雷达波传感器 一文了解车载传感及激光雷达技术

一文了解车载传感及激光雷达技术

文章来源：半导体全解

原文作者：圆圆De圆

用在自动驾驶系统的传感器主要分为：

光学摄像头、毫米波雷达、超声波传感器和激光雷达（Light detection and ranging, LiDAR）。

不同类型的车载传感器的位置及各自功能如下图所示，其中车载激光雷达能够对于近、中、远距离场景均能构建。

下面将简要介绍这几种主要传感器的原理，以及它们的优势和劣势。

1）光学摄像头：该方案是一种被动式的探测，即环境光照射到物体表面反射，并被接收系统接收后，数据处理系统采用图像识别算法进行处理，最终获取周围环境和车辆的信息。光学摄像头传感器具有较好的空间分辨率、能够获取具体的物体形状与颜色信息的优势。但是该传感方式依赖外部光线，受环境光影响大；除此之外，该方案依赖深度学习算法，数据处理量大，欠缺对行人识别的稳定性。

2）毫米波雷达：该方案采用波长为1~10 mm，即频率为30~300GHz的毫米波作为探测媒介，通过接收并分析被物体表面反射的毫米波来实现探测的功能，能够同时实现测距和测速功能，有效距离达到了200 m。该技术较为成熟，具有价格相对低廉，性价比较高的优势。但是该方案使用的毫米波的波束较宽且波长较长，导致其识别精度较弱，无法辨别物体的细节，需要对复杂的返回信号进行处理；毫米波雷达对非金属的物体检测灵敏度远远低于金属物体，导致其在人车混合的复杂场景下对行人的探测效果不理想。

3）超声波传感器：该方案采用超声波进行测距，利用发射和接收信号的时间差来获取周围物体的位置信息。主要用于变道辅助与自动倒车等场景。超声波探测具有受环境干扰小、成本低廉与体积小等优点，主要用于短距离探测领域。但是由于声波传播的速度较慢，因此不能对中远距的物体进行测量。

4）激光雷达：该方案通过发射并接收被物体表面反射的激光，实现对物体的探测。激光雷达同时具有探测距离远、分辨率高、受环境光影响小以及抗电磁干扰等优点；除此之外，该方案与光学摄像头相比，无需复杂的深度学习算法。但是该方案在如风沙和雨雪等恶劣条件下使用效果不理想，且价格较为昂贵。

总体来看，和其他几种传感器相比，激光雷达在探测距离、分辨率、受到环境光和电磁干扰影响等方面均具有优势，在车载传感器领域得到了越来越多的关注和应用，尤其近年来上市的国产新能源汽车基本装备有激光雷达，用于识别汽车周围的环境信息。

二、激光雷达的原理

激光雷达是以激光为媒介进行探测的。如下图所示，激光雷达由发射系统、扫描系统、接收系统和信号处理系统构成。

激光雷达和雷达探测原理相似，区别在于它使用的探测媒介是激光而不是微波，由于激光具有发散角小的优点，所以激光雷达具有更高的角度分辨率。

激光雷达的原理为：发射系统发出的激光被物体表面反射后，在接收端被被接收系统接收。在被数据处理模块处理后，得到精确的物体位置信息。

三、激光雷达的主要分类

根据探测原理的差异，将激光雷达分为两类：非相干探测激光雷达和相干探测激光雷达。下面将具体介绍这两种探测方式的原理和代表方案。

基于非相干探测原理的激光雷达主要为ToF激光雷达，该方案光源一般为波长905 nm或者940 nm的脉冲光。如下图所示：

ToF激光雷达原理为：一束脉冲光由激光器发出，被物体表面反射后，由接收端的探测器接收，通过提取脉冲光从发射到接收的时间差τ，计算得到物体的距离r为：

其中c为光速，一般在空气中取3×10E8 m/s。

基于相干探测原理的激光雷达主要是FMCW激光雷达，该方案采用光外差相干探测的方式来获取物体的信息，光源的波长一般为1550 nm。和ToF激光雷达方案的光源不同的是，该方案采用的激光是频率连续且周期性变化的。下图是采用三角波扫频格式的FMCW激光雷达测量静止物体的示意图。

