Modern Radar for Automotive Applications（用于汽车应用的现代雷达）

目录

1 引言

2 汽车雷达系统的工作原理

 2.1 基本雷达功能      

 2.2 汽车雷达架构 

2.2.1 发射机

2.2.2 接收机

2.2.3 天线和天线阵

2.3 信号模型

2.3.1 振幅模型

2.3.2 噪声模型

2.4 雷达波形和信号处理

2.4.1 距离处理

2.4.2 多普勒处理

2.4.3 FMCW汽车雷达应用的典型波形参数

2.4.4 窗口锥度函数

2.5 检测基础

2.5.1 相干和非相干积分

2.5.2 特定PD和PFA的最小信噪比

2.5.3 恒虚警率检测

2.6 雷达设计考虑

2.6.1 灵敏度

2.6.2 距离/多普勒复盖率

2.6.3 距离/多普勒分辨率

2.6.4 相位噪声

2.6.5 线性调频非线性

3 MIMO雷达技术

3.1 MIMO雷达虚拟阵列综合

3.2 汽车MIMO雷达波形正交策略

3.2.1 TDM波形正交

3.2.2 DDM波形正交

3.2.3 FDM波形正交

3.3 汽车MIMO雷达测角

3.3.1 ULA高分辨率测角

3.3.2 SLA高分辨率测角

3.4 自动驾驶高分辨率成像雷达

3.4.1 多个雷达收发器级联

3.4.2 级联成像雷达示例

3.4.3 成像雷达设计挑战

3.5 汽车MIMO雷达挑战

3.5.1 多径反射下测角

3.5.2 汽车MIMO雷达波形正交

3.5.3 需要高效、高分辨率的找角算法 

4 干扰和干扰缓解 

4.1 汽车雷达干扰

4.1.1雷达信号模型及干扰

4.1.2汽车雷达干扰特性

4.1.3最后说明

4.2干扰抑制

4.2.1干扰检测

4.2.2干扰抑制及避免

4.2.3最后说明 

5 MMWave雷达跟踪及传感器与摄像机融合 

5.1 简介

5.2 相关工作

5.3 雷达-EKF：雷达跟踪方法

5.3.1 FMCW雷达

5.3.2 FMCW雷达噪声

5.3.3 EKF预测

5.3.4 EKF更新

5.3.5 非线性

5.3.6 雷达-EKF工作流程

5.4 传感器与摄像机的融合

5.4.1 坐标与EBS

5.4.2 摄像机预处理

5.4.3 HEM 5.4.4融合-EKF

5.4.5 数据关联与传感器同步

5.4.6 EB评估

5.5 传感器跟踪与融合实验结果  

6 汽车雷达目标分类

6.1导论

6.2 机器学习分类方法

6.2.1 机器学习基本概念

6.2.2 多层感知器

6.2.3 卷积神经网络

6.2.4 递归神经网络

6.3 微多普勒特征雷达目标分类

6.3.1 微多普勒特征描述

6.3.2 分类示例

6.4 雷达目标分类用统计RCS信息

6.4.1 雷达目标分类的物理意义

6.4.2 毫米波波段RCS仿真

6.4.3 RCS的统计表示

6.4.4 用ANN分类

6.5 雷达目标分类用雷达图像

6.5.1 雷达图像仿真

6.5.2 用CNN分类

6.6 结论  

7 雷达路况识别 

7.1 导论

7.2 路面和雷达测量的地面真相

7.2.1 粗糙路面的统计

7.2.2 沥青和混凝土道路的有效介电常数

7.2.3 水、冰， 和雪

7.2.4 散射系数

7.3 基于全波模拟的表面散射模型

7.3.1 随机粗糙面的全波模拟

7.3.2 收敛性分析和统计模拟结果

7.3.3 粗糙面在MMWave波段的简化后向散射系数模型

7.3.4 实验结果

7.4 基于辐射传输模型的半经验体散射模型

7.4.1 辐射传输方法的理论分析

7.4.2 雷达测量数据的辐射传输模型

7.5 不同路况77 GHz雷达测量结果

7.6 结论 

8 基于雷达的手势感知 

9 舱内生命体征监测 

10 结论

1 引言

        术语“雷达”代表无线电探测和测距。 雷达是一种电磁系统，用于探测、定位、跟踪和识别某一区域内的不同物体。 雷达向目标方向发射电磁能量，以观察来自目标的回波。 雷达的目标可能是舰船、飞机、天体、汽车等。早期雷达系统由于体积大、成本高而仅用于军事领域。 由于高频集成电路和单片微波集成电路的发展，现代微型雷达系统可以在印刷电路板上甚至IC上实现[1-5]。 雷达系统的应用已经扩展到商业领域，如穿墙探测[6-9]、室内定位[10-13]、生物医学应用[14，15]和驾驶员辅助[16，17]。 这本书的主题集中在雷达技术及其在汽车上的应用。 

        雷达是现代车辆安全系统中的关键技术。 汽车雷达是高级驾驶员辅助系统中的关键传感器，用于自适应巡航控制、防撞、盲点检测、换道辅助、停车辅助等。图1.1显示了车辆上典型的汽车雷达配置。 安装在车辆前部的长距离雷达(LRR)通常用于自适应巡航控制。 安装在前方和后方的中型距离雷达提供了比LRR更广泛的覆盖范围，它们可以用于交叉交通警报和换道辅助。角安装的短距离雷达支持停车辅助、障碍物/行人检测和盲点监测。 在实际应用中，这些雷达通常协同工作以提供更鲁棒的检测结果。 关于工作频率，24 GHz频段已经在传统的汽车传感器中使用。 由于欧洲电信标准协会和联邦通信委员会制定的频谱法规和标准，汽车雷达已广泛采用77 GHz频段。 主流的汽车雷达发展已经 移动到77 GHz频段，使雷达具有更好的分辨率和更小的形状因子。 

             

