论文解读--Coherent Automotive Radar Networks：The Next Generation of Radar-Based Imaging and Mapping

相干汽车雷达网络：下一代基于雷达的成像和测绘

摘要

       成像雷达是汽车和工业应用的关键感知技术。在高通道数系统方面已经取得了很大进展，例如，部署了12个发射通道和16个接收通道，采用级联单片微波集成电路解决方案。然而，在密集的城市驾驶场景中，完全自动驾驶需要更高的角分辨率来做出驾驶不足/行驶过度的决策，并精确预测物体的轨迹。这两个问题都可以通过增加天线尺寸和构建更大的雷达来解决。然而，可以放置在汽车前部的东西是有物理限制的，制造非常大的阵列是相当困难的。因此，相干汽车雷达网络是一种实现高空间分辨率并从单次测量中获得物体完整速度矢量的方法。这种解决方案在商业上很有吸引力，因为传感器可以保持相对较小的尺寸，并且复杂性可以从物理硬件转移到算法和处理。本文介绍了两种不同的测试设置，每种设置都由76–77 GHz频段的两个多输入多输出雷达单元组成。为了获取方位角和其他仰角信息，这些设置分别使用1D和2D天线阵列。采用基于处理的相干评估来创建额外的雷达图像，该图像具有两倍的方位角分辨率和更高的信噪比，并能够估计矢量目标速度。本文介绍了这些优势，并将其与交通场景中的光学参考图像进行了比较。

索引术语 汽车雷达、双基地雷达、FMCW、毫米波雷达、MIMO雷达、多基地雷达、网络。

1 介绍

       与具有共置发射机（TX）和接收机（RX）的单基地雷达相比，双基地或多站点雷达系统（MSRS）具有许多优点，但对协作网络的要求更严格[1]。这种网状布置的好处包括提高信噪比 （SNR）、更高的定位精度、速度矢量估计、提高空间分辨率和增强信号信息体。一个主要的缺点是需要同步、频率和相位、额外的数据传输链路、更高的计算复杂性和准确的站定位。

       除了激光雷达、摄像头和超声波，汽车雷达是高级驾驶辅助系统（ADAS）或自动驾驶的关键传感技术之一[2]。最先进的汽车雷达传感器能够以完全相干的方式同时测量众多目标的范围、径向速度、方位角和仰角。此外，多输入多输出（MIMO）系统用于在准确性和分辨率方面增强角度估计 [3]。安装具有不同规格的雷达传感器，例如，在最大检测距离、角分辨率或视场 （FoV） 方面，以实现特定的安全功能。如[4]所示，自动驾驶测试车辆可以配备八个雷达传感器和额外的立体摄像头，用于感应环境。原始数据被单独处理，以根据来自所有传感器的信息创建对象列表。

图1 带有两个 MIMO 雷达单元、摄像头和一个激光雷达传感器的测试车辆。

       为了将复杂的雷达网络应用于汽车行业，需要一种使用所有可用目标信息的技术。准确地说，从一个发射雷达到目标，再回到另一个空间分离的接收雷达的所有传播路径都应该同时、相干地进行评估。图1显示了用于对具有两个传感器的雷达网络进行实验评估的测试车辆。此外，两个摄像头和一个激光雷达用于感应环境。无线电信号的直接融合有利于检测和分类周围区域的物体，从而耗尽传感器网络的全部潜力。[5]解释了首选设置，即正交网状雷达系统（ONRS）的原理和优点。ONRS的电台使用由一组正交代码定义的不同波形运行，以确保完美的分离。关键问题的简化图如图 2 所示。（a）中的直接路径可以用传统的雷达装置来评估。此外，应使用（b）中的交叉路径来获取更多目标信息。

       图2 传统的汽车雷达设置，其中每个雷达单独测量（a）具有两个协作雷达单元的雷达网络，除了测量两条直接路径外，还可以测量交叉路径（b）。

       为了从同步质量和相干水平的角度概述分布式雷达的概念，第二节介绍了一种分类方案。第三节简要总结了相干全双工双面（CFDDS）雷达的概念。此后，第四部分解释了一种测试系统设置，该设置允许在实际汽车场景中运行。孔径设计和成像能力在第五节中显示。最后，第六部分的测试结果证明了相干汽车雷达网络的适用性和优势。

2 分布式雷达系统的分类

       为了评估空间分布雷达概念的已知方法，我们提出了一种分类方案，该方案考虑了分布式雷达的两个先决条件：同步程度和相干性（表 1）。具有非同步节点的分布式雷达网络定义了I类。这些系统要么测量来自其他来源的信号，要么创建一个由多个独立工作的单基地站组成的网络。无源双基地雷达由至少一个接收机和一个不合作的发射机组成。例如，广播和通信信号可以用作“机会的照明者”[6]。为了测量双基地距离和速度，如果有视线 （LoS） 信号，可以直接确定定时参数。三维速度信息可以通过使用多个接收器和信息融合来获得[7]。通过测量接收信号强度（RSS）[8]，可以在基础设施不复杂的情况下获得无线定位结果。功率水平的比较既不涉及无线节点之间的任何时序要求，也不涉及特定的硬件或软件[9]。这类中的另一个例子是用于观测龙卷风风暴[10]或电离层漂移速度[11]的多基地多普勒雷达网络。

