High Performance Automotive Radar:A review of signal processing algorithms and modulation schemes

高性能汽车雷达——信号处理算法和调制方案综述

摘要

        随着汽车驾驶功能的不断自动化，高级驾驶辅助系统(ADAS)将演变为能够高度自动化驾驶的系统，而这将进一步发展为完全自动驾驶的自动驾驶汽车。为了正常工作，这些功能首先必须能够通过雷达、激光雷达、摄像头和超声波传感器等手段感知汽车周围的环境。随着这些系统的复杂性随着自动化水平的提高而增加，对包括雷达在内的环境传感器的需求也在增长。为了使雷达性能满足自动驾驶汽车的要求，直接缩放雷达参数是不够的。为了改进雷达能力以满足更严格的要求，可能需要从根本上不同的方法，包括使用更复杂的信号处理算法以及替代雷达波形和调制方案。此外，由于雷达是一种主动传感器(即，它通过发射信号和评估其反射来工作)，随着汽车雷达传感器数量的增加，干扰成为一个关键问题。本文概述了汽车雷达从ADAS传感器发展到自动驾驶汽车核心组件所面临的挑战。它总结了相关研究并讨论了与高性能汽车雷达系统相关的以下主题:1)由于潜在的基本假设和克服这些限制的信号处理框架而导致的经典信号处理算法的缺点，2)汽车雷达数字调制的使用，以及3)在不断增加的市场渗透条件下使多个雷达传感器共存的干扰缓解方法。本文的概述表明，随着汽车雷达向更强大的车载传感器过渡，新的模式出现了，这为进一步的研究提供了肥沃的研究基础。

1 介绍

       当雷达的概念在19世纪末和20世纪初首次被探索时，它主要被视为一种军事应用技术。然而，其他应用逐渐出现，在过去的四十年中，雷达已经被研究用于汽车领域的预测碰撞传感、障碍物检测和制动等应用[1]。雷达这个术语是无线电探测和测距的缩写，表明雷达用于探测车辆附近的物体(障碍物和其他道路使用者)，并估计它们的距离以及相对于雷达的速度和角度。多年来，量产汽车已经利用这些能力来促进各种驾驶辅助功能，如紧急制动辅助和自适应巡航控制。更复杂的功能，如全自动驾驶，也在很大程度上依赖雷达作为环境传感器[2]，因为它能够直接测量距离和速度，可以感知前方很远的距离，对恶劣天气和弱光条件具有很强的适应性，并且可以隐藏在保险杠后面。

       [1]详细概述了汽车雷达在最初几年的发展状况。汽车雷达的发展在文献[3]中有讨论。其他评论文章概述了汽车雷达的信号处理架构和毫米波技术[4]，[5]。最近的一篇评论文章讨论了汽车雷达最先进的信号处理算法，并给出了估计技术、雷达波形和更高级处理步骤(如跟踪和分类)的鸟瞰图[6]。

       本文概述了高端汽车雷达系统的信号处理和调制方面，并讨论了这些领域的最新进展。我们解决了数字调制的使用，例如正交频分复用(OFDM)和相位调制连续波(PMCW)波形，特别是用于汽车雷达和多输入多输出(MIMO)雷达;讨论由于复杂性增加而带来的潜在好处和挑战;并调查这一领域的最新研究。我们还指出，由于潜在的基本假设，传统的汽车雷达信号处理不能完全适应通过简单地升级雷达参数(例如，带宽，测量时间，天线孔径)来提高性能。我们提供了一个基于更先进的信号模型的信号处理框架，以可行的计算成本超越了这些限制。接下来，我们将探讨干扰缓解至关重要的未来汽车雷达系统的可靠运行，并通过对干扰缓解方法的调查来完成讨论。其中包括一些有前途的范例，如干扰感知认知雷达[7]和干扰避免的集中协调[8]。

2 传统汽车雷达

        目前，传统的汽车雷达工作在一系列调频连续波(FMCW)信号中，这是一个研究得很好的研究领域[6]，[9]。这些系统发射一系列模拟产生的chirp，这些chirp被反射，然后与接收器的发射(Tx)chirp混合，产生与目标距离成比例的频率，称为拍频。距离处理基于拍频的傅里叶变换，连续chirp上的多普勒诱导相位级数用于速度估计。chirp通常被设计得足够短，以至于距离引起的拍频分量占主导地位，而它们的多普勒频移，即速度分量，可以忽略不计(因此得名快速chirp)。图1(a)显示了一系列相同的FMCW chirp，其延迟反射和多普勒位移反射与Tx信号混合后在基带产生二维复指数。随后的二维傅里叶变换产生距离-速度雷达图像。为了在空间中定位目标，利用阵列处理技术根据反射信号的到达方向(DOA)测量目标角度，最常用的方法是通过数字波束形成。图1(b)显示了接收(Rx)通道的DOA诱导相位差以及数字波束形成原理，该原理将Rx信号与数字引导波束到特定DOA的相位相结合。在最简单的情况下，这三个频率估计任务由三维傅里叶变换共同解决，然后进行功率检测[10]、参数估计、反射聚类与关联[11]、目标分类与跟踪[12]、数据融合[13]等计算。