                                                 一种典型的车载雷达结构 

        自动驾驶汽车是由驾驶员辅助系统发展而来的，它对传感器的要求越来越高，特别是对汽车雷达的要求越来越高。 汽车工程师协会(SAE)根据人类参与驾驶行为的程度，开发了六个公认的自动驾驶车辆级别[18]，包括零级，这与没有自动化，而是完全由人类控制车辆有关。 图1.2显示了驾驶自动化水平的定义。 

   ·第1级（驾驶员协助）：一名人类驾驶员负责与驾驶汽车有关的所有任务，包括加速、转向、制动和监测周围环境。 汽车中有一个驾驶自动化系统，可以帮助转向或加速，但不能两者兼而有之。

  •第2级（部分自动化）：在这一级别，汽车中的自动化系统可以协助转向和加速，而驾驶员仍然负责大多数安全关键功能和环境监测。 目前，道路上最常见的是2级自动驾驶汽车。

  •第3级（条件自动化）：从第3级开始，汽车本身通过使用自动车辆传感器来监控环境 执行其他动态驾驶任务，如制动。 人类驾驶员必须准备好在驾驶过程中出现系统故障或其他意外情况时进行干预。 

 ·第4级（高度自动化）：第4级与高度自动化相关，即即使在极端情况下，汽车也能够在没有司机干预的情况下完成整个旅程。 但也有一些限制：只有当系统检测到交通状况安全且没有交通堵塞时，驾驶员才能将车辆切换到该模式。

  •第5级（完全自动化）：完全自动化的汽车还不存在，但汽车制造商正在努力实现自动驾驶的第5级，即司机简单地指定他们的目的地，车辆对所有驾驶模式承担完全的控制和责任。 因此，5级汽车将没有任何人类控制的规定，如方向盘或踏板。 

        自动驾驶汽车的未来看起来棒极了； 然而，实现一辆完全自动化的车辆仍然非常具有挑战性。 目前，市场仍然由二级部分自动驾驶汽车主导。 

        如果没有传感器，自动驾驶汽车将是不可能的，传感器允许车辆看到和感知道路上的一切，并收集安全驾驶所需的信息。 此外，这些信息被处理和分析，以便建立从A点到B点的路径，并向汽车的控制器发送适当的指令，如转向、加速和制动。 此外，自动驾驶汽车中的传感器收集的信息，包括前方的实际路径、交通堵塞和道路上的任何障碍物，也可以在通过车对车通信技术连接的汽车之间共享[19,20]，这对驾驶自动化来说是一个非常有用的资源。 当今大多数汽车制造商在自动驾驶汽车中最常用的传感器有以下三种：摄像机、雷达和激光雷达。 与其他传感器相比，雷达提供目标位置和速度的成本相对较低。 此外，雷达在恶劣的环境中也很健壮[21,22]，如光线不好、天气恶劣和极端的温度。 这些特点使雷达成为自动驾驶汽车的独特传感器。 

        目前的汽车雷达技术大多基于已有几十年历史的调频连续波(FMCW)雷达原理。 在这本书中，首先以FMCW波形为例介绍了现代汽车雷达的基本原理。 空间维度是使用现代多输入多输出技术获得的，这将在下面的章节中介绍。 随着相位调制等硬件性能的提高，以及具有独立调制特性的同时使用的发射和接收信道的扩大，传统的FMCW雷达系统设计和信号处理增加了新的自由度。 随着越来越多的车辆采用汽车雷达，雷达不可避免地会受到工作在同一频段的其他雷达的干扰。 第四章将介绍干扰及其缓解方法。 第5章介绍了雷达传感器如何与其他传感器集成在一起 以改进目标检测。 第六章给出了雷达对常见交通目标进行分类的几种方法。 然后，在第七章中，将讨论利用雷达进行路面状况检测的应用。

        在本书中，我们还认识到，汽车雷达的未来不仅应该解决传统的外部应用，还应该在内部应用中发挥重要作用，如用于人车交互的手势传感、驾驶员/乘客生命体征和存在监测。 本书第8章和第9章介绍了这些方面的细节。  

2 汽车雷达系统的工作原理

 2.1 基本雷达功能      

         雷达系统从天线或天线阵列向空间辐射电磁能量。 辐射的电磁能“照亮”周围的目标。 “照明”目标截获部分辐射能量，并将一部分反射回雷达系统。 雷达系统利用一个或多个接收通道来检测反射能量，以确定目标的距离、速度和相对角度。 

        根据雷达发射机发射的波形类型的不同，雷达系统可分为脉冲雷达和连续波(CW)雷达。 脉冲雷达由一系列重复的短脉冲组成。 目标的距离是基于发射脉冲和接收脉冲之间的时间延迟来测量的。 与脉冲雷达不同，连续波雷达通常在一段时间内连续发射电磁波。 通过将接收信号与发射信号的复制品进行比较，得到目标的特性。 在汽车应用中，连续波雷达系统由于其多方面的优势一直占据主导地位。 与脉冲雷达相比，连续波雷达具有峰值发射功率低、结构简单、集成度高等特点，使其应用广泛，尤其是在汽车领域。 本章试图提供一个彻底和一致的描述雷达技术的基本汽车应用。 虽然许多概念是相同的脉冲雷达和连续波雷达，连续波雷达是强调比脉冲雷达在这本书。 汽车雷达的功能可分为探测、跟踪和成像三大类。

        在这一章中，重点是检测，以及执行任务的信号处理的基本技术。 跟踪和成像将在下面的章节中讨论。 对于目标检测，最基本的问题是确定接收机接收到的回波是来自物体的反射还是 只有噪音。 对于连续波雷达，检测决策通常是通过将接收回波的信号幅度与一个阈值进行比较来做出的，该阈值可以预先定义或实时计算。 对于一个鲁棒的雷达系统，需要从实时雷达数据中自适应地计算阈值。 

        为了获得目标的距离，连续波雷达需要进行一定类型的调制。 调制是将距离信息编码为回波信号，需要通过信号处理提取回波信号。 例如，线性调频连续波(FMCW)雷达将目标的距离编码为基带信号的频率。 在相位调制连续波雷达中，距离信息被编码为相位码序列，通过计算回波信号与原码序列的相关性来提取相位码序列。 尽管有各种调制方式，雷达的距离分辨率与发射信号的带宽成反比： 

