第 ４５ 卷 第 １ 期 现代雷达 Ｖｏｌ．４５ Ｎｏ．１

２０２３ 年 １ 月 Ｍｏｄｅｒｎ Ｒａｄａｒ Ｊａｎ． ２０２３

·雷达地 ／ 海运动目标感知新进展专题· ＤＯＩ：１０．１６５９２ ／ ｊ．ｃｎｋｉ．１００４－７８５９．２０２３．０１．００１

车载分布式 ＭＩＭＯ 雷达原理与实测数据分析

霍嘉玮，胡 琨，宋 月，李中余 ∗ ，武俊杰，杨建宇
（ 电子科技大学 信息与通信工程学院， 四川 成都 ６１１７３１）
摘要：文中分析了分布式构型多输入多输出（ ＭＩＭＯ） 雷达及其处理框架，并针对车载应用场景，结合超分辨测角算法给出
了一套基于分布式 ＭＩＭＯ 雷达的成像、测速、跟踪处理流程。 在此处理流程的基础上，文中创新性地提出了基于高斯混合
概率假设密度（ ＧＭ⁃ＰＨＤ） 跟踪算法的距离－角度－速度关联方案，并对 ＧＭ⁃ＰＨＤ 算法进行了改进，增加了标签配对功能，同
时实现了多维信息的快速关联和目标的航迹跟踪。 最后，利用实测数据验证了相关算法的有效性和实用性，与单一雷达
成像及跟踪结果对比并进行了详细分析，验证了分布式 ＭＩＭＯ 雷达具有更优的目标检测性能及目标跟踪效果。
关键词：分布式 ＭＩＭＯ 雷达；超分辨波达方向估计；高斯混合概率假设密度；目标跟踪；多维信息关联
中图分类号：ＴＮ９５７．５２ 文献标志码：Ａ 文章编号：１００４－７８５９（２０２３）０１－０００１－０９
引用格式：霍嘉玮， 胡 琨， 宋 月， 等． 车载分布式 ＭＩＭＯ 雷达原理与实测数据分析［Ｊ］． 现代雷达， ２０２３， ４５（１）： １－９．
ＨＵＯ Ｊｉａｗｅｉ， ＨＵ Ｋｕｎ， ＳＯＮＧ Ｙｕｅ， ｅｔ ａｌ． Ｐｒｉｎｃｉｐｌｅ ａｎｄ ａｎａｌｙｓｉｓ ｏｆ ｍｅａｓｕｒｅｄ ｄａｔａ ｏｎ ｖｅｈｉｃｕｌａｒ ｄｉｓｔｒｉｂｕｔｅｄ ＭＩＭＯ ｒａｄａｒ［Ｊ］．
Ｍｏｄｅｒｎ Ｒａｄａｒ， ２０２３， ４５（１）： １－９．

Ｐｒｉｎｃｉｐｌｅ ａｎｄ Ａｎａｌｙｓｉｓ ｏｆ Ｍｅａｓｕｒｅｄ Ｄａｔａ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｄｉｓｔｒｉｂｕｔｅｄ ＭＩＭＯ Ｒａｄａｒ