       汽车雷达的典型频段是24 GHz和77 GHz，大多数制造商为新一代雷达转向77 GHz。这是由于更大的可用带宽(76-77 GHz用于远程应用，77-81 GHz用于短程应用)，更高的多普勒灵敏度(因此更高的速度分辨率)和更小的天线。

        汽车雷达性能的测量主要根据以下几个参数:1)分辨率(区分两个间隔很近的目标的能力)，2)明确可测距离(能够明确区分的参数值的距离)，3)动态范围(可探测目标的最强和最弱之间的功率比)在其测量维度，即距离，速度，方位角和俯仰角。

        对于传统的基于傅里叶的信号处理，上述所有测量参数的雷达分辨率和无模糊距离直接取决于相应维度的采样频率和观测长度。对于距离，观测长度由带宽B给出，其逆决定了测量往返时延x = 2d/c0的分辨率，其中d为目标距离，c0为光速。因此，距离分辨率由以下带宽给出:Δd = c0 /(2B)。类似地，在速度维中，多普勒分辨率ΔfD由测量周期持续时间Tcycle的倒数决定，即ΔfD =1/Tcycle。当ΔfD = 2Δvfc/c0时，速度分辨率为Δv = c0 /(2fcTcycle)。对于DOA诱导的空间频率，分辨率可以类似地从天线阵列的尺寸推导[14]。前面的讨论表明，无论雷达波形如何，要获得高距离和速度分辨率，都需要大带宽和长测量时间。

       为了获得比传统傅里叶处理更高的分辨率，超分辨率频率估计方法可以应用于不同的雷达测量尺度。这些方法可以大致分为基于子空间的方法、最大似然方法和压缩感知方法。阵列处理和多维汽车雷达处理的高分辨率方法综述分别见于[14]和[15]。[16]概述了压缩感知在雷达上的应用。

        图1 图片和插图显示传统的快速chirp汽车雷达距离，速度，和DOA估计的原理。(a)一组相同的FMCW chirp。这种chirp的延迟反射和多普勒位移反射与Tx信号混合后，在基带中产生二维复指数。(b) Rx通道的DOA诱导相位差和数字波束形成原理，该原理将Rx信号与数字引导波束到一定DOA的相位相结合。B:带宽;Fc:载波频率;TCRI:啁啾重复间隔;Tch:啁啾持续时间;Fbeat:节拍频率;fD:多普勒频移;ts:标准时间;d:距离;v:速度;α:目标角度;y(φn)在第n个Rx天线处接收到相移φn的信号。

3 数字雷达

        与所描述的快速chirp雷达并行，基于数字调制的替代汽车雷达概念，如OFDM[17]和PMCW[18]，在过去几年中已经进行了研究。这些概念与FMCW雷达的不同之处在于数字化波形产生和在数字域进行解调。从广义上讲，这相当于在接收机上使用任意数字生成的波形和匹配的基于滤波器的处理。对于OFDM雷达来说，波形选择的这种高度灵活性使得通信和雷达功能可以通过将通信信息嵌入到雷达波形中来结合起来[17]。它进一步实现了基于数字波形的完全自适应、软件定义的行为。虽然在实际实现方面更具挑战性(主要是由于模数转换器(ADC)和更大的数据负载)，但这为雷达开发开辟了新的领域，并实现了先进的雷达概念。

3.1 OFDM雷达

        OFDM波形由一组正交复指数组成[子载波;如图2(a)左侧]，其复幅值由通信数据或雷达调制符号调制。子载波的正交性来自于所有子载波在一个评估区间内具有整数周期的约束，称为OFDM符号[见图2(a)的右侧]。由于离散傅里叶变换(DFT)具有相同的特性，因此可以通过对调制符号(即OFDM子载波的复幅)进行快速反傅里叶变换(IFFT)有效地生成OFDM波形。相反，基于FFT的通信数据或雷达调制符号可以在接收机上有效地提取(解调)。从通信的角度来看，这既实现了高频谱效率，又实现了简单的通信数据提取。同时，从雷达的角度来看，它可以实现雷达波形的有效数字解调。OFDM不仅为这两种应用提供了有利的调制，而且还通过单一波形结合了这两种功能。这最初激发了对OFDM雷达的研究。目前，OFDM经常被研究作为一种高效实现数字、软件定义雷达的手段，与通信方面无关。