         在汽车雷达应用中，为了实现更好的距离分辨率，通常采用较大的带宽。 

        雷达还可以利用多普勒效应获得目标的相对速度。 这是汽车雷达与其他汽车传感器相比的一大优势，如摄像头和激光雷达，激光雷达是“光检测和测距”的缩写。 多普勒效应是电磁波相对于相对于雷达运动的目标的频率或相位的变化。 它是以奥地利物理学家克里斯蒂安·多普勒的名字命名的，他在1842年描述了这一现象。 多普勒效应产生的原因是当目标向雷达移动时，每一个连续的电磁波峰都从比前一个电磁波峰更靠近雷达的位置反射。 因此，每一个电磁波到达雷达所需的时间比前一个电磁波略少。 因此，减少了连续电磁波波峰到达雷达之间的时间，导致接收电磁波的相位减小。 相反，如果目标是远离雷达的，则每一个电磁波从比前一个电磁波离雷达更远的位置反射，因此连续电磁波之间的到达时间增加，增加了相位。 雷达可以通过计算目标偏离序列之间的相位演化来获得目标的相对速度。 

        对于汽车应用来说，获得目标的相对距离和速度通常是不够的。 为了做出正确的决策，例如执行紧急制动，车辆还需要知道目标在三维空间中的位置。 如图2.1所示，汽车雷达在球坐标系中测量目标(P)的位置。 +x轴是轴线方向，通常垂直于雷达天线板。 x y平面上的角度是方位角，angle是仰角。 在雷达系统中，获取目标方位角和仰角的技术有多种。 最广为人知的方法之一是使用机械旋转器[1]。 在这种方法中，雷达 通过一个非常窄的辐射束被安装在一个旋转器上，以机械的方式扫描环境。 目标的相对仰角和方位角由旋转器的位置给出。 机械扫描雷达在军事上得到了广泛的应用； 但由于其体积庞大，不适合汽车应用，要求雷达小型化和低成本。 其他角度测量方法包括相控阵、数字波束形成以及多输入多输出技术，它们不需要任何机械旋转结构，并且高度集成[1]。 本章简要介绍了相控阵和数字波束形成技术。 下一章将详细讨论多输入和多输出技术。 

                                                 雷达测量用球坐标系 

 2.2 汽车雷达架构 

        从最高层来说，基本的汽车雷达由发射机、接收机和天线组成。 图2.2说明了一个简化的单通道连续波雷达结构[2]。 这种结构适用于大多数连续波雷达。 基于不同的波形类型，雷达不同部分的实际硬件实现可能会有所不同。 在发射机（Tx）侧，使用信号合成器产生不同的波形。 然后，产生的波形被放大并由发射机天线发射。 产生的信号的一部分馈入接收机，用作本地振荡器(LO)。 在接收机(Rx)端，接收天线接收目标的反射信号。 接收信号首先在接收信道上经过一系列放大和滤波处理。 接着是一个正交下变频器，将接收到的信号与 LO产生基带信号。 经过下变频后，基带信号被采样到数字域进行进一步处理。

                                                         简化的单通道雷达结构 

         正如已经提到的，图2.2中的简化结构并不适用于所有类型的连续波雷达，因为它们的波形不同。 例如，为了支持多个信道，许多设计在发射机中有一个额外的调制，以帮助接收机从不同的发射机信道中分离信号。 有些设计在发射机信道中有移相器来支持波束形成。 另一个例子是，在接收机端，正交下变频器并不总是必要的，在某些情况下，单通道直接下变频器也可以工作。  

2.2.1 发射机

         对于一部车用雷达来说，它的发射机对整个系统的灵敏度和距离分辨率起着重要的决定作用。 使用高发射功率和高增益的天线可以改善信号，提高雷达在较长距离下探测较小目标的能力。 此外，发射更宽的宽带提高了雷达识别距离附近目标的能力。 然而，汽车雷达发射机所使用的频带和最大发射功率也受到当局的高度管制。 由于电磁波广泛应用于现代技术，特别是在电信领域，以防止不同用户之间的干扰，电磁波的产生和传输受到国家法律的严格管制，并由国际电信联盟（国际电联）协调。 对于汽车雷达应用，全球有四个专用频段，包括24和77 GHz频段。 表2.1显示了汽车雷达目前可用的频段。 

                                                 汽车雷达频段 

        从24到24.25 GHz的250 MHz带宽是保留的工业、科学和医疗(ISM)频段，与未经许可和获得许可的操作共享。 由于它是一个共享的频带，它遭受高的干扰可能性。 21-26 GHz的5 GHz超宽带(UWB)对低发射功率的要求非常严格，限制了其在短距离下的应用。 大部分国家的当局已分配两个较高的频段，包括适用于长距离雷达(LRR)的76-77千兆赫频段和适用于短距离雷达(SRR)的77-81千兆赫频段。 由于以下优点，这两个较高的频段是汽车雷达的选择频段。 首先，77 GHz频带范围从76到81 GHz，带宽超过4 GHz。 宽带宽增加了雷达的距离分辨率，使其能够分辨距离较近的目标。 频率越高，波长越短，测速的分辨率和精度也越高。 此外，短波长也有助于减小汽车雷达的天线尺寸。 由于77 GHz频段是专门用于汽车雷达应用的，该法规还允许在该频段中有更高的发射功率。 对于工作在79 GHz的汽车雷达，授权的最大有效各向同性辐射功率(EIRP)为55 dBm，最坏情况下平均EIRP谱密度小于-3dBm/MHz[3]。 另一方面，24 GHz频段的峰值限制为20 dBm EIRP。 

