汽车雷达信号处理技术综述

智能车辆技术的信号处理：第二部分

汽车雷达信号处理技术综述

简介

无线电探测和测距的历史，更 commonly known as 雷达，始于赫兹和许尔梅耶在19世纪和20世纪初对电磁波反射所进行的实验，以及特斯拉和马可尼提出的相关构想。早期雷达技术的发展主要局限于飞机/船舶监视、导航和武器制导等军事应用。如今，雷达已广泛应用于民用航空、导航、测绘、气象学、射电天文学和医学等多个领域。主要

雷达系统的目标是探测一个或多个感兴趣目标的存在，并估计它们相对于雷达的距离、角度和运动。

对于普通人来说，雷达的实际应用包括执法人员用来检测超速驾驶者的测速仪。电影中的动作英雄有时会驾驶一辆带有吸引人功能的汽车，能够追踪敌人的速度和位置，在障碍物中快速自动行驶，并在夜间展示其夜视功能电影的高潮。随着毫米波电路技术的蓬勃发展和先进的信号处理技术的应用，为汽车添加所有这些附加功能的雄心已成为现实。得益于新型信号处理算法、机器学习、人工智能和计算机视觉技术的推动，电路技术的进步已使自动驾驶汽车成为现实。

这类汽车还依赖于多种传感器，例如激光、摄像头、超声波、全球定位系统和雷达。在这些传感器中，雷达能够在能见度较低的情况下探测汽车前方较远距离的物体，有助于避免碰撞 [2]。例如，谷歌的自动驾驶汽车 [3] 在车辆的前后保险杠上均安装了雷达，以探测其周围环境中的物体。

汽车雷达几十年前首次投入使用。从诞生至今，汽车雷达的发展历程已在[4]中进行了详尽讨论。随着在硅基材料上实现的高度集成且低成本的毫米波电路，紧凑型汽车雷达安全系统已成为一种流行配置[5],[6]。此后，有关汽车雷达的综述文章主要涵盖了电路实现、市场分析以及架构级信号处理[7]–[9]。然而，关于汽车雷达信号处理技术的许多方面仍分散在各类文献之中。例如，部分文献可能集中于检测目标的存在与否目标，而另一个可能关注雷达在空间中相对于雷达[10],[11]对目标的位置和速度的估计问题。本文的目的是回顾应用于估计重要目标参数（如距离、速度和方向）的信号处理技术方面的主要进展。本文还讨论了雷达波形的表征以及可增强汽车雷达运行的先进估计技术。特别是，我们以足够的数学细节回顾每个主题cal框架，以便为该领域的新手提供一份良好的入门文档。

汽车雷达分类

自动驾驶汽车和人工驾驶汽车正越来越多地使用雷达来提高驾驶员舒适性与安全性。例如，泊车辅助和自适应巡航控制可提供舒适性，而警告驾驶员即将发生的碰撞以及接管车辆控制以避免事故则可提高安全性。图1展示了构成高级驾驶辅助系统的各种雷达子系统。每个子系统在雷达探测距离和角度测量能力方面都具有独特的功能和特定要求（表1）。下一节将解释利用雷达测量进行位置和速度估计的基本原理。

基本汽车雷达估计问题

雷达可以同时在频率范围从3兆赫至300吉赫的频段内发射和接收电磁波。它通过目标反射的电磁波来提取有关目标的信息[即，位置、距离、速度和雷达散射截面（RCS）]。汽车雷达系统通常工作在电磁波谱中的24吉赫和77吉赫频段，这些频段被称为毫米波频率，以便实现更高的速度和距离分辨率。基本

表1. 基于测距能力的汽车雷达分类能力。

可根据工作频率将分类分为24–29 GHz和76–81 GHz频段 [12]。

距离估计

距离估计是汽车雷达的基础。到目标的R，基于电磁波传播至目标并返回的往返时间延迟确定：(/),R c 2 = x其中x为往返时间延迟（单位：秒），c为光速（单位：米每秒()c310m/s8#）。因此，对x的估计可实现距离测量[1]。雷达发射的电磁波（信号）形式对于往返时间延迟估计至关重要。例如，脉冲调制连续波（CW）由周期性短功率脉冲和静默期组成。静默期允许雷达接收反射信号，并作为时间标记，供雷达执行距离估计，如图2所示。然而，未调制的连续波信号（即()cosf t2 cr）无法用于距离估计，因为它们缺乏此类时间标记。此外，从目标反射回来的信号应在下一个脉冲开始前到达。因此，雷达的最大可检测距离取决于脉冲重复间隔TPRF。雷达发射的信号在被接收回来之前会经历衰减

由于路径损耗以及来自目标的不完美反射，接收到的目标信号会受到影响。此外，接收的目标信号还会受到雷达电子设备内部噪声的影响，以及可能由非关注物体的反射信号或人为来源（例如干扰（电子战））引起的干扰。典型的往返时间延迟估计问题仅考虑环境噪声，其形式为加性白高斯随机过程。假设解调已去除载波，因此基带上的目标信号（）x t可被建模为

() ( ) (), x t s t t a x~ =-+ (1)