FMCW激光雷达探测的原理为：频率随时间线性变化的激光被分成两路，一路作为探测光，另一路为本振光。探测光被物体表面反射，并且被接收后与本振光混合相干，得到拍频信号光，物体的距离r和拍频信号光的频率fb之间有以下关系：

其中c为光速，γ为激光频率随时间变化的斜率。

四、FMCW激光雷达与ToF激光雷达的比较

FMCW激光雷达作为下一代有望被车辆装载的传感器，与ToF激光雷达相比有以下几点优势：

第一，FMCW激光雷达的光源为频率连续且周期性变化的激光，采用光外差相干探测的方式进行探测。其中本振光对探测光有放大作用，相对于ToF激光雷达，FMCW激光雷达对光源发光功率的要求更小；连续波的工作方式和脉冲的工作方式相比，具有较小的平均功率。此外，FMCW激光雷达具有更高的灵敏度与分辨率。

第二，ToF激光雷达大多采用波长为905nm或者940nm的高能量脉冲激光器作为光源，如下图(a)所示，FMCW激光雷达光源采用波长为1550nm的激光对人眼更加安全，这使得FMCW激光雷达光源的发射功率和探测距离不会受到安全方面的太多限制。与此同时，如图(b)所示，波长为1550 nm的激光远离可见光谱，不易受到环境光的影响。除此之外，波长为1550 nm的激光在空气中穿透能力强，在空气中不容易被散射或者吸收。

第三，采用三角波扫频格式的FMCW激光雷达，在同一次测量中，能够同时提取由于距离而引入的拍频信号的频率差和相对速度而引起的多普勒频移，并通过计算同时得到物体的距离和速度信息。

而ToF激光雷达一次测量只能得到物体的距离信息。

综上所述，和ToF激光雷达相比，FMCW激光雷达具有高灵敏度与高分辨率、低能耗、抗干扰能力强、对人眼伤害小、在一次测量中能够同时获取物体的距离和速度信息等优势，受到越来越多的关注。

五、FMCW激光雷达光源的扫频格式

如下图所示，FMCW激光雷达的光源常用的扫频格式有三种：锯齿波、三角波和正弦波。

这三种扫频格式，均通过光外差相干探测的方式产生拍频信号，通过提取拍频信号的频率，最终计算得到物体的距离信息。

1、采用锯齿波扫频格式的FMCW激光雷达通过相干得到单频的拍频信号，其优点为信号容易处理。但是，当物体运动时产生多普勒频移，将引入测量误差，因此这种扫频格式仅仅适用于测量静止物体。

2、采用三角波扫频格式的FMCW激光雷达通过相干分别得到上、下半坡的拍频信号，数据处理较为复杂。测量时，分别提取上、下半坡拍频信号的频率，并将其相加能够消除多普勒频移对物体距离测量的影响，将其相减得到物体的速度信息。因此，在一次测量中，采用三角波扫频格式的FMCW激光雷达能够同时获取物体的距离与速度信息。

3、采用正弦波扫频格式的FMCW激光雷达易得到线性频率扫描，但是该扫频格式产生拍频信号的频率不稳定，并且具有测量精度较低的缺点，一般不采用这种扫频格式进行测量。

毫米波雷达，最强科普

无线电探测和测距是一种使用电磁无线电波来确定周围区域物体的范围、速度和角度的系统或设备。该系统传输电磁波信号，该信号被路径中的物体反射。通过捕获反射信号并进行一些信号处理，雷达系统可以确定感兴趣物体的范围、速度和角度。RADAR 的这些属性将它们视为传感器，通常称为 RADAR 传感器。

完整的雷达系统包括射频（RF）组件的发射器（TX）和接收器（RX）；用于计时的模拟元件；以及数字组件，例如模数转换器 ( ADC )、微控制器 ( MCU ) 和数字信号处理器DSP。

即使有了这样的可用性，RADAR 也没有在天气、遥感和卫星以外的任何领域找到应用。主要原因是需要设计一种低成本、低功耗的高精度雷达。

半导体技术的最新改进使得雷达的分立元件更具成本效益和功耗，同时提高了精度和可配置性。在雷达中使用电磁频谱中的毫米波 ( mmWave ) 等短波长具有更小的天线和其他设备外形尺寸的优势，这些设备通常将整个雷达系统集成在一个芯片中。这一进步促进了无线传感领域的应用、研究和发展，并利用毫米波雷达传感器为不同领域寻找工程解决方案。

