论文解读--High Fidelity Physics Simulation of 128 Channel MIMO Sensor for 77GHz Automotive Radar

77GHz汽车雷达128通道MIMO传感器的高准确度物理仿真

摘要

        汽车雷达是先进驾驶辅助系统(ADAS)和全自动驾驶汽车的使能技术之一。在复杂的城市环境中导航的自动驾驶汽车，除了需要以相当高的分辨率确定目标的距离和速度外，还需要具有高方位角和高俯仰角分辨率的雷达传感器。尺寸和成本限制限制了可用于实现高分辨率到达方向(DoA)估计的天线的物理数量。多输入/多输出(MIMO)方案使用比单输入/多输出(SIMO)系统所需的更少的物理天线实现更大的虚拟阵列。本文介绍了一种77GHz、基于调频连续波形(FMCW)的128通道(8个发射机(Tx)， 16个接收机(Rx)) MIMO雷达传感器的高准确度物理仿真。利用高准确度物理、射击和多径射线电磁求解器获得了全尺寸交通场景的77GHz合成雷达回波。采用基于快速傅立叶变换(FFT)的信号处理方案，跨慢时间(chirp)和空间(通道)分别获得距离-多普勒和DoA图。比较了16路、64路和128路MIMO雷达传感器在两种复杂驾驶场景下的探测性能和角分离性能。

1 介绍

       先进的驾驶辅助系统(ADAS)已经将今天的车辆变成了移动计算和传感中心，最终将成为自动驾驶汽车在道路上自动行驶。自动驾驶的主要要求之一是所考虑的车辆必须具有态势感知能力。在这里，我们将使用车载传感器感知环境的主机车辆定义为自车。具体来说，自车必须能够检测驾驶场景中多个参与者的存在、距离、速度和到达方向。这是通过不同的传感技术实现的，如光探测和测距(激光雷达)、距离探测和测距(雷达)、可见光谱相机和超声波接近传感器[1]-[4]。雷达是一种多用途技术，可以在光照条件差和恶劣天气条件下同时探测多个目标的距离、速度和到达方向[5]。

       最近汽车行业雷达的实现主要集中在77GHz频段。在这里，雷达用于泊车辅助(PA)、盲点检测(BSD)、追尾碰撞预警(RCW)、交叉交通警报(CTA)和自适应巡航控制(ACC)等[6]。这些不同的应用可以分为长(ACC)，中(CTA,RCW和BSD)和短(PA)距离雷达。在公路作业中，远程雷达用于跟踪相对较少的目标的距离和速度，这些目标在雷达横截面(RCS)中具有较小的动态范围[7]。城市环境对雷达传感器的操作提出了独特的挑战。在RCS中，传感器必须检测、跟踪和分类速度相对较慢、动态范围较大的多个拥挤目标。具体来说，行人的RCS可以比卡车的RCS低20 dB[7]。除了在方位角上分离目标外，还必须在仰角上分离目标。这是因为雷达传感器需要准确地确定地面上的小金属片、人孔或立交桥等目标的俯仰位置，以避免误测[7]，[8]。为了实现全自动驾驶汽车(AV)，中短程雷达将需要在复杂的电磁环境中工作。

        为了满足性能要求，中近距雷达传感器必须具有宽视场以及高距离、方位角、仰角和速度分辨率。使用调频连续波形(FMCW)雷达，可以通过增加发射chirp的带宽B来提高距离分辨率。另一方面，可以通过增加相干处理间隔(CPI)持续时间来提高速度分辨率。为了确定目标在方位角或仰角上的到达方向，需要两个或多个通道。通过增加通道数可以提高传感器的角分辨率。在单输入/多输出(SIMO)方案中，可以通过增加更多接收器(Rx)来增加通道数量。这些额外的接收器都需要一个专用的混频器、放大器和模数转换器(ADC)。

        由于汽车雷达的空间和成本限制，SIMO方案很少用于高角分辨率雷达。与SIMO系统中使用的单个发射器Tx不同，多输入/多输出(MIMO)雷达系统通过使用多个Tx元件来提高硬件传输效率。通过合理地排布阵元，可以使用更少的物理通道来实现更大的虚拟阵列。图1显示了MIMO的概念。

        图1 使用MIMO概念的到达方向(DOA)估计。利用3个Tx天线和4个Rx天线，可以实现一个12通道的虚拟阵列，用于方位角和仰角估计。

        MIMO雷达概念已被广泛研究[7]，[9]-[18]。[10]研究了天线共定位的MIMO雷达。另一方面，[17]研究了天线间距较宽的MIMO雷达。文献[5]、[7]、[19]-[23]中介绍了涉及汽车雷达系统的构建和测试的各种工作。在[7]中建立并测试了77 GHz MIMO汽车雷达。虽然构建和测试雷达传感器是有价值的，但构建系统设计人员可能感兴趣的某些测试用例可能需要花费大量的成本和时间。据估计，在自动驾驶汽车被认为是安全的主流部署之前，需要88亿英里的试驾里程[24]。仿真已经成为一种实用、相对廉价和安全的ADAS传感器验证方法[25]-[30]。