       具有额外同步功能的分布式非相干雷达系统属于II类。为网络的一个或多个节点提供时间参考可以通过无线定时协议或物理共享参考信号来实现。对于基于飞行时间 （ToF） 的无线定位，必须选择第一个选项，以便与 RSS 估计相比实现更高的精度。II类系统的一个例子是本地定位雷达（LPR），它使用调频连续波（FMCW）信号测量两个无线节点之间的距离[12]。在雷达测量之前，会交换随着带宽增加而产生的上下chirp信号，以调整时间和频率[13]。[14]和[15]解释了基于可比同步方法但具有超宽带（UWB）脉冲的无线定位系统。通过采用参考应答器，本地定位测量（LPM）系统使用到达时间差（TDOA）的评估，精确的3D定位变得可行[16]，[17]。在这里，参考站的可用性简化了同步要求。基于物理参考信号，松散耦合的雷达网络可用于获取额外的双基地距离信息，并改善对无源目标的检测或轮廓识别[18]–[21]。

       II类分布式雷达仅在短时间内提供稳定的相位条件，即单脉冲或FMCW线性调频的持续时间，而III类系统可以使用额外的相干特性。相干雷达方法有利于实现更高的积累增益、双基地或多基地多普勒测量、增强对静止杂波的抑制、降低由于距离相关效应导致的相位噪声 （PN） 或与分布式电台的干涉测量。与完全相干雷达相比，此类系统仅允许使用其中的一些功能。如果将射频载波调整到照明器的频率，则双基地雷达接收器可以执行相干测量[22]。为此，可以在多普勒分箱中识别出静止杂波，该多普勒分箱对应于发射机和接收机的未知频率偏移。[23]讨论了采用电机控制的移相器和辅助信号传输的相位稳定方法。RF相位可以稳定，但机械元件速度太慢，无法补偿振荡器PN。调整稳定本振（LO）的另一种方法是采用全球定位系统（GPS）广播的参考信号，例如，基于铷频率标准[24]。在这里，每秒脉冲（PPS）信号为本地GPS驯服振荡器（GPSDO）提供时间、频率和相位参考，并实现相干积累，例如，长达1秒[25]。前面提到的所有方法都依赖于辅助同步信号的可用性。基于全双工传输，下变频中频（IF）信号的偏移和相位信息高度相关，可以从模数转换器（ADC）数据中推断出未知参数[26]，[27]。使用双斜坡（DR）FMCW抑制相关PN可使距离达到1 km的距离达到1 cm以下[28]。载流子相的合成相干性也可以通过校正未知的初始相[29]，[30]来确定。该方法可用于参考目标或介电透镜的反射[31]，[32]。

表 1.分布式雷达系统分类方案

       在同步质量和相干性方面，IV类分布式系统的信号与单基地雷达信号相当。不相关的PN对双基地测量的影响如图3（a）所示，在距离（蓝色）和速度维度（红色）中。由于使用了具有独立PN的空间分离信号源，与（b）中具有相位噪声补偿的频谱相比，（a）中的底噪显着增加。（b）中剩余的底噪水平约为−80 dB，可以与单基地系统相媲美。为了获得具有低底噪的下变频信号，IV类分布式雷达系统需要特定的硬件组件或同步步骤。

       作为第一个例子，[33]考虑了使用有源反向散射转发器来调制和重传接收信号的系统。通过比较与调制频率对称的两个边带，基于合成孔径方法或抑制无源杂波的相干无线定位[34]成为可能。这一概念也被应用于通过增强信息检测被动目标[35]和增加MIMO雷达的孔径[36]。作为通过射频混频调制的替代方法，开关注入锁定振荡器也可以相干响应[37]。使用参考线性调频信号的无线广播进行下变频，这被称为空中去转换（OTAD），可以确保多基地系统的精确同步和相干性[38]。用于无源目标分布式检测和PN降低的相关系统概念直接在第二个站发射RF载波进行下变频[39]。除了相位差补偿外，还可以通过有线链路共享频率接近所需射频的参考信号，从而实现准相干分布式雷达的相位稳定频率合成[40]。由于具有低衰减和高带宽的可用组件，光链路是参考的一种选择[40]，[41]。与单基地系统不同，如果采用倍频器，PN电平会增加一定量。双基地合成孔径雷达（SAR）需要长期的相位稳定性才能生成详细的数字高程模型（DEM）[43]，[44]。因此，超稳定的本地振荡器与用于连续或脉冲同步的星间链路相结合，可提供定义的相位条件。与[24]中的III类方法相比，GPS驯服晶体振荡器作为LO可以精确调整[45]。由定时抖动引起的残余相位误差通过后处理进行补偿，以改善雷达图像。完全相干系统的最后一个例子是基于处理的CFDDS雷达方法[46]。它允许双基地或多基地测量，并从ADC样本中得出未知的同步参数。PN 补偿和精确的速度测量可用于定位应用或被动目标的检测 [47]。