除了雷达之外，还有许多远程或无线传感选项，例如摄像头、光探测和测距（LiDAR）和超声波，但这些传感器具有工作范围限制、环境限制，并且其中一些传感器价格昂贵。RADAR可以为他们提供更好的解决方案。此外，各种隐私法限制了相机等常见传感器的使用。然而，RADAR 缺乏对象分类并且检测稀疏。

机器学习 (ML) 和人工智能 (AI) 的出现以及新的估计技术和多输入多输出 ( MIMO ) 的概念极大地改进了雷达应用，使其可以充当独立传感器或补充融合传感器。限制相机等常见传感器的使用。另一方面，RADAR 缺乏物体分类，检测相对稀疏。机器学习 (ML) 和人工智能 (AI) 的出现以及新的估计技术和多输入多输出 ( MIMO ) 的概念极大地改进了雷达应用，使其可以充当独立传感器或补充融合传感器。

随着市场的发展，毫米波雷达的应用范围已超出汽车领域，逐渐扩展到智慧城市、楼宇自动化、健康监测等行业。Markets and Markets最近发布的数据显示，到2023年，毫米波POD传感器的总市场将达到206亿美元。车载雷达是这波增长的主要驱动力，

但随着物联网（IoT）的发展，医疗保健市场有望成为驱动毫米波雷达市场的另一个轮子。

我们认为的一些应用：

一、汽车应用

4D 毫米波雷达，用于高级驾驶辅助系统 (ADAS) 中的多目标跟踪设备，用于驾驶安全、碰撞检测和停车辅助。

二、医疗应用

毫米波雷达可以检测和监控人类手势、情绪、运动、血液循环和心跳，并提供一定的隐私。

三、机器人应用

用于成像和传感、物体检测、导航和视觉。

四、气象应用

毫米波雷达有助于云分析、作物分析、辐射测量、GIS 和气候研究。

五、航空航天和国防

导弹拦截和制导、无人机、机载测距、隐身作战和飞行控制。

六、工业和自动化应用

用于质量控制、裂纹检测、液体和体积流量检测、泄漏和材料分类。

七、民用应用

用于空中交通管制系统、低空空间监视、避险预警系统、碎片区或雪区监视、智慧城市、物联网、智能家居等。

在接下来的文章中，我们将回顾和理解技术方面、应用方面、一些毫米波雷达概念、估计技术和 MIMO 概念。我们还将研究雷达估计 DSP 部分的不同实现平台。

毫米波雷达的分类和优点

毫米波雷达是一种非接触式传感器，工作频段为 10 毫米 (30 GHz) 至 1 毫米 (300 GHz)。这提供了精确的位置感测、速度和角度，并且可以在不受干扰的情况下执行。毫米波雷达发射脉冲信号，并根据通过天线阵列接收到的反射来检测目标。进一步的处理估计到目标的距离、到达角度和相对速度。

目前毫米波雷达主要有3个工作频段——24GHz毫米波、77GHz毫米波、60GHz毫米波雷达。24GHz 毫米波雷达价格便宜，但带宽 (250MHz) 较小，限制了应用和精度。77GHz 频段具有 4GHz 的高带宽，可提供更高的分辨率/精度，从而可媲美 24Ghz 频段。具有 7GHz 带宽的 60GHz 毫米雷达用于高精度短距离应用，还提供了更小的系统设计。60GHz频段有望成为智能家居市场和健康监测的主流。