        在本文中，我们提出了一种基于高准确度物理仿真的用于77 GHz汽车雷达的128通道MIMO雷达传感器。合成雷达传感器由8个发射机(Tx)和16个接收机(Rx)组成。雷达信号是调频连续波形(FMCW)。信道正交性通过时域多路复用(TDM-MIMO)实现。在TDM-MIMO中，当所有其他Tx天线关闭时，单个Tx天线传输。采用基于快速傅里叶变换(FFT)的方法对每个Rx天线接收到的散射场进行多普勒和角度处理。

        为了测试MIMO传感器的性能，后处理算法需要用全尺寸交通场景电磁仿真得到的合成雷达回波馈送。全比例尺交通场景的电气尺寸较大，使得传统的全波电磁学求解方法难以进行仿真。具体来说，一个单一的交通场景在77GHz时可以有数十亿立方波长的大小。由于需要模拟单独的Tx /Rx通道，因此使用MIMO传感器会进一步增加计算和内存需求。因此，全尺寸交通场景的电磁仿真一直局限于低准确度度、分析级或系统级模型，这些模型将目标视为点散射体，而不是分布式目标[27]-[33]。这种模型通常忽略了关键的波传播和精确目标形状之间的多径相互作用。本文利用Ansys公司的高频结构模拟器(HFSS)的高准确度物理射线追踪电磁求解器(SBRC)，获得了全交通场景的合成雷达回波。

        本文的组织结构如下:第二节重点介绍MIMO到达方向估计理论和本工作中采用的基于FFT的信号处理方案。第三节介绍了HFSS SBRC仿真设置和一个测试用例场景，用于验证所提出的仿真和后处理工作流。第四部分模拟了两个复杂道路场景的全尺寸交通场景，获得了场景中目标的距离、速度和到达角。对于每个场景，比较了16、64和128通道的到达角图，以确定每种情况下目标的可分离性。

        本文有两个主要贡献。在这里，我们演示了如何从77 GHz雷达交通场景的高准确度物理全尺寸电磁模拟中提取MIMO传感器的合成雷达回波。据作者所知，这是同类中第一个高准确度物理模拟演示。其次，我们展示了如何使用简单，计算效率高的FFT方案从频域合成雷达回波中获得距离，多普勒和角度信息。本文提出的工作流程可用于预测实际应用中物理雷达传感器的性能。

2 MIMO理论与合成雷达回波后处理

A MIMO用于DOA估计

        为了使用单输入/多输出(SIMO)系统确定信号的到达方向，至少需要两个已知物理距离的接收天线。接收器的这种物理分离在两个接收器接收到的信号之间产生了与角度相关的相移。图1显示以角度θ入射的平面波。每个接收天线的间距为d，因此，单个波前必须行进额外的物理距离(n-1)dsinθ才能达到图1所示的第n个（阵元）。因此，接收机处的信号有一个递进相移Φ

          (1)

        这里，λ是自由空间波长。因此，到达角由下式给出

          (2)

        递进相移Φ在(-π，π)范围内可以被无模糊的估计。因此，意味着视场θFOV由下式给出

          (3)

        使用间距d=λ/2，可以达到θFOV=±90°的视场角。DoA估计的角度分辨率可以由下式给出

          (4)

        根据(4)，可以看到到达角估计分辨率依赖天线阵元数量N、阵元间距d和到达角估计的余弦值。这意味着，当一个目标从视轴（θ=0°）移动时，角度分辨率会恶化。假设视轴条件，间距d=λ/2，角度分辨率（弧度）由下式给出

          (5)

        通过在SIMO方案中增加Rx元素的数量，可以提高角度分辨率。然而，这不是硬件的有效使用，因为每个接收器都需要自己的混频器、放大器、滤波器和ADC。一种更有效的方法是使用如图1所示的MIMO方案。在这里，我们使用MTx个天线相位中心的MTx个正交波形。通过合理地布置Tx阵元，可以实现如图1所示的虚拟阵列。在这里，使用MTx个发射天线和NRx个接收天线，总共可以实现MTx*NRx个虚拟通道。因此，为了实现MTx*NRx个通道，MIMO方案只需要MTx+NRx物理通道。另一方面，SIMO方案需要1 +MTx*NRx个物理通道。