ＨＵＯ Ｊｉａｗｅｉ，ＨＵ Ｋｕｎ，ＳＯＮＧ Ｙｕｅ，ＬＩ Ｚｈｏｎｇｙｕ ∗ ，ＷＵ Ｊｕｎｊｉｅ，ＹＡＮＧ Ｊｉａｎｙｕ
（ Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，
Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ｏｆ Ｃｈｉｎａ， Ｃｈｅｎｇｄｕ Ｓｉｃｈｕａｎ ６１１７３１， Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｔｈｉｓ ｐａｐｅｒ ｔｈｅ ｃｏｎｆｉｇｕｒａｔｉｏｎ ａｎｄ ｐｒｏｃｅｓｓｉｎｇ ｆｒａｍｅｗｏｒｋ ｏｆ ｄｉｓｔｒｉｂｕｔｅｄ ｍｕｌｔｉｐｌｅ ｉｎｐｕｔ ｍｕｌｔｉｐｌｅ ｏｕｔｐｕｔ （ ＭＩＭＯ） ｒａｄａｒ ｉｓ
ａｎａｌｙｚｅｄ， ａｎｄ ａ ｓｅｔ ｏｆ ｉｍａｇｉｎｇ， ｖｅｌｏｃｉｔｙ ｍｅａｓｕｒｅｍｅｎｔ ａｎｄ ｔｒａｃｋｉｎｇ ｐｒｏｃｅｓｓｉｎｇ ｆｌｏｗ ｂａｓｅｄ ｏｎ ｄｉｓｔｒｉｂｕｔｅｄ ＭＩＭＯ ｒａｄａｒ ｉｓ ｇｉｖｅｎ ｆｏｒ
ｖｅｈｉｃｌｅ ａｐｐｌｉｃａｔｉｏｎ ｓｃｅｎａｒｉｏｓ， ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｓｕｐｅｒ⁃ｒｅｓｏｌｕｔｉｏｎ ａｎｇｌｅ ｍｅａｓｕｒｅｍｅｎｔ ａｌｇｏｒｉｔｈｍ． Ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｔｈｉｓ ｐｒｏｃｅｓｓｉｎｇ ｆｌｏｗ， ｉｎ
ｔｈｉｓ ｐａｐｅｒ ａ ｒａｎｇｅ⁃ａｎｇｌｅ⁃ｖｅｌｏｃｉｔｙ ａｓｓｏｃｉａｔｉｏｎ ｓｃｈｅｍｅ ｂａｓｅｄ ｏｎ ｔｈｅ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｐｒｏｂａｂｉｌｉｔｙ ｈｙｐｏｔｈｅｓｉｓ ｄｅｎｓｉｔｙ （ ＧＭ⁃ＰＨＤ）
ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍ ｉｓ ｉｎｎｏｖａｔｉｖｅｌｙ ｐｒｏｐｏｓｅｄ， ａｎｄ ｔｈｅ ＧＭ⁃ＰＨＤ ａｌｇｏｒｉｔｈｍ ｉｓ ｉｍｐｒｏｖｅｄ ｂｙ ａｄｄｉｎｇ ｔｈｅ ｔａｇ ｍａｔｃｈｉｎｇ ｆｕｎｃｔｉｏｎ． Ｔｈｉｓ
ｍｅｔｈｏｄ ｃａｎ ｓｉｍｕｌｔａｎｅｏｕｓｌｙ ｒｅａｌｉｚｅ ｔｈｅ ｆａｓｔ ａｓｓｏｃｉａｔｉｏｎ ｏｆ ｍｕｌｔｉ⁃ｄｉｍｅｎｓｉｏｎａｌ ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ ｔａｒｇｅｔ ｔｒａｃｋ ｔｒａｃｋｉｎｇ． Ｆｉｎａｌｌｙ， ｔｈｅ ｅｆｆｅｃ⁃
ｔｉｖｅｎｅｓｓ ａｎｄ ｐｒａｃｔｉｃａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｒｅｌａｔｅｄ ａｌｇｏｒｉｔｈｍｓ ａｒｅ ｖｅｒｉｆｉｅｄ ｂｙ ｕｓｉｎｇ ｔｈｅ ｍｅａｓｕｒｅｄ ｄａｔａ． Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｓｉｎｇｌｅ ｒａｄａｒ ｉｍａｇｉｎｇ
ａｎｄ ｔｒａｃｋｉｎｇ ｒｅｓｕｌｔｓ， ｔｈｅ ｄｉｓｔｒｉｂｕｔｅｄ ｃｏｎｆｉｇｕｒａｔｉｏｎ ｈａｓ ｂｅｔｔｅｒ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ ｅｆｆｅｃｔｓ．
Ｋｅｙ ｗｏｒｄｓ：ｄｉｓｔｒｉｂｕｔｅｄ ＭＩＭＯ ｒａｄａｒ； ｓｕｐｅｒ⁃ｒｅｓｏｌｕｔｉｏｎ ｄｉｒｅｃｔｉｏｎ ｏｆ ａｒｒｉｖａｌ； Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｐｒｏｂａｂｉｌｉｔｙ ｈｙｐｏｔｈｅｓｉｓ ｄｅｎｓｉｔｙ； ｔａｒｇｅｔ
ｔｒａｃｋｉｎｇ； ｍｕｌｔｉ⁃ｄｉｍｅｎｓｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ ａｓｓｏｃｉａｔｉｏｎ