其中a是一个复标量，其幅度表示由于天线增益、路径损耗和目标雷达散射截面引起的衰减，()wt是均值为零、方差为.2v的加性白高斯噪声。目标是在完全已知发射雷达波形()ts的条件下估计x。假设信号()ts具有单位幅度和有限能量,Es ，理想雷达接收机可通过使用冲激响应为

()()h t s t =*-的匹配滤波器实现，该滤波器可使输出端的信噪比(/)(/)E TSNR s = = ^ p 2 2 2 2 avavh最大化。因此，基于匹配滤波器的接收机通过计算发射信号与接收反射脉冲之间的相关来实现检测。

() () ( ). y x t s t dt * x x = -# (2)

时间延迟的最大似然（ML）估计是匹配滤波器输出幅度达到峰值的时间

| () | arg max y x x = x t . (3)

噪声的存在可能会扰动峰值位置，从而导致估计误差。此外，雷达需要判断接收信号中是否确实包含来自目标的回波信号。大量经典雷达文献致力于开发能够提供最佳检测性能的策略。

典型的决策策略可以根据统计假设检验（目标存在或不存在）来制定。这导致在匹配滤波器输出端进行简单的阈值检测。

距离分辨率是另一个关键的性能指标，表示区分距离相近目标的能力。只有当两个目标在时间域产生不重叠的回波时，才能在距离域将其分开。因此，距离分辨率与脉冲宽度成正比。Tp换句话说，更窄的脉冲可提供更高的分辨率。然而，较短的脉冲包含的能量更少，这意味着接收机的信噪比（SNR）和检测性能较差。如 “雷达波形”一节所述，该问题通过一种称为脉冲压缩的技术得以解决，该技术使用相位或频率调制脉冲。

速度估计

目标速度的估计基于称为多普勒效应的现象。假设图2中所示的汽车以相对速度。v向前行驶。由于两辆汽车之间存在相对运动，反射波被延迟了时间(()/)cR vt2!x=。该时变延迟项导致接收波产生频率偏移，即所谓的多普勒频移()/f v 2 d= !m。多普勒频移与波长m成反比，其符号为正或负，取决于目标是接近还是远离雷达。虽然可以使用连续波雷达检测到这种频率偏移，但它无法测量目标的距离。在此，我们讨论一种脉冲雷达构型，该构型采用调频连续波脉冲，并可在多目标交通场景中实现距离和速度的联合估计。

调频连续波雷达发射周期性宽带调频脉冲，其角频率在脉冲期间线性增加。对于载波频率f c和调频调制常数K，单个调频连续波脉冲可表示为[见图3(a)]

() . s t e t T 0 ( . ) j f Kt t 2 0 5 c ## = r+ (4)

来自目标的反射信号与发射信号进行共轭混频，产生一个低频拍频信号，其频率反映了目标的距离。该操作对 P个连续脉冲重复执行。图3(c)中的二维波形描绘了沿两个时间索引排列的连续反射脉冲。慢时间索引p简单对应于脉冲编号。另一方面，快时间索引n假设对于每个脉冲，相应的连续拍频信号以频率f s采样，在持续时间N时间内收集.T内的样本。假设单个目标且忽略反射信号失真，则调频连续波雷达接收机输出作为这两个时间索引的函数表示为

(,) (,). exp d n p j c K R f f n f pT c f R n p 2 2 2 d s d c 0 . r ~ ++++ ` j ; E ’ 1 (5)

因此，如图3(c)所示，对快时间n进行离散傅里叶变换可得到与多普勒频率(/)KRcf 2 b= 耦合的拍频f d。该操作也称为距离变换或距离门，从而可估计对应的多普勒频移

调制常数为(/)B TK=、重置时间T R，和脉冲周期 T0的调频连续波波形的频谱图；发射P个连续线性调频脉冲。往返延迟x被转换为拍频 fb。(b) 典型交通场景：静止交通标志、雷达以及以20英里/小时行驶的乘用车（显示距离和相对速度）。(c) 使用77 GHz调频连续波雷达进行二维联合距离‐多普勒估计{[,][,], , , 64 64 10 300 300 = = = = T NP s SNR dB BW M Hz n}。)

距离‐多普勒图

通过雷达混频器输出的二维快速傅里叶变换

雷达混频器输出

Fast Time

接收的信号

距离

0

N个快时间的距离快速傅里叶变换

雷达混频器输出的样本

P个距离变换后的多普勒快速傅里叶变换 样本产生距离R1处目标的速度

Time

fb

(a)

(c)

(b)

Frequency

第一个啁啾 第二个啁啾 T

T0 TR f1

f2

K=(f2–f1)/T

τ

P个啁啾

R= 20 m，差分速度= 20 mi/h

R= 10 m，微分速度= 0

30

20

10

Differential Speed (mi/h)

