雷达信号处理是一门具有很高的工程性以及理论性的学科,涵盖了众多的技术,涉及到了诸多的应用领域。其起源于一百多年前(即 1904 年),当时Christian Hülsmeyer 在德国科隆莱茵河畔的霍亨索伦大桥展示了第一台实验雷达(Griffiths 等人,2019 年))。
后来,在 1920 年,古列尔莫·马可尼在他的实验中也观察到了无线电检测到物体运动的现象。不过,直到第二次世界大战,雷达的发展时机才得以出现。
从那时开始到今天,它已发展成为不可替代的全天候、全天时远距离传感器。军事和安防应用一直是雷达发展的主要驱动力,不过截至目前,除了城市智能感知以及室内监测之外,雷达已成为包括空中、海上和地面交通控制在内的民用应用的关键技术。
雷达不仅影响着我们的现在,也在塑造着我们的未来。根据其首字母缩写词 RAdio Detection And Ranging,经典的雷达任务是检测和定位目标(Skolnik,2002)。随着相干脉冲雷达的出现,我们已经可以利用多普勒效应对目标的速度进行测量(Chen 和 Ling,2001 年)。
与相机图像和许多其他的传感器相比,雷达能够提供目标的距离和速度信息,如今,专用雷达测量目标的距离以及方位角和俯仰角,从而实现目标检测和定位。另外,通过合成孔径雷达 (SAR)、逆合成孔径雷达 (ISAR) 或干涉合成孔径雷达 (InSAR),可以获得物体的 3D 图像(Melvin 和 Scheer,2012;Richards,2014)。
近年来,无源雷达系统在目标检测和地面成像方面都受到了越来越多的关注(Lombardo 和 Colone,2012 年;Blasone 等人,2020 年)。雷达技术的应用范围从洋流监测到地球数字高程测绘,从汽车到生物医学,从物联网场景中的工业监测到穿墙成像(Amin,2010),从生命体征检测和日常生活活动识别( Amin, 2017 ) 到无人机监控(参见Theodoridis 和 Chellappa (2013)、Theodoridis 和 Chellappa (2017)对许多雷达信号处理技术和应用的广泛概述)。
在农业、林业、土壤水分监测、地质学、地貌学和水文学、海洋学、土地利用、土地覆盖制图和考古学方面,还有许多关键的雷达应用。
雷达历史悠久,从主动传感需求的日益增长来看,具有广泛的应用前景。不过,未来的雷达系统需要通过新颖的硬件解决方案和创新的信号处理技术有效地支持各种各样的应用,下面概述了未来雷达系统固有的几个重大挑战。
稀疏感知或压缩感知 (CS) 已成功解决雷达应用中的目标检测、估计和分类的问题,它结合了非线性重建算法和伪随机线性测量来解决定义许多逆问题的欠定线性方程(Potter et al., 2010)。在一些学者的研究中(例如:Ender,2010 年),描述了 CS 技术在脉冲压缩、雷达成像和使用阵列天线的空域监视中的应用。
在过去的十年中,CS 和稀疏信号重建方法已广泛应用于解决传统雷达问题,例如高分辨率目标到达方向 (DOA) 估计 ( Fortunati et al., 2014),以及一些新出现的问题,例如认知雷达中的频谱感知 ( Aubry et al., 2019 )。最近,稀疏感知与机器学习相结合,用于解决数据丢失或有限的问题(Cheng 等人,2020 年;Weiß 等人,2020 年)。
具有稀疏正则化和约束的优化方法已应用于相控阵和多输入多输出 (MIMO) 雷达平台,用于在给定数量的前端接收器下进行有效的雷达孔径设计,具有不同目标和成本函数的稀疏阵列设计受益于凸优化和半定二次规划 (SQP) 的最新进展 ( Xu et al., 2015)。局优化方法,如粒子群算法或模拟退火算法,已应用于具有灵活天线布局的阵列设计。另一种成功的设计方法是循环算法 (CA),它通过迭代优化匹配设计和所需的波束图案 ( Roberts et al., 2011 )。
稀疏天线阵列在相控阵和多输入多输出 (MIMO) 雷达的高分辨率细化配置中具有很多优势(Roberts 等人,2011 年),结构化稀疏阵列,例如嵌套和互素阵列,寻求增加虚拟孔径和可用自由度来处理比物理天线更多的源(Wang et al., 2018),非结构化稀疏阵列设计可以随时间变化,并以从感知环境中学到的知识为指导(Elbir 和 Mishra,2020 年)。因此,对稀疏阵列设计的研究确实是促进雷达信号处理发展的比较有前景的领域。