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

念 ［６］ 。 文献［７］ 详细阐述了分布式 ＭＩＭＯ 雷达的特点 果，其系统构架如图 ３ 所示。

和优势，并总结了在其体制下开展的相关工作和有关
应用。 分布式 ＭＩＭＯ 雷达凭借天线配置灵活以及可有
效探测弱目标等优势，在雷达组网以及机载预警雷达
中得到广泛应用 ［８］ ，但其在车载领域的应用仍处于探
索阶段。 本文将分布式体制应用于车载毫米波雷达，
并整合了一套成像、测速以及动目标检测与跟踪流程。
在此流程上，通过实测，验证了相关算法的有效性以及
分布式体制用于车载雷达系统中的优势。 图 ３ 分布式 ＭＩＭＯ 雷达系统处理构架
Ｆｉｇ．３ Ｔｈｅ ｓｙｓｔｅｍ ｐｒｏｃｅｓｓｉｎｇ ａｒｃｈｉｔｅｃｔｕｒｅ ｏｆ ｄｉｓｔｒｉｂｕｔｅｄ ｒａｄａｒ
１ 分布式构型及回波模型分析
１．２ 信号模型
１．１ 分布式构型
为达到扩展阵列、增加阵列孔径的目的，ＭＩＭＯ 雷
由于目标的形状及特性有所不同，雷达在不同的
达的发射模式采用时分复用（ ＴＤＭ） 。 与同时发射正
角度照射目标，其回波散射特性也不尽相同。 利用单
交信号相比，采用 ＴＤＭ 模式可降低信号处理的复杂
一雷达去照射目标时，由于观测角度有限，极易丢失目
度，是车载雷达应用中成本较低、使用最为普遍的方
标有关信息。 在利用多帧成像结果跟踪目标的过程
法 ［１０］ 。 本文中选取的具有 １２ 发 １６ 收的单节点雷达
中，更会出现目标闪烁甚至是目标丢失的现象，最终导
的阵列排布如图 ４ 所示，其中红色代表发射天线，蓝色
致跟踪失败。 而在分布式构型下，各雷达节点间隔较
代表接收天线。
大，在空间上部署分散，易获得目标不同角度的散射信
息，具有较强的抗干扰能力。 不同节点雷达的成像结
果在同一区域内积累、在不同区域间互补，可增强目标
成像效果，大大减少目标跟踪等后续处理流程的压力。
分布式 ＭＩＭＯ 雷达系统由节点雷达和融合中心组
成，其示意图如图 １ 所示。

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

ｓ Ｒ（ ｔ） ＝ σＡ０ ｅｘｐ［ ｊ２π（ ｆ ０（ ｔ － τ（ ｔ） ） ＋

１
ｋ （ ｔ － τ（ ｔ） ） ２ ） ］ （２）
２ ｒ
图 ２ 车载分布式雷达排布示意图
Ｆｉｇ．２ Ｔｈｅ ｓｋｅｔｃｈ ｏｆ ｖｅｈｉｃｌｅ ｄｉｓｔｒｉｂｕｔｅｄ ｒａｄａｒ
２（ Ｒ ０ －ｖｔ）
分布式 ＭＩＭＯ 雷达系统可充分利用不同传感器测 式中：σ 为散射系数；τ（ ｔ） ＝ 。
ｃ
量信息的互补特性，通过信息融合的方式来提升分布 将 ｓ Ｔ（ ｔ） 和 ｓ Ｒ（ ｔ） 混频得到差拍信号。
式组网系统对目标的测量精度和雷达的探测跟踪能
力 ［９］ 。 在分布式 ＭＩＭＯ 雷达系统中，各雷达节点收到 １ １
ｓ（ ｔ） ＝ σＡ２０ ｅｘｐ ｊ２π ｆ ｒ ｔ － ｋ ｒ′ｔ ２ ＋ ｆ ０ τ ０ － ｋ ｒ（ τ ０ ） ２
[ ( )]
的目标回波传输到融合中心，通过信号处理、坐标转 ２ ２
换、目标关联以及数据融合等步骤得到最终的处理结 （３）
— ２ —
 ·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）

