雷达相关知识

相关名词术语

术语	解释
mmWave	毫米波雷达
FMCW Radars	调频连续波雷达
啁啾 (zhōu jiū)（Chirp）	是指频率随时间而改变（增加或减少）的信号。其名称来源于这种信号听起来类似鸟鸣的啾声。
magnitude(amplitude)	振幅(幅值)
frequency	频率
bandwidth	带宽
duration	周期

相关文档

1. TI: 毫米波雷达基础知识。 CN,EN
2. TI: Intorduction to mmwave Sensing: FMCW Radars. EN, 配套视频|TI, 配套视频|Youtube
3. 西电: 《毫米波雷达综合实验》-杨明磊 课件。CN
4. 【雷达原理【83集】(魏青：西安电子科技大学)】
5. FMCW雷达测距、测速与测角

毫米波雷达和FMCW

完整的毫米波雷达系统包括发送 (TX) 和接收 (RX) 射频 (RF) 组件，以及时钟等模拟组件，还有模数转换器 (ADC)、微控制器 (MCU) 和数字信号处理器 (DSP) 等数字组件。

FMCW Radars

FMCW 雷达连续发射调频信号，以测量距离以及角度和速度。这与周期性发射短脉冲的传统脉冲雷达系统不同。

雷达系统的基本概念是传输电磁信号，并由路径上的物体进行反射。在 FMCW 雷达使用的信号中，频率随时间线性增加。这种信号也称为chirp信号。

FMCW 简化框图

FMCW雷达系统发射啁啾信号，并捕获其路径中物体反射的信号。Figure3是射频元件（RF）的简化框图。

1. 合成器（synth）产生chirp信号。
2. 发射天线（TX ant）发射chirp信号 。
3. 接收天线（RX ant）捕捉物体对chirp信号的反射 产生反射chirp信号。
4. 混频器 (mixer) 将 RX 和 TX 信号合并，产生中频（IF）信号。
   混频器是一种电子元件，可将两个信号合并，产生具有新频率的新信号。

IF signal (中频信号)

τ 是chirp信号的往返时间。 IF 信号仅在 TX 线性调频脉冲和 RX 线性调频脉冲重叠的时段（即Figure5中垂直虚线之间的时段）

• IF信号的频率对物体的位置变化不敏感
• IF信号的相位对物体的位置变化非常敏感

chirp信号

• 波幅时间图(Amplitude vs time, A-t plot)
• 频率-时间图(frequency vs time, f-t plot)
  

傅里叶变换

• 傅立叶变换将时域信号转换为频域。
• 时域中的正弦曲线在频域中产生单个峰值。（该峰值为复数，包括幅值和相位）
  
• 频域图峰值的相位对应时域图正弦曲线的初始相位。
  
• 更长观测时间的正弦曲线可以通过傅里叶变换得到更高分辨率的频域图。

测距、测速、测角相关公式

光速： $c$
Chirp带宽: $B=S{T}_c$
chirp从TX到RX的时延：$\tau =\frac{2d}{c}$
距离分辨率: $d_{res}=\frac{c}{2B}$
最大距离: $d_{max}=\frac{F_{s}c}{2S}$ ($F_s$是ADC sampling rate)
IF 信号的频率: $f_{IF}=\frac{S2d}{c}$
IF 信号的最大频率: $f_{I{F}_{m}ax}=\frac{S2d_{max}}{c}$
雷达的波长: $\lambda =\frac{c}{f}$ ($f$是雷达的工作频率)
速度分辨率: $v_{res}=\frac{\lambda }{2T_f}$
最大速度: $v_{max}=\frac{\lambda }{4T_c}$
角度分辨率: ${\theta }_{res}=\frac{\lambda }{Ndcos(\theta )}$ ( 通常假设$d=\frac{\lambda }{2},\theta =0=>{\theta }_{res}=\frac{2}{N}$ )

最大角度: ${\theta }_{max}=si{n}^{-1}(\frac{\lambda }{2d})=arcsin(\frac{\lambda }{2d})$
单元间距: $d$
目标的距离$d_t$, 目标的速度$v_t$, 目标的角度${\theta }_t$, 目标的幅值$A_t$
目标的距离频差(IF信号频率): $f_r=\frac{2S{d}_t}{c}$
目标的多普勒频率: $\frac{2v_t}{\lambda }$
目标的相位差: $e^{1jd2\pi sin({\theta }_t)}$
A(:,i_target) = exp(1jd/lamda2pi(sind(Azi_target(i_target))*azi_atenna_pattern)).';

目标的回波信号: $s=A_t{e}^{1j2\pi f_r}$

s = Amp_target(i_target) * exp(1j2pifr(i_target)nsTs).exp(1j2pi*fd(i_target)ncTchirp);