       图3 相位噪声（a）在没有相位噪声相干性的传统分布式雷达系统（I类、II类和III类）中的影响，以及（b）在具有载波相位和相位噪声相干性的先进IV类分布式雷达系统中的影响，如[46]所示。

3 相干全双工双面雷达原理

       与IV类其他完全相干方法相比，基于CFDDS雷达的传感器网络具有许多优势。它不需要特殊组件，如射频电缆、光纤或转换器，也不需要超稳定的LO时钟源，而这些对于汽车应用来说太昂贵了。此外，在高度动态的交通场景中，通过空中交换同步信号或传输额外的射频参考非常容易出错。来自其他道路使用者的干扰进一步恶化了这些方法的质量。CFDDS雷达可以直接从ADC样本中获取系统偏移、未知相位值和PN曲线。成对处理使这一概念具有足够的灵活性，可以使用两个或多个雷达单元，这些雷达单元以较小的定时或频率偏移运行，以确保频域中的正交多路复用。因此，汽车ONRS的所有先决条件都已满足。由于CFDDS雷达主要依赖于数字信号处理，因此它与最先进的FMCW线性调频序列雷达传感器兼容。

A.CFDDS-TWR和信号模型简要总结

       正如我们在[46]中所展示的，使用CFDDS双向测距（TWR）和粗同步单元可以实现相干无线本地定位。可以通过采用相对时基来对相应的信号进行建模，该时基取决于时序偏移Δτ 和LO漂移 δt。为此，两个雷达单元同时发射和接收一系列连续的上下chirp信号，并将中频信号样本传输到处理单元。如果满足采样准则，则可以创建相干合成拍信号，该信号与单基地雷达信号相当。通过在雷达测量之前精确调整压控晶体振荡器 （VCXO），可以大大降低计算复杂性。与上升和下降的chirp相比，一系列上升chirp（许多汽车雷达系统的标准）就足够了，并且沿慢时间维度的不模糊域增加了一倍。

     在不失去通用性的情况下，我们解释了两个雷达单元的关键处理步骤和要求，用上标表示。为了简化方程，我们假设只有一个目标，忽略热噪声，并将本地振荡器调整到相同的频率，即 δt ≈ 0。此外，无线信道是互易的，并允许在两个方向上传输相同的信号。中频差拍信号的傅里叶变换可以表示为

(1)

       式中α、W {·}、Δf、fD和fc分别表示信号幅度、频域加窗函数、多普勒频率、频率偏移和载波频率[46]。算子 F{·} 和 ∗ 分别表示连续时间和卷积中的傅里叶变换。FMCW线性调频序列由线性调频数k定义，∈{0,...,K − 1}，线性调频斜率为μ = B/Tsw。RF带宽和扫描时间分别表示为B和Tsw。像往常一样，对于足够慢的目标，ToF τk 在测量过程中不会发生实质性变化，并且第一行的拍频仅取决于初始ToF τ0。与单基地雷达相比，的未知初始相位不会抵消，不相关的PN的影响要大得多。由于时序偏移未知，因此在存在额外的相移，具体取决于线性调频数。

B.在分布式MIMO系统中的应用

       具有两个MIMO单元的雷达网络的设置如图4所示。通过在两个节点之间选择d0的大间隙，可以实现较高的空间分集增益，提高横向速度估计的精度。每个雷达都采用一个天线元件进行同时发射和接收（TRX）。在这种情况下，可以通过（1）对获得的IF频谱进行建模。额外的TX阵元 n ∈ {1,...,N} 和RX阵元m ∈ {1,..., M} 用于角度估计。目标由初始 2D 或 3D 位置 xT 和速度矢量 vT 定义，假设速度矢量 vT 在线性调频序列期间是恒定的。根据它们的颜色，可以区分不同的信号路径。例如，第一个单元的直接路径（DP）目标响应为浅蓝色，而第二个单元接收到的交叉路径（CP）信号为红色。

       物理连接包括一根触发电缆和一个用于调整LO时钟速率的MHz信号。这种松散耦合的设置确保了精确的定时，即发射、接收和采样的延迟Δτ，以及雷达2的频率偏移Δf，都清晰且稳定。与具有精确调谐的 VCXO 的无线系统相比，可实现δt = 0。无论物理互连如何，小数N分频锁相环（PLL）输出端的初始相位偏移仍未定义，需要校正[31]。此外，从共享的MHz基准合成GHz RF载波可显著提高频谱相位噪声密度。乘以u的系数可使PN密度增加[48]。由于大量不相关的 PN 会损害双基地信号，因此需要进行补偿。

       图4 一个网络的简化图示，其中两个雷达单元通过触发器和系统时钟物理连接。在每个单元上，MIMO阵列的一个天线元件用于同时发射和接收（TRX元件）。采用额外的发射 （TX） 和接收 （RX） 元件来提供足够的角分辨率。