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

ＭＩＭＯ 雷达可获取智能驾驶所需的目标距离、角 （２） 角度信息获取

度、速度信息。 本文将分布式 ＭＩＭＯ 雷达处理框架应 对于各节点雷达，将距离采样点按所需快拍数划
用于车载系统，并给出了基于上述框架的数据处理流 分为多组， 在各组内沿阵列方向利用波达方向 估 计
程。 流程框图如图 ５ 所示，其主要包含分布式成像、动 （ ＤＯＡ） 算法处理可以得到单节点雷达的目标距离 － 方
目标测速、多维信息关联、目标航迹跟踪等四个部分。 位成像结果。 若采用二维 ＤＯＡ 估计，可以得到目标距
离 －方位 －俯仰成像结果。 超分辨 ＤＯＡ 算法与普通测
向方法相比，不受瑞利限的限制，在利用相同孔径雷达
测向时，可提供更高的角分辨能力。 为精确估计目标
的角度信息， 分布式成像流程中引入多重信号 分 类
图 ５ 数据处理流程 （ ＭＵＳＩＣ） 超分辨算法 ［１１］ ，其算法流程如下：
Ｆｉｇ．５ Ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ ｆｌｏｗ ＾。
首先，利用多快拍数据获取协方差矩阵估计值Ｑ
２．１ 分布式构型成像流程
＾ ＝ １ Ｌ
在智能汽车领域中，ＭＩＭＯ 雷达被用作车载传感 Ｑ ∑ ＸＸＨ
Ｌ ｉ＝１
（７）
器，其最重要任务是探测目标位置及目标大体形状，为
后续的车辆避障、路径规划等操作提供基本数据。 这 式中：Ｘ 为信号；Ｌ 为快拍数。
需要精确获取目标的距离、方位、俯仰等信息。 在分布 其次，对协方差矩阵进行特征值分解。
式构型中，每个节点雷达将数据回传到融合中心，经处
理后可获得带有距离及角度信息的成像结果。 Ｑ ＝ Ｕ ｓ ∑ ｓ Ｕ Ｈｓ ＋ Ｕ Ｎ ∑ Ｎ Ｕ ＨＮ （８）
分布式构型 ＭＩＭＯ 雷达成像系统流程如图 ６ 所
式中：Ｕ ｓ 为信号子空间对应的特征向量；Ｕ Ｎ 为噪声子
示，其中每一个节点雷达代表一个 Ｎ 发 Ｍ 收的 ＭＩＭＯ
空间对应的特征向量。
雷达。
然后，将特征向量按特征值大小划分，较大特征值
（１） 距离信息获取
对应的特征向量构成信号子空间 Ｕ ｓ ，噪声对应的较小
对各节点雷达信号沿距离向做傅里叶变换（ ＦＦＴ）
特征值构成噪声子空间 Ｕ Ｎ 。
可得到带有距离信息的结果。 利用式（ ６） ，对距离进
最后，构造功率谱函数，对目标进行逐角度谱峰
行定标处理，将采样点转化为距离。
搜索。
ｃｆ ｓ
Ｒ＝ ［０，１，…，Ｌ － １］ （６） １
２Ｌｋ ｒ Ｐ（ θ） ＝ （９）
ａ （ θ） Ｕ Ｎ Ｕ ＨＮ ａ（ θ）
Ｈ

— 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）

对 Ｋ 个 ｃｈｉｒｐ 信号获得的数据做二维 ＦＦＴ，同时利 本文引入跟踪算法，利用多帧信息对目标的当前

用式（１０） 对速度定标，最终获得目标的距离 － 速度二 状态进行预估更新，完成匹配任务，并同时完成目标的
维联合结果。 航迹跟踪任务。 高斯混合概率假设密度（ ＧＭ⁃ＰＨＤ） 跟
２．３ 基于跟踪算法的多维信息匹配 踪算法常用于二维坐标进行目标跟踪 ［１６］ ，而本文采用
在车载雷达领域，为对路面情况做出更好的判断， 目标的距离、角度和速度三维信息作为目标的测量值，
不仅需获取目标的多维信息，还需要对各维度信息进 采用 ＧＭ⁃ＰＨＤ 算法对目标进行三维跟踪。 由于同一
行准确匹配。 在 ４Ｄ 成像 （ 距 离、 方 位 角、 俯 仰 角、 速 距离门内速度和目标位置无法一一对应，先将同一距
度） 的处理过程中，速度与目标位置的匹配任务尤为 离门中的所有目标位置与所有速度进行配对，这样就
关键。 本文提出的方法中，成像与测速两个部分独立 会产生比实际目标点多的数据，错误配对的数据称为
进行，为实现速度与成像结果的关联，本文提出了基于 假目标，正确配对的数据称为真目标。 真假目标组成
目标跟踪的多维信息快速匹配方法，该方法同时完成 的集合为输入 ＧＭ⁃ＰＨＤ 的测量值集合，利用目标的历
目标跟踪与航迹记录的工作。 总体流程如图 ９ 所示。 史信息来辨别当前处理帧中哪些目标是被跟踪的动目
标，并排除由于错误配对产生的假目标，其示意图如图
１０ 所示。 最终完成动目标的多维信息匹配与航迹跟
踪任务。