        信号合成器，又称波形发生器，是汽车雷达的重要部件之一。 该信号合成器能够为不同的应用产生各种类型的波形。 图2.3说明了波形的四个流行示例。 第一个波形是单音信号，是多普勒雷达中使用的未调制正弦波。 FMCW波形是一种线性调制信号，其频率随时间呈线性变化。 步进频率连续波形具有阶梯形状的频率增加/减少。 频移键控波形具有交替频率。 对于汽车雷达来说，FMCW波形是目前应用最广泛的波形，因为它可以通过锁相环(PLL)产生，并且可以高效地从基带获取距离信息。 本章主要以FMCW波形为例进行讨论，但大部分原理也适用于其他波形。 

                                                         不同类型的波形 

2.2.2 接收机

           该接收机的主要目的是对接收到的回波进行相干下变频，获得基带信号。 如图2.2所示，接收信号被分成两个通道。 一个信道与作为发射信号复制品的LO信号混合，以获得基带的同相或“I”信道。 另一个通道与一个90℃相移的LO信号混合，以获得基带的正交相位或“Q”通道。 假定发射信号为f(t)，则接收回波r(t)可以写为 

         其中，t为时间，️delta t为电磁波在雷达和目标之间的往返时间延迟，a为信号幅度变化。 混频器之后，基带信号Rb(t)可以简单地表示为 

         其中表示复信号的共轭。 在下面的部分中，将使用FMCW波形来详细讨论（2.2）和（2.3）。 

        在现代汽车雷达中，常用数字信号处理技术来处理基带信号。 因此，需要转换模拟基带信号转换成数字表示。 模数转换中最基本的问题是选择合适的采样率。 Nyquist采样定理[4]提供了指导，这里不再讨论。  

2.2.3 天线和天线阵

        在雷达系统中，天线或天线阵对雷达的灵敏度和角分辨力起着至关重要的作用。 雷达系统中使用的天线种类繁多。 对于汽车雷达来说，贴片天线由于其低外形和易于制造而被广泛使用。 图2.4演示了贴片天线[5]的两个例子。 图2.4(a)为3元串联馈电贴片天线，图2.4(b)为5元串联馈电贴片天线。 天线最重要的特性是它的增益、波束宽度和旁瓣电平。 天线远场辐射方向图P（,）通常用来描述天线在相对于天线轴线方向上的辐射强度。  

                         贴片天线示例[5](a)3单元串联馈电贴片天线和(b)5单元串联馈电贴片天线。 

        图2.5显示了图2.4(a)中3单元串联馈电贴片天线的远场辐射方向图。 E平面对应于平行于电场的平面，该平面平行于图2.4(a)中天线的垂直边缘。 H平面是平行于磁场的平面，它垂直于图2.4(a)中天线的垂直边缘。 E平面上的半功率束宽(HPBW)为48.6°，H-平面上的HPBW为81.5°。 对于图2.4(b)中的天线，由于其较长的长度，其增益较高，但E面HPBW较窄。 

        除目前流行的贴片天线外，其他类型的天线，如基片集成波导天线、透镜天线等也广泛应用于汽车雷达。 表2.2列出了文献中的几种77 GHz低剖面汽车雷达平面天线。

        天线阵列是一组相互配合的天线单元。 天线阵使雷达能够找到与雷达相关的目标角度。 通过控制每个阵元的相位和振幅，阵列能够将主波束引导到感兴趣的角度，甚至形成多个波束。 另一方面，数组中零点的方向也可以调整，它们可以用来抑制强干扰。 图2.6显示了一个八元素线性数组的简单示例。 假设阵列单元为各向同性辐射单元。 这种线阵的阵列因子可表示为[1]: 

 

         其中n为元素数，k=2/为波数。 是波长，yn是第n个元素的位置，'是方位角。 ！n是第n个元素的权重，它对应于激发的性质，即相位和振幅。 

                                        三元串联馈电贴片天线H面和E面方向图的仿真[5] 

 

                                                                 汽车雷达频段 

 

        考虑一个常见的情况，当相邻元素之间的间距d=lamda/2，(2.4)可以简化为 

         在一个均匀的激励下， 

         相应的数组因子如图2.7所示。 该模式的主瓣指向0℃，旁瓣电平约为-11 dB。 如果元件的相位被调谐，例如， 

         相应的数组因子如图2.8所示，其中图案的主瓣转向20é。

        更复杂的波束形成可以通过调谐每个单元的相位和幅度来实现。 图2.9所示的一个例子是，(2.8)中的加权与40 dB旁瓣电平Dolph-Chebyshev窗口[20]相乘。 

                                                 八元线阵 

                                                         均匀激励阵列因子 

   

 

        阵列因子假定阵列单元为各向同性辐射单元。 对于具有实际辐射单元的阵列，其全辐射Parray(')是阵列因子与单元辐射方向图P(')[1]: 

2.3 信号模型

                                                         权重为（2.8）的数组因子 

        雷达的发射机通常发出精心设计和定义良好的信号。 然而，接收到的返回信号是几个分量的叠加，  包括目标的反射、杂波、噪声，在某些情况下还有干扰。 这些部件都不完全在雷达设计者的控制之下。 雷达信号处理的最终目的是提取有关目标存在及其特征的有用信息。 噪声和干扰的存在降低了测量目标特性的能力或精度。 探测概率和信噪比等指标可以用来评价雷达系统设计和信号处理的有效性。 

 

        对于传统的连续波雷达，假设它发射的是一个设计良好的波形，其频率可以表示为f(t)的t0/2 6t

其中fc为中心频率。

FMCW波形可以写为 

发射信号(t)的瞬时相位是f(t)的积分， 

时域传输信号为 

其中a(t)是发射信号的幅度，而-(t)是发射信号的附加相位。 根据波形的设计，a(t)和-(t)可以是恒定值，也可以是时变调制。 

                         权重为（2.8）的数组因子乘以Dolph-Chebyshev窗口 

            接收信号是发射波形的延迟回波，其幅度和相位调制会因传播损耗和多普勒频移而改变。 接收机噪声可以看作是一种加性随机信号。 完整的接收信号可以建模为          

       