B 基于FFT的多普勒后处理和到达方向估计

        使用FFT方案估计多普勒和到达角，如图2所示。HFSS SBRC模拟的合成雷达回波代表了在散射体存在下的天线到天线(Tx到Rx)耦合。这种耦合表现为散射场S参数。由于本研究使用的求解器是基于频率的求解器，因此每个chirp由反射信号的复电压样本表示，如图2所示。通过在快速时间维度上进行FFT，可以从一个chirp中获得单个距离分布。为了获得多普勒目标的分离，在一个相干处理间隔(CPI)内对单个通道的所有chirp进行FFT。为了实现这一点，在沿着每列进行第二次FFT之前，每个chirp的距离分布被加载到多普勒矩阵的行中。多普勒矩阵中的一列表示所有chirp的单个距离bin。第二次FFT在每个距离bin的所有chirp上进行，如图2所示。到达方向(DoA)估计以类似的方式进行。对来自每个通道CPI中间的单个chirp的合成雷达回波进行了FFT。然后将这些数据传递到DoA矩阵的行中，就像对多普勒所做的那样。最后，沿着该DoA矩阵的每列进行第二次FFT。每一列表示所有通道的单个距离存储。因此，对通道空间上的每个距离bin进行第二次FFT。

        图2 基于FFT的距离、多普勒和角度信号处理工作流程。通过快速一维FFT得到距离分布。距离-多普勒和角度分别使用沿chirp(慢时间)和通道的FFT获得。

3 仿真设置验证和后处理

A 仿真设置

        利用高频结构模拟器(HFSS)射击和反射射线(SBRC)求解器模拟合成雷达回波，对MIMO传感器进行验证。HFSS SBRC是一种渐近、射线追踪的电磁解算器，可以有效地解决电力大问题。HFSS SBRC使用几何光学(GO)从辐射源发射射线。这些发射的氧化石墨烯射线是由源天线的辐射方向图或电流分布加权的矢量场[34]。然后，HFSS SBRC使用物理光学(PO)来“绘制”氧化石墨烯射线击中几何形状的电流。利用衍射物理理论(PTD)的楔形修正和衍射均匀理论(UTD)射线来解释由于PO电流在尖锐不连续处截断而产生的附加现象。最后，HFSS SBRC还通过包含蠕变波(CW)物理来校正阴影边界处的PO电流截断。因此，使用GO, PO, UTD, PTD和CW，可以获得高准确度物理合成雷达回波[25]，[26]。

        采用8个间距为8λ的Tx单元和16个间距为λ/2的Rx单元，在SBRC中设计了一个128通道的虚拟传感器。阵元的波束宽度在方位角和仰角分别为120°和10°。采用FMCW波形。表1显示了波形的特征。由于每个Tx通道都使用相同的波形，因此使用时域复用(TDM)方案实现了Tx波形的正交性。

表1 仿真设置的雷达参数

B 用于验证的测试案例场景

        为了验证虚拟MIMO阵列的设计、仿真设置和后处理方案，在MIMO阵列前放置三块钢板，如图3所示。每块钢板在77 GHz时的雷达横截面(RCS)均为10平方米。两块板分别以17.3°和-33°的角度放置，相对于雷达传感器的径向速度为10m/s。第三块钢板以-5m/s的速度放置在视轴处。所有三个目标相对于雷达传感器被放置在15.3米范围内。雷达平台静止(0m=s)。由于所有的钢板都在同一距离，所以在15.3m的距离内只需要分辨一个目标。另一方面，在-5m/s和10m/s时，由于两个目标落入相同的10m/s速度bin，在多普勒中只需要分辨出两个目标。最后，一个到达方向估计应该解决所有3个目标的角度。图4显示了图3所示设置的距离分布、距离-多普勒和距离-角度图。三幅图均与图3中布置的预期结果一致。为了测试通道数对DoA估计分辨率的影响，分别对16、64和128信道进行了DoA估计。图5显示了16、64和128通道的距离角度图。如(5)所料，增加通道数量可以提高分辨率。具体来说，仅使用16个通道和这里使用的FFT方案，很难区分每个板对应的峰值。

        图3 用于验证本工作中使用的后处理技术的距离、多普勒和角度估计的仿真设置。每块钢板在77 GHz时具有10m2的雷达横截面。

        图4 图3所示3钢板布置(128通道MIMO阵列)的距离分布、距离多普勒图和距离角度图。

        图5 图3所示3块钢板布置的16、64、128通道距离角图。盒子形状的标记显示了目标的实际位置(距离和角度)。增加信道数可以提高DoA估计分辨率。

4 全尺寸交通场景仿真

        为了测试MIMO传感器在典型交通场景中的性能，在HFSS SBRC中创建了两个全尺寸场景。图6为交通路口的全尺寸模型。自车配备了一个8Tx和16 Rx M IMO传感器。车身被定义为完美的导电体，而窗户被定义为允许光线在空气/玻璃界面(0.25英寸厚)反射、折射和传输的边界条件。将路面建模为沥青层状阻抗边界条件。最后，行人建模使用单一材料干燥皮肤模型[35]，[36]。其中，相对介电常数εr = 6.6，电导率σ=38.38 S/m。