       为了防止多径信道中连续OFDM符号之间的干扰，在符号之前发送一个循环前缀(CP)，该前缀包含OFDM符号的结束部分的重复[见图2(a)的右侧]。这将线性卷积信道转换为循环信道，因此飞行时间延迟导致接收机处OFDM符号的循环移位。图2(b)中的框图描述了OFDM系统的结构。通过IFFT产生的OFDM符号通过正交调制转移到射频(RF)频带并在信道上传输。从雷达的角度来看，通道代表车辆周围的物体，即行驶环境。在接收端，从正交解调信号中去除CP，并通过FFT获得复调制符号。对于图2(c)所示的OFDM雷达信号处理，将连续OFDM符号的子载波值放入二维测量矩阵中。雷达波形是基于谱分解调的，它通过与它们的逆值(在幺正子载波幅值的情况下是共轭的)逐元相乘来抵消发射的复调制符号。该操作将测量矩阵减少为二维复指数之和，其频率在OFDM子载波和符号上对应于雷达目标的距离和速度。与快速chirp雷达类似，2D-FFT处理(子载波上的IFFT，符号上的FFT)导致距离-速度雷达图像。

       我们对OFDM雷达信号处理做了以下观察。

        ■对于幺正子载波幅值，距离处理相当于在频域中有效实现的匹配滤波。

        ■所描述的信号处理忽略了OFDM子载波的多普勒频移，这可能导致载波间干扰(ICI)。为了将ICI限制在可忽略的水平，子载波间距Δf必须远远大于最大可能的多普勒频移fD max，例如，Δf =10fD,max[17]。然而，这限制了参数化的自由度，特别是对于远程和高动态应用，如前远程汽车雷达。

        在子载波幅值为一元且多普勒频移可忽略的情况下，该波形对信号处理性能没有影响。因此，它可以携带通信数据，也可以针对雷达的峰均功率比进行优化(例如[19])。

        ■距离和速度处理在两个独立的维度上进行，不考虑它们之间的耦合。由于实际中目标速度影响两个测量维度，这可以解释为将二维匹配滤波简化为两个单独的一维匹配滤波器，每个测量维度一个。类似于快速chirp雷达，这忽略了移动目标的距离变化，因此假设所有OFDM符号具有相同的延迟。

        由于OFDM雷达在数字域中解调雷达波形，因此需要对整个信号带宽进行采样，而快速chirp雷达只对拍频带宽进行采样。这使得OFDM雷达的实际实现更具挑战性，对ADC、存储器和数字信号处理提出了很高的要求。[7]和[20]-[22]中正在进行的一些研究侧重于限制瞬时带宽的方法，从而限制采样率。[20]通过多步扫描(称为阶梯OFDM)覆盖更大的带宽，[7]和[21]将OFDM波形与chirp结合以增加有效带宽。通过在每个时间实例随机占用较小的全带宽部分，[22]旨在通过压缩感知方法降低OFDM雷达的采样率。

        图2 图解OFDM雷达原理。(a)左边是OFDM频谱及其傅里叶反变换，右边是时域OFDM符号。(b) OFDM系统框图。(c) OFDM雷达信号处理步骤。:光谱划分;Re，实部，Im，虚部;P/S，并行转串行块;S/P，串行到并行块。

3.2 PMCW雷达

        数字雷达的另一种实现方法是使用连续波的相位调制产生的一系列波形[18]。通过对射频载波信号进行0°和180°相移的双相调制来产生波形，在CMOS技术中特别容易实现[18]。在接收机上，一组数字实现的相关器用于距离处理。多普勒处理通过FFT在一系列连续编码波形上完成，类似于快速chirp或OFDM雷达。PMCW雷达的框图如图3所示。为了获得良好的自相关特性和高动态范围的距离估计，选择合适的码序是至关重要的。使用正交码，多个Tx通道可以同时运行基于码域分离，允许MIMO处理。此外，有意义的编码选择可以提供良好的抗干扰鲁棒性。对于OFDM雷达，多普勒频移对PMCW波形的自相关和互相关特性有不利影响，需要在信号处理中通过参数化、编码选择或补偿来加以考虑。

        图3 PMCW雷达原理图。载波信号用伪随机噪声(PRN)码调制。距离处理基于Lc数字相关器，然后是基于离散傅里叶变换的多普勒处理[18]。CFAR:恒虚警率。

4 调制模式讨论

       快速chirp，OFDM和PMCW雷达共享相同的距离-速度测量原理:通过脉冲压缩(快时间)基于飞行时间的相干距离估计和通过FFT在一系列连续波形(慢时间)上基于多普勒的速度估计。对于这三种系统，分辨率和无模糊距离仅取决于观测长度(即，快时带宽和慢时测量时间)和采样率(快时ADC率和慢时波形重复率)。在硬件方面，由于模拟混合(即解调)，快速chirp雷达具有优势，从而显着降低了拍频的采样率。相比之下，数字雷达需要对整个带宽进行采样，即更高的ADC速率、内存和计算需求。然而，这种雷达的软件定义能力使其在操作上具有更大的灵活性。随着汽车雷达变得越来越复杂，具有软件定义调制的数字雷达在自适应和多功能行为、有利的MIMO概念以及基于大波形分集的抗干扰性方面具有更多功能。