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

（１） 初始化标签 不相同，从而完成新目标的加入以及目标的速度匹配

设 ｋ － １ 时刻目标数量为 Ｎ。 若 ｋ － １ 时刻的目标没 与跟踪。
有标签，则将 ｋ － １ 时刻所有状态向量的标签置为 ０。
３ 实测数据与结果分析
若 ｋ － １ 时刻已有标签，设其标签为 ρ ｉｋ－１ 。
本节使用分布式 ＭＩＭＯ 雷达数据处理流程对目标
（２） 预测值标签
进行实测实验。 在真实场景中，通过完成成像、测速、
设 ｋ 时刻预测值 ｍ ｉｋ ｜ ｋ－１ 的标签为 ρ ｉｋ ｜ ｋ－１ ，其由两部
多维信息匹配以及航迹跟踪任务，验证有关算法的有
分组成，包括由 ｋ － １ 时刻目标得到的预测值的标签
效性和分布式构型的优势。 在本实验中，为搭建车载
（ 共有 Ｎ 个） 、 检 测 得 到 的 新 目 标 的 标 签 （ 设 共 有 Ｍ
分布式构型，两个节点雷达被分别放置在小汽车车前
个，令其均为 ０） ，共计 Ｍ ＋Ｎ 个标签。 由 ｋ － １ 时刻目标
两侧车灯处，水平间隔为 １．７ ｍ。 实验选用具有 １２ 发
ｍ ｉｋ－１ 到 ｋ 时刻预测值 ｍ ｉＳ，ｋ ｜ ｋ－１ 的转移方程如下
１６ 收的四级联雷达作为单个节点雷达，雷达布置与实
ｍ ｉ
Ｓ，ｋ｜ ｋ － １
＝ Ｆｋ － １ ｍ ｉ
ｋ－１ （１４） 验场地示意如图 １２ 所示，系统实验参数如表 １ 所示。
（３） 更新值标签
设 ｋ 时刻测量值 ｚ ｊ 有 Ｚ 个，对于标签为 ρ ｉｋ ｜ ｋ－１ 的一
个预测值与 Ｚ 个测量值可共同得到 Ｚ 个更新值。 由 ｋ
时刻预测值 ｍ ｉｋ ｜ ｋ－１ 到 ｋ 时刻更新值 ｍ ｉｊ，ｋ 的更新过程的
转移方程为
ｍ ｉｊ，ｋ ＝ ｍ ｉｋ｜ ｋ － １ ＋ Ｋ ｉｋ（ ｚ ｊ － Ｈ ｋ ｍ ｉｋ｜ ｋ － １ ） （１５）
可知对于第 ｊ 个测量值 ｚ ｊ ，ｍ ｉｊ，ｋ 的标签 ρ ｉｊ，ｋ 与 ｍ ｉｋ ｜ ｋ－１
的标签 ρ ｉｋ ｜ ｋ－１ 一一对应。 与所有的测量值 ｚ ｊ 相对应的 图 １２ 雷达及实验场地示意图
Ｆｉｇ．１２ Ｒａｄａｒ ａｎｄ ｅｘｐｅｒｉｍｅｎｔａｌ ｆｉｅｌｄ
所有 ｍ ｉｊ，ｋ 组成更新值集合 ｍ ｉｋ ，其对应的标签 ρ ｉｋ 也由
表１ 系统参数
ρ ｉｊ，ｋ 组成，因此 ρ ｉｋ 中会出现相同值的情况。 最后共有
Ｔａｂ．１ Ｓｙｓｔｅｍ ｐａｒａｍｅｔｅｒｓ
（ Ｍ ＋Ｎ） Ｚ 个更新值，它们的标签是 ρ ｉｋ ，共计（ Ｍ ＋ Ｎ） Ｚ 参数 数值
个，其中只有 Ｍ ＋Ｎ 种不同的标签。 载频 ／ ＧＨｚ ７７
（４） ｋ 时刻目标标签 调频斜率 ／ Ｈｚ２ ９．９９×１０１２
信号带宽 ／ ＭＨｚ ３６５
在裁剪与合并时，某一个合并项由 Ｌ 个更新值合
测速 ｃｈｉｒｐ 数 １２８
并得到。 这 Ｌ 个更新值中每一个都对应一个权值 ω ｉｋ ，
车辆与行人是车载应用场景下最为常见的动目标，
合并的转移方程为
其中车辆的测速和航迹跟踪尤为重要。 为验证分布式
１ Ｌ
ｍｋ ＝ ∑ ω ｉｋ ｍ ｉｋ
ｉ＝１
（１６） 构型在目标跟踪上的优势以及本文提出算法的有效性，
ωｋ 设计了双自行车交叉行驶实验，对两辆交叉行驶的自行
Ｌ