C.所需处理步骤

       （1）中两个单元的拍频谱都以频率fshift = Δf + μΔτ为中心。必须确定这种偏移，以考虑未知的触发时序偏移，该偏移取决于内部延迟和触发电缆长度。在fshift处对2号站的拍频谱进行镜像，并计算了复共轭。在去除由频移引起的偏移后，目标在两个校正的拍信号中都出现在相同的位置，并且作为τk函数的所需相位信息是相同的。由于定义了时序，的附加相移值是恒定的，可以通过校准来消除。此后，双基地信号被简化，其中 ψk 表示校准后 FMCW chirp的未知初始相位。为了实现相干测量，必须对沿快速时间维度的未知相位和PN进行补偿。

     与使用单通道传感器和 LoS 传输的雷达定位不同，需要考虑所有目标以确保足够的 SNR。对于双基地PN，可以假设的影响是可比的，足够小，并且与ToF无关，这可以使用具有高相位稳定性的信号源来满足[49]。因此，在快速傅里叶变换（FFT）后可以检测到目标，但精度会降低，并且底噪会增加。假设 L 个不同的目标标记为 {1,..., L} ∈，则双基地信号为

       其中目标信息Sk,0（f）在两个传输方向上相等。为了估计ψk，计算积分

(4)

       其中，算子arg{·} 和变量 fmax 分别表示复数值的角度和可检测拍频的上限。随机变量 占系数1/2，可以通过沿慢时间维度的相位展开来校正 [46]。

       特别是在观察具有高雷达截面（RCS）的目标时，快速时间维度的相位噪声补偿具有优势。在这种情况下，剩余的 PN 轮廓变得可见，并可能掩盖弱目标。此外，PN会降低测距精度。

       在对初始相位进行校正后，在快速时间维度上进行估计，可以得出每个FMCW线性调频的相位噪声分布。（3）与目标信息对应的时域拍信号定义为。

       由于所有TX和RX组合的初始相位和PN曲线相同，因此需要对所有接收到的双基地信号进行校正。因此，（4）和（5）中估计的相位误差都可以通过与共轭值相乘来进行补偿，从而在分离单元的情况下实现完全相干的MIMO操作。

4 系统设置

       本节详细介绍了由两个FMCW MIMO单元组成的实验雷达网络。此后，将解释正交多路复用方案和所需的校准步骤。

A.硬件配置

       图5显示了具有两个雷达节点的设置的基本硬件组件框图。左侧单元用作主雷达节点，右侧单元用作辅助节点。在这种情况下，术语“初级”和“次级”与初级或次级雷达技术无关。为了实现精确的松耦合并确保稳定的定时，主节点发送触发信号以开始测量并共享其系统时钟。为了抑制车内的任意干扰信号，低 PN VCXO 由具有非常低环路滤波器带宽的时钟恢复 PLL 型 HMC1013 驱动。内部时钟或恢复的时钟被分配给所有对时间敏感的组件。为了实现两个单元的样本的相干融合，数据被传输到中央处理单元（CPU）。这种灵活的设置可以很容易地扩展到两个或多个次级雷达节点。

       核心部分是ADI公司制造的ADAR6902型RF片上系统（SoC）单片微波集成电路（MMIC）。这种完全集成的雷达解决方案基于 28 nm 互补金属氧化物半导体 （CMOS） 工艺，可在 76–81 GHz 汽车频段内工作。为了在所需的载波频率下生成FMCW线性调频，使用内部80 MHz晶体振荡器时钟fclk和具有数字相位检测器（DPD）、数字环路滤波器（DLF）和数控振荡器（DCO）的全数字PLL （ADPLL）来创建大约10 GHz的内部RF信号。此后，该信号将上变频 4 至 40 GHz，并可通过集成功率分配器进行分配，以级联多个ADAR6902 MMIC。最后的上变频级在所需频带内产生射频信号。对于距载波100 kHz、1 MHz和10 MHz的偏移频率，77 GHz汽车频段的相位噪声分别为−77 dBc/Hz、−100 dBc/Hz和−120 dBc/Hz。

       支持 3 个 TX 和 4 个 RX 通道的 MIMO 操作。单个复数同相和正交 （IQ） 调制可用于发射天线。为此，将可编程增益放大器（PGA）和 360° 移相器（可变步长为 2.8°）连接到 TX 功率放大器（PA）。I和Q分量由两个 PGA 创建。温度稳定的最大TX输出功率为14 dBm，通道增益高达63 dB，噪声系数（NF）低于13 dB。接收到的信号被馈送到一个低噪声放大器（LNA），然后由一个电流驱动的混频器进行下变频。具有高频和干扰的混合产物由截止频率为 25 MHz 的一阶低通滤波器 （LPF） 抑制。内部 16 位连续时间过采样 - ADC 支持每个 RX 通道高达 50 兆采样 （MSPS），有效位数 （ENOB） 为 12 位。连续时间 - ADC技术提供出色的固有混叠抑制性能。为了保持最佳的系统性能，集成了内置自检（BIST）以执行定期安全检查。

