奔袭的算法工程师

利用神经网络外推天线阵列响应，扩大天线孔径，分为设计阶段和操作阶段。

总结提出的汽车MIMO雷达4D高分辨率点云图像生成算法，包括TDM - DDM - MIMO框架、速度模糊分辨率算法、CV - DCN超分辨率DOA估计算法及实验验证情况，提出未来需提高算法在实际应用中的泛化能力。：提出汽车4D雷达高分辨率点云图像生成新算法，包括设计TDM - DDM - MIMO框架、基于双PRF波形设计的速度模糊分辨率算法、基于单帧数据的CV - DCN超分辨率DOA估计算法，并通过实验验证算法有效性。：介绍TDM - MIMO方案原理、相位调制矩阵表示，分析其优缺点。

此外， 在RMDFT的距离-多普勒谱中峰值中心位于正确目标距离 和多普勒频率（白色十字）处，而传统拉伸处理的主瓣峰 值在距离和多普勒频率上相对于正确目标存在偏移。在每次实验中，估计的距离为距离-多普勒谱峰值对应的距离。：给出仿真使用的雷达参数和场景，通过多图对比传统2D FFT拉伸处理、RMDFT和RFT的结果，包括距离FFT输出、距离 - 多普勒频谱、距离切片等，还给出距离估计均方误差（MSE）、多普勒MSE与SNR关系及接收者操作特征（ROC）曲线，表明RMDFT性能接近RFT且优于传统2D FFT。

TI在AWR2944平台上推出新的算法架构，原先的处理方式是做完二维FFT后在RD图上做CFAR检测，然后提取各个通道数据做测角。Doppler-Azimuth架构则是做完二维FFT后，再做角度维FFT，生成Doppler-Azimuth频谱图，然后在该频谱图上做目标检测。这种处理方式的信号链如下图所示，整个处理链路由DSP、ARM和HWA协作完成。另外需要注意的是，由于TDM模式下测角需要先做速度补偿，因此这种架构只支持DDM模式。

成像雷达是汽车和工业应用的关键感知技术。在高通道数系统方面已经取得了很大进展，例如，部署了12个发射通道和16个接收通道，采用级联单片微波集成电路解决方案。然而，在密集的城市驾驶场景中，完全自动驾驶需要更高的角分辨率来做出驾驶不足/行驶过度的决策，并精确预测物体的轨迹。这两个问题都可以通过增加天线尺寸和构建更大的雷达来解决。然而，可以放置在汽车前部的东西是有物理限制的，制造非常大的阵列是相当困难的。因此，相干汽车雷达网络是一种实现高空间分辨率并从单次测量中获得物体完整速度矢量的方法。

综合来看，毫米波雷达使用阵列天线的目标是获得增益高、波束窄、旁瓣低的空间方向图，比较理想的天线辐射方向图如下图1-1所示，而图1-2所示的方向图则比较一般，因为出现较高的旁瓣和栅瓣。图2-1和2-2是32阵元等间距排布，但激励幅度（馈电）分布不同的仿真结果，可以看到，相比馈电均匀分布的情况，图2-1中的四种馈电分布形成的波束旁瓣均有明显的降低。因此，阵列天线设计的目标是通过空间布局、激励幅度、激励相位的优化设计，获得理想的辐射特性，包括阵列天线方向图、半功率波束宽度、增益和效率、旁瓣电平等。

多普勒分多址(DDMA)是一种慢时相位编码技术，可以使用传统相控阵硬件实现多输入多输出(MIMO)雷达。然而，众所周知，DDMA会在接收到的多普勒频谱中引起模糊。虽然非对称DDMA已经被提出来缓解目标模糊问题，但它可能导致不同发射天线关联的不同目标反射之间的碰撞。本文介绍了一种基于DDMA的汽车MIMO雷达中目标模糊度的解决方法。除一个发射天线外，推荐的方法中所有天线均采用传统的DDMA。同时，使用独立于DDMA编码的单一慢时信道来解决目标模糊。

本文在前期TDM和BPM体制的基础上，仿真DDM体制下的调制解调和信号处理测距、测速、测角流程。TDM和BPM相关可以看这两篇博文。DDM体制下所有发射天线同时发射，但是每个发射天线的信号都偏移一个特定的频率，通过这个人为偏移的频率使不同发射天线的信号在 Doppler 域上能分离开来。使用DDM 波形，一个目标在不同发射天线的信号辐射下所形成的回波中检测到的速度值是不同的，利用这种速度的不同，对一个目标我们可以把不同发射天线的信号在接收端分离出来。

