自动驾驶中的传感器技术51——Radar(12)

本节开始介绍雷达前端算法，即雷达如何配置。

首先这里推荐两本书：FMCW Radar Design 和 Radar Signal Processing for Autonomous Driving

1、测角原理

Ref：https://wirelesspi.com/fmcw-radar-part-2-velocity-angle-and-radar-data-cube/

理解了速度部分之后，计算到达方向就变得简单了。这是因为它们都基于类似的原理。

就像ADC在时域对信号进行采样一样，天线阵列在空域对信号进行采样。

对于速度，读数是在同一天线上连续两次间隔 TC 秒的chirp中进行的。两者之间的差异在于

Δτ=2Δd/c=2vTC/c

由此可以计算出速度v。

对于角度，需要同时读取两个相距 d 米的相邻天线的读数。差值为 Δτ=Δdc=dsinθc，由此可以计算出角度 θ。

考虑一个只有两个单元的间距为d的天线阵列。选择上方天线作为参考点，当平面波以一定角度到达时会发生什么情况？显然，波必须传播一段额外的距离才能到达下方天线。

两个天线单位之间的时间差为：Δτ=Δd/c=dsinθ/c

两个天线单位之间的相位差为：Δϕ=2πfΔτ=2πΔd/λ=2πdsinθ/λ

θ=sin（-1）[λΔϕ/(2πd)]

推广以上到n个阵元

a[n]=constant⋅exp(ϕn)→exp(j2πf⋅nΔτ)=exp(j2πndsinθ/λ)

这是一个“频率”为 dsinθ/λ 的复正弦波。如下图所示，其中空间维度上的相位演变与 FFT 幅度一起绘制。显然，距离单元中的相位会生成另一个复正弦波（其中 sin(⋅) 部分也显示出来），可用于角度估计。

现在，二维 FFT 将显示所有目标在相同距离和速度下相对于雷达的峰值。但沿此空间轴（即天线到天线，但在二维距离-多普勒 FFT 的距离-速度区间）进行另一次傅里叶变换，会显示一个峰值，该峰值对应于dsinθ/λ，从而确定每个目标的角度或方向。这个过程与波束形成相同。

2、Radar Data Cube

3、雷达测角配置

FMCW雷达的虚拟阵，以3T4R为例。每个接收天线都会收到3个发射天线的回波，同时要区分这3个回波，并在数据cube上讲数据排列出来。

从而形成虚拟阵。如何区分就是要在雷达波形配置中进行了：

Ref：https://encyclopedia.pub/entry/23781

FMCW TDM配置是指在雷达系统中结合了频率调制连续波（FMCW）和时分多路复用（TDM）技术的配置方式。TDM技术则通过在不同时间点激活不同的发射天线，实现多输入多输出（MIMO）雷达的正交性，从而提高雷达的探测和定位能力。在TDM MIMO FMCW雷达系统中，多天线以时分方式使用，通过交替激活不同的发射天线，实现多目标的高精度检测和参数估计。

FMCW DDM多普勒分复用，DDM同时发射所有Tx波形，并在多普勒域中将它们分离。为了实现波形正交性，对于 第k个发射机，在相邻的chirp中添加多普勒频移，ωk=2π(k-1)/N。其中 N 通常选为 Tx 天线的数量 NTx。DDM 的一个缺点是其无模糊多普勒速度降低到 原来的1/N。

4、雷达测角算法

在得到虚拟阵的数据cube后，可以采用多种方法对目标角度进行估计

Ref：https://www.mdpi.com/2072-4292/16/14/2517

下文介绍可以作为入门

Ref：https://www.eet-china.com/mp/a123703.html