       贴片天线可以通过微带传输线连接。CFDDS雷达处理所需的TRX元件通过Wilkinson功率分配器连接到一个TX和一个RX通道。原始数据的处理或预处理可以在内部完成，也可以读出ADC数据。在这里，后一种选择是首选，以实现相干雷达网络的有益特性。

       所有操作均由 Xilinx UltraScale+ 现场可编程门阵列 （FPGA） 控制。更具体地说，它要么提供触发信号（主节点），要么接收外部触发信号（辅助节点），开始测量，读出ADC样本，并用于通过Gbit以太网将所有节点的数据传输到CPU。

图5 测量硬件的框图，其中两个MIMO雷达单元处于初级和次级配置中。

B.系统设置

       ADAR6902 MMIC的雷达特性可以通过从大量参数中进行选择来定义，以满足不同汽车应用的要求。例如，测量序列可用于多达 4095 个 FMCW 线性调频，射频带宽为5GHz，线性调频斜率为1 GHz/10 μs。对于我们的演示器设置，我们选择了符合表2的参数，以实现稳定运行。因此，距离分辨率、径向速度分辨率和不模糊速度分别导出为 30 cm、29.9 cm/s 和 ±4.8 m/s。松耦合对双基地相位噪声的影响可以用频谱相位噪声密度来定义。从80 MHz系统时钟导出77 GHz RF载波，可将不相关PN的功率密度提高约60 dB。

表2 用于测量的关键雷达参数

       所使用的雷达驱动程序允许记录原始数据进行离线评估，或者每秒至少记录10个线性调频序列，这些序列使用 AMD Ryzen Threadripper CPU 进行处理并显示在笔记本电脑上以进行实时评估。此外，前后摄像头的传感器数据，安装在车顶上的Velodyne HDL-64激光雷达，可以在机器人操作系统（ROS）框架的rviz工具中可视化。有关轨道的其他信息是从 GPS 数据和测试车辆中控台的惯性测量单元 （IMU） 中获得的。通过控制器局域网 （CAN） 总线标准传输的数据。所有传感器均通过精确时间协议 （PTP） 服务器以纳秒精度同步。

C.中频频谱的多路复用

       图 6描绘了两个雷达单元（1在图（a）、2在图（b）），N = 3 个 TX 单元使用正交多路复用方案的IF信号。颜色与图 4 中的各个信号路径重合。由于交叉路径信号的相位校正是使用两个雷达单元（实线）的 TRX 信号路径 n = 1 的采样数据执行的，因此在 K = 128 个 FMCW 线性调频的整个序列中，第一个通道处于活动状态。通道 n = 2 和 n = 3（虚线）的时间交错，以及的额外频率偏移，可实现基带分离，其中IF采样频率用fs表示。在扫描偶数 k 时，同时使用第一个和第二个 TX 通道。第一和第三个 TX 通道在扫描期间以奇数传输。

       从雷达单元1和2接收到的信号是可区分的，因为第二个雷达的定时偏移为Δτ = fs/4μ。此外，主站会因与预期触发偏移相对应的小偏移而延迟。为了有效利用可用的中频带宽fs/2，第二个雷达单元的RF混频器的下变频采用fs/4的频率偏移。这种配置在图6（b）中交换了基带中的交叉路径和直接信号，降低了采样要求。综上所述，两个雷达单元的基带均被完全占用，除快速时段的带外相位噪声外，所有不同的信号分量都是正交的。与具有一个TX的单个线性调频序列雷达相比，可用的不模糊距离减少了4倍，可用的多普勒域减少了一半。

       图6 雷达1（a）和雷达2 （b）的中频拍频谱的划分。来自TX天线1的信号的下变频表示为实线，TX 2/3 表示为虚线。由于两个雷达单元之间的空间间隔较大，因此观测到的目标响应不同。雷达2的射频混频器使用频率偏移来提高IF频谱效率。

D.校准

       由于触发电缆的制造公差，第3章C节中的确切频移值 fshift 是通过初始测量和单元1和2的拍频谱卷积通过实验和自动发现的。如果电气长度受温度或机械应力的影响，则始终可以从任意测量数据中得出调整后的校正值。天线阵列的特点是具有复杂的耦合矩阵，用于模拟幅度和相位不平衡以及各个元件的交叉耦合。为了确定矩阵条目，我们使用了[50]中描述的校准设置和方法。对于双基地测量，天线校准在TX和RX元件的不相交矩阵中分解，以创建交叉校准矩阵。采用FDM进行MIMO多路复用会导致相移，该相移取决于TX通道，需要进行校正以实现精确的波束成形[51]。时分复用（TDM）基于FMCW chirp在两个或多个通道上的交错，会导致额外的相移，作为目标速度的函数，必须对此进行补偿[52]。