本文通过对车载毫米波雷达信号流程和链路的仿真，建立基本的算法框架，可用于算法性能的验证。车载毫米波雷达广泛使用线性调频连续波雷达，也即发射信号频率随时间线性变化(1)其中，fc为载波频率，k是调频斜率。发射信号可以表示为(2)其中，A为信号幅度。接收信号经过延迟后得到(3)其中，α为信号衰减系数，τ为信号延迟。将(3)式展开，可得(4)再和发射机本振进行混频滤波后得到拍频信号（5）这里，Ar为混频滤波后的信号幅度，最后得到的拍频信号进行后续的处理，（5）中的t即为快时间维度。

由一系列chirp组成的扩展码(例如，+1，+1，-1，+1，-1，…受影响的DCM雷达将接收到的信号以恒定的本地振荡器频率在公共载波频率(𝑓1=𝑓c)下转换，并使用DCM双相码的延迟副本解调接收到的信号(芯片速率Δ𝑓i =1⁄𝑇c，带宽Δ𝑓v =1⁄𝑇c，假设与所示示例中的DCM干扰雷达的相应参数相同)。然而，在FMCW/FCM到FMCW/FCM干扰的情况下，干扰下变频到基带后在受害雷达中的频率扩展，以及基带的功率谱密度，取决于受害雷达和干扰雷达的相对调频扫描速率(调频斜率)(反映在参数𝐾中)。

对先进驾驶辅助系统(ADAS)的需求日益增长，导致配备在同一频段工作的毫米波雷达系统的车辆激增，导致相互干扰，可能会降低雷达性能，从而产生安全隐患。虽然研究已经解决了FMCW和PMCW雷达之间的相互干扰问题(参见[12]-[15]以及其中的参考文献)，但在PMCW系统的波形设计方面存在研究空白，特别是当雷达系统具有相似的物理参数时。如图1所示，在ADC中，时间分为快时间t′和慢时间索引n，时间间隔t为t = t′+ nT, t′∈[0,t]，在快时间中，信号可以间隔Tc采样，即在t′= mTc处，得到。

阵面左下角天线位于坐标原点，将坐标原点阵元设为参考阵元，计算每个阵元相对于该参考阵元的入射波程差，从而来计算每个阵元接收的回波信号。实现波束赋形的最基本的方法是对各个天线阵元的信号进行适当延迟后相加，使目标方向的信号同相叠加得到增强，而其他方向均有不同程度的削弱，该方法通常用于模拟信号.根据上述理论推导可以仿真任意平面阵列的方向图，这里对两种典型的阵列（矩形平面阵列和圆形阵列）进行Matlab仿真，其余类型的阵列在此基础上修改即可。根据上述圆形阵列公式做仿真，得到下述的三维空间方向图。

麦克风阵列： 麦克风阵列是由一定数目的声学传感器（麦克风）按照一定规则排列的多麦克风系统，而基于麦克风阵列的声源定位是指用麦克风拾取声音信号，通过对麦克风阵列的各路输出信号进行分析和处理，得到一个或者多个声源的位置信息。 麦克风阵列系统的声源定位技术研究意义在于： 输入的信息只有两个方向难以确定声源的位置，人类的听觉系统主要取决于头和外耳气压差声波实现声源定位。假使没有这个压力差，只能定位在平面上声源的位置，但就无法知道声音是从前面，或从后面传来的。因此，由人的听觉系统，科技研发人员得到了灵感

本发明通过对毫米波雷达的各通道时域回波信号的FFT的幅度变化特征进行统计分析，以对毫米波雷达的遮挡情况进行判断，从而有效地实现了车载毫米波雷达的遮挡状况检测，同时，该方法对算力要求较低，在保证了车载毫米波雷达系统对环境的实时感知的同时，也满足车载毫米波雷达自诊断功能的实时性。本发明的雷达视野受限场景识别方法适宜应用于装载在可移动设备上的雷达，充分考虑了全视野受限场景可能存储的情况，有效地实现了雷达对自身视野受限场景情况进行自检测，改善了雷达系统自诊断功能的准确性，且满足雷达诊断应用的实时性。

