器的参考点距离变化， $v_{i,j}^{doppler}$ 表示在第i个周期中相对于第j个扬声器的速度。