0

–10 0 10 20 30

距离（米）

1

1

0 N–1

2

2 P P

Slow Time

Slow Time R 1 R N–1

通过对慢时间应用第二次傅里叶变换，可得到唯一的距离门。通过使用二维快速傅里叶变换（FFT）可以高效地获得距离‐多普勒图（5）。图3展示了基于上述讨论的一个示例。

方向估计

使用FMCW等宽带脉冲可在距离和速度上对目标进行分辨。通过天线阵列可实现对方向的分辨。图4(a)描绘了一个真实的交通场景，其中多个目标环绕雷达，雷达接收来自这些目标的直接反射和多径反射信号。在这种情况下，为了在空间上区分距离相同的目标并全面表征交通场景，需要估计目标的角度位置。因此，在汽车雷达中，目标的位置通常用球坐标系（,,）,Riz其中（,） iz分别表示方位角和仰角来描述。然而，在这种情况下，用于距离‐速度估计问题的单天线雷达系统可能并不足够，因为测量到的时间延迟cR vt =2 !x缺乏关于目标角度位置的信息。

为了实现方向估计，雷达应收集来自多个不同维度的反射波数据。例如，在二维空间中利用电磁波定位目标时，需要从物体获取两个不同维度的反射波数据。这些不同的维度可以通过时间、频率和空间的组合以多种方式形成。例如，线性天线阵列和FMCW等宽带波形形成了两个独特的维度[13],[14]。此外，毫米波频段中的较短波长对应更小的孔径尺寸，因此可以在天线阵列中密集布置多个天线元件。因此，有效辐射波束更强且更锐利，进而提高了角度测量的分辨率。

考虑位于平面内的天线阵列，z =0并令l为对应每个接收天线位置的横坐标[见图4(b)]。设(,)Rq qi为球坐标系中第q个目标的位置，其相对于雷达的运动速度为vq 。利用第[15], q个目标的远场近似，从位于原点的发射机到位于坐标l处的接收机之间的往返时间延迟可表示为

( ) sin c R v t ld 2 lq q q q x i = ++ , (6)

其中d为线性排列的天线元件间距（通常为半波长）。Q个目标的情况下，将(5)和(6)结合可得到三维（3D）调频连续波雷达输出信号，从而实现对距离、速度和角度的估计。该信号可表示为

(,,) (,,), exp sin d l n p j c K R f f n c f ld f pT c f R l n p 2 2 2 q Q q q dq s c q dq c q 0 1 0 . a r i ~ + + + + + = - c m ; E ’ 1 / (7)

其中a和~对应于距离估计问题中所解释的相同量。延迟项lq x在天线元件上产生均匀的相位进展，从而可以通过空间域中的快速傅里叶变换进行角度估计，如(7)所示。因此，通过三维快速傅里叶变换可联合估计目标的二维位置（距离和角度）和速度。在“先进估计技术”一节中，将重新讨论目标位置和速度估计问题，并更侧重于高分辨率算法和计算复杂度分析。

一个典型的交通场景包含来自不同目标的反射，包括两辆距离相同R的汽车。 (b) 方位角估计 使用均匀线性天线 阵列的 设置。)

雷达波形

各种汽车雷达类别（如表1所示）在若干基本雷达系统性能指标方面具有不同的规格，例如距离分辨率、速度分辨率、角方向、信噪比以及目标检测概率。所采用的波形类型

表2. 雷达波形。

B表示雷达的带宽。T是采集数据的持续时间。N 表示连续波中的采样数和OFDM中的载波数。()TpP 是持续时间为.T Pp 的矩形脉冲，分别表示调频/跳频连续波或OFDM块的数量，每个块的持续时间为,T T和N 0 。()I n 是任意序列，f9 是OFDM/步进频率连续波中的载波/频率间隔。

雷达是影响这些指标的主要因素。如表2所示，雷达波形可以根据其是否为连续波、脉冲、频率或相位调制进行分类。调制雷达波形包括调频连续波、步进频率连续波、正交频分复用和频移键控。每种波形类型在处理、实现和性能方面均具有一定的优势，如下所述：

• 在连续波雷达中，高频发射信号与接收信号的共轭混频会产生目标多普勒频率处的输出信号。频率测量的分辨率与信号采集的持续时间成反比。由于波形的连续性，无法进行往返延迟测量，而往返延迟测量是目标距离估计所必需的[见图5(a)]。因此，尽管连续波雷达在实现简便性和检测目标速度方面具有优势，但它无法提供距离信息。

• 脉冲连续波雷达可以估计距离信息，如“基本汽车雷达估计问题”一节中先前所述。通过延长每个脉冲的持续时间并测量发射脉冲与接收脉冲之间的频率差，可以估计多普勒频率。如图5(b)所示，脉冲持续时间和脉冲重复频率（PRF）是在设计具有期望距离和速度分辨率的脉冲连续波雷达时的关键参数。

• 调频连续波（FMCW），也称为线性频率调制（LFM）或啁啾，用于同时进行距离和速度估计（参见“速度估计”）

（详见章节）。由于脉冲压缩，距离分辨率与FMCW信号的带宽成反比，且与脉冲宽度无关。例如，短距离FMCW雷达使用超宽带（UWB）波形来以更高的分辨率测量小距离。多普勒分辨率是

