ERIC8187730的博客

原创 研究车载毫米波4D雷达系统设计及仿真-双级联方案

双级联方案通过增加射频通道数（6发8收），实现8000个4D点云输出和64个目标实时跟踪，水平角度分辨率达1.5°，俯仰分辨率3°，探测距离可到300米以上。新增俯仰维度探测能力，可解析目标高度轮廓（如天桥、路牌），实现目标分类（机动车、行人、路标等），为自动驾驶决策提供更丰富的环境信息。车载双级联4D毫米波雷达是为车辆实现自动驾驶的核心传感器。车载双级联4D毫米波雷达是为车辆实现自动驾驶的核心传感器。

原创 车载毫米波雷达角度分辨率验证-基于FFT算法 & DBF算法 & DML算法

角度分辨率指的是雷达能够区分在相同距离和速度上、但方位角（水平方向）或俯仰角（垂直方向）不同的两个相邻目标的最小角度间隔。通常用度数（°）表示。数值越小，分辨率越高：例如，角度分辨率为1°的雷达比角度分辨率为5°的雷达能更好地区分靠得很近的目标。衡量标准：当两个目标的角度间隔大于或等于雷达的角度分辨率时，雷达可以将它们识别为两个独立的物体；如果角度间隔小于分辨率，它们会被雷达融合成一个点或一个“块”，无法区分。仿真代码实现%% 雷达参数设置clear;clc;close all;% 基本参数。

原创 车载毫米波4D雷达数据跟踪的核心问题讨论研究

解决“这个点是谁”的问题。核心挑战在于不确定性、密集目标和不对等性。算法从简单的NN到复杂的MHT，各有优劣，需要根据场景和计算资源选择。门控、特征利用、航迹起始终结逻辑是关键细节。解决“这个目标在哪里、要去哪、状态如何”的问题。核心挑战在于噪声、机动性和状态估计。KF及其非线性变种EKF/UKF是主流滤波算法，与不同的数据关联方法结合（如NN/PDA/JPDA/MHT）形成完整的多目标跟踪框架。运动模型选择、噪声自适应、坐标系处理、航迹管理是重要细节。

原创 车载毫米波雷达DDMA-MIMO雷达方案仿真---基于Empty-band算法的发射天线通道解调和相位法速度解模糊方案验证及可行性分析

这一特性对 4D 雷达尤为关键，因为其需要同时处理距离、速度、方位角和仰角四个维度的信息，而 DDMA-MIMO 能通过虚拟孔径合成技术（如 12T16R 配置可生成 192 个虚拟通道），在硬件成本可控的前提下大幅提升点云密度和目标检测精度。通过这种数学建模，雷达系统能够从多个模糊速度解中，自动筛选出与实际信号最匹配的真实速度，实现速度模糊的有效解决。具体而言，DDMA-MIMO 通过在不同发射天线上施加特定的相位偏移，使回波信号在多普勒域形成正交子带，从而在保持高角度分辨率的同时，实现。

原创 车载4D雷达角度误差方差对目标跟踪性能的影响

方位角精度是毫米波雷达目标跟踪的核心指标之一，其误差会通过极坐标到笛卡尔坐标的转换非线性放大，对目标跟踪全流程产生显著影响。以下从目标跟踪、航迹起始和航迹关联三个环节详细分析：点迹聚类误判： 低角度精度会导致同一目标的多次观测在横向分布较广（见图1）。若聚类算法阈值设置不合理，可能将邻近的噪声点或不同目标的点迹合并，生成虚假航迹。示例：两个相邻车道的目标在远距离时，因横向误差重叠，可能被误判为同一航迹。确认逻辑失效： 航迹起始通常需要连续多帧（如3/5逻辑）的稳定关联。若角度误差导致目标位置跳动，可能无

原创 车载毫米波雷达远模和近模实现原理及优缺点

在车载毫米波雷达中，远模（Long-Range Mode）和近模（Short-Range Mode）的实现主要通过以下技术手段完成，涉及波形设计、天线配置和信号处理等方面的调整。：为避免切换时的数据丢失，可采用帧间交织（Interleaved Chirps）或双模式并行（部分天线远模、部分近模）。：例如将多个Tx天线同步发射相同信号（等效为单天线），提高发射功率（如4Tx合并后功率提升6dB）。：通过增加chirp持续时间（T），可提高发射能量，从而提升信噪比（SNR），支持远距离探测。

原创 车载毫米波雷达阵列天线角度分辨率仿真评估

text(mean(phi_deg), -2.8, '-3dB参考线', 'HorizontalAlignment','center');figure('Name','y-z平面阵列三维波束形成', 'Position', [100,100,800,600]);legend('功率谱', '目标方位角','-3dB参考线','Location','southwest');% legend('功率谱', '-1dB', '-3dB', '-5dB', '-10dB');% 目标1: φ=5°, θ=30°。

原创 4D 毫米波雷达识别静止目标原理

但 4D 雷达通过角度分辨率（如 0.5°）可检测到车辆位于水平角 30°、俯仰角 5°，而墙面位于水平角 40°、俯仰角 10°，从而在空间上分离目标与杂波。（速度为 0），其多普勒频移为 0，信号易与固定杂波（如建筑物、植被）混淆，可能被雷达的杂波抑制算法滤除。4D 雷达配备密集的天线阵列（如数十个发射 / 接收通道），通过发射正交波形并接收回波，形成大量独立观测通道。4D 毫米波雷达（通常指具备距离、速度、水平角、俯仰角四维感知能力的雷达）能够有效识别静止目标，其核心原理在于。确认静止目标的存在。

原创 车载 4D 毫米波雷达数据处理链路详解

核心作用环境感知基石：通过多维度数据（距离、速度、角度、高度）构建精确的动态场景模型，为自动驾驶提供决策依据。全天候可靠性：在雨雪、雾霾等恶劣天气下仍能稳定工作，弥补摄像头和激光雷达的不足。成本优势：相比激光雷达，4D 毫米波雷达成本更低，适合大规模量产。技术挑战与优化意义数据复杂性：4D 雷达点云密度高、噪声大，需高效算法提升信噪比。实时性要求：自动驾驶需亚毫秒级延迟，推动硬件加速和算法优化。多传感器融合：与摄像头、激光雷达互补，提升感知鲁棒性。行业影响推动自动驾驶落地。

原创 车载 4D 毫米波雷达数据处理核心问题分析

车载 4D 毫米波雷达的数据处理问题本质上是精度、实时性、鲁棒性、成本算法创新：融合传统信号处理（如 MUSIC、扩展卡尔曼滤波）与机器学习（如神经网络、图模型），利用先验场景知识（地图、动力学模型）提升决策可靠性。硬件升级：推动专用芯片（如高算力雷达 SoC）、集成化天线阵列（如 PCB 平面相控阵）的研发，平衡性能与成本。系统协同：构建多传感器融合的闭环验证体系，通过在线自标定、分布式协同跟踪降低对单一传感器的依赖。工程落地：开发自动化标定与测试工具链，优化量产流程中的误差补偿与一致性控制。

原创 车载步进频4D毫米波雷达信号模型推导及性能估计

原创 车载毫米波 4D 雷达（具备距离、速度、方位角、俯仰角四维测量能力）-数字信号处理&阵列信号处理

车载 4D 雷达通过传统数字信号处理实现距离 - 速度粗分辨，借助现代信号处理提升抗干扰和检测精度，依赖阵列信号处理突破角度测量维度限制，最终实现四维高精度感知。三者的协同设计是平衡性能、成本与实时性的关键，支撑自动驾驶对环境的精准建模与动态目标跟踪。