        其中，ti=2ri/c是第i反射器的往返时间延迟，ri是第i反射器的距离，n(t)是接收机噪声，bi(t)是第i反射器的振幅，'i(t)是第i反射器的相位调制。 Y(t)中的重要参数是延迟时间TI、信号幅度BI(t)和相位调制'I(t)。 从TI可以估计目标的距离。 目标的大小决定了信号的幅度Bi(t)，目标的运动状态改变了相位调制项I(t)。 需要注意的是，I并不代表第I个目标。

        在实际中，一个目标由多个反射面组成。 为了设计有效的信号处理算法，需要有待处理信号的良好模型。 在本章中，为了更好地理解雷达测量，将介绍几种雷达信号特性模型。 

2.3.1 振幅模型

2.3.1.1点目标雷达距离方程

        雷达距离方程是基本雷达系统设计分析中应用最广泛的工具之一。 雷达距离方程描述了从发射机到接收机的电磁功率的物理依赖性。

        为了推导距离方程，假设一个各向同性辐射元件将功率为Pt瓦的波形传输到一个无损介质中。 距离r下的功率密度是总功率Pt除以半径r的球面面积，假设介质中没有功率损失：  

        对于汽车雷达，通常使用定向天线将电磁能量集中在感兴趣的角度上。 天线增益gt是最大功率密度与各向同性密度之比。 因此，对于定向天线，在距离R处的峰值功率密度是各向同性发射功率密度的gt倍： 

 

         对于距离为R的理想点目标，一部分电磁波被后向散射到雷达接收机。 这个点目标收集了一个面积平方米的所有能量，并各向同性地重新辐射。 总的再辐射功率是 

         这个量称为目标的雷达散射截面(RCS)。 RCS是衡量目标在雷达接收机方向上反射雷达信号的能力。 它是雷达（来自目标）方向上的后向散射密度与被目标截获的功率密度之比。 因此，RCS通常不等于目标的物理横截面积。 另外，在后向散射功率各向同性再辐射的假设下，也定义了RCS。 与（2.15）类似，雷达接收机在距离r处的功率密度可以通过将（2.17）的幂除以半径为r的球体表面，     

    

 如果雷达接收天线的孔径为声发射，则接收天线收集的总后向散射功率为 

 根据有效孔径大小的定义，得到了有效孔径大小AE与接收天线增益GR之间的关系 

 lamda是波长。 等式（2.19）因此可以改写为 

         它描述了一个理想的情况，即雷达的电磁波在大气中不会遭受任何额外的损失。 而且，这里的雷达本身也是一个理想的系统，没有额外的部件损耗或信号处理增益。 

        雷达距离方程是雷达系统设计和分析的基本工具。 例如，通过（2.21）可以看出，接收功率随着雷达与目标之间距离的四次方而减小。 因此，为了提高给定RCS目标的探测距离，需要增加发射功率Pt或天线增益G t、Gr。 在PTGTGR的基础上增加约12分贝，只能使给定RCS目标的探测距离增加一倍。 对于一个雷达系统设计者来说，进行这样的改进总是具有挑战性的。 

        如上所述，(2.21)不包括信号处理贡献的增益。 设计好的信号处理算法可以提高有效接收功率，如提高信噪比，从而提高检测距离。 信号处理的效果将在下面几节中讨论。 

2.3.1.2雷达散射截面 

        上面已经直观地介绍了RCS的概念，它是对雷达接收机的再辐射功率的代表。 假设目标位置处的入射功率密度为qpeak（见(2.16)，而距离为r的雷达接收机处的再辐射功率密度为qback，见（2.18）。 RCS是入射功率密度的一部分。 Qpeak,Q back,和之间的关系应满足： 

         假定后向散射功率密度来自目标的各向同性辐射。 等式（2.22）因此可以改写为 

         RCS的定义通常是用电场来写的。 距离R趋于无穷大，使得定义只依赖于目标的特征。 

         其中Er2和Et2分别是反向散射电场和入射电场的平方量。 从0.01m2到数百平方米的RCS距离的典型值。 RCS值通常使用分贝(dbsm，db平方米）： 

         上面定义的RCS是一个实数标量。 RCS的一个更广义的定义是极化散射矩阵(PSM)，它描述了后向散射电磁场的极化状态。 入射电磁场与后向散射电磁场之间的关系可用PSM描述： 

         其中下标H表示水平极化，下标V表示垂直极化。 散射矩阵的四个元素是复杂的，可以从极化雷达的四个通道测量的幅值和相位中得到。 极化技术的讨论超出了本书的范围。 因此，在本书中，假定只有一个固定极化被发射和一个固定极化被接收。 

        真实目标的RCS是面角、频率和极化的函数。 不能简单地把它建模为一个常数。 理论上，目标的RCS可以通过求解麦克斯韦方程组和适当的边界条件来确定。 然而，只有几何形状简单的物体才能用这种方法确定。 一些简单物体RCS的近似公式如表2.3所示。 

 

        大型复杂目标的雷达散射截面高度依赖于目标的姿态角和频率。 图2.10显示了一个三面角反射器的简单例子，其边长为a=0.1m。 图2.11说明了当雷达面对反射器中心时，其RCS与频率的关系。 的RCS 反射器在10 GHz频率下为-3 dBsm,在77 GHz频率下RCS达到14 dBsm。 

        观测角是影响复杂目标RCS的另一个重要因素。 如图2.12所示，或相同的三面体反射镜，其RCS在反射镜中心观察时达到最大值，并随反射镜的 观察角度的改变。 当观察反射器的侧面时，RCS降低了70多分贝。 

 

 

        对于更复杂的目标，如汽车应用中的乘用车，其RCS在不同角度之间变化更快。 图2.13是一个乘用车在77 GHz不同观察角度下的RCS示例。 0é表示从车的前面观察，180é是车的后面。 最大的RCS在90°，这是从汽车的侧面。 

 2.3.1.3 Swerling模型 

 