脉冲宽度及用于估计的脉冲数量的函数。因此，由于能够以高分辨率测量距离和速度，调频连续波雷达在汽车行业中被广泛使用。

• 与FMCW波形不同，FSK和SFCW的频率以离散方式变化[见图5(c)]。在这种情况下，目标的距离剖面与在离散频率处采集的数据构成逆傅里叶变换关系。此外，可采用混合波形类型以实现性能叠加。例如，将FSK波形与多斜率FMCW波形结合，可在雷达处理中克服虚幻目标问题[16]。类似地，交替使用连续波和FMCW脉冲可准确估计距离和多普勒[17]。

• 正交频分复用可被视为另一种多频波形，能够实现汽车雷达与车对车通信的联合应用[18],[19]。在雷达操作中，通过选择大于最大多普勒频移的载波间隔来保证OFDM子载波之间的正交性，并且循环前缀持续时间需大于最长的往返延迟[见图5(d)]。距离剖面通过频域信道估计获得。OFDM雷达处理及其仿真结果在[20]中进行了说明。

基于目标统计特性的知识，可以对雷达波形进行优化。在“MIMO雷达”部分，结合多输入多输出（MIMO）雷达重新探讨了雷达波形设计。

智能车辆技术的信号处理：第二部分

汽车雷达信号处理技术综述

先进估计技术

硅半导体技术的进步对汽车雷达系统的设计产生了深远影响，使得在降低成本的同时实现了更高的集成度和性能。本节回顾了一些复杂的雷达信号处理算法，这些算法得益于上述技术进步，尤其是能够实现实时实现。在本节中，假设采用最常用的调频连续波雷达架构，并且目标被视为静止的。因此，(7) 简化为一个基于以下信号模型的距离‐方位估计问题

(,) (,). exp sin d l n j c KR f n c f ld c f R 2 2 2 q Q q q s c q c q 0 1 . a r i ~ + + + + = - ; E ’ 1 / (8)

为了阐明先进的估计技术，将问题的维度降低到二维。应注意，所讨论的技术可以扩展到包含移动目标和仰角方向的四维问题。

如前所述，(8) 的二维快速傅里叶变换可以实现对距离和角度的联合估计。基于 FFT的估计具有实现复杂度最低，为( )logLN LNO ，其中N表示时域采样数，L表示一维（1D）天线阵列中的天线单元数量。然而，傅里叶技术的分辨率受限于瑞利极限。虽然通过增加FMCW带宽可以获得更高的距离分辨率，但提高角度分辨率需要更多的天线元件，从而增加了射频前端的成本。此外，雷达必须处理更大规模的信号样本。然而，在实现所需的角度分辨率和距离分辨率的同时，降低计算负载至关重要。我们首先回顾目标距离与方向联合估计的最大似然公式，然后综述所谓的超分辨率技术，这些技术作为最大似然估计器的次优且较低复杂度的替代方案。

最大似然估计

(8) 中的复高斯观测噪声被假设为时间上和空间上独立。通过求解以下方程，可得到二维参数(,)Ri 的最大似然估计：

(,) . min exp sin d l n j c K R f n c f ld c f R 2 2 2 , R q Q q n N l L q s c q c q 0 1 0 1 0 1 2 q q a r i - + + i = - = - = - ; E ’ 1 / / / (9)

因此，根据(,)Ri搜索空间的精细程度，最大似然估计器可以提供超越由带宽和天线单元数量等系统参数所设定的瑞利极限的分辨率。然而，该算法实现的复杂度取决于搜索空间的基数以及目标的数量。由于(,)Rq qi是连续参数，最大似然算法(| (,) | )RO Qi的计算复杂度变得难以承受。在接下来的段落中，将介绍能够在较低计算成本下实现高分辨率的超分辨率技术。

超分辨率技术

由于其计算成本过高，最大似然算法需要通过次优技术来实现。这些次优技术依赖于收集足够的信号样本。在足够高的信噪比下，样本协方差矩阵 C （在算法1中定义）的特征值及其对应的特征向量代表了其真实值的最大似然估计。因此，这些特征向量可用于高分辨率地分辨目标。

依赖于这些技术的超分辨率算法包括多重信号分类（MUSIC）[24]和基于旋转不变性技术的信号参数估计（ESPRIT） [25],[26]。回顾二维(,)Ri静止目标位置估计问题，超分辨率算法可以分别应用于每个维度。然而，这种方法可能会导致所谓的关联问题[15]。由于估计参数的关联是向驾驶辅助系统解释和传递结果的关键步骤，因此可以采用联合处理。由于在(,)Ri域上对其整个范围进行联合搜索，虚幻目标的可能性被消除，从而获得明确的结果[27]。

如前所述，(8) 式中的时间频率给出了距离，空间频率对应于目标的角位置。因此，交通成像问题可转化为经典的参数估计问题，从而可以应用多重信号分类（MUSIC）等超分辨率技术。由(8) 式可形成一个二维矩阵，对于均匀线性天线阵列，该矩阵在每个维度上均具有范德蒙结构。二维联合超分辨率已在雷达成像背景下应用于[27] ，随后与调频连续波（FMCW）结合使用。[21],中的波形在图6和算法1中进行了描述。二维联合超分辨率算法的复杂性在于协方差矩阵CL N L Ns s s s#的特征值分解代价以及在整个(,)Ri域上的二维穷尽搜索。因此，传统的二维联合超分辨率算法的计算复杂度为.()L NO s s 3 采样协方差矩阵的尺寸越大，使得二维联合超分辨率算法在实际应用中变得困难。为了解决超分辨率算法在实时实现中的问题，必须减小观测空间的尺寸。

