Professional Documents
Culture Documents
0 引 言
束,可以在只有少量的阵元情况下,获取更长的虚拟阵
近年来,智能汽车行业快速发展,利用传感器感知
列,以此来达到高分辨率的要求。 MIMO 雷达体积较
外界环境为其技术的核心问题。 常用于车载的传感器
小,无论从价格还是从空间利用率来看,其在车载毫米
有摄像头、激光雷达、毫米波雷达 [1] 。 其中,摄像头依
波雷达中都是较优的选择 [3] 。
赖环境光的被动传感,其在夜间探测能力非常低。 激
由于环境中车辆与行人等目标的散射截面积
光 雷达易受雨天、雾天、雪天等恶劣天气影响,且昂贵
(RCS) 较小,毫米波雷达接收到的回波能量较弱,导致
的造价 更 是 限 制 了 其 在 车 载 传 感 器 中 的 大 规 模 应
在成像及目标检测跟踪过程中,会出现目标闪烁的情
用 [2] 。 而毫米波雷达与二者相比,其成本低廉且具有
况。此情况的出现会影响后续车辆的目标检测识别、
全天时全天候的工作性能,在智能驾驶领域中具有很
行为判断等处理过程。 在分布式体制中,雷达阵元的空
大的应用潜力。 在智能汽车领域中,自动驾驶技术备
间间隔较远,可以在不同角度对目标进行照射,利用目标
受关注,在其任务中,毫米波雷达需要感知探测车辆周
RCS 空间分集特性,通过相参或非相参积累得到更高的
围物体的位置及速度,主要为车辆、行人、障碍等。 这
目标信噪比[4] 。 因此,分布式体制可以用来解决目标成
就要求毫米波雷达具有较高的分辨率。 多输入多输出
像结果较差或闪烁消失的问题。 MIMO 雷达于 2003 年由
( MIMO) 雷达利用收发阵列构成的虚拟发射 - 接收波
BLISS 和 FORSYTHE 等 人 首 次 提 出[5] 。 在 2004 年,
FISHLER 与 BLUM 等人率先提出分布式 MIMO 雷达的概
收稿日期:2022⁃09⁃29 修订日期:2022⁃11⁃22
— 1 —
2023,45(1) 现代雷达
图 4 单节点雷达阵列排布
Fig.4 Array arrangement of node radar
对于发射天线发射的调频连续波信号,其形式可
以写成
图 1 分布式雷达系统组成
Fig.1 The composition of distributed radar system 1 2
s T( t) = A0 exp[ j2π( f 0 t + k t )] (1)
分布式构型在汽车上的排布示意图如图 2 所示。 2 r
式中:A0 为发 射 信 号 的 幅 值; f 0 为 载 频; k r 为 调 频 斜
率;t 为快时间。
假设目标位于远场,在 R 0 距离,水平 φ 方向,速度
为 v。 接收天线接收信号可以表示为
fd æ fd kr kr æ fd ö ö
2
式中:f s 为采样率;kr 为调频斜率;L 为距离向采样点数。
其中,f r = ( 1+ ) k r τ 0 - f d , k r′ = ç + ç ÷ ÷ , fd =
f0 è f0 2 è f0 ø ø
2R 0
2f 0 v / c,τ 0 = ,f d 为目标的多普勒频移。 在非高速目
c
fd kr
标情况下,f d << f 0 ,f r ≈k r τ 0 -f d ,k r′≈ ,k r( τ 0 ) 2 可以忽
f0
略,差拍信号可近似写为
1
s( t) = σA20 exp j2π ( k r τ 0 - f d ) t -
[ (
2
fd
k r t2 + f0 τ0 )] (4)
f0
若目标静止,则 f d = 0,信号可以写为
1
s( t) = σA20 exp[ j2π( k r τ 0 t + f 0 τ 0 ) ] (5)
2
图 6 分布式构型成像总流程
2 分布式 MIMO 雷达数据处理方案 Fig.6 Imaging process based on distributed framework
— 3 —
2023,45(1) 现代雷达