5基于相干雷达网络的孔径设计、合成与成像

       假设有远场条件，任意MIMO阵列可以分别用发射和接收导向矢量aTX（β）和aRX（β）来分析描述[53]。变量β = sin（θ），作为方位角θ的函数，表示相对于阵列的方向。因此，MIMO雷达的导向矢量为：

(6)

       其中⊗表示 Kronecker内积。对于具有多个相干工作雷达节点的设置，可以直接扩展发射和接收导向矢量，以计算整个网络的导向矢量。与基于FFT的均匀MIMO阵列采样数据处理相比，稀疏虚拟阵列需要更复杂的方法。除了传统的波束成形外，流行的例子还有压缩传感方法[54]和全息技术（也称为空间匹配滤波器）[55]。这些算法的主要缺点是计算复杂度高。

A.稳定的阵列配置

       我们的测试系统的阵列配置和相应的虚拟阵列如图7所示。左右两侧有12个虚拟阵元的均匀线性阵列 （ULA） 由单雷达响应产生。在中心，创建了一个具有23个阵元的ULA，具有两个交叉路径响应。它相当于在汽车中央增加了一个虚拟MIMO雷达。由于使用了两个 TRX阵元，中心的虚拟通道是多余的，可以移除以进行角度重建。相邻虚拟阵元（和 RX 阵元）之间的间距设置为0.58λ，以产生±60°的视场。

       鉴于图4中的雷达设置和图7中的阵列配置，由于两个雷达节点之间的d0 = 0.86 m间隔较大，因此生成的虚拟阵列非常稀疏。因此，使用所有可用的虚拟信道进行重建将导致具有高旁瓣的非常精细的干涉图案。为了避免这个问题并最小化计算要求，不同的雷达图像将与虚拟阵列的所有统一部分单独计算。与单雷达系统不同，具有两种双基地响应的角度重建不能被视为远场问题，只能用FFT求解。为了避免使用具有高计算量的迭代方法，我们采用了带有Hanning窗口的延迟和（DAS）波束成形与Tikhonov正则化[56]。这种方法降低了旁瓣电平和缺陷（如校准或天线阵列缺陷）的影响。另一个区别是，在两个双基地信号相等距离处重建的假设取决于椭圆上的位置，而不是圆上的位置[57]。

       图7 阵列配置（a）和相应的虚拟阵列（b）。两个雷达单元都使用3个TX（x）和4个RX（o）阵元。虚拟阵列（☆）由三个不同的阵列组成，它们之间的空间间隔很大。左右两侧有12个虚拟阵元的 ULA 由直接响应产生。在中心，使用交叉路径响应创建具有 23 个阵元的 ULA。

B.通过仿真进行分析

       图 8 中的仿真显示了与单个 MIMO 雷达 （16.4°） 相比，双倍虚拟阵列 （8.6°） 的分辨率增强了。为此，考虑了两个方位位移为 12°的相邻目标和一个孤立目标，它们都位于距原点d = 50 m的距离处。为了解释空间分离，直接路径距离-角度图的两个不同切口被描绘成实线和虚线。在所有响应下，都可以正确检测到孤立的目标，但直接路径信号的分辨率不足以分辨两个相邻目标。

       在分布式雷达单元的汽车应用中，由于安装误差，例如，制造过程中的间距不准确或汽车保险杠或其他部件的热膨胀，可能会出现分布式雷达单元的实际问题。图9显示了在d = 4 m处由方位角θ1=−10°和θ2=40°定义的两个目标的重建结果。不同的颜色表示无误差的情况（黑色）和 d0 中的附加误差为 +5 厘米（红色）和 +10 厘米（蓝色）。然而，两个目标都可以在正确的方位角上被检测到。旁瓣电平（SLL）仅从−24 dB略微增加到−20 dB。与干涉测量法不同，这种技术非常鲁棒，因为双基地通道的相对相位差几乎不受d0误差的影响。

       图8 使用两个相邻目标和一个孤立目标（-12°、0° 和 30°）评估改进的分辨率能力。为直接路径绘制了距离-角度图的两个切口，以说明几何图形。相邻目标只能使用加倍的虚拟孔径进行解析。

       图9 仿真距原点 4 m 处的两个目标。如果没有安装误差（黑色），SLL的功率约为−24 dB，通过引入5 cm（红色）和10 cm（蓝色）的误差，SLL分别增加到大约−21 dB和−20 dB。

C.速度矢量估计和概述

       如图 4 所示，两个紧凑型雷达单元位于全局坐标系中的位置。通过将目标速度投影到归一化目标向量上，对沿相应传输路径 a → b 的测量速度进行建模，如下所示

（7）

       其中<·, ·>，和 || · ||分别表示标准标量积、从雷达a/b到目标的矢量和欧几里得距离[58]。在计算距离多普勒图和方位角波束成形后，可以在所有雷达响应的正确位置识别目标。与使用单个雷达单元进行径向速度估计相比，由于雷达单元之间的空间间隔很大，因此观测到的速度不同。因此，可以计算每个像素和所有目标的切向分量和速度矢量。文献[59]给出了切向速度估计的不同处理方法。