使用波束空间投影的复杂度降低技术

基于FFT的估计技术具有较低的实现复杂度。然而，其分辨率受限于雷达带宽和天线单元数量。另一方面，超分辨率估计能够分辨更接近的目标，但计算复杂度更高。因此，在分辨率与复杂度之间存在权衡。为了降低超分辨率算法的计算复杂度并保持其分辨率能力，我们提出了一种使用波束空间超分辨率算法的两级估计器，该方法通过初始FFT处理将大规模问题分解为较小的问题 [28],[29]。

联合超分辨率算法的计算成本主要在于对大样本协方差矩阵进行特征值分解。因此，为了降低成本，必须减小协方差矩阵的尺寸。于是，作为基于两阶段FFT的波束空间算法的第一阶段，我们获取公式(8)中二维矩阵DL N#的快速傅里叶变换。通过对该低分辨率二维快速傅里叶变换的输出，我们可以确定时间和空间频率，这些频率对应于目标或目标簇的近似位置。一旦已知感兴趣的时间样本 S p a ti a l S a m p le s | ||||||||||||| | —|—|—|—|—|—|—|—|—|—|—|—|—| | |D (1,1)|D (1,1)|D (1,2)|..........|..........|D(1,Ns)|D(1,Ns)|..........|D(1,N)|D(1,N)||| | |D ( 2,1 )|D ( 2,1 )||||||..........|D(2,N)|D(2,N)||| | |D ( 2,1 )|D ( 2,1 )||||||..........|D(2,N)|D(2,N)||| | ||||||D(Ls||D(Ls,N)||||| | ||||||D(Ls|,Ns)|D(Ls,N)||||| | |D(L s ,1)|D(L s ,1)|..........||..........|||..........||||| | ||||||||||||| | ||||||||||||| | |D ( L,1 )|D ( L,1 )|..........||..........|D(L,Ns)|D(L,Ns)|..........|D ( L,N)|D ( L,N)||| | ||||||||||||| | ||||||||||||| 频率，我们就可以利用DFT矩阵将数据从高维子空间D L Ns s #投影到我们在距离和角度域中感兴趣的低维子空间DL N b b # ，这些DFT矩阵在距离和角度域中形成不重叠的波束。因此，超分辨率算法将在更小的数据集上运行，并且

算法1：二维联合超分辨率算法。

输入：使用调频连续波雷达对静止目标采集的数据[参见(8)]被排列成一个二维矩阵DL N # 。输出：具有距离和角度超分辨率的二维图像。1) 应用空间平滑以消除反射信号数据中的相关性：将通过窗口选取的每个子矩阵,DLNs s# 向量化为列向量DLN 1 s s#t 。对每个子矩阵，计算样本协方差矩阵(/) C DD NL N s L N H s s s = # t t 。在可能的重叠窗口上对协方差矩阵进行平均（见图6）。此步骤对于MUSIC算法的应用是必要的，因为该算法通常假设源信号不相关。2) 对样本协方差矩阵进行特征值分解，并利用AIC或MDL准则确定源的数量[22][23]，从而得到噪声子空间V~。3) 获取关于目标位置的导向矢量 (,) . vec a R e sin j c KR f n c f ld c f R 2 2 2 s c c i= r i + + ; E $ . 4) 应用MUSIC算法在二维空间中定位目标。 (,) (,) (,) . a V V a S R R R 1 H H i i i = ~~ 对于适当的发射机间距，共置MiMO雷达可以模拟一个更大孔径的相控阵雷达。

二维超分辨率成像的复杂度可降至。()L NO b b 3 此外，在更精细的网格上对感兴趣区域内的目标进行二维穷尽搜索，从而进一步降低了复杂度。波束空间算法的性能在图 7中进行了展示。关于雷达算法的复杂度分析和实现的更详细讨论可在[30]中找到。

MIMO雷达

MIMO雷达系统采用多个发射机、多个接收机和多波形，以利用所有可用的自由度[31]。MIMO雷达可分为广泛分离式和共置式。在广泛分离的MIMO雷达中，收发天线捕捉目标雷达散射截面（RCS）的不同方面。换句话说，目标在空间上呈现分布特性，使得每个天线单元观测到不同的RCS。这种雷达散射截面多样性可用于提高雷达性能[32]。另一方面，在共置MIMO雷达中，各天线单元观测到的RCS无法区分[10]。

