毫米波雷达~原理到应用_毫米波雷达行人和汽车检测

毫米波 (mmWave) 是一类使用短波长电磁波的特殊雷达技术。雷达系统发射的电磁波信号被其发射路径上的物体阻挡继而会发生反射。通过捕捉反射的信号，雷达系统可以确定物体的距离、速度和角度。

毫米波雷达可发射波长为毫米量级的信号。在电磁频谱中，这种波长被视为短波长，也是该技术的优势之一。诚然，处理毫米波信号所需的系统组件（如天线）的尺寸确实很小。短波长的另一项优势是高准确度。工作频率为 76–81GHz（对应波长约为 4mm）的毫米波系统将能够检测小至零点几毫米的移动。

完整的毫米波雷达系统包括发送 (TX)和接收 (RX)射频 (RF)组件，以及时钟等模拟组件，还有模数转换器 (ADC)、微控制器 (MCU) 和数字信号处理器 (DSP) 等数字组件。过去，这些系统都是通过分立式组件实现的，这增加了功耗和总体系统成本。其复杂性和高频率要求使得系统设计颇具挑战性。 

德州仪器 (TI) 已经克服了这些挑战，并且设计出了基于互补金属氧化物半导体 (CMOS) 的毫米波雷达器件，该器件集成了时钟等 TX-RF 和 RX-RF 组件，以及ADC、MCU 和硬件加速器等数字组件。TI的毫米波传感器产品组合中的某些系列集成了 DSP，用于提供额外的信号处理功能。

TI 器件可实现一种称为调频连续波(FMCW) 的特殊毫米波技术。顾名思义，FMCW 雷达连续发射调频信号，以测量距离以及角度和速度。这与周期性发射短脉冲的传统脉冲雷达系统不同。

距离测量

在雷达系统中，其基本概念是指电磁信号发射过程中被其发射路径上的物体阻挡进行的反射。FMCW 雷达系统所用信号的频率随时间变化呈线性升高。这种类型的信号也称为线性调频脉冲。图 1 以幅度（振幅）相对时间的函数，显示了线性调频脉冲信号表示。

图 2为同一个线性调频脉冲信号（频率作为时间的函数）。该线性调频脉冲具有起始频率 (fc)、带宽(B)和持续时间 (Tc)。该线性调频脉冲的斜率 (S)捕捉频率的变化率。在例子中图 2 提供的示例中，fc = 77 GHz，B = 4 GHz，Tc = 40 µs，S = 100 MHz/µs.

FMCW 雷达系统发射线性调频脉冲信号，并捕捉其发射路径中的物体反射的信号。图 3 所示为 FMCW 雷达主射频组件的简化框图。该雷达的工作原理如下：

  合成器生成一个线性调频脉冲。

•      该线性调频脉冲由发射天线（TX 天线）发射。

•     物体对该线性调频脉冲的反射生成一个由接收天线（RX天线）捕捉的反射线性调频脉冲。

•     “混频器”将 RX和TX信号合并到一起，生成一个中频 (IF)信号。

混频器是一个电子组件，将两个信号合并到一起生成一个具有新频率的新信号。

对于两个正弦输入 x1 和 x2（方程式1 和 2）

输出 xout 有一个瞬时频率，等于两个输入正弦函数的瞬时频率之差。输出xout 的相位等于两个输入信号的相位之差（方程式 3）

混频器的运行方式还可以以图形方式，通过观察作为时间函数的 TX 和 RX 线性调频脉冲频率表示法来加以理解。

下页图 4  中的上图为针对检测到的单个物体的TX和 RX线性调频脉冲作为时间的函数。请注意，该RX线性调频脉冲是 TX线性调频脉冲的延时版本。

延时(t)可通过数学方法推导出方程式4：

其中 d 是与被检测物体的距离，c 是光速。

要获取混频器输出处作为 IF 信号时间函数的频率表示法，只要去掉图 4上半部分中显示的两条线即可。这两条线之间的距离是固定的，这表示IF信号包含一个频率恒定的单音信号。图 4显示该频率为St。IF 信号仅在 TX 线性调频脉冲和 RX 线性调频脉冲重叠的时段（即图 4 中垂直虚线之间的时段） 有效。