一、毫米波雷达的优点：

1、天线口径小：波束窄，跟踪精度高；高分辨力、高抗窄波束干扰性能；高天线增益；较小的物体检测。

2、大带宽：信息率高，目标结构特征详细；减少多径，增强抗干扰能力；克服相互干扰；高距离分辨率。

3、高多普勒频率：对慢速目标、振动目标有良好的检测识别能力；可以在雪地条件下工作。

4、良好的防消隐性能：适用于最常用的隐形材料。

5、与其他传感器相比，对灰尘、烟雾和雾等大气条件的鲁棒性更强。

6、不同灯光下工作：雷达可以在强光、炫光或无光下工作。

7、不易受到地面杂波的影响：允许近距离观察。可以使用毫米波雷达测量低反射率。

8、相同范围内的精细空间分辨率，毫米波雷达比微波雷达提供更精细的空间分辨率。

二、毫米波雷达的局限性：

视线操作。

受环境中水分、气体的影响。

受污染环境和物理障碍的影响。

三、毫米波雷达传感器组件：

上图显示了毫米波雷达传感器模块的基本结构，该模块主要用于所有应用。它们的描述如下：

1、DAC 或波形发生器：

在雷达中，信号以脉冲频率调制信号的形式传输。雷达使用调频连续波 ( FMCW)，这是一种在固定时间段内以已知速率调制的连续变化频率信号。正常连续波 (CW) 信号缺乏距离和速度计算的标记和时间估计，而在 FMCW 中，即使很小的时间差也会产生用于估计的相移。而脉动信号有助于同一 TX 和 RX 阵列上的离散信号产生更清晰的回声。该脉冲的长度、重复时间和间隙定义了毫米波雷达的应用和范围。同时，它还可以降低雷达的功耗，有助于控制干扰和抗干扰。

由于上述特性，雷达使用通常称为线性调频信号的信号。线性调频信号是调频短长度信号，其中频率遵循信号频率的递增或递减顺序。它是离散传输的。在某些应用中，可以使用双极格雷码进行传输，以获得更好的相关性和分辨率。

在雷达中，对于上述所需信号，可以使用某些波形发生器，但在这个数字世界中，更合适的方法是从数模转换器（DAC）生成信号，其中任何类型的信号都可以以数字形式存储为查找表。然后可以使用正确的采样率 DAC 以所需的速率进行传输。该传输的增益、信噪比 (SNR)、数据速率可以通过 MCU、FPGA（现场可编程门阵列）和 DSP 等 RADAR 中央处理系统轻松控制，以便通过以下方式对信号进行微调和更多控制配置 DAC。如今，DAC 可提供高数据和采样率并支持多通道，因此同一设备可用于多次传输。

2、变频器：

毫米波雷达使用30Ghz ~ 300Ghz范围内的频率，这在最高DAC采样率下无法实现，并且成本非常高。为此，普通 DAC 后面可以跟随一个上变频器，该上变频器将使用本地振荡器生成的载波进行 FMCW 调制，使信号处于毫米波范围内，并通过调制提供噪声改善。这提供了低成本的解决方案以及更多的控制和多种传输选项，因为这些振荡器、调制和上变频器可以通过雷达的中央处理系统进行配置，从而使雷达传感器可以根据应用和范围进行配置。

以下是用于不同测量目的的一些调制模式：

类似地，在接收器侧是下变频器或解调器，使用相同的本地频率从载波中提取信息信号。结果，我们得到了原始反射信号，并根据回波进行了变化以进行估计。由于频率较小，该估计在计算和处理上变得更容易。同样，这些都是可配置的设备，并且全部位于同一雷达传感器上，使我们可以选择优化传感器调整和噪声改善。许多变频器都提供低成本的最佳解决方案。

3、波束形成器：

在毫米波雷达中，为了获得良好的估计，我们需要准确且已知的传输方向、视场或目标检测场，并且可以是 3D 空间中的任意大小。有必要限制所需和目标应用程序中的空间，通常称为点云框架。因此，有必要以特定的功率在特定的方向上传输我们的线性调频信号。波束形成器设备用于此目的。

如今，Beamformer 提供多通道支持，以便我们可以以各种传输角度传输多个线性调频信号。这有助于扫描目标点云帧。波束形成器可以产生旁瓣较小的窄波束，确保提高信噪比并改善信号干扰比。一个频段中的窄波束可减少对其他频段的干扰并提高雷达估计的分辨率。

此外，波束形成器还有助于控制雷达的视场和控制传输相位，以实现多目标检测/分辨率。类似的波束形成器可以集成在 RX 侧，以便根据 TX 捕获更多调谐回波，从而降低噪声。它们确保回波信号所需的增益和校正。可用的波束形成器还可通过雷达的中央处理系统进行配置，以实现雷达传感器的更受控制和更广泛的应用。