汽车通常使用共置MIMO雷达，其尺寸紧凑[33]。对于适当的发射机间距，共置MIMO雷达可以模拟一个更大孔径的相控阵雷达（见图8）。这个更大的阵列被称为虚拟阵列。回顾(8)中给出的距离‐方位估计问题。如图8 所示，在MIMO雷达处理中，考虑了一个具有一维接收阵列和两个发射天线的系统。设LT和LR分别表示发射和接收天线单元的数量。假设dT和dR分别表示相应的发射和接收天线间距。同时，假设发射和接收天线在笛卡尔坐标中的位置由lT和。lR给出。因此，跨快时间和孔径的二维FMCW混频器输出信号为 exp a j2r + (,,) {( ) } (,,). sin d l l n c K R f n c f l d l d c f R l l n 2 2 T R q Q q q s c T T R R q c q T R 0 1 . i ~ + + + + = - ; E ’ 1 / (10)

由(10)式可知，如果d L dT R R#= ，则 MIMO雷达模拟了一个具有单个发射和L LT R#个接收天线单元的常规一维阵列雷达。这被称为虚拟阵列表示。因此，基于FFT的目标成像的空间分辨率可以提高LT倍。利用虚拟阵列表示，并代入l l L l =T +R R#， 可得到类似于(8)式的表达式，并可应用“基本汽车雷达估计问题”和“高级估计技术”章节中讨论的估计算法。

MIMO雷达的难点在于波形的选择。这些波形可以在频率、时间或码域[34],[35]中实现正交。因此，接收机处的匹配滤波器设计也会有所不同，这是为了分离来自不同发射机的反射波形所必需的。从式(4)给出的 FMCW雷达信号来看，

6 4 10O 7# 降低至()8 10O 3# 。)

目标位置 以极坐标表示 坐标（R, θ, φ）

基于快速傅里叶变换的输出

估计 波束空间 超分辨率估计

1) 应用波束空间 投影以保留 对应的有用数据 至目标集群。

2) 执行超分辨率 MUSIC估计于 低维度数据集 上。

| ||50
–20 –10 0 10 20 方位角（°）| | —|—|—| | 交通标志
汽车2 汽车1
汽车3
(50.5, 0°, 2.5°)
(50, –1.5°, 0.5°) (50, 1.5°, 0.5°)
(49.5, –1.5°, 0.5°)||50
–20 –10 0 10 20 方位角（°）| | 典型交通场景：|典型交通场景：|50
–20 –10 0 10 20 方位角（°）| 51 50.5 50 49.5 49 Ra ng e( Me ter s) Ra ng e( Me ter s) –4 –2.5 –1 0.5 2 3.5 方位角（°）

可以按以下方式构造各种正交波形 [36]：

• 拍频分频： ()s t= e(..(/)j f f t Kt f K 2 05 05 c b b 2 2 9 9 r-+ + 6 @。这里，f b9 是为波形正交化引入的频率偏移。指数中的最后一项对应于残余视频相位补偿，这对于相干接收机处理是必要的。

• 调制常数分频： ()s t=. e(. [ 9] )j f K K t t 2 05c r++ 调制常数或啁啾率偏移由K9给出，通过改变脉冲周期获得。每个发射机的带宽保持不变，以维持距离分辨率。脉冲之间的复位时间确保接收机的同步。

• 码分： ()s t e[ (.).()]j f Kt t t 2 0 5 0 5 + + c= r b，其中()t b 对应于具有低更新率的二进制相移键控（BPSK）信号，其取值为1!。BPSK 信号的带宽保持较小，以确保调频连续波雷达的正常工作。

在波形选择之后，可以利用波形设计进一步优化雷达性能。对于具有高距离分辨率的宽带雷达波形，平面目标表现为一组点目标。扩展目标由于其反射由多个波形叠加而成，因而表现出随机的反射率（冲激响应）。根据已知的扩展目标统计特性，可以对发射波形进行自适应调整（见图9）。利用随机扩展目标与反射的接收信号之间的互信息来优化雷达波形[38]。在发射功率受限的情况下，可设计波形以最小化目标冲激响应估计中的均方误差。该问题的解决方案包括注水功率分配，将更多功率分配给散射显著的目标[39]。如[40],所示，多用户 MIMO原理可应用于多个目标估计与跟踪场景中的波形设计。

鲁棒估计技术

到目前为止，我们假设汽车雷达仅接收来自感兴趣目标（例如前方行驶的车辆）的反射信号。然而，除了来自感兴趣目标的直接反射外，雷达还会接收到道路碎片、护栏和墙壁等物体的反射。雷达接收到的这些不需要的回波称为杂波。系统中的杂波量会随着车辆周围环境的变化而变化。因此，可以采用自适应算法（如恒虚警率（CFAR）处理和时空自适应处理（STAP））来减轻杂波的影响。

为了在杂波中识别有效目标，应适当选择目标检测的阈值。如果在估计距离处的频谱幅度大于某一阈值，则认为已检测到目标。因此，该阈值应取决于噪声，即取决于给定系统中的杂波。由于杂波增加时，可选择更高的阈值。一种基于单元平均的简单恒虚警率方法可以使用滑动窗口，通过平均多个距离单元来推导局部杂波水平。由于多个目标使这种检测方法变得复杂，因此需要采用基于更复杂的检测技术 有序统计可用于[41],[42]。