我们通过增加一个离散的多普勒分量(步长Δf和相应的Nf多普勒值)来扩展离散的距离-方位网格，得到一个均匀的距离-方位-多普勒网格{(θi, rj, fk)}。选择dR =1/2, dT = 1/2NR或dR =1/2NT, dT =1/2，令−π/4≤θ≤π/4，设Δτ = c/2B(其中c为光速，B为信号带宽)，Δθ = 2/NRNT。现在我们知道，在矩阵A和x的稀疏性的一定条件下，(1)和(2)具有相同的唯一解[2,3,5,6]。第i个发射天线发射si(t)，其中t = 1，···，Ns。

在多输入多输出(MIMO)雷达中，独立的波形从不同的位置发射，产生的反射经过处理形成一个比雷达物理孔径更大的“虚拟天线阵列”。本文研究了用于自适应MIMO GMTI雷达系统的多普勒偏置波形的设计。这种波形提供了良好的自适应对消性能，但也受到较强的距离和多普勒模糊。我们分析了这些模糊，并展示了它们与阵列拓扑和波形设计的关系。然后，我们描述了一种新的波形方法，称为“抖动DDMA”，它可以在大范围多普勒区域实现高性能杂波消除，而不会引入模糊的距离或盲速，并且不会增加MIMO处理器的计算负荷。

为了实现高分辨率的到达方向估计，需要大孔径。这可以通过提供宽虚拟孔径的多输入多输出雷达来实现。但是，它们的工作必须满足正交发射信号的要求。虽然发射单元的时分复用是一种低硬件成本的正交实现，但在非平稳情况下会出现相位误差。这篇文章简要地讨论了运动引起的相位误差的问题，并描述了处理步骤，没有额外操作就可以减少(误差)。仿真和实测数据验证了该方法的有效性。

和常用的加速度传感器，摄像头相比，基于毫米波雷达的跌倒检测系统具有非接触式，全天候工作和隐私友好等优点。本文基于TI 的IWR6843 这一业内第一款RF-CMOS 工艺的单芯片60GHz 毫米波雷达SoC，设计了一个室内人员的跌倒检测系统。得益于IWR6843 的多通道和强大的数字信号处理能力，本系统可以准确地测量出室内人员的高度变化，并快速地检测出跌倒的发生。本文详细介绍了这一系统的设计原理和实现方式，并给出了实验室的测试结果。

首先，生成16个虚拟接收通道的信号，由于目标位置相同，收到的信号除了相位，幅度和频率都一样，这样画图时就会混叠在一起，不方便观察，因此这里给每个信号添加一个直流偏置，使得每个通道的信号能从幅度上区分。最后以第1各通道为基准，计算与所有通道的相关函数，通过给定不同时延（与相位线性变化），得到相关曲线。增加直流分量的各通道信号如下，每个通道的余弦信号非常直观，可以看到每个信号的幅值、频率基本一样，但相位略有区别。当相位相等时，相关曲线的幅值最大，可以利用这一特性来估算天线不同通道之间的相位差，然后做相位校准。

以MIMO模式收集的原始信号按照图16所示的流程进行处理。图16 MIMO信号处理链每次数据采集后，将保存4个级联设备对应的二进制数据文件和相应的chirp配置文件。这两个文件是ADC数据读取和校准模块的输入。二进制数据文件是根据基于数据格式的chirp参数，每个chirp采样，每帧chirp，TX/RX通道的数量来读取/解析的。然后将数据重新格式化为4D矩阵，其中包含每个chirp的采样维数，每帧chirp数，RX通道数和TX通道数。

校准矩阵的生成遵循图13所示的顺序。雷达相对于照相机和基于光探测和测距(LIDAR)的系统的一个重要优势是，雷达相对不受环境条件(如雨、灰尘和烟雾的影响)的影响。在用于TX波束形成的子帧中，该子帧中使用的chirp数量等于不同期望的转向角度的数量。跨多个级联AWR2243器件的波束形成天线为传感器设计人员提供了更高的输出功率，从而降低了可检测的目标RCS，或者增加了距离检测，或者两者兼而有之。在用于TX波束形成的子帧中，该子帧内的触发数等于不同期望角度的数量(与chirp配置的数量相同)。