3、天线阵列：

天线阵列是连接到多个天线的单个 TX 或 RX，用作无线电波的单个天线。在毫米波雷达中，该天线阵列以相移方式连接，以发射或接收不同的移相器线性调频信号或回波信号。这有助于控制雷达分辨率。多天线还生产多 TX 系统，用于改进控制功率波束形成和多目标检测的雷达功能。这构成了毫米波雷达 MIMO 实现的基础，我们将在以下部分中对其进行回顾。所需的相控阵需要在 PCB（印刷电路板）上进行适当的布局和制造，以实现毫米波频段的谐振匹配和高接收能力。作为毫米波，该设计需要 PCB 上占用空间更小的天线，这是毫米波雷达的优势之一。

4、模数转换器 (ADC)：

RADAR RX 侧的最后部分形成了 ADC，有助于将线性调频回波的模拟形式转换为数字部分，可由 MCU、DSP 和 FPGA 等数字系统进一步处理。它采用数字格式，有助于实现降噪逻辑、信号处理和计算。ADC 的分辨率控制雷达估计计算的准确性和量化。ADC 分辨率可以定义雷达传感器应用的范围，并且它们会引入量化噪声。目前，可用的 ADC具有更高的分辨率和数据接口速率，可实现雷达的实时高速处理。

4、雷达处理系统：

雷达处理系统涉及对识别物体的距离、速度、方位角和角度进行处理和计算。雷达中使用了多种估计技术，例如过零、希尔伯特变换以及最常用的用于相位和角度估计的快速傅立叶变换(FFT)。最大似然估计、距离 FFT和自相关用于距离估计。基于 MIMO 的多普勒 FFT 和相关器用于速度估计。估计的起点从寻找发射的线性调频脉冲和回波线性调频脉冲之间的相似性或关系开始，这通常通过不同的相关算法或通过 TX 和 RX 信号的混频/相乘以获得中频( IF) 来完成。它直接显示 TX 和 RX 信号之间的关系，并通过 FFT 等不同算法进一步处理。

处理通常涉及使用指数、浮点或更大尺寸数据的许多线性和二次运算。这些可能是计算密集型的，并且需要更多的处理才能获得更高的准确性。除此之外，不同的环境或设计限制因素可能会引入错误估计或噪声，为此需要人工智能/机器学习和人工神经网络 ( ANN)的帮助。这些算法经过训练和优化，以进一步改进雷达估计和预测。这改善了毫米波雷达的整体应用和范围。但这些算法也是多层的，计算复杂。

该系统的最后一部分可以是数据库、存储库、基站或云、中央服务器、规则或基于决策的模型或多传感器融合网络等平台。这些可以帮助基于云的雷达远程处理应用、多节点传感器融合网络、远程或存储数据库以及物联网网络，从而将雷达的范围从本地应用扩展到全球和多域。这些是当前技术的一些基本需求。

有多种平台选项可用于拥有智能自适应嵌入式雷达处理系统，该系统利用先进且普遍的机器学习和人工智能系统架构设计。以下是一些选项：

（1）微控制器 (MCU)：微控制器是具有不同外设和内存的处理器系统，它们组合使用来连接和配置毫米波雷达系统的不同组件。高频核心有助于更快地计算估计算法和 AI/ML 逻辑。此外，它们还支持任何编程框架，如 C/C++、Scala、Java、Python 或任何其他新语言，可实现快速设计空间探索和运行应用程序。在微控制器上运行更智能的操作系统 (OS) 软件为雷达系统提供了完整的嵌入式设备定义。在管道中已经有许多非雷达进程的微控制器上运行计算密集型雷达处理是一个瓶颈。它们在增加运行频率和 CPU 核心数量方面受到限制。此外，当多雷达传感器设备、组件或定制实现存在时，它们也缺乏。它们不是密集型 AI/ML 代码的最佳平台。因此，MCU会限制雷达的应用范围。