STAP 是另一种能够增强目标位置估计鲁棒性的技术 [43],[44]。其核心思想是使用一种自适应滤波器，从道路及其他物体产生的杂波中选择出目标。该滤波器的权重会根据杂波统计特性自适应地变化。在调频连续波雷达（7）中，该滤波器作用于不同线性调频脉冲间的混频器输出（即P个慢时间样本），以及一维孔径的空间域（L 个样本）。杂波统计特性通过干扰协方差矩阵C,LP LP# 记录，该矩阵通过对感兴趣目标周围的距离单元进行平均计算得到。设(,)e f LP td 1 t # i为指向可能目标的时空导向矢量，则空时自适应滤波器的权重由最小方差无失真响应（MVDR）波束形成器[44]给出 C C (,) (,) (,) (,) . w e e e f f f f t d H t d t d t d 1 1 t t t t i i i i = - - (11)

然后通过将时空数据输入系数为(,)w f t dti的滤波器来检测目标的存在。该过程针对所有可能关心的目标进行。此外，MIMO雷达通过使用多个发射机天线元件来减少杂波，STAP可以从中获得额外的自由度。具有增大虚拟阵列尺寸的MIMO雷达能够处理到达方向和离开方向的信息，如果信号是从杂波[11],[45]反射的，则会显示出不匹配。

目标跟踪问题

目标跟踪是高级驾驶辅助系统子系统（如碰撞避免和车道辅助）的重要组成部分。在跟踪过程中，一个状态(,,,,,),xyzvvvx y z 表示目标的三维位置

基于当前观测值(,,)Riz和先前的状态信息，确定目标在笛卡尔坐标中的位置及相应的方向速度。跟踪中的一个关键步骤是将分别估计的 Q个目标的参数，特别是速度(,,,)v v v Q 1 2 f和距离(,,,)R R R Q 1 2 f相互关联[(,)(,),,(,)]。 R v R v R vQ Q 1 1 2 2f 在将估计的参数与目标关联之后，再将目标与轨迹进行关联。例如，如果每个目标各自沿一条独立的轨迹运动，则系统中存在Q条轨迹。该关联当两条轨迹交叉时，数据关联问题变得复杂。执行数据关联的不同方法包括联合概率数据关联（JPDA）、最近邻（NN）和模糊逻辑 [46]。

在完成数据关联后，可以使用诸如卡尔曼滤波等已知算法进行跟踪。每条轨迹对应实现一个独立的滤波器，这些滤波器并行运行。由于观测向量(,,)Riz 与状态向量(,,,,,),xy z v v vx y z 之间存在非线性关系，因此采用扩展卡尔曼滤波（EKF）。描述状态随时间 [47] 转移的状态方程为 [] [] [] [] [ ] [ ] [ ] [ ] [] [] x n y n v n v n T T x n y n v n v n u n u n 1 0 0 0 0 1 0 0 0 1 0 0 0 1 1 1 1 1 0 0 [] [ ] s A x y n x y x y s n 1 State Perturbation = ---- + - R T S S S SS R T S S S S R T S S S SS R T S S S SS V X W W W WW V X W W W W V X W W W WW V X W W W WW 1 3 > > , (12)

其中T 为观测间隔。观测向量通过以下方式与状态向量相关： [] [] [] [] [] [] [] [] . arctan R n n x n y n x n y n n n [] ([]) n n R 2 2 x h s Observation noise i ~ ~ = + + i ; > ; E H E 1 2 3 4444 4444 = > (13)

根据前一状态的知识，基于状态方程（12）预测当前状态。利用（13）和当前观测，对预测值进行更新。修正量取决于观测的信噪比；详见[47] 。车辆跟踪问题也在[48]–[51]中进行了讨论。

行人检测

行人、自行车和野生动物检测对于驾驶辅助和碰撞避免系统至关重要。当行人行走时，距离的微小变化会产生非常低的多普勒频移。换句话说，目标的微动会产生所谓的微多普勒 [52]。同样，肢体的周期性运动会在时间上形成速度的周期性模式，这也被称为微多普勒特征。该特征以及其他特征提取和匹配算法可用于唯一识别行人行走。有关使用距离‐多普勒图分析人体步态的更多细节见[53]。

此外，由于人体的雷达散射截面[54]较小，行人检测任务变得更加具有挑战性。为了提高行人检测的鲁棒性，可以将基于微多普勒估计的雷达与视觉传感器的输入相结合[55]。同时，之前讨论的跟踪算法也有助于预测行人移动[56]。

让我们讨论如何通过(5)中的调频连续波雷达处理来提取微多普勒特征。首先，通过慢时间和快时间获取的二维信号样本被转换为一维信号 距离门。通常，在快时间n上进行快速傅里叶变换R0并仅保留对应于感兴趣距离的频率R0（假设在R0处具有微动的单个目标）。忽略距离‐多普勒耦合和有限长度快速傅里叶变换的影响，(5)可重写为 () [ ( )] () exp d p j c f R pT p 2 2 c 0 0 0 . a r ~ +X + t t c m ’ 1 , (14)