5 MIMO雷达

       使用MIMO雷达技术是一种完善的改进雷达角度估计的方法[23]。MIMO雷达在Tx和Rx两侧使用多个通道，从而有效地增加了雷达和目标之间的路径数量。也就是说，由于路径数是Tx和Rx通道数的乘积，MIMO雷达获得的路径数多于物理通道数。如图4所示，这些路径可以排列成一个更大的虚拟孔径和更多的元素，从而提高雷达的角分辨率和估计精度。由此产生的虚拟孔径可以用传统的阵列处理技术进行处理。因此，MIMO雷达的主要挑战是波形的选择，以便可以清楚地区分来自不同Tx天线的信号，即Tx通道的多路复用。对于高性能汽车雷达而言，大型Tx阵列的高效复用是实现方位角和仰角高分辨率的关键因素。通常，Tx天线按时间[24]、频率[25]或编码[26]复用。

图4 MIMO雷达原理和虚拟孔径的示意图。

        等距交错调频时分复用(TDM)是快速调频雷达中最常用的复用技术，因为其简单。然而，这种方法一次只允许一个天线处于活动状态，因此大大限制了可以复用的Tx天线的数量。一些更先进的用于快速chirp雷达的多路复用方法包括如下[6]:

        ■拍频复用:多个Tx通道的chirp在时间和/或频率上并行运行，这样不同Tx通道的拍频就会出现频分复用(FDM)。让我们表示基chirp 其中K是chirp斜率。对于有频偏的chirp，第n个Tx通道的信号为，偏移量大于最大拍频。类似地，对于时间偏移的chirp，第n个Tx通道的信号为π，其中大于最大往返延迟。这使得chirp的间隔比传统时分复用或频分复用更紧凑，例如，更有效地利用时频资源。

        ■斜率分集复用:多个Tx通道发射相同带宽但持续时间不同的chirp，即斜率。然后，第n个Tx天线的信号为，其中为与基chirp斜率K的斜率差。在接收机处，雷达信号被解调为多个斜率，每个斜率导致对应的Tx通道的拍频和其他通道的chirp。随后的FFT处理聚焦恒定拍频的信号，并扩展剩余的chirp信号。这实现了Tx通道之间的分离，尽管以非正交的方式，因此具有有限的动态范围。

       ■基于多路复用的慢时相位调制:慢时的每个chirp(或一般的任何波形)的相位被调制到多路Tx通道。也就是说，对于第n个Tx天线，慢时间上的相位用exp(j2πCn(ts))调制。当用复指数调制(线性相位级数Cn(ts) = fs ts)时，这会导致Tx通道之间的多普勒偏移。这在最大可能的多普勒频移小于明确可测量的多普勒范围(例如，在较低载波频率下)的应用中是有利的。或者，慢时相位可以用正交编码调制到多路Tx通道。这需要多普勒鲁棒码，通常在速度估计中表现出有限的动态范围。

       由于其多载波结构，OFDM雷达可以更自由地进行MIMO雷达的多路复用。OFDM子载波可以单独分配给一个Tx天线，这可以为MIMO雷达生成各种正交波形。通过这种方法，Tx天线可以使用整个带宽同时工作。OFDM专用的多路复用方法包括:

       ■等距子载波交错[17]:OFDM雷达的子载波在多个Tx天线上等距交错(每NTx个子载波分配给NTx个Tx天线中的一个)，使所有Tx信道同时使用整个带宽。在保持距离分辨率的同时，这减少了明确可测量的距离范围，因为从一个Tx天线传输的子载波之间的间隔从Δf增加到NTxΔf(即，距离诱导复指数的采样率降低)。因此，这种方法不太适合远距离应用。

       ■非等距子载波交错[27]:为了克服等距子载波交错在减少明确可测量距离范围方面的缺点，OFDM子载波可以非等距交错。这意味着距离诱导的复指数的非均匀采样，保持每个Tx通道的明确距离范围。由于对于非均匀采样，基于FFT的处理导致副瓣增加，非等距子载波交错需要更复杂的距离处理，例如，基于压缩感知。非等距子载波交错可以在慢时间内保持不变(对所有OFDM符号都相同)，也可以在每个OFDM符号上动态改变，从而导致二维非均匀采样模式[28]。

       ■空时分组编码[19]:为了让所有Tx天线同时使用所有子载波，可以使用空时分组编码对OFDM子载波进行调制。这使得维护每个通道的距离估计参数成为可能。然而，它减少了不模糊速度范围，因为构成代码块的连续OFDM符号需要进行距离处理。

        对于PMCW雷达，多个Tx通道可以基于正交码进行多路复用——无论是快时还是慢时[18]。为此，码的低互相关(也是在多普勒频移条件下)对于MIMO信道的有效分离至关重要。

       显然，快速chirp和数字雷达都支持高级调制特定的多路复用方案。由于多路复用意味着在多个信道之间共享可用资源(例如，时间，频率)，因此与单个Tx信道相比，每种多路复用方法在距离-速度估计方面都会导致一些特定的缺点。通过选择适当的复用方法，可以最大限度地减少这些缺点，同时获得基于MIMO雷达的改进的DOA处理。