∑
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

ρ ｋ，ｍａｘ ，令其为ｍ ｋ 的标签。 最后，将ｍ ｋ 权值大于阈值的 图 １３ 双自行车运动示意图和场景图

Ｆｉｇ．１３ Ｄｉａｇｒａｍｍａｔｉｃ ｓｋｅｔｃｈ ａｎｄ ｅｘｐｅｒｉｍｅｎｔａｌ ｆｉｅｌｄ
项作为 ｋ 时刻的目标状态向量，同时也得到对应的标
签。 若出现多个目标标签值非 ０ 且相同的情况，计算 ３．１ 初始跟踪时刻
这些目标与 ｋ － １ 时刻的相同标签目标的距离，取距离 本文研究的多维信息匹配及目标跟踪算法均需要
最小的目标为 ｋ 时刻标签值对应的目标，其他目标则 结合多帧历史信息，比较首次跟踪上目标所用的时间
被去除。 若标签值中出现 ０，则将所有 ０ 标签值分别 可以间接判断分布式构型是否可以获取更丰富的目标
设为目前未出现过的非 ０ 标签值，最终所有标签值各 信息。 图 １４ａ） 给出了融合结果中两辆自行车初始位

— 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）

置，并用红框分别对二者进行了标注。 图 １４ｂ） 给出了 ３．２

目标闪烁
雷达 Ａ 在第 ９ 帧首次跟踪到目标的结果，目标位置由 在 ＭＩＭＯ 雷达探测动目标过程中，因目标在不同
红色三角标出。 图 １４ｃ） 给出了雷达 Ｂ 在第 ６ 帧首次 角度的形状以及特性均有差异，成像结果往往会随着
跟踪到目标的结果。 图 １４ｄ） 给出了融合中心处理后 目标角度的变化出现目标闪烁的现象。 如果场景中出
在第 ６ 帧 首 次 跟 踪 到 目 标 的 结 果。 在 图 １４ｂ ） ～ 图 现多个目标且行驶轨迹交叉，则会出现目标相互遮挡
１４ｄ） 中，目标位置由矩形框标出。 在图 １４ 的实验结 的现象，这使得目标消失的问题进一步加重。 为模拟
果中，其中一个单雷达出现跟踪起步较慢的问题，而采 这一现象，本实验中双自行车的运动轨迹是交叉的，以
用分布式融合结果，综合多角度信息可以克服这一问 此验证分布式构型是否可以有效减少目标闪烁及目标
题，具有更快的跟踪反应速度。 遮挡消失等情况的出现。
表 ２ 记录了 ５０ 帧内自行车 Ａ 与 Ｂ 两个目标在单
雷达和分布式雷达探测情况下消失的次数（ 目标移出
场景情况不记录消失） 。 由表 ２ 可见，分布式雷达成
像结果中目标未检测次数最少。
表 ２ 目标消失次数统计
Ｔａｂ．２ Ｓｔａｔｉｓｔｉｃｓ ｏｆ ｔａｒｇｅｔ ｄｉｓａｐｐｅａｒａｎｃｅ ｔｉｍｅｓ
雷达 目标 Ａ 目标 Ｂ 总次数
雷达 Ａ ５ ３ ８
雷达 Ｂ ２ ２ ４
分布式雷达 ０ ２ ２