基于系统参数估计的波形优化是雷达信号处理中的一个新兴课题,在雷达和遥感中都有应用。在雷达中,空间、时间、频谱和极化等不同领域的波形自适应旨在动态提高雷达系统的性能(Aubry 等人,2013 年)。这种能力是通过新的计算架构、高速和现成的处理器、任意数字波形发生器、固态发射器和具有多个发射和接收通道的现代相控阵等实现的。
波形优化改进了雷达检测、分类、识别、定位和跟踪 ( Gini et al., 2012 ; Cui et al., 2020)。目前正在研究新的优化方法和技术,以处理涉及实际约束的具有挑战性的雷达波形设计,例如恒模、频谱约束、波形相似性以及有限或离散相位字母表。
认知雷达是一个新兴且不断发展的研究领域,它为国防和民用雷达系统带来了巨大的好处(Haykin,2006 年)。尽管许多研究工作都集中在动态闭环感知上,但很少有人展示学习的组件(Guerci,2010;Farina 等人,2017 年;Charlish 等人,2018 年;Greco 等人,2018 年;Bruggenwirth 等人, 2019) 。
而且该领域的许多方面都存在尚未解决的问题,雷达可以进行在线学习,以感知更好的环境,并根据环境变化动态地调整操作参数,这可能具有潜在的好处,不过人们目前通常只是对单一的雷达系统进行认知研究。
然而,动态闭环感知系统可以在多个雷达节点以及不同的操作级别上进行分布,从信号到多个雷达的功能再到任务级别,都具有巨大的研究潜力。认知雷达在选择未来动态感知数据时,应该利用所有可用信号的自由度或者多样性,包括位置、频率、编码、波束模式、重访时间、PRF 和极化(Geng 等人,2020 年;Yan 等人, 2020)。下图所示为认知雷达结构图:
认知雷达的这些动态感知行为应该可以识别到低可观测目标、无人机或无人机群、使用密集以及有争议的频谱,以及人类的对抗性行为。与认知雷达未来发展最相关的使能技术是自适应波形设计、数值优化、RF 片上系统 (RFSoC)、全数字雷达阵列、机器学习和深度学习。
更多有关认知雷达的介绍,感兴趣的请查阅相关文献资料,本文论述内容仅是概括性的。
当前,机器学习(ML)取得了巨大的成果,这归功于许多国家的重大投资以及国际科学界成员之间的大规模合作,特别是机器学习技术的使用使得一些基于传统方法的信号处理技术的性能得到改善并克服其固有的局限性成为可能。随着机器学习技术在许多工程领域的成功应用,雷达界也开始应用机器学习技术来解决经典的雷达问题,并从新的角度应对传统问题(Carotenuto 和 De Maio,2021)。
如前所述,ML 是新认知雷达系统的使能技术之一,此外,基于 ML 的信号处理算法已经得到广泛发展,并已在与雷达系统相关的各个领域得到应用。一些传统应用程序从 ML 的使用中受益最多。特别是,雷达成像和分类是 ML 做出重大贡献的领域。而且在科学文献中,我们发现机器学习在解决与雷达信号处理相关的问题方面的许多应用,例如雷达发射机的识别和分类、雷达图像的处理和分类、雷达图像中的噪声抑制, 自动目标识别 (ATR), 目标检测, 抗干扰技术, 自适应波形设计[(朱等人,2017 )和(朗等人,2020 年)] 对 ML 的最新技术水平,尤其是雷达和遥感领域的深度学习 (DL) 应用进行详尽而全面的分析。
人们所提出的算法包括基于特征工程的传统机器学习与适当的分类器相结合,例如支持向量机 (SVM)、决策树 (DT)、随机森林 (RF) 和授权方法。它们还包括自动特征学习,例如深度学习(如,深度信念网络(DBN)、自动编码器(AE)、卷积神经网络(CNN)、递归神经网络(RNN)、生成对抗网络(GAN))(Lang 等人., 2019)。
总的来说,现在人们认识到,无论所考虑的应用类型如何,更高程度的自动化都会提高雷达的环境感知能力。雷达的发射和接收适应性应通过机器学习实现的准确环境感知进行“智能”调节。这一研究领域在过去 10 年中经历了指数级增长,并且还在继续扩大,一系列学术活动和快速增长的出版物数量证实了这些主题的时效性(Ma et al., 2019)。
近年来,无线通信出现了爆炸式增长,尤其是在工业物联网 (IIoT) 中的应用。一方面,雷达技术已经朝着功能不断增加的方向发展,现代雷达系统必须能够根据从周围环境实时收集的特定信息,动态改变传输波形和工作频段(Blunt 等人,2010 年)。由于对有限频谱资源的需求快速增长,对更好、更灵活地使用频谱的需求也在增加(Aubry et al., 2015)。