（2）GPU：与 CPU 相比，图形处理单元 (GPU) 是更简单的处理单元，但具有更多内核，可实现广泛的并行处理。为计算和处理密集型算法提供高吞吐量，因此它们最适合 AI/ML 代码。此外，它们非常适合雷达和人工智能/机器学习经常需要的高浮点计算。然而，GPU 需要 CUDA 和 OpenCL 等语言，开发环境的灵活性较差。此外，它们缺乏外围设备和独立核心，限制了智能操作系统在其上的运行。通常，它们与微控制器结合使用，其中 MCU 充当雷达传感器配置、中央单元和操作系统平台，GPU 充当雷达和 AI/ML 估计和处理逻辑的卸载引擎。

（3）TPU：TensorFlow 处理单元 (TPU) 经过自下而上的设计，可以更快地执行应用程序。它们执行快速密集向量和矩阵。因此，适合以矩阵计算为主的应用。这意味着与 CPU 和 GPU 相比，它们的灵活性较低。当计算模型基于 TensorFlow 时最好使用它们。因此，他们无法处理定制雷达传感器设计并限制雷达应用。

（4）DSP：数字信号处理器是具有优化架构的MCU，用于信号处理和计算，处理复杂和高运算。它们提供了开发环境的灵活性以及 CPU 和 GPU 之间的计算吞吐量。它们的计算准确、快速，并且具有重新配置的灵活性。他们可以连接和配置雷达系统。但由于编程复杂（因为计算是软件驱动的）、功耗较高、成本高、DSP 内缺乏可移植性，并且需要熟练的工程师，因此它们仅限于雷达应用范围。

（5）FPGA（现场可编程门阵列）是可配置和可重新编程的芯片，用于实现胶合逻辑和自定义功能。它们构成了基于雷达的定制应用解决方案的强大竞争者。FPGA 可以设计用于多核并行和异构计算以实现高吞吐量。从AI/ML到DSP的算法设计都可以在FPGA上编程，硬件驱动，更可靠。它们为不同的雷达组件提供定制和标准接口，为定制雷达传感器的设计和应用提供了巨大的帮助。此外，他们还为您的雷达传感器提供验证和验证平台。FPGA 具有软 MCU 甚至硬 MCU，例如片上系统(SoC FPGA)，它为智能操作系统提供平台，并且可以像普通 MCU 一样使用任何语言进行编程。这就是为什么越来越多地探索 FPGA 来为毫米波雷达提供更多支持、开发和研究活动。

FPGA具有硬DSP乘法器，但相对于DSP来说数量有限，因此浮点计算受到限制。优化的逻辑设计和流水线、将浮点转换为整数运算可以提供与 DSP 同等的精度。它们可能缺乏 CPU 频率、MCU 核心，但它们卸载和增加外设/接口（标准和定制）、进程密集型任务的并行流水线的能力超越了这一限制。他们总能将软件瓶颈流程转化为硬逻辑。

此外，它们还可以连接外部 MCU、DSP 和 GPU，以获得更大的灵活性。FPGA需要专门的工程师资源和HDL语言，如Verilog /VHDL。它们现在支持嵌入式工程师使用 HLS 等基于 C 的编程，但优化设计需要 FPGA 工程师。除了缺点之外，它们不断下降的成本和不同的可用性已经增加了雷达的研究和开发，以及包括物联网、人工智能/机器学习和航空航天在内的所有现代技术的研究和开发。

除了多组件雷达传感器之外，市场上还提供了许多单芯片或单模块雷达传感器解决方案，并探索了更快的基于雷达的产品开发，在这里我们就不一一举例了。

四、毫米波雷达估计：

毫米波雷达的基本估计是从 TX 发送信号脉冲开始，然后在 RX 侧接收其回波。计算或分析 TX 和 RX 信号之间的关系有助于估计目标物体的距离、速度和方位角/角度。首先，我们发送一个称为线性调频信号的 FMCW 信号脉冲，为了一般性，我们将其称为正弦调频线性调频信号，如图 5.a 所示。这提供了良好的降噪效果和更好的接收质量。为了获得更好的抗噪性，可以实现互补的 golay 信号，但目前这超出了本文的范围。