其中(.)X 是表征目标微动的函数。如 [52],对(14)式进行短时傅里叶变换（STFT）可得到多普勒随时间的瞬时变化。关于使用调频连续波雷达进行微多普勒振动测量的详细分析见 [57]。除了行人检测外，微多普勒还可通过表征车辆整体运动产生的多普勒频移之上的振动模式，来识别车辆类型（卡车、轿车等）[58],[59]。

调频连续波雷达电磁仿真设置

雷达算法通常通过仿真进行验证，从而降低原型设计和测试成本。在对雷达系统、目标和信道进行建模时，通常假设它们处于理想状态。目标被建模为具有完美反射率的物体，信号则假定通过无遮挡路径传播。为了验证各种雷达估计算法在现实世界中的可行性，有必要使用计算电磁软件来模拟潜在目标雷达散射截面（RCS）和信道。

一个逼真的仿真设置应包含发射和接收天线单元的辐射方向图，以根据系统几何结构对发射信号和反射信号进行方向相关的缩放。此外，电磁波会因目标的形状和尺寸相对于其波长的不同而发生反射、衍射和散射。为了纳入这些现象，必须求解带有适当边界条件的麦克斯韦方程组。结合数值计算，可以使用MATLAB或 MATHEMATICA等软件包以及ADS [60], FEKO [61]或 Xpatch [62]等电磁仿真器来精确建模汽车雷达成像。射频损伤（如相位噪声、本振泄漏以及同相与正交不平衡）的影响可以在MATLAB或ADS等电磁仿真器中进行建模。

一个射频模块框图，展示了真实雷达仿真中的各个方面。(b) 使用FEKO中的射线追踪进行天线阵列、信道和目标建模。(c) FEKO与 MATLAB集成的算法。(d) 使用多重信号分类（MUSIC）和波束成形算法对图10(b)场景中的汽车进行方位角估计；展示了汽车方向性雷达散射 截面的影响。)

数据融合和挑战

汽车雷达的输出通常与其他传感器（如激光雷达、摄像头视觉和超声波）的输出相结合。激光雷达和视觉传感器可通过提供更快的响应来增强分辨能力并降低计算成本。为了提高可靠性，必须将来自其他传感器的独立观测结果与雷达系统进行融合。例如，激光雷达在弯道上能提供更优的目标检测性能。雷达在速度测量方面具有优势，因其依赖多普勒效应，而激光雷达则依赖照度测量 [63]。此外，激光雷达对雪、雾、灰尘和雨等环境因素更为敏感 [64]。

当多个传感器运行时，所有测量值应使用时间戳与公共时钟同步。来自各个传感器的观测通常被组合在一起以形成全局传感器数据。应考虑每个传感器的相对位置、方向和数学模型。关于目标列表级、航迹对航迹、低层和特征层融合等融合技术的详细信息在[65]和[66]中讨论。有关使用学习算法进行实时目标检测的更多信息可参见[67]。

汽车雷达的另一个重要方面是两辆车辆之间的干扰 [68]。分析研究表明，在这种情况下，雷达灵敏度会降低。零点转向、跟踪、编码序列和交错是用于干扰抑制的多种技术之一。智能交通系统的一个附加功能可以包括车联网通信，这也有助于避免碰撞[69],[70]。

结论

随着我们逐步迈向完全自动驾驶，许多挑战和创新解决方案将会出现。基本的

TX RX PA LNA 混频器 LPF 耦合器 相位 移相器 To 基带A/D 调频连续波/ CW 源 信道模型 目标 (反模射型率) (a) (c) (d) 5 m 50 m 1 × 8单元贴片 天线阵列 (b) | |从MATLAB运行FEKO|从MATLAB运行FEKO|| | —|—|—|—| | |||| | 读取每个天线的功率和相位 从FEKO的.out文件中使用MATLAB读取单元 并应用成像算法|读取每个天线的功率和相位 从FEKO的.out文件中使用MATLAB读取单元 并应用成像算法|读取每个天线的功率和相位 从FEKO的.out文件中使用MATLAB读取单元 并应用成像算法|读取每个天线的功率和相位 从FEKO的.out文件中使用MATLAB读取单元 并应用成像算法| 目标的估计位置 定义系统规格 (几何结构，收发天线方向图 波长和带宽) 使用CADFEKO 选择适当的电磁仿真方法 根据目标尺寸 –90 –75 –60 –45 –30 –15 0 15 30 45 60 75 90 角度（°） –60 –50 –40 –30 –20 –10 0 N or m al ize d Po we r( dB ) 波束成形 多重信号 分类（ MUSIC）

这些自主系统的一个关键组件是汽车雷达，由于蓬勃发展的毫米波电路技术，汽车雷达已成为现实。与此同时，复杂的信号处理技术也逐渐兴起，以高效利用汽车雷达硬件。本文介绍了汽车雷达的多种信号处理方面，从距离和速度估计的基础知识到复杂的三维端到端电磁仿真。目标位置估计技术通过充分的数学细节和示例进行了解释，使本文也可作为教程使用。对于简要涉及的领域内高级主题，我们指出了相关文献，读者可根据自己的兴趣进一步研究。这篇综述文章将有助于研究人员和工程师在开发新型汽车雷达信号处理技术方面迈出第一步。