跳转至
mmWave Insight  ·  加载中…

高级主题

章节概述

本章汇集毫米波雷达工程实践中的 进阶话题，适合在掌握基础链路后深入阅读：

  • 相位噪声（Phase Noise）建模与影响
  • 发射泄漏（TX Leakage）与对消
  • 杂波抑制（Clutter / MTI / STAP）
  • 非线性 Chirp 校准
  • 点云生成与坐标系
  • 微多普勒（Micro-Doppler）签名
  • 典型 SDK 处理链实时性

📉 1. 相位噪声

定义

相位噪声是本振（LO）频率谱在载波周围的随机起伏，常以 偏置频率处的功率谱密度 \(\mathcal{L}(f)\) [dBc/Hz] 表示。

1.1 对 FMCW 的影响

FMCW 使用自混频（dechirp），发射与接收本振 相关，近距目标相位噪声大部分被抵消（range correlation effect），远距目标相位噪声泄漏增大：

\[ \sigma_\phi^2(R) \approx 2\!\int_0^\infty \mathcal{L}(f)\left[1 - \cos\!\left(2\pi f \cdot \frac{2R}{c}\right)\right]\,df \]
  • 近距（\(R\to 0\)）：\(\sigma_\phi^2 \to 0\)
  • 远距或散射功率不平衡：SNR 退化，强近端目标掩盖弱远端目标

1.2 设计启示

措施 效果
提高 LO 内环带宽 降低 1/f 段噪声
减小 Chirp 斜率 减小相位噪声 → 中频噪声的转换增益
多 Chirp 积累 非相关部分开平方抑制
发射功率管理 避免近端饱和

🔁 2. 发射泄漏与对消

汽车雷达痛点

单板收发天线距离仅几 mm，TX 直达 RX 的 泄漏信号 可比最强目标回波大 80 dB 以上，落在零距离附近，遮蔽近场目标并抬升整体底噪。

缓解手段：

  1. 硬件层：极化隔离、保护环、阻抗匹配
  2. 算法层：
    • 零距离 bin 估计泄漏复振幅 → 从快时间域减去
    • 自适应对消（LMS / RLS）：用参考路径持续估计泄漏
    • 背景减除（Background Subtraction）：静止场景平均后从每帧减掉
  3. 参数层：调整 Chirp 起始频率偏置，将直达成分移出 ADC 通带

🌫 3. 杂波抑制

3.1 MTI / MTD

  • MTI（Moving Target Indication）：脉冲对消器 \(H(z) = 1 - z^{-1}\)（双延迟对消 \(1 - 2z^{-1} + z^{-2}\)），抑制零多普勒杂波。
  • MTD（Moving Target Detection）：多普勒滤波器组（窄带），等价于 Doppler-FFT。

3.2 STAP（空时自适应处理）

在慢时间（Chirp） × 空间（阵元）联合域构建协方差，求解：

\[ \mathbf{w}_{\text{STAP}} = \mathbf{R}^{-1}_{\text{clutter+noise}} \mathbf{s}(\theta, f_d) \]

适用于 角度-多普勒耦合 的地杂波（机载/车载雷达）。代价是训练样本大、计算复杂度高，工程中常用 降维 STAP（如 EFA、JDL）。

📏 4. 非线性 Chirp 校准

理想 Chirp 频率 \(f(t) = f_0 + S\cdot t\)，实际 PLL 带宽受限会产生 频率非线性误差 \(\Delta f(t)\)，使 Range-FFT 峰展宽、旁瓣抬升。

常用补偿流程：

  1. 用光纤延迟线 / 片上 TDC 测量实际 \(f(t)\)
  2. 多项式拟合 \(\Delta f(t)\)
  3. 对 ADC 数据做 非均匀重采样 或相位共轭乘法：\(s'(t) = s(t)\cdot e^{-j2\pi\int \Delta f(t)\,dt}\)

TI 在 mmWave Studio 中提供自动校准向导，IWR1443 片上已内置硬件校准模块。

☁ 5. 点云生成

Range-Doppler-Angle 检测后形成稀疏点集。每个检测点包含：

字段 说明
\(r\) 斜距 (m)
\(v_r\) 径向速度 (m/s)
\(\theta,\ \varphi\) 方位角 / 俯仰角（若 2D-MIMO）
SNR 检测信噪比
RCS est. 由雷达方程反推（可选）

笛卡尔坐标转换：

\[ \begin{cases} x = r \cos\varphi \sin\theta \\ y = r \cos\varphi \cos\theta \\ z = r \sin\varphi \end{cases} \]

后处理链：去地杂波 → DBSCAN 聚类 → 目标级属性估计 → MOT（多目标跟踪）。

🕺 6. 微多普勒

刚体运动提供 主多普勒 \(f_d\)，非刚体部件（行人腿摆、旋翼、轮胎）产生 调制边带，在短时傅里叶（STFT）谱图上呈现特征纹路。

应用：行人 / 车辆 / 无人机分类、手势识别、生命体征监测。

import numpy as np
from scipy.signal import stft

def micro_doppler_spectrogram(slow_time_iq, fs_chirp, nperseg=64, noverlap=56):
    f, t, Z = stft(slow_time_iq, fs=fs_chirp, nperseg=nperseg,
                   noverlap=noverlap, return_onesided=False)
    f = np.fft.fftshift(f)
    Z = np.fft.fftshift(Z, axes=0)
    return t, f, 20 * np.log10(np.abs(Z) + 1e-6)

⏱ 7. 实时性约束

IWR1443 一帧 50 ms 处理预算粗分：

阶段 耗时占比 常用加速
Range-FFT ~25% HWA（硬件加速器）
Doppler-FFT ~25% HWA
CFAR ~15% HWA
DOA / MUSIC ~20% DSP C674x
聚类 + 跟踪 ~10% ARM Cortex-R4F
串口/CAN 输出 ~5% DMA

工程经验

  • 算法复杂度随 目标数 增长 → 加入 检测点数量上限 与 SNR 剔除
  • 使用 HWA LUT 做 CFAR 窗，避免重复 DMA
  • DOA 仅对 CFAR 通过的点做 MUSIC，而非全 Range-Doppler bin

📚 延伸阅读

  • IEEE Aerospace and Electronic Systems Magazine — STAP 专题
  • TI SWRA553: Programming Chirp Parameters in TI Radar Devices
  • TI SWRA662: Phase Noise Analysis in FMCW Radar
  • V. C. Chen, The Micro-Doppler Effect in Radar, Artech House, 2019.
  • MIMO 与 DOA 估计