混频器输出信号作为时间的幅度函数是一个正弦波，因为它有恒定频率。

IF 信号的初始相位 (F0) 是 IF 信号起点对应的时间点（即图 4 中左侧垂直虚线表示的时间点）的 TX线性调频脉冲相位与 RX  线性调频脉冲相位之差。

（方程式 5）：

在本介绍中，我们忽略 IF  信号的频率与物体速度的依赖关系。在快速FMCW雷达中，其影响通常非常小，且在处理完成多普勒 FFT后，即可轻松对其进行进一步校正。上述分析均假设雷达仅检测到一个物体。让我们来分析一个检测到若干物体的情形。图 5显示了接收自不同物体的三个不同的 RX  线性调频脉冲。每个线性调频脉冲的延时都不一样，延时和与该物体的距离成正比。不同的

RX 线性调频脉冲转化为多个 IF 单音信号，每个信号频率恒定。

该方程式是一个近似等式，仅在斜率和距离足够小时才有效。不过，IF 信号的相位与很小的距离变化呈线性关系（即Δf=4πΔd/l）仍然是正确的。

** 在本介绍中，我们忽略 IF 信号的频率与物体速度的依赖关系。在快速 FMCW 雷达中，其影响通常非常小，且在处理完成多普勒 FFT 后，即可轻松对其进行进一步校正。

这个包含多个单音信号的 IF 信号必须使用傅里叶变换加以处理，以便分离不同的-单音。傅里叶变换处理将会产生一个具有不同的分离峰值的频谱，每个峰值表示在特定距离处存在物体。

距离分辨率

距离分辨率是辨别两个或更多物体的能力。当两个物体靠近到某个位置时，雷达系统将不再能够将二者区分开物体。傅里叶变换理论指出，通过延长 IF 信号，可以提高分辨率。

要延长 IF 信号，还必须按比例增加带宽。延长的IF 信号会产生一个有两个分离峰值的 IF 谱。

傅里叶变换理论还指出，观测窗口 (T) 可以分辨间隔超过 1/THz的频率分量。这意味着只要频率差满足方程式 8 中给出的关系，就可以分辨两个 IF 单音信号的

因此，线性调频脉冲带宽为数 GHz 的 FMCW 雷达将有约为数厘米的距离分辨率（例如，4GHz 的线性调频脉冲带宽可转化为 3.75cm的距离分辨率）。关于速度和角度的介绍，后续将继续更新，欢迎关注，收藏与转发。

毫米波雷达基础知识

毫米波雷达（mmWave Rader）采用毫米波作为电磁波发送信号，捕捉并处理电磁波经过路径障碍物的反射信号后可获取目标物体的 速度、距离、方位角和高度 等信息。

毫米波的波长范围为0-10mm，在电磁频谱中这种波长被视为短波长。采用毫米波作为电磁波信号能够获取高精度的测距信息，同时天线也可以做的更小和紧凑减小设备体积。工作频率为 76–81GHz（对应波长约为 4mm）的毫米波系统将能够检测小至 零点几毫米 的移动。

距离测量主要工作流程为：

①通过合成器生成线性调频脉冲；

②将线性调频脉冲通过发射天线发射出去；

③通过接收天线接收反射的电磁波；

图1  FMCW雷达框图[1]

混频器是一个电子组件能够将两个信号合并在一起并生成新的频率的信号，生成的新频率等于两个输入正弦信号频率差，相位差等于两个输入信号的相位差。图2所示为毫米波雷达经过以上流程后检测单个物体获取的IF信号。当电磁波经过路径有多个障碍物时，接收天线会接收到多个反射信号，生成多个信号频率固定的IF单音信号，通过傅里叶变换即可分离IF信号中不同单音，因此毫米波雷达能够同时检测多个目标物体的距离。 图2 毫米波雷达检测单个物体[1]

速度测量

 图3 双线性调频脉冲速度测量[1]

角度检测图4 FMCW毫米波雷达角度估算[2]图5 角度准确度估计[2]

毫米波雷达机器人领域应用场景

毫米波雷达目前常应用于汽车、消费、工业以及医疗等领域。汽车是其最早的商用场景，同时也是其目前最大的应用市场。随着近些年人工智能与机器人技术的发展，毫米波雷达应用于机器人场景的也越来越多， 本文主要介绍毫米波雷达在机器人领域的应用场景。

导航与障碍物规避

采用毫米波雷达作为机器人感知传感器，可实现机器人的导航与障碍物规避，与IMU、里程计、摄像头等传感器融合后可以实现对环境的建图等功能。如下视频1为TI公司工程师在ROS中使用毫米波雷达实现机器人的障碍物避障与导航效果，视频中机器人能够快速的避开障碍物并能够检测到路径中的玻璃挡板。毫米波雷达作为感知模块相较于摄像头和激光雷达等传感器，能够 识别玻璃 并能 穿透浓雾 ，因此在机器人导航与避障时增加毫米波雷达能够增加整个系统的鲁棒性。