       MIMO雷达在选择多路复用方法时要考虑的另一个重要方面是Tx通道之间的相干性。当所有的Tx通道使用相同的带宽同时传输时，获得最大的相干性。在Tx通道测量之间的时间偏移的情况下，目标运动导致通道之间的多普勒诱导相移，加起来就是DOA诱导的相位级数。类似地，不同的载波频率的Tx通道意味着一个距离相关的，未知的相移添加到DOA诱导的相位差中，其中表示Tx通道相对于参考频率fc的载波频率偏移。如果其中一个相位分量占主导地位(例如，对于频率偏移非常大的FDM)，基于MIMO的DOA处理就变得不切实际。MIMO处理的一致性方面有利于OFDM雷达的子载波交错方案，因为它们可以从具有相同或非常接近载波频率的所有Tx信道同时传输。

6 传统距离-多普勒处理的局限性

       对于快速chirp和数字雷达，传统的汽车雷达信号处理假设可以通过处理以下三个独立的测量维度来解决估计距离，速度和角度的问题(为了讨论的简单性而忽略俯仰):1)快时间(单chirp，OFDM或PMCW符号)，2)慢时间(连续波形)和3)空间域(阵列阵元)。然而，这些度量维度不是完全独立的。特别是对于距离-多普勒处理，运动目标的距离在连续的波形中变化，因此可能导致目标峰值在距离单元之间缓慢迁移，即距离迁移[7]，[29]。

       同样，传统汽车雷达的多普勒处理也是基于窄带假设，因为信号中的所有频率都近似于载波频率。由于多普勒效应与频率有关，对于宽带系统，信号中的每个频率都会经历不同的多普勒频移，从而产生不同的速度估计。类似于距离偏移，这会导致多普勒频率偏移。这两种影响都阻止了二维傅里叶变换将整个信号能量收集到单个距离-速度单元中，从而降低了距离和速度的分辨率[7]。

       距离偏移和多普勒频率偏移都是由测量过程中目标的运动引起的。当测量过程中的距离变化超过一个距离单元(分辨率)Δd = c0 /(2B)时，就会发生距离迁移，即对于速度如下的目标:

          (1)

        因此，归一化到距离单元格的距离迁移如下:

         （2）

        由(2)可知，对于大的时间带宽积BTcycle，距离偏移较大，且随目标速度的增大而增大。同样的方程描述了多普勒频率偏移量[7]，因为这两种效应是内在联系的。事实上，它们是同一现象在两个不同维度上的表现:分别是距离-慢时间和频率-多普勒估计。因此，对于运动目标，距离和多普勒频率偏移限制了同时可实现的距离和速度分辨率，对这两个参数共同施加了上界。对于1 GHz的典型带宽和20 ms的测量时间，在v>7.5 m/s的速度下会发生一个小单元迁移。从应用的角度来看，在驾驶过程中，偏移效应的影响尤其不利，因为静止的目标相对于雷达出现了移动，从而在雷达图像中受到偏移引起的模糊影响。

       另一个与数字调制(如OFDM或PMCW)特别相关的问题是信号频率的多普勒频移。对于OFDM雷达，这会导致子载波之间的ICI[17]，[30]，并且对于编码波形，其交叉和自相关特性会恶化。然而，经典方法通过限制系统参数化来解释多普勒频移，使得最大多普勒频移仍然是可接受的，这成为高性能汽车雷达的一个关键限制。

       正如前一节的讨论所指出的，需要基于更严格的信号模型的信号处理框架，以充分获得雷达参数升级的好处，从而提高估计性能。这意味着当前基于2d - fft的处理必须被更好的2d匹配滤波器所取代。[31]提出了一种针对单个目标(或具有相同速度的多个目标)实现这一目标的方法。接下来，我们总结了[7]、[29]和[30]中的研究，并以可行的计算成本对任意数量的目标进行无迁移和多普勒鲁棒距离-速度处理的信号处理框架。我们将其表述为任意雷达波形。

7 高性能雷达信号处理框架

        正如前一节的讨论所指出的，需要基于更严格的信号模型的信号处理框架，以充分获得雷达参数升级的好处，从而提高估计性能。这意味着当前基于2D-FFT的处理必须被更好的二维匹配滤波器所取代。[31]提出了一种针对单个目标(或具有相同速度的多个目标)实现这一目标的方法。接下来，我们总结了[7]、[29]和[30]中的研究，并以可行的计算成本对任意数量的目标进行无迁移和多普勒鲁棒距离-速度处理的信号处理框架。我们将其表述为任意雷达波形。

       考虑一个汽车雷达发射一系列相同的波形(例如，FMCW的chirp，OFDM或PMCW符号)用于距离-速度估计:

          (3)

        其中x(t)为在慢时间ts = μTsym内周期性重复的0<t <Tsym波形，μ ϵ[0, Nsym -1]，其中Nsym为一个测量周期内波形(如OFDM符号)的个数。让我们定义快时间tf = t- μTsym。

        考虑(3)中从运动目标反射的雷达信号在随时间变化的距离

          (4)

        让我们表示相应的与时间相关的往返延迟:

        

        其中τ0 =2d0 /c0，xv(t) = 2vt/c0。

       下变频后，接收机处延时信号如下:

          (5)