由于 MUSIC 算法需确知信源数,可以用赤池信息
量准则( AIC) 或最小描述长度( MDL) 算法来提前预估
信源数目 [12] 。
(3) 数据融合
分布式融合中心的任务是将各节点数据进行融合
处理,需将各节点成像结果融合。 由于各节点雷达的 图 7 传统发射方案
相对位置已知,选取参考原点建立成像网格,通过坐标 Fig.7 Traditional transmission scheme
变换的方式将各节点雷达的成像结果投影到成像网格
最大不模糊速度表达式为
中,并进行非相干积累,得到分布式成像结果。
λ c
(4) 多帧积累与目标检测 v max = ± =± (11)
4NT c 4NT c f 0
对成像结果多帧积累后,设置合适的虚警概率、保
护单元以及参考单元,利用二维恒虚警率( CFAR) 检 式中:T c 表示脉冲重复时间;λ 为波长;c 为光速;f 0 为
测或快速 CFAR 检测 [13]
处理得到点云成像结果。 载频。
2.2 测速原理及方案 由式(11) 可以看出,在 λ 和 T c 不改变的情况下,
除目标的距离与角度信息外,目标的速度信息具 要想增加测速范围( 即最大不模糊速度) 则需要减少
有同等重要的地位。 为获取多普勒信息实现速度测 发射阵元 N 的数量,而 N 的数量减少则会降低天线孔
量,发射天线需在 1 帧内发射多个 chirp 信号。 沿距离 径,从而使得雷达的角度分辨能力大大减弱。 而若保
向( 快时间) 和 chirp 数( 慢时间) 方向分别做 FFT 运算 证 N 不变,不断减少脉冲重复时间 T c 则会给硬件带来
可以得到距离 -多普勒结果,利用公式完成速度标定, 过大压力,且 T c 受多因素限制可变范围有限,对于大
最终获得距离 -速度结果 [14]
。 型阵列而言此问题会更加严重。
为解决上述问题,本文提出了新的发射方案,该发
λf d 射方案将测速与成像处理过程分离,在两帧间隙插入
v= (10)
2 多个 chirp 信号,通过 1 发 1 收天线单独完成测速任
务。 在 1 帧内,信号各发射单元按时间顺序分别发射
在速度测 量 方 面, 最 为 关 键 的 两 个 指 标 是 最 大
1 个 chirp 信号,所有接收单元同时接收,以此来完成
测速范围和速度分辨率。 考虑到上述两个重要指标
目标位置信息的估计,实现单节点雷达的目标成像。
以及后续多 维 信 息 关 联 的 要 求,需 要 给 出 合 理 的 天
为保证时间的利用率以及速度的时效性,利用两帧的
线发射方案。
时间间隙进行测速,在间隙中插入 K 个由同一个发射
MIMO 雷达在测速同时获取并关联目标距离、角
单元发射的 chirp 信号,其示意图如图 8 所示。
度信息的常用方法为每一个发射天线发射多个 chirp
的信号,通过三维快速 FFT 或结合 DOA 等方法同时实
现对距离、角度和速度的测量 [1] 。 但该方法所需的发
射信号 chirp 数较多,若想同时实现高距离、角度、速度
分辨率,且有较大的测速范围,需对硬件配置提出更高
的要求,并且由于要同时处理多维信息,该方法的运算 图 8 提出的发射方案
量较大。 最重要的是,此方法随着发射阵元数目增加, Fig.8 Proposed transmission scheme
所能满足的最大不模糊速度将会变小,在不利用解模
根据 K 个 chirp 信号的脉冲重复间隔 T c 可以计算
糊算法的条件下,很难满足所需的最大不模糊速度要
最大不模糊速度。
求。 而速度解模糊算法的引入,则需要分次发射具有
不同脉冲重复时间的多 chirp 信号来求解目标真实速 λ
v max = ± (12)
度,对硬件的性能有一定的要求。 下面对上述问题进 4T c
行具体说明。 用于测速的 chirp 信号的个数 K 和脉冲重复间隔
对于 每 一 个 雷 达 节 点, 发 射 天 线 轮 流 发 射 多 组 T c 决定了测速的速度分辨率,其公式如下
chirp 信号进行测速,其测速方案如图 7 所示,其中 N