       图10概述了所建议的雷达网络的完整信号处理链。颜色对应于图4中的不同信号路径和图6中的IF频谱分量。通过快速时间FFT对IF频谱进行划分后，通过多普勒和方位角中的两个附加FFT，直接和单独地创建距离-多普勒-方位角雷达图像，并与单元1和单元2的直接路径响应一起创建。此外，通过局部二维极坐标到全局坐标系的变换，估计目标的矢量速度。为了重建额外的双基地3D雷达图像，信号在时域中移动以补偿精确的频率偏移。现在，可以使用两个TRX通道的信号来确定所有FMCW chirp的两种双基地混频产物的相位扰动。为了应对沿快速时间维度的相位噪声，该文进行了逐样本估计和补偿。在多普勒 FFT 之后，波束成形用于创建角分辨率翻倍的3D图像。

       图10 使用两个雷达单元进行相干信号处理的简要概述。沿快时间域的FFT允许分离直接路径（DP）和交叉路径（CP）信号。DP信号直接进行处理，矢量速度使用两个距离-角度图确定。在对CP信号进行预处理后，计算慢时间FFT，方位角波束成形提供双倍的分辨率。

D.2D阵列配置

       为了分辨方位角和仰角的目标，我们使用一个 L 形天线阵列，其中M=8个RX和N = 6个TX，两个雷达单元的阵元间距均匀。在这里，每个MIMO雷达都采用了两个级联ADAR6902 MMIC。发射通道水平排列，接收通道垂直排列。单MIMO雷达的虚拟阵列是一个具有48个元件的矩形均匀阵列（RLA）。根据图7中的方位角阵列，单元2的阵列是原始阵列的镜像版本。如一维情况所示，可以使用位于汽车中心的方位角分辨率大约翻倍的附加阵列。为了获得高角分辨率，RX和TX阵元之间的阵元间距分别增加到7.5 mm和11mm。得到的点扩散函数 （PSF） 如图 11 所示。在这里，加倍的虚拟阵列在方位角上的分辨率增加到 1.7°（两个方向都没有加窗函数），仰角可能为3°。图11中产生的栅瓣通过使用制造为介电透镜的定向天线来抑制。明确的角度区域在方位角上是 20°，在仰角上是 30°。

       图11 用于两个L形MIMO阵列相干组合的线性标度点扩展函数。由于透镜天线的辐射模式，黄色圆圈内的区域是可见的。

6 测量结果

       为了评估CFDDS雷达的上述特性，使用两种不同的设置进行测量，每个设置由两个MIMO FMCW雷达站组成。测量硬件如图12所示，其中（a）具有两个单DigiMMIC单元，线性阵列如图 4 所示。（b）中的两个双DigiMMIC单元由第5章D节中介绍的二维L形阵列组成。图5中的触发器和系统时钟输入和输出都进行了相应的标记。根据特定的测量平台（保险杠安装在测试车辆上或灵活安装在实验室推车上），工作站之间的间隙d0范围为 0.5 m 至 1.8 m。始终选择雷达定位，使得主单元相对于雷达的观察方向位于左侧。

       图12 测量硬件由两个协作雷达单元组成，作为单DigiMMIC设置，每个单元（a）中有3个TX和4个RX，作为双DigiMMIC设置（b）中每个单元有6个TX和8个RX。

       为了评估增强的角度分辨率，在非反射实验室环境中使用表 2 中设置的参数进行了单DigiMMIC 测量。两个单元之间的间隙d0设置为0.97 m。两个直径为24 cm的金属圆柱体位于距虚拟阵列4.23 m处，相对于虚拟阵列的方位角为0°（见图13（a））。气缸间距r设置为0.8m，对应于10.8°的角度差Δθ。考虑到部署的Hanning窗口，Δθ低于单DigiMMIC孔径的单基地角分辨率θ3dB（16.4°）。这可以从图13（b）中描绘的常规拍频信号的2D FFT的测量结果中观察到。因此，（c）中的CFDDS评估结果证实了角分辨率提高2倍的假设，因为现在可以清楚地解析两个圆柱体。

       图13 FMCW测量实验室设置，由两个间距为80 cm的金属圆柱体组成（a）。这些目标在传统的单基地评估（b）中无法解决。然而，与（c）中使用CFDDS测量和评估系统的相干雷达网络可以进行区分，从而确认了增强的角分辨率。

       从理论上讲，与使用单个MIMO单元的单基地设置相比，用于CFDDS雷达图像的虚拟通道数量增加了一倍，可将SNR提高3 dB。为了实际评估性能，我们使用图13（a）中的设置进行了测量，并在0°时将两个气缸替换为一个气缸。在这个方位角下，接收和发射的功率沿所有传播路径都是相等的，因为它与天线辐射方向图无关。47个线性调频序列的测得信噪比如图14所示，分别为红色（雷达网络）和蓝色（单基地雷达）。对于每次测量，底噪被确定为圆柱体后面261个空单元的平均值。