另一方面,商业无线行业努力争取更多的频谱接入,并关注并寻求使用传统上分配给雷达系统的频段,这导致了所谓的“频谱侵蚀”问题(Griffiths et al. ,2015 年;布朗特和佩兰斯,2018 年)。为了寻找有效资源共享和新技术解决方案,最近人们认识到,雷达和通信系统之间的带宽竞争可以通过联合优化设计这两个系统,在一个平台上实现它们来缓解“频谱侵蚀”问题(Blunt et等人,2010 年;Aubry 等人,2015 年;Hassanien 等人,2016 年)。
雷达和通信一体化平台不仅仅是一个雷达或通信系统,而是一个多功能系统,其波形和运行同时支持多种活动和任务(Chiriyath 等人,2017 年;Wang 等人,2018 年),这种双功能雷达通信系统的话题引起了雷达和通信科学界理论研究人员和从业者的兴趣(Cohen et al., 2018 ; Zheng et al., 2019)。
联合双功能雷达通信系统的设计是一个崭新的研究课题,需要新的思路和技术解决方案(Rahman et al., 2020 ; Mazahir et al.)。正在进行的研究侧重于已建立和新兴的领域,例如用于通信系统资源分配的认知频谱感知、现代雷达系统的自适应波形设计以及 MIMO 雷达和通信系统设计等。开放问题和方法的示例可以在最近的两期特刊中找到,其中一期是IEEE Trans.,“专注于频谱共享的 AES ( Blunt 等人,2019 年)”和 Elsevier在另一本杂志Digtal Signal Processing 发表的“致力于拥挤频谱中通信和雷达系统的合作和联合设计(Amin 等人,2020 年)” .
雷达技术是高级驾驶辅助系统 (ADAS) 和高度自动驾驶 (HAD) 的使能技术之一。
近年来,我们见证了针对汽车雷达领域量身定制的新系统和新信号处理技术的飞跃(Waldschmidt et al., 2021),尽管当前的汽车雷达技术仍然几乎完全基于调频连续波 (FMCW) 雷达的原理,但预计现代汽车雷达将更加灵活,并允许自适应选择波形参数以及动态使用发射和接收通道,这种灵活性需要多功能雷达传感器,它可以执行从自适应巡航控制到自动泊车的各种功能。
此外,高级自动驾驶功能的实现需要雷达传感器与激光雷达和摄像头协同工作,所有这些都证明了工业界和学术界在汽车雷达系统领域不断增长的研究和开发。例如,恩格斯等人,2017;张等人,2020)。另外,与目标失明、雪、雨和近场检测相关的问题也仍然相关,需要进一步研究。汽车雷达面临的一大挑战涉及到了自适应滤波,以减轻各种雷达传感器(在同一车辆或不同车辆上)的干扰(Alland 等人,2019 年)。
鉴于在交通繁忙的情况下配备雷达传感器的车辆越来越多,这个问题在不久的将来将变得越来越重要,除了在拥挤的交通环境中多个雷达共存之外,与通信系统的频谱共享也是一个主要问题(Kumari et al., 2018)。其他的挑战和机遇都围绕着感知信号的现象学、系统架构、电路技术、汽车 SAR 成像、物体识别和先进的信号处理技术发展(Saponara 等人,2019 年)。
机器学习在用于汽车雷达检测和分类的信号处理算法中也有望发挥越来越大的作用(Khomchuk 等人,2016 年;Seyfioglu 等人,2018 年;Schumann 等人,2020 年;Waldschmidt 等人,2021 年))。汽车雷达社区处于承诺提供完全自动驾驶汽车的技术前沿,几个汽车雷达行业集团(通用汽车、赫兹韦尔、Zendar、丰田等)正在大力投资解决这些问题。
由于毫米波技术的成熟允许可靠的低成本雷达传感器,雷达传感器的民用或两用应用正在经历巨大的增长。从这些发展中受益最多的领域无疑是健康监测和生物医学领域。事实上,智能医疗保健系统正在从传统的专家和以医院为中心的风格快速转变为以患者为中心的分布式系统。
一些技术发展促进了智能医疗系统的快速发展,包括与雷达技术和机器学习技术相关的技术。这些技术与 5G 和物联网 (IoT) 一起,对于未来智能医疗服务的发展至关重要。雷达传感在生物医学中有大量的应用。例如,雷达成像技术正在成为一种有前途的替代技术,或者说至少是一种辅助技术,可以替代现有的用于检测乳腺癌和监测治疗反应的成像设备。宋等人,2019 年)。