        式中，A为信号经过传播和反射后的幅度变化。通过用τ(t)的时间无关分量(τ0)、快时间分量(τv (tf))和慢时间分量(τv (ts))表示τ(t)，我们可以考察(5)中信号模型的以下六个要素:

        1)由于初始目标距离d0，波形x(t)延迟了τ0。这个术语通常用于距离处理。

       2) x参数中的快时附加延迟τv (tf)表示波形的每个时间采样的延迟，即表示信号的多普勒诱导拉伸/压缩。对于典型的汽车应用，该项可以忽略不计[7]。

        3) x参数中的第三个延迟分量τv (ts)是由于目标运动引起的慢时间距离变化。如果忽略该项，则会导致距离和多普勒频率偏移。

       4)式(5)中的第一个指数项exp(-j2πfcτ0)表示所有样本的恒定相移，与距离和速度处理无关。

       5) 这项描述波形在快时间的多普勒相移。如果不加以考虑，则会对距离估计产生不利影响(例如，在OFDM雷达情况下会导致ICI)。

       6)最后一项是多普勒诱导的慢时间相位进程。它通常用作多普勒处理。

       传统的雷达信号处理把(5)简化为。忽略(5)中的第三项和第五项，距离和速度估计问题可以分别解耦到快时间和慢时间维度。然后，第一项用于快时间的距离处理，剩余的第六项用于慢时间的多普勒处理。然而，对于高性能汽车雷达，(5)中的第三项和第五项都不能忽略，因为这会导致偏移效应，降低距离处理的性能。随后，我们描述了一个基于更精确信号模型的信号处理框架。表1概述了(5)中的信号处理项是如何被传统的基于傅里叶的距离-多普勒处理和所审查的框架处理的(x参数中的项将单独讨论)。

        忽略不相关的第二项和第四项，(5)中的信号模型可以在快时和慢时维度上重写为:

         (6)

        (6)的快速傅里叶变换得到:

         (7)

        其中X(f - fD)是雷达波形的多普勒频移频谱，第二个指数项是慢时间依赖的目标距离，最后一项是慢时间的多普勒频移。(7)中的表示清楚地表明，距离迁移是由慢时间依赖的距离变化exp(-j2πfτv(ts))引起的。为了证明同一项负责多普勒频率迁移，我们重写(7)如下:

          (8)

        其中是多普勒频率偏移。(8)中的表示表明，在慢时间上，多普勒诱发的复指数对f ϵ[-B/2, B/2]是频率相关的。通过补偿这种频率依赖性，可以防止距离和多普勒频率迁移，因为一个单独的项会引起这两种影响。

        为了实现这一点，我们可以从多普勒处理开始，对f ϵ [-B/2, B/2]中的每个频率执行多普勒处理，内核缩放频率轴以匹配，而不是与fD匹配的传统傅里叶变换[7]，[30]。该操作按比例缩放每个频率的多普勒网格，使每个频率产生相同的多普勒估计。这就得到了慢时间无偏移的多普勒频谱:

        （9）

        式中为狄利克雷核，表示目标的多普勒频谱，在速度单元处有最大值，此操作将每个目标的能量压缩到相应的多普勒单元中，该多普勒单元沿频率维数相同，因此无迁移。随后，波形的多普勒频移可以通过每个速度单元对应的多普勒频移进行补偿。这将隐式纠正整个雷达信号的多普勒频移，因为每个目标的能量现在集中在相应的速度单元中。对于目标速度v对应的单元，(9)中的狄利克雷核变成。将变换回快时间域，我们可以用以下方法修正单元的多普勒频移:

         (10)

        后续的距离处理通常可以基于具有波形x(tf)知识的匹配滤波器执行。这使得距离-速度谱没有迁移效应和多普勒诱发的性能下降。

        所描述的通过缩放速度轴进行偏移补偿的思想是[7]中汽车雷达全单元偏移补偿(ACMC)的基础，也是[29]中合成孔径雷达Keystone变换的基础。基于chirp-Z变换可以有效地实现速度轴的线性缩放，其计算复杂度为O (NlogN)，与FFT处理相同。对所有单元进行多普勒频移补偿的思想被称为全单元多普勒校正(ACDC)[30]。校正步骤基于元素乘法，因此其计算成本可以忽略不计(尽管可能需要在时域和频域之间进行转换，具体取决于实现)。这使得所描述的信号处理框架适用于实时汽车雷达的实现，以及具有一系列相同波形和可忽略的高阶运动项的其他多目标应用[见(4)]。所提出的框架的步骤如图5所示，并与在OFDM雷达示例上的传统雷达处理进行了比较。

        图5 以OFDM雷达为例，对比传统的基于傅里叶的处理与综述的迁移和无ICI信号处理框架[7]。(a) 2D-FFT处理。(b)基于ACDC和ACMC的处理。S.D:频谱划分。