为发射天线数量,M 为每个天线发射的 chirp 数。 λ
v res = (13)
2KT c
— 4 —
·雷达地/ 海运动目标感知新进展专题· 霍嘉玮, 等:车载分布式 MIMO 雷达原理与实测数据分析 2023,45(1)
图 10 目标位置-速度配对示意图
Fig.10 Match of position and velocity
图 9 基于跟踪算法的目标多维信息匹配流程
Fig.9 Multi⁃dimension information matching processing 在传统的 GM⁃PHD 算 法 中, 无 法 确 认 k 时 刻 由
based on tracking algorithm 状态向量得到的目标是来自 k - 1 时刻的哪个目标或
通过前文提到的一系列方法,可以得到距离 - 方 者是新目标。 本文引入标签对上一时刻的目标进行
位和距离 - 速度两个结果。 对二者进行单独处理,分 标记,利用权 值 判 断 当 前 时 刻 的 目 标 对 应 哪 一 个 标
别利 用 CFAR 检 测 得 到 检 测 结 果 图 像, 通 过 层 次 聚 签,借此关 联 相 邻 时 刻 的 目 标。 由 于 本 文 的 多 目 标
类 [15] 找到距离 - 方位图中各目标的目标中心,以及距 跟踪系统不 考 虑 目 标 分 裂 的 情 况,每 个 标 签 仅 对 应
离 -速度图中动目标的目标中心。 关联距离 - 方位与 唯一动目标。 因此对于当前时刻多个目标有着相同
距离 -速度结果的关键是距离信息,通过距离信息匹 标签的情况,采用最近邻的方式确认真目标,以此进
配目标角度与速度。 由于同一距离门内可能会有多个 一步降低同一距离门假目标的影响。 通过加标签的
速度对应多个目标。 所以,还需要联合多帧信息来明 GM⁃PHD 完成 目 标 位 置 与 速 度 匹 配 的 方 法 如 图 11
确速度与目标位置的对应关系,实现二者的准确配对。 所示,其具体步骤如下。
图 11 标签匹配与更新
Fig.11 Label matching and updating
— 5 —
2023,45(1) 现代雷达
∑
车进行了二维成像和跟踪测速。 本文将从目标的初始
ωk = ω ik (17)
i=1 跟踪时刻、目标闪烁情况、跟踪连续性三个方面进行分
析,双自行车的运动示意图和场景图如图 13 所示。
设m k 的标签集合为所有被合并项的标签,即{ ρ 1k ,
ρ 2k ,…,ρ Nk } ,其对应的权值分别为{ ω1k ,ω2k ,…,ωNk }。 将
标签集合里值相同的标签合并,其对应的权值相加,假
设最后有 M 个互不相同的标签,即{ ρ1k ,ρ2k ,…,ρ Mk } ,其
对应的权值为{ ω 1k ,ω 2k ,…,ω Mk } ,找出权值最大的标签
— 6 —
·雷达地/ 海运动目标感知新进展专题· 霍嘉玮, 等:车载分布式 MIMO 雷达原理与实测数据分析 2023,45(1)
图 15 显示了两侧雷达在不同时刻出现的目标闪
烁情况以及各自时刻对应的分布式融合结果,其中双
目标轨迹分别由红蓝两色三角标出。 由图 15a) 、图
15c) 与图 15b) 、图 15d) 比较,在相同时刻的情况下,
单侧雷达 A 和单侧雷达 B 均出现了目标闪烁消失且
跟踪暂时中断的情况,而对应时刻的分布式融合中心
结果中均能检测到双自行车目标且航迹完好。 表 2 和
图 15 的结果表明分布式构型可以有效减少目标闪烁
次数,提高目标检测概率。
图 14 雷达首次跟踪目标结果
Fig.14 The first tracking result
— 7 —
2023,45(1) 现代雷达
图 15 目标闪烁分析
Fig.15 Target scintillation analysis
3.3 航迹中断
在目标跟踪过程中,由于目标不断运动,雷达照射
到目标的角度在不断变化,其在成像结果中的长宽、面
积、形状等特征都在改变,导致聚类中心位置发生较大