由于FMCW雷达传输特定的信号(称为chirp)并处理反射，因此它们可以在完全黑暗和明亮的日光下工作(雷达不受眩光的影响)。信噪比的增加导致更大的检测范围。在这个参考设计中，我们使用一种称为随机采样一致性 (Random sampling and Consensus)的统计算法将检测点的速度剖面(径向速度作为方位角的函数)拟合到运动模型中，以区分自车环境中运动和静止目标的反射。在可用的32KB L1P RAM和L1D RAM中，L1P RAM的一半(16KB)和L1D RAM的一半(16KB)用作缓存。

选择合适的波形是实现多输入多输出(MIMO)雷达的关键任务。MIMO雷达波形除了具有分辨率好、副瓣低等一般要求外，还应具有良好的正交性。在本文中，我们简要概述了MIMO雷达波形，它们分为四类:(1)时分多址(TDMA)，(2)频分多址(FDMA)，(3)多普勒多址(DDMA)和(4)码分多址(CDMA)。讨论了一种特殊的循环MIMO波形，分析比较了不同波形的特性和应用局限性。仿真结果说明了不同波形的各自性能。

这篇文章将介绍如何使用python来实现FMCW工作原理的仿真，第1章内容将介绍距离检测原理，第2章内容会介绍速度检测原理。

在实际应用中，由于LNA后将接收信号分成I路和Q路所带来的信号功率损失，以及由此产生的中频噪声对总体噪声系数的更高贡献，因此噪声系数的改善在具体实现中将会更小。(a) 本振 (TX)信号频率上升的瞬时频谱，(b)经过各种物体反射后的RX信号，(c)正交本振信号，(d)正交混频器后的中频信号。例如，您可以轻松地识别虚部带中存在的音调或能量尖峰，因为它来自干扰雷达设备，而不会对它是否可能是真正感兴趣的对象产生任何模糊——换句话说，检测和减轻干扰雷达的干扰，而不会对真正的对象产生任何模糊。

这种高度集成的解决方案降低了成本和外形因素，也使其高效地实施先进技术，以提高系统性能，并使用基于芯片的、基于处理器的、内置的自测能力，实现更好的功能安全性(ISO26262 ASIL标准)。我们可以观察到，当距离为85 cm(图2)或50 cm(图3)时，对于所有四种带宽情况，都显示出两个清晰的峰值，对应于两个角反射器的范围。然而，在实际场景中，其他物体可能在感兴趣的目标的近距离内，在这种情况下，距离分辨率很重要。在本实验中，通过改变两个角反射器的横向距离，将其放置在不同的分离角度，如图8所示。

最常见的FMCW雷达到FMCW雷达的干扰发生在来自雷达(称为干扰源)的发射chirp穿过另一个雷达接收器(称为受害者)的chirp时。干扰水平将取决于雷达之间的距离(R)，连接干扰源Tx和受害者Rx的线路中的天线增益(AggtxAntGaindB + VicrxAntGaindB)，chirp“交叉”的持续时间和干扰源发射功率(PAggtx)。当干扰源的chirp穿过受害者的传输chirp(最上面的图)时，干扰源chirp的能量被观察为快速移动通过中频带宽的chirp(第二图)。

由于TX1和TX2的传输，将4个RX天线处的相序列串联起来，得到序列[0 ω 2ω 3ω 4ω 5ω 6ω 7ω]，与图4中1个TX和8个RX天线的序列相同。然而，与TDM-MIMO(每个时隙只有一个TX天线是活动的)不同，所有NTX个天线在每个块的每个NTX时隙中都是活动的。在特定的接收RX天线上使用相应的接收信号(Sa和Sb)，可以使用S1 = (Sa+ Sb) / 2和S2 = (Sa - Sb) / 2将各个发射机的组件分离出来。信号在每个后面的天线都有一个额外的相移ω，相对于前面的天线。

雷达探测存在速度模糊，最大不模糊速度和单波形的时宽有关，假设为Vunamg，目标速度为Vr ± Vunamg的速度在检测的图谱上是重叠的。为了解速度模糊，可设计参差的双波形A和B，两个波形的最大不模糊速度不同，且互质，则同一目标速度在A波和B波上的模糊速度是不尽相同的，而相同的即是真实的目标速度，一般用剩余定理求解。另一种是在检测的时候不做速度解模糊，而是放到目标跟踪中来做。根据目标多帧相关，确定目标的实际位移，和多种模糊速度下的位移进行匹配，匹配度最高的即是真实目标速度。从算法设计角度而言