尽管目前已经取得了许多优异的结果,但仍然存在一些突出的挑战,例如低信噪比、组织异质性和低分辨率。基于雷达的人体生命体征和活动远程监测也是一个应用领域,由于其在医院、养老院、康复中心和护理机构的患者健康监测方面的潜在应用,引起了极大的研究兴趣(Amin et al., 2016 ; Li 等人,2018b ; Seifert 等人,2019 ; Mercuri 等人,2021)。
然而,仍然存在许多与低信噪比、高俯仰角、障碍物、动态环境、非常相似活动的辨别、非焦点运动以及人类活动的大且随时间变化的性质有关的问题。.克服医疗保健和生物医学应用中的挑战需要进一步提高统计信号处理和机器学习技术的最新技术水平(Maitre 等人,2020 年)。
由于多普勒效应,移动点状目标会在窄带雷达回波中引入频移。然而,在现实世界中,任何目标都具有复杂的结构,人类的身体也不是完全刚性的,目标的任何结构组件都可能不会遵循理想的直线运动。因此,人体的运动包含一个称为微动的分量,其中包括振动、旋转和加速度的影响,就可以引入微动及其诱导的微多普勒效应来表征目标的运动(Chen and Ling, 2001)。
因此,雷达微多普勒特征的提取与分析成为一个活跃的研究领域,在许多应用中都可以观察到微动,例如固定翼飞机的旋转螺旋桨、直升机的旋转转子叶片、车辆中发动机产生的振动、轮船上的旋转天线、行走的人的摆动手臂和腿,鸟的拍打翅膀,以及人的心跳和呼吸(陈,2014)。
在过去的几年中,已经证明可以利用微多普勒特性来提取目标的特征,因此,它在许多领域都有应用,例如增强的目标检测、表征和跟踪。现代高分辨率雷达配备先进的信号处理算法,具有更好的微多普勒特征提取能力,可以更有效地解决非合作目标检测和分类等经典问题(Clemente et al. ,2015 年;Ritchie 等人,2016 年;Fioranelli 等人,2020 年)。
这也为新应用铺平了道路,例如人类活动监测 ( Amin, 2017 ; Shrestha et al., 2020)、城市和室内监控 ( Pastina et al., 2015 ; Seyfioglu et al., 2018 )、医疗保健 ( Li et al., 2018a ; Lang et al., 2019 ; Seifert et al., 2019 )、汽车应用 ( Khomchuk等人,2016 年;Duggal 等人,2020 年)和制造(Zeintl 等人,2019 年;Izzo 等人,2020 年)。
最近的一本书(Fioranelli 等人,2020) 涵盖了雷达微多普勒特征和移动目标非合作识别的最新发展,并确定了一些正在进行的研究领域,其中包括用于医疗保健的无源雷达方法、使用雷达辅助生活的多模式传感、小型无人机和鸟类特征提取,并提到了用于汽车应用的微多普勒特征提取和分析。
几乎每天都会发现和提出新的雷达技术和应用,然而,当前仍然存在需要解决的挑战和差距。在这篇文章中,我们概述了雷达信号处理中的一些重要问题,但是不一定把雷达领域所有的问题的例举出来了,例如,采用分布式信号处理方法来利用互连和空间多样化的多平台系统中的所有可用信息,无疑是一个越来越受关注的研究领域。
实际上,IEEE AES 杂志组织了一期专门讨论“多平台和多功能射频系统 (MPRFS) 和 (MFRFS)”的专刊, 并在2021 年底出版。
上文未提及的另一个应用领域涉及新雷达技术的应用以及推进大气和气候科学的方法,这是一个传统的研究领域,机器学习技术的使用,可能与传统的统计信号处理方法相结合,有望开辟新的前沿。
此外,研究兴趣日益增加的领域包括太赫兹和毫米波雷达、软件化雷达 (SDR) 和低成本雷达以及量子雷达。
最后,雷达传感技术的进步将为有效的物联网 (IoT) 和工业物联网 (IIoT) 解决方案铺平道路,从而影响我们日常生活的方方面面。
[1]Grand Challenges in Radar Signal Processing,Department of Information Engineering, University of Pisa, Pisa, Italy,Front. Signal Process., 05 March 2021 | https://doi.org/10.3389/frsip.2021.664232