毫米波雷达

2023年中国科学院文献情报中心期刊分区表

雷达领域相关SCI期刊的最新升级版结果

基础概念查漏

信噪比: 系统中信号与噪声的比，常常用分贝dB，$\text{SNR}=10\log \frac{P_S}{P_N}$ $P_S$：信号的有效功率,$P_N$：噪声的有效功率
正弦信号的fft：

 如上图所示，对于一个频率为5Hz的正弦波信号进行傅里叶变换，得到的峰值也就出现在5hz频率的附近

% 正弦波参数
A = 1;            % 振幅
f = 5;            % 频率 (Hz)
phi = 0;          % 相位 (radians)
fs = 100;         % 采样频率 (Hz)
t = 0:1/fs:1-1/fs; % 时间向量，为1秒

% 生成正弦波信号
signal = A * sin(2 * pi * f * t + phi);

% 进行傅里叶变换
signal_fft = fft(signal);

% 计算频率轴
N = length(signal);            % 信号长度
f_axis = (0:N-1)*(fs/N);      % 频率轴

% 计算单边频谱的幅度
signal_fft_mag = abs(signal_fft/N);
signal_fft_mag = signal_fft_mag(1:N/2+1); % 取 FFT 的一半
signal_fft_mag(2:end-1) = 2*signal_fft_mag(2:end-1); % 除了直流分量，其他都要乘2

% 绘制时间域信号
subplot(2,1,1);
plot(t, signal);
title('Time Domain Signal');
xlabel('Time (s)');
ylabel('Amplitude');

% 绘制频率域信号
subplot(2,1,2);
plot(f_axis(1:N/2+1), signal_fft_mag);
title('Magnitude Spectrum');
xlabel('Frequency (Hz)');
ylabel('|Y(f)|');

用matlab编写毫米波雷达测距程序，雷达设置的为一发一收模式，chirp参数配置如上图

毫米波雷达

多普勒效应： 波源和观察者有相对运动时，观察者接受到波的频率与波源发出的频率并不相同的现象。远方急驶过来的火车鸣笛声变得尖细（即频率变高，波长变短），而离我们而去的火车鸣笛声变得低沉（即频率变低，波长变长）

Parameter	Radar	Lidar
Wavelength	3.8 mm	905 nm and 1,550 nm
Directional element	Antenna	Optics
Illumination approach	Wide beam -> entire object	Narrow beam -> portion of the object
Transmitted signal	Diffusive propagation	Direct propagation
Two-way attenuation	1/R^4	1/R^2
Major propagation effects	Multipath	Absorption, Diffusion, Speckle
Interaction with objects	Specular: isolated detections	Diffusive: “image like”
Received echo	Superposition of multiple reflectors	From a single reflector
Output	Radar cube -> Point cloud	Point cloud
Classification information	Statistics of point distribution, RCS, velocity	Object shape

对于小孔径雷达，由于镜面反射的原因，大部分反射信号无法被雷达传感器接收；小孔径是低角分辨率，使得两个近距离物体无法有效分离。这两个特征使得雷达点云比激光雷达点云稀疏得多

FMCW雷达信号处理

 FMCW(frequency modulated continuous wave)线性调频连续波，同时测量距离、角度和速度，目前76-77GHz用于长距离、77-81GHz用于短距离，高频率和带宽，可以带来高的多普勒分辨率、更小的天线
 FMCW信号特征包括 起始频率（载波频率）$f_c$ 、 扫频带宽$B$、啁啾时间$T_c$、斜率$S$

可以使用多个接收或发射信道来获取角度信息。

参考论文：基于毫米波雷达的手势识别研究

压缩感知

 传统的信号处理方式先用奈奎斯特采样定理采集数据，再采用压缩的方法去除冗余数据。这其实是将信号处理过程复杂化了，而且以两倍信号的带宽采集得到的数据，其中大部分数据对恢复信号是没有用的。于是，Candes、Donoho和Tao等人在2004年提出了压缩感知(Compressed Sensing，CS)理论，减轻了采集任务，且省去了压缩的麻烦。CS理论是一种全新的信号采集和编码理论，它将传统信号处理中的采样和压缩过程合并，只需用远小于传统采样方法所需的数据量就能准确恢复原信号，但这一理论使用的前提是信号具有可压缩性或者稀疏性

西电matlab毫米波数据处理

 在对示例数据，也即matlab_1642文件夹下的数据，通过IWR1642_XDC110.m进行处理之后，可以得到一个RAD图像

%% 三维FFT（角度维）
Int_Chirp_FFT_3D_Num = 128;     %构造二维FFT点数为2的幂次
window_3d = hamming(8);               %窗函数
FFT_3D_DATA = zeros(128,Per_Channel_Frame_Num,Int_Chirp_FFT_2D_Num,Per_Chirp_FFT_1D_Num);%构造二维FFT结果保存数组
FFT_3D_DATA_abs = zeros(128,Per_Channel_Frame_Num,Int_Chirp_FFT_2D_Num,Per_Chirp_FFT_1D_Num);%构造二维FFT结果保存数组
for x = 1:1
    for y = 1:128
        for z = 1:256
            retVal_4 = squeeze(FFT_2D_DATA(:,x,y,z)).*window_3d;              %提取每个chirp相同点位的数据
            FFT_3D_DATA(:,x,y,z) = fftshift(fft( retVal_4,Int_Chirp_FFT_3D_Num)); %进行FFT
            FFT_3D_DATA_abs(:,x,y,z) = abs(FFT_3D_DATA(:,x,y,z)); %进行FFT
        end
    end
end

figure();
imagesc(abs((squeeze(FFT_3D_DATA(1,1,:,:)))));

滤波

 下图所示，是对原始的毫米波雷达回波信号的RX1进行截取部分片段

窗函数

 加窗后取绝对值

 未加窗的数据