2.3.2 噪声模型

2.4 雷达波形和信号处理

2.4.1 距离处理

2.4.2 多普勒处理

2.4.3 FMCW汽车雷达应用的典型波形参数

2.4.4 窗口锥度函数

2.5 检测基础

2.5.1 相干和非相干积分

2.5.2 特定PD和PFA的最小信噪比

2.5.3 恒虚警率检测

2.6 雷达设计考虑

2.6.1 灵敏度

2.6.2 距离/多普勒复盖率

2.6.3 距离/多普勒分辨率

2.6.4 相位噪声

2.6.5 线性调频非线性

3 MIMO雷达技术

3.1 MIMO雷达虚拟阵列综合

3.2 汽车MIMO雷达波形正交策略

3.2.1 TDM波形正交

3.2.2 DDM波形正交

3.2.3 FDM波形正交

3.3 汽车MIMO雷达测角

3.3.1 ULA高分辨率测角

3.3.2 SLA高分辨率测角

3.4 自动驾驶高分辨率成像雷达

3.4.1 多个雷达收发器级联

3.4.2 级联成像雷达示例

3.4.3 成像雷达设计挑战

3.5 汽车MIMO雷达挑战

3.5.1 多径反射下测角

3.5.2 汽车MIMO雷达波形正交

3.5.3 需要高效、高分辨率的找角算法 

4 干扰和干扰缓解 

4.1 汽车雷达干扰

4.1.1雷达信号模型及干扰

4.1.2汽车雷达干扰特性

4.1.3最后说明

4.2干扰抑制

4.2.1干扰检测

4.2.2干扰抑制及避免

4.2.3最后说明 

5 MMWave雷达跟踪及传感器与摄像机融合 

5.1 简介

5.2 相关工作

5.3 雷达-EKF：雷达跟踪方法

5.3.1 FMCW雷达

5.3.2 FMCW雷达噪声

5.3.3 EKF预测

5.3.4 EKF更新

5.3.5 非线性

5.3.6 雷达-EKF工作流程

5.4 传感器与摄像机的融合

5.4.1 坐标与EBS

5.4.2 摄像机预处理

5.4.3 HEM 5.4.4融合-EKF

5.4.5 数据关联与传感器同步

5.4.6 EB评估

5.5 传感器跟踪与融合实验结果  

6 汽车雷达目标分类

6.1导论

        自动驾驶汽车或自动驾驶汽车背后的技术被认为是近期最具影响力的新兴技术之一。 如何在复杂的交通环境中可靠地检测和识别所有目标是自动驾驶或高级驾驶员辅助系统面临的主要挑战之一。 正确识别目标及其属性对制造自动驾驶汽车至关重要。 

        利用摄像机或激光雷达进行交通目标分类已经得到了广泛的研究[1-3]，由于它们的高分辨率和数据解释的直观性，已经取得了显著的进展。 然而，相机或激光雷达的性能可能会因能见度低的情况而大大降低，如在夜间、雾或下雨的情况下。 相比之下，雷达数据在很大程度上不受大气条件和一天中时间的影响[4,5]。 因此，利用毫米波(MMW)雷达数据进行目标分类具有重要意义。 

        在利用雷达数据对飞机、军用车辆和地面目标进行分类的各种遥感应用方面，已有许多研究报告。 由于飞行器必须在远距离处被探测到，因此通常将其建模为单散射体目标，并利用雷达响应的频率或时间（距离）信息对目标进行分类[6,7]。 地面[8,9]和军用车辆[10,11]是由机载或卫星合成孔径雷达(SAR)系统探测的，因此目标的SAR图像被应用于目标分类。 对于与交通相关的场景，毫米波汽车雷达可以在不同的距离和大小上遇到不同的目标，这些目标可能只能部分被照亮，因此不能总是被认为是经典的点目标。 由于平台估计的困难，SAR方法显然不适用。 

        行人和骑自行车的人等易受伤害的道路使用者被认为是需要正确识别的最重要的对象。 由于行人在移动时手臂和腿的速度往往不同，因此观察到移动的行人与车辆相比，往往表现出非常不同的多普勒雷达响应模式。 在许多研究中，这一特征被描述并用于区分行人和车辆[12-17]。 

        近年来机器学习(ML)技术的发展，包括卷积神经网络(CNN)[18,19]和卷积递归神经网络(RNN)[20]为雷达目标分类提供了新的方法。 在[21]中，目标连续运动的距离多普勒图像的多帧被放入基于RNN的目标分类模型中。 与其他基于多普勒的目标分类方法类似，该方法只能适用于运动目标。 在[22]中，每个天线单元的相位和幅度被用作深度神经网络的输入，以区分行人和车辆。 虽然达到了90%以上的准确率，但本文所使用的数据样本非常有限（仅基于一辆车和一个行人），这限制了神经网络模型的适用范围和适用性。 对于一些具有成像能力的先进雷达，在目标分类中可以用雷达图像来表示目标[23,24]。 在[23]中，所提出的算法应用CNN将静态目标只分为两大类：停放的车辆和非车辆。 在文献[24]中，目标被可视化为雷达点云，其中雷达散射截面(RCS)信息被完全丢弃，零多普勒数据也被排除在外，这使得目标分类仅限于动态目标。 对于零多普勒目标分类问题，利用RCS及其统计信息和RCS雷达图像进行目标分类[25,26]。

        雷达目标分类既依赖于分类算法，又依赖于不同目标的可区分雷达数据。 在本章的第6.2节中介绍了一些用于目标分类的ML方法。 与相机或激光雷达数据不同，雷达数据解释不太直观，开发相关的信号处理算法更具挑战性。 此外，由于汽车雷达可以使用各种类型的雷达，因此可以生成不同形式的雷达数据来表示目标的不同特征。 我们将用以下形式的雷达数据来介绍分类：6.3节介绍了微多普勒特征，6.4节介绍了RCS的统计特征，6.5节介绍了雷达图像。 将介绍产生不同形式雷达数据的基本原理，并详细讨论每种形式雷达数据的优缺点。  