        图6为汽车驶向OFDM-MIMO雷达样机的测量结果[7]。在图6(a)中，OFDM子载波通过从移动的汽车反射，经历了0.34倍于子载波间距的多普勒频移(fD/Δf = 0.34)(参见[30]了解有关测量设置的更多细节)。因此，没有多普勒补偿的传统2D-FFT处理会产生相当水平的ICI，在目标的速度单元中沿距离轴形成明亮的痕迹(图6(a)，左，约v≈-19 m/s)。相比之下，通过将每个速度单元的多普勒频率移回，ACDC可以防止整个雷达图像的多普勒性能下降[30]。目标能量被聚焦到其距离-速度单元(d≈20 m, v≈19 m/s)，获得完整的信噪比增益，防止动态范围缩小。对ACDC的进一步性能分析可参见[7]和[30]。

        为了研究实际示例中的迁移效应，图6(b)给出了带宽为625 MHz，测量时间为39.4 ms的测量结果。由(2)可知，对于以v≈- 23m /s的速度运动的汽车，常规的傅里叶处理导致三个以上的距离和多普勒频率迁移。注意，迁移的规模相当于1.25GHz带宽和19.7 ms测量时间的系统，因此具有代表性的汽车雷达。在传统的傅里叶处理中，距离迁移导致目标峰在距离轴上的三个以上的单元被涂抹。多普勒频率偏移还会在速度轴上产生相同尺度的散射。在图6(b)(左)中，安装在车顶上的角反射器代表一个明显的点目标(在d≈16 m和v≈-23 m/s周围涂抹方形)，这一点尤为明显。图6(b)右为ACMC处理后的同一雷达图像。对于整个图像，没有发生迁移引起的峰值涂抹。对于角反射器来说，这一点尤其明显，它的能量被相干地聚焦成一个尖锐的峰值。这表明，ACMC防止了传统2D-FFT处理固有的迁移引起的距离和速度分辨率的退化。对于移动目标，这允许更长的相干积分时间和更高的同步距离和速度分辨率。ACMC的进一步性能分析可参见[7]。

        图6 用OFDM-MIMO雷达原型测量一辆驶近的汽车的雷达图像。2D-FFT处理的结果表明，多普勒频移和目标运动补偿都是必要的。所描述的迁移和无ICI处理克服了2D-FFT的局限性。(a) ACDC(右)与传统2D-FFT(左)对比[30]。从移动的汽车沿距离轴的亮迹是由ICI引起的，而ACDC不会发生。(b) ACMC(右)与传统2D-FFT(左)对比[7]。在顶部安装了一个角反的移动汽车的距离和多普勒频率迁移约为3.5个单元。对于2D-FFT，由于距离和多普勒频率迁移，目标反射被模糊，而ACMC将信号能量收集成一个尖锐的峰值。

8 干扰缓解

        随着道路上汽车雷达传感器数量的增加，抗干扰性成为雷达可靠运行的一个更重要的挑战。一般来说，高端汽车雷达由于更多地使用时频资源(例如，大带宽，长测量时间)而更容易受到干扰。考虑到对工作可靠性的严格要求，干扰抑制成为高性能汽车雷达的核心组成部分。一般来说，为了避免干扰，不同雷达的信号必须至少在一个维度上是可分离的，例如时间、频率、空间或码/波形[32]。雷达干扰抑制的主要方法可归纳为以下几类。

       ■在接收端检测和抑制:从测量数据中检测干扰，并通过丢弃受影响的数据并重建其值来抑制干扰(FMCW雷达见[33]和[34]，OFDM雷达见[35]和[36])。

        ■检测和避免:当检测到测量信号中存在干扰时，雷达主动改变其信号，以避开后续周期中的干扰[37]。

        ■干扰感知认知雷达[7]:雷达感知整个工作频谱，并通过波形自适应避免干扰[7(a)]。

        ■集中协调[8]:自动驾驶汽车集中协调以避免雷达干扰[图7(b)]。

        由于这些方法的范围从接收机的局部干扰抑制到协调干扰避免，它们在主权和普遍性方面存在很大差异。后一类方法需要其他雷达遵守规则或配合，即依赖于其他雷达的行动。第一类方法能够抑制特定形式的干扰，因此仅对某些干扰有效。

     基于在接收机上抑制干扰的方法寻求一种表示，其中干扰和信号能量最大限度地可分离，这样可以在不造成雷达信号相当大损失的情况下减少主要部分的干扰。这种处理的一个例子是通过丢弃损坏的子载波来减轻OFDM雷达的窄带干扰[35]。同样，对于FMCW(快速chirp)雷达，来自其他不同斜率的FMCW传感器的干扰可以从时间信号中滤除，因为只有一部分时间信号受到抗混叠滤波器的影响。雷达信号的丢弃部分需要被恢复，以防止明显的性能下降。对于信号恢复，可以使用线性预测[35]和稀疏恢复[33]等方法。同样，数字波束形成可以将角度域中的干扰聚焦到干扰的DOA方向，从而在所有其他方向上减小干扰[34]。替代方法是基于估计干扰信号及其随后的减法(例如，[36])。这种方法严重依赖于已知的干扰信号的特性。这些干扰抑制方法的缺点是只针对某一种干扰类型。此外，由于在实际中信号与干扰的完全分离往往是不可能的，这种方法丢弃了雷达信号的一部分。此外，它们不能改善整体干扰情况，而只能在接收器局部抑制干扰，因此通常作为减轻干扰的最后手段。