===视频发不了

视频1 TI公司工程师在ROS中使用毫米波雷达实现机器人的障碍物避障与导航效果[3]

移动平台下的多目标跟踪

多目标跟踪算法能够根据传感器的数据对多个目标进行跟踪和识别，这类传感器可以是摄像头、激光雷达和毫米波雷达等，也可以是几种传感器的组合。毫米波雷达在多目标跟踪算法中可以通过计算到目标的速度、方向和距离等参数，对目标进行分组和检测，并跟踪目标物体的运动。
如下视频2所展示的为TI实验室采用毫米波雷达在移动机器人上进行障碍物跟踪与识别的效果，算法将毫米波雷达获取到的数据处理后输出点云信息和障碍物的位置信息，视频中可以看到毫米波雷达可以很轻松地在 静止 或 移动 的情况下识别并跟踪目标障碍物。

视频2 TI实验室采用毫米波雷达在移动机器人上进行障碍物跟踪与识别的效果[3]

在多目标跟踪算法中毫米波雷达相比摄像头优势在于能够直接获取到检测目标的速度，并能在黑夜和大雾环境下实现检测目标物体的检测与跟踪。下图6所示为毫米波雷达在黑夜环境下对微小无人机的识别效果，红框中的为摄像头检测到的无人机，黄框中为毫米波雷达检测到的无人机点云数据。图6  毫米波雷达黑夜环境下的无人机检测

3D感知与建图

毫米波雷达可以发射毫米波信号，并通过测量信号的反射时间和强度来获取目标物体的位置、速度和角度等信息。这使得毫米波雷达能够实现对周围环境的精确三维感知。通过对多个角度和方向的扫描，毫米波雷达可以生成一个准确的三维点云，其中包含了物体的位置、形状以及相对速度等信息。利用毫米波雷达的感知数据，可以创建环境地图，这些地图通常被称为 环境建图 或 感知地图 。这些地图可以显示道路、建筑物、障碍物等环境特征，有助于自动驾驶系统做出决策和规划路径。毫米波雷达的高分辨率使其能够检测到较小的物体，如行人和自行车，从而提供更详细和准确的地图数据。

下图7为四个毫米波雷达分别朝四个方向安装在TurtleBot上，实现机器人3D感知与建图的效果图，3D建图能够提供小于1°的角度分辨率，在建图的同时能够获取到机器人室内实时的定位数据，建图效果如下视频3所示。 whaosoft aiot http://143ai.com  

图7 turtleBot毫米波雷达安装[3]

视频3 毫米波雷达3D感知与建图效果视频[4]

毫米波雷达未来发展

毫米波雷达具备在机器人、自动驾驶等技术领域引发重大变革的潜力，然而尚未达到成熟阶段。毫米波雷达的未来发展趋势可能主要受以下几个因素影响：

1）点云质量的提升：  毫米波雷达点云在数据格式中最为常见，但其质量相较于其他传感器较低，下图8展示了毫米波雷达与当前常用感知传感器性能的对比。雷达的多径效应等特性严重影响点云数据质量。急需改善信号处理流程中的信息损失，特别是通过采用精心设计的基于学习的方法替代恒虚警率自适应检测（CFAR）。基于学习的方向估计（DOA）方法，而非波束赋形（DBF）方法，也可用于超分辨率角度估计。图8 常用感知传感器性能对比[5]

2）应用算法重新设计：  除了改进毫米波雷达点云，信号处理后的应用算法也至关重要。目前，许多毫米波雷达的应用算法是在相应激光雷达算法的基础上修改而来。毫米波雷达的特殊性，如速度测量能力和在极端环境下的自适应能力，需要未来进一步研究。在感知任务方面，多模态融合无疑是未来的发展方向。然而，在极端天气条件下，雷达与其他传感器的集成是否会降低其稳健性，仍需深入探讨。对于毫米波雷达的定位和地图绘制，与激光雷达和相机的融合仍有巨大的创新空间。

3）充分利用前端数据：  针对毫米波雷达信号处理中的独特数据格式，如原始ADC数据、RD图和4D张量，利用这些数据进行感知、定位和映射是一个有趣且尚未被充分探索的领域。基于学习的模型有望从这些数据中获取丰富信息，同时保持良好的实时性能，这可能会成为未来研究的一个重要方向。

4）扩充数据集：  与其他基于数据驱动的研究领域一样，数据集在毫米波雷达的相关研究中扮演着关键角色。然而，目前可用的毫米波雷达数据集还相对有限，数据格式和场景丰富性有待进一步扩展。为此，我们需要在数据集方面投入更多的努力，以支持毫米波雷达研究的深入发展。