毫米波雷达障碍物检测算法介绍

Radar系列文章

传感器融合是将多个传感器采集的数据进行融合处理，以更好感知周围环境；这里首先介绍毫米波雷达的相关内容，包括毫米波雷达基本介绍，毫米波雷达数据处理方法（测距测速测角原理，2D FFT，CFAR，聚类，毫米波雷达障碍物识别实例）等。

系列文章目录

1. 毫米波雷达基本介绍
2. FMCW毫米波雷达原理
3. 毫米波雷达障碍物检测算法介绍

---

上一章我们讲到可以通过混频器（Mixer）的中频信号（beat frequency）解算出速度和距离信息。

混频器出来的差频信号，首先需要进行ADC模数转换，转换成数字信号，再给到DSP处理。首先进行的是FFT频谱分析，将时域信号转换为频域信号，再提取有效信息，下面将介绍这一过程。

FFT and FMCW

混频器回波后的差频信号，首先截取中间段的有效信号进行FFT频谱分析，每段采样N次，每次采样得到一个距离单元，从而得到一下Range FFT map图，获得N*(Number of chirps)单元。

Range FFT

Output of Range FFT in MATLAB. X-axis = Beat Frequency, Y-axis = Signal power in dBm

以下是MATLAB进行FFT分析的程序示例。

Fs = 1000;            % Sampling frequency                    
T = 1/Fs;             % Sampling period       
L = 1500;             % Length of signal
t = (0:L-1)*T;        % Time vector
% TODO: Form a signal containing a 77 Hz sinusoid of amplitude 0.7 and a 43Hz sinusoid of amplitude 2.
S = 0.7*sin(2*pi*77*t)+2*sin(2*pi*43*t);
% Corrupt the signal with noise 
X = S + 2*randn(size(t));
% Plot the noisy signal in the time domain. It is difficult to identify the frequency components by looking at the signal X(t). 
plot(1000*t(1:50) ,X(1:50))
title('Signal Corrupted with Zero-Mean Random Noise')
xlabel('t (milliseconds)')
ylabel('X(t)')
% TODO : Compute the Fourier transform of the signal. 
signal_fft = fft(X);
% TODO : Compute the two-sided spectrum P2. Then compute the single-sided spectrum P1 based on P2 and the even-valued signal length L.
P2 = abs(signal_fft/L);
P1=P2(1:L/2+1);
% Plotting
f = Fs*(0:(L/2))/L;
plot(f,P1) 
title('Single-Sided Amplitude Spectrum of X(t)')
xlabel('f (Hz)')
ylabel('|P1(f)|')

2D FFT

我们已经从Range FFT中获得了距离信息，下一步我们需要提取速度信息。这里我们需要对Range FFT信号再次进行FFT，获得获取多普勒频移$f_d$，即可获得速度信息。多普勒频移是通过分析多个扫频波（chirps）的相位变化来获得的，因此需要在连续扫频波发射接收后，对距离多普勒进行2nd FFT，即2D FFT可获得频移/速度信息。

下图是真实场景中