偏移,同时也会出现消失的情况,最终导致航迹错误或
中断。
表 3 统计了 50 帧内单雷达与分布式雷达跟踪目
标时航迹中断的帧数。 图 16 注明了航迹有较明显中
断的位置( 矩形框标出) 。 由图 16a) 与图 16c) 比较可 图 16 跟踪连续性
知,雷达 A 航迹中有一处明显中断的情况,而融合中 Fig.16 Tracking continuity
心的航迹完整且连续,且在该帧( 第 33 帧) 以后雷达 A
表 3 航迹中断帧数
始终不能同时跟踪两个目标,而融合中心结果中航迹 Tab.3 Frames of track interruption
完整。 由图 16b) 与图 16d) 比较可知,雷达 B 航迹中
雷达 A 航迹中断 B 航迹中断 合计
有两处明显的中断情况,而融合中心仅出现了一处中 雷达 A 6 5 11
断情况,且此帧为双目标即将离开场景的结果,由此可 雷达 B 5 8 13
见融合中心结果在全过程都有很好的跟踪效果和较为 分布式 4 1 5
完整连续的航迹。
表 3 和图 16 的结果表明,分布式构型应用于跟踪
算法中可以有效减少航迹中断次数,保证航迹的连续
性和完整性。
综上所述,无论是在跟踪起步速度,目标闪烁出现
频率,还是航迹的连续性上来看,分布式雷达与单雷达
相比都具有更好的表现,也与本文提出的基于跟踪算
法的速度匹配方案相契合。 由此可见,在目标测速跟
踪的过程中,分布式构型可以增加目标检测概率,有效
减少因角度不同或因部分遮挡引起的目标闪烁及目标
航迹中断的次数。
— 8 —
·雷达地/ 海运动目标感知新进展专题· 霍嘉玮, 等:车载分布式 MIMO 雷达原理与实测数据分析 2023,45(1)
[1] PATOLE S M, TORLAK M, WANG D, et al. Automotive national Conference on Communication Problem⁃Solving.
radars: A review of signal processing techniques[ J] . IEEE Guilin: IEEE Press, 2015: 461-463.
Signal Processing Magazine, 2017, 34(2) : 22-35. [14] KOBASHI S, KURONO Y, SHONO M, et al. 3D⁃Scan ra⁃
[2] DIMITRIEVSKI M, JACOBS L, VEELAERT P, et al. Peo⁃ dar for automotive application [ C] / / Its World Congress.
ple tracking by cooperative fusion of RADAR and camera Vienna, Austria: IEEE Press, 2012: 3-7.
sensors[ C] / / 2019 IEEE Intelligent Transportation Systems [ 15] HUANG Weiyu, RIBEIRO A. Hierarchical clustering given
Conference. Auckland, New Zealand: IEEE Press, 2019: confidence intervals of metric distances[ J] . IEEE Transac⁃
[3] LUTZ S, BAUR K, WALTER T. 77 GHz lens⁃based multi⁃ [16] VO B N, MA W K. The Gaussian mixture probability hy⁃
static MIMO radar with colocated antennas for automotive ap⁃ pothesis density filter [ J ] . IEEE Transactions on Signal
— 9 —