加入星计划,您可以享受以下权益:

  • 创作内容快速变现
  • 行业影响力扩散
  • 作品版权保护
  • 300W+ 专业用户
  • 1.5W+ 优质创作者
  • 5000+ 长期合作伙伴
立即加入
  • 正文
    • 小结
  • 相关推荐
  • 电子产业图谱
申请入驻 产业图谱

系列 | 4D雷达之角度维处理

2022/06/22
2224
阅读需 9 分钟
加入交流群
扫码加入
获取工程师必备礼包
参与热点资讯讨论

这期聚焦于角度维处理。

坦率的讲,上一期(加餐)天线布局设计指南1也算是角度维处理的重要一环,只不过侧重点在于天线布阵,分析在芯片收发通道有限的条件下,怎么通过合理的设计天线布局进一步伺候好角度维3个祖宗:测角范围,测角精度,测角分辨率。

光靠天线布局伺候当然不够,这期侧重从角度维算法来分析如何进一步提高雷达角度维处理能力。

我在之前的文章提过很多遍:角度维处理是毫米波雷达信号处理最让人操心的环节之一,原因在于,考虑到成本,硬件体积,功耗等各种因素,即使采用MIMO技术,我们获取的目标空间采样信息仍然十分有限,这是其一;其二,不同于速度维以及距离维,角度维空间采样的能量分布存在差异(天线设计因素),并且角度与估计频率是非线性关系。这就使得,毫米波雷达接收端获得较高的角度估计分辨率及精度,尤其是大FoV下的高角度估计分辨率及精度具有相当大的挑战。

这还只是角度维单目标的情形,如果角度维存在多目标(同速同距),则测角精度及测角分辨率问题将更加复杂一些,这是本期的重点,后文会详细分析。

在分析4D雷达角度维处理之前,我们先回到传统雷达,看看传统雷达如何应对角度维处理,由于距离多普勒来源于时间采样,而角度来自于空间采样,而在时间上形成高分辨比空间上形成高分辨要容易得多;另一方面,经典车载雷达处理链路为range-doppler-angle,所以一种典型思路是,通过合理的波形参数设计,使得环境目标在range-Doppler map上得到充分分离,这样留给角度维的压力是不是小很多。

▲ Range-Doppler Map

一般而言,特别是在车辆行驶条件下,绝大部分目标已经在range-Doppler map上得到了分离,角度维通常只是输出一个目标,也就是同速同距不同角度的情况对于传统雷达而言比较少,即便有,很多时候也只是输出角度置信度高的一个。

这对4D雷达而言显然是不够的,不然那么多点云上哪来。

当然,4D雷达的距离以及速度分辨率会比传统雷达高一些,进一步增强其range-Doppler层面的目标分离能力。但是同时,同速同距不同角度的情况依然需要得到重视。我们知道,FFT是传统雷达角度维处理的经典算法,经久不衰,但是在角度维多目标问题上显得有些力不从心。

▲ 初始相位与目标角度对FFT算法影响

上图是表示不同初始相位,不同目标角度下的FFT谱,行代表相同角度不同相位,纵列代表相同相位,不同角度。我们以第1行为例,3张图左至右依次表示两个目标的角度不变,但是由于初始相位不同,目标分离状况完全不同;再看第1列,两个目标的初始相位不变,改变角度,两个目标的角度相隔逐渐增大,在FFT谱上确实得到了分离,但是角度估计值(绿线)与理想值(红虚线)存在偏差,也就是估计角度的精度恶化,这是由FFT谱结构中两个目标交叉项导致的。

小结下,如果同速同距下存在多目标,那么传统FFT算法将受到如下影响:

  • 目标角度初始相位
  • 多目标角度维FFT谱结构中的交叉项

这些问题会使得,即使多目标在角度维超过了瑞利限得到了充分分辨,其角度精度仍会存在恶化。

基于此,我们尝试给出一种基于FFT和超分辨算法的角度维混合处理架构。

▲ 超分辨算法处理流程

如上图,我们可以对通道快拍数据先做CBF,如果目标得到了充分分离,那如前所述,我们需要多求解结果补偿以提高估计精度。如果没有分离(单峰值),那么有两种可能:

  • 就是单目标,直接输出;
  • 存在多目标,只不过由于初始相位,瑞利限等原因没有分离;

这个时候我们可以尝试用超分辨算法进行目标分离,如果可以分离,并且通过算法确认,则以超分辨算法的角度估计结果作为最终估计结果。

这套架构中超分辨算法以及补偿算法是技术核心,这期介绍下我们在超分辨算法上的主要工作。

超分辨算法本身也是博大精深,linear prediction, ESPRIT, MUSIC,ML等等,方法那么多,得看你怎么用,有几个点需要抓住:

  • range-Doppler-angle结构下,单快拍是角度维输入;
  • 必须能够处理相干目标情形(多径场景较普遍);
  • 算法嵌入式平台运算的实时性;
  • 信噪比下,复杂场景下的测角鲁棒性

像MUSIC为代表的subspace类算法高信噪比下确实效果不错,天线孔径依赖程度低,但是

  • 依赖多快拍;
  • 低信噪比条件下性能较差;
  • 超分辨的伪谱与目标能量没有关联性;
  • 一维搜索,不支持相干目标处理;

▲ 子空间类算法目标分离效果

如上图所示,MUSIC算法确实具有较好的目标分离能力,但是由于得到的是伪谱,只能获得目标的角度信息,无法获得目标的能量信息,比如上图中第一根绿线的能量比真实目标能量低了十几dB。

我们把眼光投向似然类算法,比如DML算法可以基于单快拍就可以求解角度,并且能够解决相干目标问题(多维度搜索),只不过计算较为复杂,比较耗时。

▲ DML谱(Two Targets)

我们通过优化DML的数学结构,通过合理的近似给出快速DML算法(Fast DML),能够保证算法估计精度的前提下,在嵌入式平台快速执行。如下图,传统CBF已经不能够解析两个目标峰值,因而只能输出一个目标(绿色实线),并且FFT输出角度还存在一定的精度损失;基于快速DML算法能够直接给出两个目标角度(-0.6872,0),并且保持高精度。

▲ CBF与Fast DML效果对比

小结

在测角算法选择上,我们希望算法主要关心的点是,精度,实时性,低信噪比下复杂场景下的测角鲁棒性。上述架构也是抛砖引玉,给出高效的,多目标高精度测角方案永远是值得研究的课题。

[参考文献] 

[1] Fischer C ,  F  Ruf,  Bloecher H L , et al. Evaluation of different super-resolution techniques for automotive applications[C]// Radar Systems (Radar 2012), IET International Conference on. IET, 2013.

[2] Chamseddine M ,  Rambach J , O Wasenmüller, et al. GhostTarget Detection in 3D Radar Data using Point Cloud based Deep NeuralNetwork[C]// International Conference on Pattern Recognition (ICPR) 2020. 2020.

相关推荐

电子产业图谱

本专栏将介绍毫米波雷达在智能驾驶以及智慧城市中的应用。具体包含:1.毫米波雷达信号处理,数据处理技术;2.毫米波雷达前沿技术跟踪与分析;3.国内外毫米波雷达市场及产品解析;4.毫米波雷达产业及应用。 专栏作者姚伟伟,硕士毕业于桂林电子科技大学,目前任公司雷达算法总监,长期从事毫米波雷达,新体制车载雷达,无人驾驶环境感知技术研究及工程实现,在该领域有丰富经验及技术积累。 做有温度,有深度的毫米波雷达技术及产业思考。 给你开的杂货铺,所以常来看看啊~