        图6 一个MIMO雷达传感器的全尺寸，高准确度物理交通场景仿真和一个128（通道） MIMO传感器的距离角度图。

        图7显示了16、64和128通道的距离角度图。距离分布图、距离多普勒图和距离角度图如图8所示。低准确度物理仿真技术使用点散射模型来定义场景中的目标[27]-[33]，这里我们使用真实的、全尺寸的目标模型来揭示真实世界目标的准确分布性质。从图8中可以看出，由于在同一个距离bin中存在一些目标，从距离像中可以推断出的交通场景信息很少。可以在多普勒和角度上进一步分离目标。另一方面，从图7可以看出，角分辨率随着通道数的增加而提高。在图7中，16通道距离-角度图显示了角度上均匀分布的目标。这在目标到达的实际方向上引入了模糊性，因为它似乎存在于多个角度bin上。如图5所示，当目标处于相同距离时，这种模糊性会恶化。另一方面，采用64路和128路传感器进行DoA估计时，单目标雷达回波在角度上更小范围的分布。通过查看图7中的距离-角度图，可以得出结论，在目标距离和/或角度距离较远的情况下，16通道传感器仍然可以用于DoA估计。

        图7 如图6所示场景的16、64和128通道距离角度图。盒子形状的标记显示了目标的实际位置(距离和角度)。增加信道数可以提高DoA估计分辨率。

图8 图6所示交通场景的距离分布图、距离-多普勒图和距离-角度图。

        图6所示的交集是DoA估计的一个相当简单的例子。这是因为每个目标在到达方向上间隔很大。此外，每个目标与自车之间都有畅通无阻的路径。这些因素使得DoA估计更容易在角度上隔离目标。图9显示了一个更为复杂和关键的驾驶场景，它代表了典型的城市情况。在这里，目标在距离和角度上都很接近。此外，行人等软目标具有相当低的雷达横截面(RCS)。当这些目标靠近高RCS目标(如车辆)时，这可能使探测这些目标变得困难。具体来说，行人和卡车的RCS相对动态范围可以达到20dB[7]。由于目标在距离和角度上更近，需要高角度和距离分辨率来分离目标。具体来说，假设一个3m宽的交通车道，确定50m范围内的清晰路径需要3.5°的分辨率[7]。从(5)，16通道传感器的分辨率为7°，因此不适合这样的驾驶场景。另一方面，64通道和128通道传感器的分辨率分别为1.8°和0.9°。因此，64通道传感器仍应满足性能要求。图10为模拟16通道、64通道和128通道传感器得到的距离角度图。图9交通场景的距离分布图、距离多普勒图和距离角度图如图11所示。如图10所示，通过仿真可以证实64通道传感器仍然能够在角度上分辨目标，从而满足性能要求。另一方面，图10显示，16通道传感器不能可靠地用于这种类型的驾驶场景。这应该与图6中的交集进行比较，其中16个通道足以在角度上分离稀疏间隔的目标。

图9 典型城市驾驶场景的全尺寸场景。这个场景中的目标在角度和距离上都更近。

        图10 图9所示场景的16、64和128通道距离角度图。盒子形状的标记显示了目标的实际位置(距离和角度)。增加通道数可以提高DoA估计分辨率。

图11 图9所示交通场景的距离分布图、距离-多普勒图和距离-角度图。

5 结论

        雷达是先进驾驶辅助系统(ADAS)的关键传感器技术之一。利用雷达，车辆可以同时确定多个目标的距离、速度和到达方向。为了实现全自动驾驶汽车，中短程雷达需要在拥挤的城市环境中运行，需要高分辨率的到达方向(DoA)估计。为了实现高DoA分辨率，需要增加发送/接收通道的数量。多输入/多输出(MIMO)方案是增加雷达传感器通道数量的一种有效的硬件方法。本文提出了一种用于高分辨率DoA估计的128通道MIMO传感器。采用基于高准确度物理的77 GHz全尺寸交通场景电磁仿真，获得了该MIMO传感器的合成雷达回波。使用FFT后处理方案确定多普勒和DoA。利用MIMO传感器对两个全尺寸交通场景进行了DoA估计。对于每个场景，比较了16,64和128通道的性能。在人口稀少的情况下，最少16条通道就足够了，而在人口稠密的交通情况下，则需要64条通道。这项研究的结果表明，高准确度物理仿真可以用于设计和虚拟测试汽车雷达的复杂MIMO系统。