因此，请考虑图 5 中的线性调频脉冲。如果我们使频率调制与时间呈线性关系并绘制频率与时间的关系，我们会得到如图 5.b 所示的图，X 图显示脉冲的时间周期t，Y 图显示线性调频的带宽B（最大频率 - 最小频率）。斜率S显示频率的变化率，甚至功率谱随时间的变化。当线性调频脉冲穿过空间并回波至 RX 时，它会获得相移和幅度变化，从而保持线性调频脉冲频率线性度相同。因此，我们可以在图 5.c. 中看到 RX 线性调频脉冲，其中 TX 和 RX 线性调频脉冲之间的时间t之差是时间差或线性调频脉冲回显所需的时间。不同距离的物体所花费的时间不同。我们可以定义与信号相位φ的时间关系如下。

φ = 2πfc --- 方程 1

现在，让物体位于距离d处，因此线性调频脉冲将在空间中穿越2d距离，并且电磁波的速度被认为等于光速c。我们可以说tc所花费的时间如下。

tc = 2d / c --- 方程 2

利用式1和式2，我们可以推导出相位关系如下，其中λ是chirp的波长。

φ = 4πd / λ --- 式 3

因此，方程 3 将相位差定义为与距离d成线性关系，这意味着距离越远，相移越大。因此，线性调频脉冲的长度或时间周期t和带宽B将定义用于距离估计的雷达所覆盖的最大距离，更大的线性调频脉冲长度意味着可以可靠地覆盖更远的距离。现在，这些线性调频脉冲在tg的间隙中定期传输（图 5.d.），每个线性调频脉冲可用于 3D 空间的特定区域，因此对于点云帧，将需要N （线性调频脉冲数）。线性调频间隙tg取决于我们的帧速率、雷达处理系统处理的数据速率，并且应该最小以适应先前 TX 线性调频的所有回声线性调频。多 TX 天线可以产生多种线性调频信号，用于不同目的和多目标检测。

1、范围估计：

根据物距，我们得到相移线性调频版本。如果对 TX 和 RX 信号进行倍频，我们会得到 IF 音调信号，该信号与接收信号的相位或两个信号的时间重叠直接相关。从图 6.a. 中，我们可以看到创建的 IF 音调。保持不同距离的多个目标物体会产生不同的相移回波信号，并最终产生不同的中频音，如图 6.b 所示。该特性可用于根据以下等式进行范围估计。

d = c/2Stc --- 方程 4

其中S是频率图的斜率。带宽B的给出为B = Stc，因此，上述等式考虑了小增量距离Δd

Δd = c / 2B --- 方程 5

从上式可以清楚地看出，小增量d或距离的最小分辨率是倒数B的函数，增加带宽将增加距离分辨率。考虑到毫米波雷达的 Ghz 操作，距离分辨率通常为厘米级。相控天线阵列提供多中频音调，可进一步用于基于 AI/ML 的代码，以提高雷达的距离分辨率。

2、速度估计：

对于速度估计，经常使用一系列多线性调频传输。假设对于静止物体，背靠背线性调频脉冲产生几乎相同的中频音。让我们将eqn2 中的d替换为 eqn3 中的 d。还考虑速度v代替c，重新排列后，我们得到的结果方程是：

v = λ φ /4 πtc --- eqn 6

速度Δv的微小变化与相位Δφ的变化有关，对于多个线性调频，如果物体处于运动状态，它会获得相同频率的 IF 音调，但发生相移，并且该相移与物体的速度直接相关。同样，该特性可用于估计物体的速度。如果多个具有不同速度的移动物体与雷达的距离相同，则该方法将失败。由于它们距离相同，因此我们将具有相同的 IF 频率。该雷达系统必须传输两个以上的线性调频脉冲，例如一组N个等间隔的线性调频脉冲。这就是相控天线阵发挥作用的地方。由于其排列方式，每个天线都会发送具有小相移的连续线性调频信号。这最终使 RX 处的回波信号的相位出现变化，这有助于多物体速度估计。