6.2 机器学习分类方法

        创造智能计算机的历史可能和计算机的历史一样长。 在20世纪中叶，当第一台计算机被发明时，图灵提出了一个问题：机器能思考吗？ 为了更清楚地定义这个问题，他提出了著名的模仿游戏，也被称为图灵测试。 从那时起，计算机硬件、软件和算法都取得了巨大的进步； 然而，为机器带来智能的研究永远不会停止。 虽然目前还没有机器能够完全取代人类，但ML学科发展迅速，其应用范围正扩展到包括雷达技术在内的学科研究的前所未有的广泛距离。 

        智力的一个标志是学习能力，这意味着获得新知识或在新知识与旧知识或经验之间建立适当联系的能力，这一过程被称为ML[27]。 在过去的衰退中，像神经网络这样的数字ML算法已经被开发出来，并成功地应用于许多传统上认为机器无法解决的问题，例如图像分类、语音识别和围棋游戏[28]。

        在我们的应用中，雷达目标分类问题可以看作是一个数据驱动的分类问题，可以直接应用成熟的ML算法。 本节的目的是用一种简单的语言给读者在雷达分类中应用的ML。 对于那些有兴趣更深入地理解ML或深度学习与其他应用的读者，我们向他们推荐几本优秀的教科书[27,29-31]。 

6.2.1 机器学习基本概念

        雷达目标分类问题可以描述为：给定一组雷达数据作为输入，一组目标类型作为输出，找到一个分类器函数或ML模型将输入的雷达数据映射到输出的目标类型。 雷达目标分类的一个例子如图6.1(a)所示。 需要注意的是，目标不仅仅是将训练集上的雷达数据映射到相应的目标类型，而是要找到一个能够识别相同目标类型雷达数据相似性和不同类别雷达数据差异性的模型。 因此，训练后的模型应该能够以相当高的精度处理训练集以外的雷达数据。 例如，一个用来自不同年轻行人的雷达数据训练的模型，一旦得到相关的雷达数据，就应该能够将行走的老人识别为行人。

        图6.1(b)说明了这一点。 一个具有m元素的输入雷达数据集可以表示为

                         

 由于该分类问题是监督学习的情况，每个输入雷达数据对应于一个输出目标类型或标签，该标签包含在标签向量中

                                 

需要X和EY来训练ML模型。 

        在ML算法中，可以在训练前指定ML模型的一般结构，在训练阶段由ML算法确定模型的参数。 训练ML模型是一个优化过程，以最大化模型对训练数据集和测试数据集的性能。 分类模型的性能通常根据其精确度来评价，精确度定义为正确输出的数量超过总的测试次数。 然而，在某些情况下，仅仅测量精度是不够的。 例如，在车辆和行人之间的雷达数据分类问题中，如果95%的训练样本和测试样本是为车辆收集的，那么假设一个ML模型将所有数据视为载体，将产生95%的准确率。 我们知道这是一个糟糕的模型，因为行人数据的真实阳性率为0。 为了避免这一问题，我们可以尝试平衡不同类别的样本数，或者对样本较少类别的真阳性率赋予更多的权重。 

 

 (A)用ML模型说明雷达目标分类问题； (b)在输入一些训练阶段没有使用的雷达数据的情况下，训练ML模型的预期性能 

                                         用于三类分类问题的一个MLP结构                 

         分类问题类似于曲线拟合问题，通常ML模型越复杂，越能准确地拟合训练数据。 然而，由于ML模型复杂度的增加，有时会由于与训练数据的过拟合而导致测试数据的性能变差。 另一方面，如果一个ML模型的性能可以进一步优化训练和测试数据集，这个模型是欠拟合的。 一般情况下，训练ML模型的目标是使训练数据集和测试数据集之间的性能差异最小，并使模型尽可能简单，从而获得最佳的精度。 

6.2.2 多层感知器

        多层感知器(MLP)又称人工神经网络(ANN)，是最简单的ML模型之一，在解决包括数据分类在内的许多ML问题中非常有用。 最初，这个数学模型是为了模仿生物神经网络而开发的，生物神经网络被包括人类在内的生物用来学习知识。 MLP的一个示例的结构可以在图6.2中看到。 它接受归一化的输入 

                ​​​​​​​        ​​​​​​​         

6.2.3 卷积神经网络

6.2.4 递归神经网络

6.3 微多普勒特征雷达目标分类

6.3.1 微多普勒特征描述

        与其它传感器相比，雷达传感器的一个主要优点是速度检测和基于速度的目标识别精度高。 一个目标的相对径向速度可以通过众所周知的多普勒效应来感知，多普勒频移由， 

 

         其中f表示雷达的工作频率，c表示光速，VR是目标相对于雷达的相对径向速度。 对于不同的雷达，这种多普勒频移可以用不同的方式检测。 在汽车雷达中，调频连续波(FMCW)由于其低功耗、低成本的特点而被广泛应用。 对于FMCW雷达，多普勒频移可以通过测量目标响应在啁啾与啁啾之间的相位差来评估。 雷达信号模型的简化相位项可表示为[33]: 

         其中k表示频率调制常数，等于（f2-f1）^/tc。 R表示目标的距离，FS表示一个啁啾的采样频率，可用频率采样数n除以Tc表示。 fc表示载波频率，n、p表示频率采样和啁啾的指数。 FMCW雷达的波形如图6.8所示。 它显示了一帧一通道（一个发射机和一个接收机）的发射雷达信号。

         对距离FFT后的全啁啾数据进行快速傅立叶变换(FFT)可以得到目标的多普勒频移，速度分辨率由一帧啁啾数P和啁啾周期Tc决定， 

 

         一种典型的FMCW雷达波形，起始频率f1，结束频率f2，啁啾持续时间tc和啁啾周期tc         

        然后，最大无歧义速度简单地由以下公式给出： 

         汽车雷达的一个重要的安全特性是对行人的检测和识别。 与车辆等其他运动物体相比，行人的运动模式更为复杂。 例如，手臂或腿可能前后移动，相对于雷达显示不同的径向速度，如图6.9所示。 行人的平均速度通常在5 m/s以下，汽车雷达的一帧周期时间通常要求在50 ms以下，这相当于（6.16）规定的77 GHz时0.04 m/s的速度分辨率。 因此，雷达应该能够通过多普勒频谱区分手臂或腿的运动与主要人体。 雷达捕捉到的这种现象被称为微多普勒效应，因为这些多普勒频移分量通常比主体弱。 