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）

Ｍａｇａｚｉｎｅ， ２００７， ２５（１） ： １１６－１２９．

４ 结束语 ［８］ 王怀军， 许红波， 陆 珉， 等． ＭＩＭＯ 雷达技术及其应用

本文是对分布式 ＭＩＭＯ 雷达应用于智能汽车领域 分析［ Ｊ］ ． 雷达科学与技术， ２００９， ７（４） ： ２４５－２４９．

ＷＡＮＧ Ｈｕａｉｊｕｎ， ＸＵ Ｈｏｎｇｂｏ， ＬＵ Ｍｉｎ， ｅｔ ａｌ． Ｔｅｃｈｎｏｌｏｇｙ
的一次初探，对车载分布式 ＭＩＭＯ 雷达的成像、测速、
ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ａｎａｌｙｓｉｓ ｏｆ ＭＩＭＯ ｒａｄａｒ［ Ｊ］ ． Ｒａｄａｒ Ｓｃｉｅｎｃｅ
多维信息匹配和目标跟踪流程进行了总结和分析，并
ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２００９， ７（４） ： ２４５－２４９．
提出了一种基于跟踪算法的多维信息关联方案。 该方
［９］ 何子述， 李 军， 刘红明， 等． ＭＩＭＯ 雷达［ Ｍ］ ． 北京： 国
法不需要额外的速度解模糊步骤，且可同时完成目标 防工业出版社， ２０１８．
多维信息的快速关联和目标跟踪任务。 在实验部分， ＨＥ Ｚｉｓｈｕ， ＬＩ Ｊｕｎ， ＬＩＵ Ｈｏｎｇｍｉｎｇ， ｅｔ ａｌ． ＭＩＭＯ ｒａｄａｒ［ Ｍ］ ．
设计了双动目标交叉运动实验，分析了分布式构型和 Ｂｅｉｊｉｎｇ： Ｎａｔｉｏｎａｌ Ｄｅｆｅｎｓｅ Ｉｎｄｕｓｔｒｙ Ｐｒｅｓｓ， ２０１８．
单雷达构型下的目标初始跟踪时刻、目标闪烁情况以 ［１０］ 陈 尧， 尹 伟， 鲁振兴． 基于 ＴＤＭ 信号的反无人机
及航迹中断情况，验证了分布式构型的优势。 具体而 ＭＩＭＯ 雷 达 系 统 ［ Ｊ］ ． 计 算 机 测 量 与 控 制， ２０２０， ２８
言，分布式构型在目标跟踪过程中具有更快的跟踪反 （１０） ： ２２６－２３０．

应速度，可以综合多角度散射信息，具有提高目标检测 ＣＨＥＮ Ｙａｏ， ＹＩＮ Ｗｅｉ， ＬＵ Ｚｈｅｎｘｉｎｇ． Ａｎｔｉ⁃ＵＡＶ ＭＩＭＯ ｒａ⁃

ｄａｒ ｓｙｓｔｅｍ ｂａｓｅｄ ｏｎ ｔｉｍｅ⁃ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅｘｉｎｇ ｓｉｇｎａｌ ［ Ｊ］ ．
概率、减少目标闪烁次数的优势。 此外，分布式构型在
Ｃｏｍｐｕｔｅｒ Ｍｅａｓｕｒｅｍｅｎｔ ＆ Ｃｏｎｔｒｏｌ， ２０２０， ２８（ １０） ： ２２６ －
航迹跟踪的过程中能够减少航迹中断次数，保持航迹
２３０．
的完整性。 实验也同时验证了本文给出的车载分布式
［ １１］ ＳＣＨＭＩＤＴ Ｒ． Ｍｕｌｔｉｐｌｅ ｅｍｉｔｔｅｒ ｌｏｃａｔｉｏｎ ａｎｄ ｓｉｇｎａｌ ｐａｒａｍｅｔｅｒ
ＭＩＭＯ 雷达数据处理总流程的有效性。 本文的实验设 ｅｓｔｉｍａｔｉｏｎ［ Ｊ］ ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｎｔｅｎｎａｓ ａｎｄ Ｐｒｏｐａ⁃
计仅完成了初次探索过程，针对分布式 ＭＩＭＯ 雷达体 ｇａｔｉｏｎ， １９８６， ３４（３） ： ２７６－２８０．
制应用于智能汽车领域，还需考虑更为复杂的实际交 ［１２］ ＨＡＹＫＩＮ Ｓ． Ａｄａｐｔｉｖｅ ｆｉｌｔｅｒ ｔｈｅｏｒｙ［ Ｍ］ ． ４ｔｈ ｅｄ． Ｕｐｐｅｒ Ｓａｄ⁃
通状况，并进一步完善整套数据处理流程。 ｄｌｅ Ｒｉｖｅｒ， ＮＪ： Ｐｒｅｎｔｉｃｅ⁃Ｈａｌｌ， ２００２．
［１３］ ＹＡＮ Ｊｕｎｗｅｉ， ＬＩ Ｘｉａｎｇ， ＳＨＡＯ Ｚｈｅｎｈａｉ． Ｉｎｔｅｌｌｉｇｅｎｔ ａｎｄ
参考文献（ Ｒｅｆｅｒｅｎｃｅｓ） ｆａｓｔ ｔｗｏ⁃ｄｉｍｅｎｓｉｏｎａｌ ＣＦＡＲ ｐｒｏｃｅｄｕｒｅ ［ Ｃ］ ／ ／ ＩＥＥＥ Ｉｎｔｅｒ⁃

