毫米波雷达信号处理：从原始数据到4D点云生成
毫米波雷达信号处理：从原始数据到4D点云生成
毫米波雷达在自动驾驶、安防监控等领域有着广泛的应用。本文详细介绍了毫米波雷达信号处理中点云生成的基础过程，从雷达原始数据读取开始，逐步讲解了距离FFT、多普勒FFT、方位角和俯仰角处理等关键步骤，并通过具体实例和图表展示了每个处理环节的效果。
1、雷达原始数据读取
一般采用采集板得到毫米波雷达ADC原始数据，我们要从中解析以还原出数据。以TI雷达为例，使用DCA1000采集数据，解析数据要用到我们采集前设置的一啁啾采样点数、一帧啁啾数、收发天线数、采样方式、采集的帧数等。
解析时首先要确定是实采样还是复采样。然后是确认雷达型号，因为不同型号TI雷达原始数据组合有区别。最后如果利用MIMO雷达以得到更多的虚拟天线，则需要按照发射模式（比如TDM-MIMO）再分割接收天线数据以得到对应的虚拟天线数据。下图是解析出来的回波信号时域图。
2、雷达信号处理
一种最基础的毫米波雷达4D点云生成过程，即执行1D FFT+杂波滤除、2D FFT、2D CFAR、方位角和俯仰角处理以得到（x,y,z,v）点云信息。
2.1 距离FFT+静态杂波滤除
由FMCW雷达测距原理可知，在雷达数据立方体的快时间维上做FFT，得到的频率峰值即对应目标距离，如下图所示。可以看到在1~5m之间有一些峰值指示目标，但是静态杂波可能会淹没我们的目标。同时在很靠近雷达的地方也有个小峰值，这是天线耦合的影响。
所以在1D 距离FFT中首先有必要加窗以降低频谱泄露，然后做静态杂波去除以去除静态杂波。这里采用简单的相量均值相消方法即沿慢时间维得到一个平均幅度，然后在快时间维中减去这个均值，这种方法也很有效，如下图所示。
2.2多普勒FFT+2D CFAR
根据雷达测速原理可以知道，可以根据时间上的啁啾间相位差得到速度，通过在快时间维做FFT完成。沿快时间维做FFT得到距离-多普勒图，如下图所示。
要从距离-多普勒图中得到距离和速度信息，可以采用2D CFAR恒虚警检测。CFAR一般利用待测单元的相邻参考单元进行某种估计（比如CA-CFAR求平均或者OS-CFAR排序）来估计待测单元的噪声水平。对距离-多普勒图做2D CFAR，结果如下图所示。
2.3方位角和俯仰角处理
由于先测速得到速度信息，所以可以先进行多普勒相位补偿以补偿因速度产生的多普勒相移，下图显示经过补偿后的角度估计会更准确。
①距离-方位图、多普勒-方位图
从测距测速到测角，在测速后可以得到距离-多普勒图，在测角后如果不使用CFAR可以得到距离-方位图和多普勒-方位图。距离-方位图和多普勒-方位图结果如下图所示。可以看到，雷达在距离分辨率和速度分辨率上还不错，但是角度分辨率相比则差了很多，这是因为这是因为测距测速时可以使用的采样点数和chirp数远大于测方位角时的天线阵元数。
②方位角FFT+俯仰角DBF
TI IWR1843雷达天线在方位角向时有8根均匀天线阵元数据，所以在测方位角时使用FFT方法更快。而在俯仰角向时只有2根天线阵元数据，为了利用测得的方位角信息并充分利用所有阵元数据，所以使用DBF波束形成方法。
下面两张图分别是测方位角和测俯仰角时的角度谱图，可以发现波束形成的后的“波束”越来越宽。在俯仰向上有两根天线阵元数据，虽然可以有测高能力，但是采用DBF的效果较差。对俯仰角分辨率有要求时就有必要采用更好的测角算法了。
下面的图是雷达一帧的点云结果，可以发现点云还是很稀疏的，也有一些噪点。
通过前面的结果可以发现，受限于有限的天线阵元，FFT、DBF测角的角度分辨率较差，所以有必要采用具有更高分辨率的测角方法，比如Capon、MUSIC、OMP、DML等。