根据 eqn6，我们可以说速度估计与时间成反比，在多个线性调频的情况下，它与线性调频之间的时间 tg相关。由于信号v ~ λ /4tc的周期性，可以通过减少线性调频之间的时间来完成 Vmax 估计，这可以称为速度分辨率。如果考虑多个线性调频脉冲（例如一帧线性调频脉冲）的时间，则速度分辨率取决于帧长度tf。具有基于 AI/ML 的代码的相控天线 RX 阵列可以进一步提高雷达的速度分辨率。

3、角度估计：

对于角度估计，多个天线或天线阵列是最重要的。从图 7 中，我们可以看到一个 TX 天线和 2 个 RX 天线组成的系统。发射的线性调频脉冲将回传到两个 RX，但它们所经过的距离相差Δd。假设两个天线之间的距离为l，通过三角函数，我们可以说Δd = lsinϴ，其中ϴ是到达角。距离的变化会导致每个接收器处的回波信号发生相位变化。这些特性可以被研究并用于角度估计。

让我们替换eqn3 中的Δd = lsinϴ并重新排列以获得ϴ 的方程，我们得到

ϴ = sin -1 (λ φ / 2 πl) --- eqn 7

这近似认为Δϴ的变化与相位变化Δφ是非线性的，但考虑到小角度sinϴ ~ ϴ，上述关系变为线性，因此可用于角度估计。现在对于ϴmax，只有在λ φ / 2 πl =1时才会出现最大视场角，理论上最大视场角为 180 度或π，取φ = π我们得到l = λ / 2。这定义了最佳间距天线之间。

对于角度分辨率或两个物体之间的最小角度间隔估计，我们可以将方程 7 重写为ϴres = λ /Nlcosϴ并考虑l = λ / 2，我们得到ϴres = 2/N 。这里，N是RX天线的数量。如上所述，角度分辨率与天线数量成反比。天线越多，角度估计就越好。但增加 RX 天线的数量可能会限制某些雷达传感器设计。为此，利用 MIMO 概念进一步增强雷达应用。

五、多输入多输出雷达：

MIMO雷达系统是一种新颖的雷达方法，其中MIMO代表多输入多输出。它是一个在 RX 和 TX 侧都有多个天线的系统。每个发射天线独立于其他发射天线辐射任意波形。每个接收天线都可以接收这些信号。考虑到我们想要提高角度分辨率，因此我们实现了 4 个 RX 天线，如图 8 所示。这里，一根 TX 天线发射信号，四根 RX 天线接收线性调频信号。

通过额外引入另一个 TX 天线可以得到类似的实现。在此设置中，第一个 TX 1 进行传输，两个 RX 天线进行接收，如图 8.b 所示。下一个 TX 2 进行传输，两个 RX 天线进行接收，如图 8.c 所示。这种传输有效地视为4RX天线；因此这种设置被称为 4 虚拟天线 (2TX x 2RX) 系统。利用这一点，我们可以用更少的物理天线来提高角度估计和角度分辨率。

在 MIMO 中，TX 中的线性调频脉冲传输通常采用不同的方法。其中一种方法是TDM（时分复用）。在此，连续的多个线性调频脉冲被发送，但这些线性调频脉冲是时间共享的，被一一分配给每个TX（参见图9.a）。这种方法更容易实现，但没有充分利用传感器的能力，并且功耗较低。其他方法涉及 BPSK 或二进制相移。这里有两个 TX，如图 10.b 所示。同时传输，但保持 180 度相对相移。考虑+1chirp -1chirp 或空间分离的chirp。这可以提高传感器的利用率，但对于某些应用，它会增加功耗。

MIMO 概念与现代 ANN 和 AI 算法的结合使雷达的使用超越了传统应用，这是研究和开发的趋势。毫无疑问，这推动了毫米波雷达的更广泛应用。

结论：

在上述综述中，我们探讨了毫米波雷达传感器的概念、其基本组成、应用范围以及研发领域。毫米波雷达传感器与其他传感器相比具有显着的优势，使其成为各个领域的理想工程解决方案。本文讨论了雷达估计的关键流程和概念、AI/ML 的集成范围以及带有毫米波雷达传感器的物联网，以实现现代技术的使用和增强（无论是独立还是融合）。毫米波雷达技术的未来充满希望，具有充足的增长和扩展空间。未来的进步可能会带来更小、适应性更强且更具成本效益的工业毫米波雷达系统。

相关问答