       直观地说，更可取的方法是避免干扰而不是后处理。这需要主动适应Tx信号。蝙蝠的避扰机制启发了一种方法，即在检测到接收信号中的干扰后，通过调整载波频率逐渐避开[37]。这避免了干扰，而不是局部抑制，从而使双方都受益。它也不需要干扰者的配合。当干扰的密度使盲目移动频率的风险变得不切实际时，这种方法接近其极限，最初未知的雷达信号在不同的频率上运行。

       一种更通用的自适应干扰避免解决方案是干扰感知认知雷达(interference-aware cognitive radar, IACR)[7]，它采用认知雷达的原理[38]，[39]来解决汽车干扰问题。IACR包括以下三个主要部分[图7(a)]:

       ■频谱传感:持续分析工作频谱波段的干扰，并提供频谱占用信息。

        ■频谱解释:这包含了系统的认知智能。它负责通过对干扰信号的检测和分类，对通过频谱感知获得的信息进行推理。并对各种干扰参数进行了估计。在此基础上，对下一个传输周期的干扰行为进行预测。这可以作为为下一个测量周期选择最佳适应策略的基础。

       ■波形自适应:包括可能的自适应方法以及相应的信号处理算法。它还启动了选定的适应战略。目标是在保持雷达估计性能的同时动态地避免干扰。可能的自适应空间是频率、时间和波形。

        [7]中IACR的实现使用了汽车雷达可用的较小部分的工作带宽(例如，在77-81 GHz的频率范围内使用0.5 GHz)，并通过调整载波频率和测量的开始时间来避免干扰。基于频谱感知和解释，载波频率适用于整个可用带宽内的每个测量周期，以最大限度地减轻来自其他雷达传感器的干扰。根据所选择的策略，这可能不仅意味着载波频率的周期到周期跳变，而且还意味着在测量周期内逐渐适应。通过自适应避免来自其他汽车雷达的干扰，IACR以一种通用的、干扰不可知的方式获得了对干扰的鲁棒性，并且已经处于模拟域，即通过避免而不是后处理。这通过认知干扰避免减轻了整体干扰问题，通过认知干扰避免使当前部署的非智能和非适应性系统受益。因此，它为改善汽车雷达的干扰状况提供了一条很有前途的途径。然而，一个悬而未决的问题是，在同一环境中运行的多个IACR之间如何避免干扰，因为每个IACR都自主行动，可能会导致相互干扰。为此，需要一组规则或定义良好的机制来确保可预测的行为。

       一种概念上不同的汽车干扰缓解方法是RadarMAC架构，用于集中协调自动驾驶汽车上的雷达传感器(图7(b))。这种方法要求车辆将其位置和路线与控制中心进行通信，控制中心表示车辆在相同环境下的雷达运行计划，就像图形着色问题一样，并确定每辆自动驾驶汽车的雷达无干扰运行的剧本。特别适合于密集的干扰设置，集中协调是一个有前途的方法，以减少整体干扰。然而，它需要额外的可靠通信链路、随时可用性以及参与者服从中央协调器。因此，它没有解决在同一频段工作的现有非自适应、非合作雷达传感器的干扰问题。

        图7 显示自适应干扰减缓新范例的图表和插图。(a)干扰感知认知雷达的闭环感知-行动周期[7]。(b)协调干扰规避的RadarMAC架构系统概述[8]。

9 结论

        随着自动驾驶技术的发展，汽车雷达正朝着成为更强大的环境传感器迈出重要的一步。这种转变涉及汽车雷达的各个方面，包括系统概念、调制和信号处理。在本文中，我们总结了汽车雷达领域的主要趋势，特别是与自动驾驶汽车高性能雷达系统相关的趋势。一个主要的发展是雷达操作与任意数字生成的波形。多载波调制，如OFDM，不仅使雷达和通信能够在单一波形中结合，而且还代表了实现新的软件定义雷达概念的手段。在MIMO雷达的背景下，多载波调制允许产生各种正交波形，从而实现有利的多路复用方案。

       基于广义信号模型，我们描述了传统雷达信号处理背后的简化，当升级雷达参数以提高性能时，这些简化不再适用。我们回顾了一种基于更严格的雷达信号建模的信号处理框架，该框架允许以适度的计算成本实现无迁移和多普勒鲁棒性能。最后，对汽车雷达干扰抑制方法进行了研究。随着汽车雷达技术的深入市场，干扰问题变得更加严重，这意味着在接收机局部抑制干扰的方法将是不够的。以适应、认知和/或协调方式减轻干扰的有希望的范例出现了，它们在改善总体干扰状况方面的作用日益明显。尽管人们对汽车雷达的了解已经有几十年了，但这篇综述表明，在自动驾驶汽车发展的刺激下，这是一个研究的沃土。