        由于行人的运动会随着时间的变化而变化，因此研究行人的微多普勒行为的时间依赖性是非常重要的。 作为时间函数的多普勒频谱也称为微多普勒特征。 这一特征首先由Chen提出[34,35]，并被许多其他研究者进一步研究和应用于目标分类[12-17,36-38]。 的一个例子 微多普勒信号[15]如图6.10所示。 结果表明，在一个步行周期的不同阶段，多普勒频谱（相对径向速度）的扩展是不同的。 

                                 对于一个移动的行人，不同的部分可能有不同的速度 

                         (a)行走周期的不同阶段和(b)模拟得出的相应的微多普勒信号[15] 

        事实上，任何相对于主体有微小运动的目标，如旋转和振动，都可能表现出微多普勒效应。 例如，当汽车或自行车运动时，车轮的某些部分可能显示出与汽车或自行车不同的多普勒频移[39，40]。 自行车的微多普勒信号比汽车更复杂，因为涉及到人腿的运动 创建额外的多普勒频移，而不是车轮。 图6.11[16]给出了一个毫米波波段微多普勒特征在不同交通目标之间比较的例子，这些目标包括一个行人、两个一起行走的行人、一辆自行车和一辆汽车。 本文利用76.5GHz车用雷达测量了上述目标的微多普勒特征。 该雷达的速度分辨率为0.3m/s，最大不模糊速度为76.6m/s。 我们可以看到，单个行人的微多普勒频谱是周期性变化的，这与行人的运动模式相匹配。 在两个行人的场景中，由于他们的运动是异步的，频谱上的方差变得更小。 自行车的多普勒频谱受双腿运动的影响，导致微多普勒频谱在某些点上广泛传播。 相比之下， 由于雷达信号的主要散射机制是来自车身，因此汽车的多普勒频谱非常窄。 

         测量了(a)一个步行的人，(b)两个人一起步行，(c)一辆自行车和(d)一辆汽车的微多普勒特征的例子[17] 

        对于不同类型的交通目标（如行人、自行车、车辆），运动多普勒频谱模式可能有很大不同。 因此，微多普勒特征可以作为区分不同交通目标的独特特征。 微多普勒效应还有许多其他应用，如行人跌倒检测和手势识别。 对这一主题感兴趣的读者，可以在教材中找到更多的研究和讨论[36]。 

6.3.2 分类示例

         微多普勒特征已在毫米波雷达目标分类中得到了广泛的应用[12-17]。 虽然微多普勒数据的分类方法有很多种，但我们将以[17]为例，介绍CNN和LSTM的分类方法。 测量了四类目标：单个行人（60个样本）、一辆汽车（60个样本）、一辆自行车（22个样本）和两个行人一起（44个样本）。 

        它在分类问题中同时利用了CNN和CNN-LSTM网络。 [17]中提出的CNN的结构类似于标准的深度CNN视觉几何组。 在前向传播模型中，将2s微多普勒信号输入到具有30个大小为5-5的特征图的二维卷积层。 经过最大池化后，数据进入另一个二维卷积层，其中包含15个3×3的特征图。 然后，在另一个最大池和20%的丢失之后，数据被放入大小为[128,50,2]的三层完全连接层（三层有128个神经元，50个神经元，每层有2个神经元）。 

        对于[17]中使用的CNN-LSTM网络，0.25s微多普勒信号被输入到一个具有两个特征映射的二维卷积层，然后输出被平坦化并进入随后的50神经元LSTM网络。 最后用全连接层对数据进行处理。 

        将ML模型应用于几个分类问题：（1）汽车与行人的分类； （2）汽车、行人和自行车； 和（3）汽车，单个行人，和两个行人。 在两类分类中，由于行人和汽车之间的微多普勒特征具有良好的可区分性，CNN和CNN-LSTM的准确率接近100%。 精确度是由测试用例总数中正确预测的数量定义的（没有提供每一类别的真实阳性率）。 表6.1显示了不同模型的分类精度。 结果表明，0.5s长数据样本的LSTM模型比2s长数据样本的LSTM模型性能更好，说明2s长数据样本的LSTM模型存在过拟合问题。 

        对于三类别分类问题，测试数据的性能在表6.1中给出。 结果表明，在大多数情况下，准确率下降到80%左右。 这是因为自行车的一些微多普勒特征与汽车相似，两个行人的一些微多普勒特征与单个行人的微多普勒特征没有太大区别。 总的来说，在本例中，CNN-LSTM显示了比仅CNN更好的性能。 

                         基于微多普勒特征的目标分类精度检验 

6.4 雷达目标分类用统计RCS信息

6.4.1 雷达目标分类的物理意义

6.4.2 毫米波波段RCS仿真

6.4.3 RCS的统计表示

6.4.4 用ANN分类

6.5 雷达目标分类用雷达图像

6.5.1 雷达图像仿真

6.5.2 用CNN分类

6.6 结论  

7 雷达路况识别 

7.1 导论

7.2 路面和雷达测量的地面真相

7.2.1 粗糙路面的统计

7.2.2 沥青和混凝土道路的有效介电常数

7.2.3 水、冰， 和雪

7.2.4 散射系数

7.3 基于全波模拟的表面散射模型

7.3.1 随机粗糙面的全波模拟

7.3.2 收敛性分析和统计模拟结果

7.3.3 粗糙面在MMWave波段的简化后向散射系数模型

7.3.4 实验结果

7.4 基于辐射传输模型的半经验体散射模型

7.4.1 辐射传输方法的理论分析

7.4.2 雷达测量数据的辐射传输模型

7.5 不同路况77 GHz雷达测量结果

7.6 结论 

8 基于雷达的手势感知 

9 舱内生命体征监测 

10 结论