       图14 雷达网络（红色）与单基地雷达（黑色）的 SNR 测量值。误差线表示标准偏差除以10。

       增强的方位角分辨率与增加的SNR相结合，在动态、多目标汽车场景中显示出巨大的优势。为此，使用图15中描述的测试车辆和第4章B节中描述的参数和硬件设置进行了测试。它的特点是两个单DigiMMIC雷达单元安装在牌照的高度（约0.4 m）和一个0.86 m的间隙d0。测量是在图15（a）所示的高反射率停车场中进行的，该停车场代表了一个非常具有挑战性的环境，有光滑的墙壁和镜像目标。为了强调所提方法的改进，图15（b）显示了传统单基地雷达的距离-角度表示，并与图15（c）中的CFDDS结果进行了对比。一个容易察觉的关键特征是增强的分辨率，尤其是在右侧的柱子周围。此外，由于分辨率的提高，在两个站之间的交叉路径上可以检测到额外的反射点，因此目标的总数也增加了。基于这两种效应，网格映射以及延伸到轮廓检测、目标分类和跟踪、自车运动估计以及同步定位和映射（SLAM）算法可以得到极大的改进。

       图15 停车场内的FMCW测量（a）。与相应的CFDDS结果（c）相比，单静态评估（b） 中的柱子列和购物车的显示分辨率较差，反射点也较少。归一化对数刻度的红色和蓝色分别对应于0dB和-90dB的值。

       CFDDS雷达成像的另一个主要优势是目标切向速度的瞬时估计，因此，也使用测试车辆进行了评估。测量结果表明，此功能在所有动态交通情况下都是有利的。图16（a）显示了骑自行车的人穿越十字路口的典型例子。为了获得矢量速度，首先对相关的FMCW测量进行常规处理。然后，将定制的CFAR检测应用于得到的距离-多普勒-方位角空间。最后，根据第5章C节确定检测目标的速度矢量。图16（b）中的叠加图从测试车辆的角度描绘了速度矢量。在此图中，遍历对象非常突出。驾驶员辅助系统可以很容易地使用这些信息来验证或改进预测，并提高乘员和弱势道路使用者的安全性。此外，基于人工智能的物体分类和跟踪可以从完整速度矢量的瞬时知识中获益。

       图16 在单次测量中确定骑自行车者穿越十字路口的矢量速度（a）。所有检测到的目标的矢量速度都用箭头表示，其中箭头长度对应于目标的速度（b）。

       使用图12（b）中的双DigiMMIC设置，还可以确定目标在最远约250 m的大距离内的速度矢量。图17（a）描绘了在飞机场上进行的演示，其中行人在78 m的距离内横向慢跑到雷达的视线。图17（b）中相应的叠加图显示了检测到的目标的速度矢量。结合改进的角度分辨率，一方面，包括自适应巡航控制（ACC）在内的远程雷达应用可以使用精确的矢量速度信息得到极大的改善。另一方面，为了在超过50m或100 m的距离内实现所需的横向分辨率，非常高的角度分辨率是不可避免的。一般来说，驾驶员辅助系统可以很容易地使用增强的目标信息来验证或改进预测，并提高乘员和弱势道路使用者的安全性。此外，基于人工智能的物体分类和跟踪可以从完整速度矢量的瞬时知识中获益。

       图17 确定横向慢跑行人在78 m（a）距离内的矢量速度。同样，（b）中速度矢量的箭头长度对应于目标的速度。

       物体的高度估计为高级驾驶辅助功能提供关键信息。在实际情况下，例如在隧道或桥梁中行驶时，无法根据一维角度测量值做出自动化决策。为了演示此功能，在离地面1m处安装了两个双DigiMMIC雷达单元，见图 18（a）。在相同高度下，距离为7m的角反射器用作参考目标。图18（b）显示了地面上目标的雷达图像。除角反射器外，58m处的建筑物也可以作为分布目标被观测到，其最大高度为8.5m。第二个反射在第一个反射后约4m，距离地面11.5 m的高度可见。它是由阳台引起的，阳台可与大型二面体反射器相媲美。

       图18 使用双DigiMMIC网络（a）和带有高度信息的归一化雷达图像（b）进行俯仰角测量设置。角落反射器（蓝色）、建筑物（绿色）和阳台（红色）的反射被标记出来。

7 结论

       我们已经证明，基于集成的最先进的FMCW MIMO雷达传感器，可以构建用于高级汽车安全功能的正交网状雷达系统。通过正确定义偏移，可以连贯地使用和评估所有不同的信号路径。我们的雷达演示器允许集中实时计算，并与来自其他时间同步传感器的数据进行融合。除了所提出的具有两个雷达单元和一个额外的双孔径的设置外，未来具有众多雷达模块的自动驾驶汽车也可以从这种方法中受益，以获取更多信息。对于长距离应用来说，通过采用两个以上相干运行的模块，可以实现特别高的角度分辨率。