［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⁃

５０９－５１４． ｔｉｏｎｓ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ， ２０１８， ６６（１０） ： ２６００－２６１５．

［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

ｐｌｉｃａｔｉｏｎｓ［ Ｃ］ ／ ／ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｉｃｒｏｗａｖｅ Ｓｙｍｐｏｓｉｕｍ Ｐｒｏｃｅｓｓｉｎｇ， ２００６， ５４（１１） ： ４０９１－４１０４．

Ｄｉｇｅｓｔ． Ｍｏｎｔｒｅａｌ， Ｃａｎａｄａ： ＩＥＥＥ Ｐｒｅｓｓ， ２０１２： １－３．

［４］ ＦＩＳＨＬＥＲ Ｅ， ＨＡＩＭＯＶＩＣＨ Ａ， ＢＬＵＭ Ｒ， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｄｉｖｅｒｓｉ⁃ 作者简介：
ｔｙ ｉｎ ｒａｄａｒｓ⁃ｍｏｄｅｌｓ ａｎｄ ｄｅｔｅｃｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓ⁃ 霍嘉玮 男，１９９９ 年生，硕士研究生，研究方向为车载 ＭＩ⁃
ａｃｔｉｏｎｓ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ， ２００６， ５４（３）： ８２３－８３８． ＭＯ 雷达阵列设计及成像技术；
［５］ ＢＬＩＳＳ Ｄ Ｗ， ＦＯＲＳＹＴＨＥ Ｋ Ｗ． Ｍｕｌｔｉｐｌｅ⁃ｉｎｐｕｔ ｍｕｌｔｉｐｌｅ⁃ｏｕｔ⁃ 胡 琨 男，２０００ 年生，硕士研究生，研究方向为车载 ＭＩ⁃
ｐｕｔ （ ＭＩＭＯ） ｒａｄａｒ ａｎｄ ｉｍａｇｉｎｇ： ｄｅｇｒｅｅｓ ｏｆ ｆｒｅｅｄｏｍ ａｎｄ ＭＯ 雷达成像及目标跟踪技术；
ｒｅｓｏｌｕｔｉｏｎ［ Ｃ］ ／ ／ Ｔｈｅ Ｔｈｒｉｔｙ⁃Ｓｅｖｅｎｔｈ Ａｓｉｌｏｍａｒ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ 宋 月 男，１９９６ 年生，博士研究生，研究方向为合成孔径
Ｓｉｇｎａｌｓ， Ｓｙｓｔｅｍｓ ＆ Ｃｏｍｐｕｔｅｒｓ． Ｐａｃｉｆｉｃ Ｇｒｏｖｅ， ＣＡ， ＵＳＡ： 雷达成像与信息提取技术；
ＩＥＥＥ Ｐｒｅｓｓ， ２００３： ５４－５９． 李中余 男，１９８８ 年生，博士，研究员，研究方向为双 ／ 多基
［６］ ＦＩＳＨＬＥＲ Ｅ， ＨＡＩＭＯＶＩＣＨ Ａ， ＢＬＵＭ Ｒ， ｅｔ ａｌ． ＭＩＭＯ ｒａ⁃ 雷达舰船目标检测与成像技术；
ｄａｒ： ａｎ ｉｄｅａ ｗｈｏｓｅ ｔｉｍｅ ｈａｓ ｃｏｍｅ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ 武俊杰 男，１９８２ 年生，博士，教授，研究方向为前视 ＳＡＲ
２００４ ＩＥＥＥ Ｒａｄａｒ Ｃｏｎｆｅｒｅｎｃｅ． Ｐｈｉｌａｄｅｌｐｈｉａ， ＰＡ， ＵＳＡ： 成像技术；
ＩＥＥＥ Ｐｒｅｓｓ， ２００４： ７１－７８． 杨建宇 男，１９６３ 年生，博士，教授，研究方向为新体制雷
［７］ ＨＡＩＭＯＶＩＣＨ Ａ Ｍ， ＢＬＵＭ Ｒ Ｓ， ＣＩＭＩＮＩ Ｌ Ｊ． ＭＩＭＯ ｒａｄａｒ 达成像技术。
ｗｉｔｈ ｗｉｄｅｌｙ ｓｅｐａｒａｔｅｄ ａｎｔｅｎｎａｓ［ Ｊ］ ． ＩＥＥＥ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ

— ９ —