3D FFT

频率估计方法有很多，工程上主要采用FFT运算。针对毫米波雷达测距、测速、测角处理，工程上可采用3DFFT处理。将回波数据排列成3维矩阵（n_samples*n_chirps *n_RX），如下图所示，3DFFT即在3个维度上做3次FFT运算。¹

range-FFT

找到峰值就可以画出下面的网格图②，图②横轴是range，单位是频率，可转化为目标的距离，纵轴是chirp index。
灰色区域表示第i个chirp探测到的目标的目标的位置。

Doppler-FFT

对range-FFT的结果在 chirp维 作 1DFFT，得到 距离-多普勒图 (上图③)。提取 2DFFT 的峰值即可得到目标的差拍频率和多普勒频率。

Angle-FFT

一对 TX-RX 可以预测多个物体的 距离-多普勒图 。
多对 TX-RX 可以预测角度。

MIMO

Multiple Input Multiple Output
MIMO雷达：M路发射通道，N路接收通道，等效MN路虚拟通道； 显而易见，MIMO雷达最大的优势就是可以通过更少的天线数量来达到更高的阵列口径，从而增强测角的分辨率和精度性能。

MIMO雷达是自动驾驶高分辨率成像雷达的理想选择。在MIMO雷达中，首先在距离域和多普勒域对目标进行识别。然后，可以合成具有数百个元素的大型虚拟阵列，以提供方位角和仰角的高分辨率。因此，可以以更低的成本生成与激光雷达性能相似的点云。²

上面提到了测角分辨率 ${\theta }_{res}=\frac{2}{N}$ 可见$N$越大分辨率越高。

虚拟阵列

使用3发4收模拟1发12收

信号分集技术

• TDM MIMO(Time Division Multiplexing)
• FDM MIMO(Frequency Division Multiplexing)
• CDM MIMO(Code Division Multiplexing) —— BPM
• DDM MIMO(Doppler Division Multiplexing)

TDM-MIMO

TDM(BPM)-MIMO-FMCW雷达MATLAB仿真³

每个发射天线在不同的时间发射自己的波形，这样任何两个信号之间没有重叠。这种在时分多址（TDMA）传输的方式可以达到理想的正交性。

TDM-MIMO存在两个问题：

1. 增加了chirp周期，相当于减少了最大不模糊速度。可通过解模糊算法将其恢复为正常测速范围。（$V_{max}=\frac{\lambda }{4T_c}$）
2. 切换天线的间隔，目标的运动会产生相位变化，影响测角结果。（速度角度耦合）

图中目标的角度发散。

运动相位补偿

DDM-MIMO

DDM-MIMO-FMCW雷达MATLAB仿真⁴

SFMCW

stepped FMCW

步进频率会带来更大的有效带宽，可以在相同的最大不模糊距离下具有更好的距离分辨率 。

距离分辨率: $d_{res}=\frac{c}{2B}$

抗干扰

交叉干扰

如果受害者chirp和攻击者chirp发生在同一时间段并且行进相同的带宽， 如果它们的斜率使得攻击者的chirp 穿过受害者的中频带宽，那么我们称攻击者为交叉干扰者。交叉干扰通常会增加噪声基底并降低 强目标的SNR并掩埋弱目标，从而影响检测并产生瞬间盲点。

平行干扰

当攻击者chirp和受害者chirp具有相同的斜率时，它们就会发生。 这可能是每个雷达都配置了相同chirp。如果不同雷达之间的chirp开始的延迟在一微秒左右，则攻击者chirp将在受害者的整个chirp的带宽内。 因此，干扰区域是整个chirp。

避免或缓解干扰的方法

• 预定义频带分离 —— 对于不同雷达使用不同波段
• 时域抖动 —— 保持雷达发射chirp的周期或帧周期不变，改变(随机/伪随机化)雷达发射的单个chirp或帧在其周期中的位置(通过设置不同的idle time实现)
• 随机化chirp相位 —— 由于干扰源并不知道随机chirp的相位设置，所以干扰被随机化，从而扩展到chirp维。将干扰信号抑制10log10(N码长)
• 检测干扰并恢复原始ADC数据 —— 这里的方法涉及到两个技术，首先是如何找到这些位置（求导、找突变值等），然后是如何修复这些位置的数据（滑窗、插值、FFT滤波后iFFT等）。
• 提高CFAR阈值

---

1. 回波3DFFT处理（测距、测速、测角） ↩︎

2. 现代雷达车载应用——第3章 MIMO雷达技术 3.1节 基于MIMO雷达的虚拟阵列合成 ↩︎

3. TDM(BPM)-MIMO-FMCW雷达MATLAB仿真 ↩︎

4. DDM-MIMO-FMCW雷达MATLAB仿真 ↩︎