毫米波雷达原理介绍

简介: 毫米波雷达原理介绍

毫米波雷达是指工作在波长为1-10mm的毫米波段,频率为30~300GHz。

基于其工作模式可以分为 “脉冲” 和 “连续波” 两种。其中,脉冲类型的毫米波雷达的原理与激光雷达相似都是采用TOF的方法。而连续波类型可以分为:CW恒频连续波,用于测速; FSK频移键控连续波,可探测单个目标的距离和速度,以及目前所采用的:FMCW调频连续波,探测多个目标的距离和速度。

本文后续则对FMCW调频连续波的测距、测速、测角原理进行详细叙述。

Chirp信号:线性调频脉冲

Chirp信号:是一个频率随着时间线性增加的正弦波,其在振幅时间表示中,如下所示。

我们把它换到频率时间图中,可以看到是一个 斜率S的直线。起始时刻fc=77GHz,在Tc 40微妙的时间中跨越4GHz的带宽,B与S是定义系统性能的重要参数。

我们来简单看一下调频连续波毫米波雷达的工作过程:首先是合成器生成一个Chirp信号,然后通过TX天线发射,同时发送一份数据给混频器,遇到物体反射之后通过RX天线接收回波信号在混频器中生成一个中频信号。

混频器的工作原理如下:

① 合成器生成一个Chirp信号

② TX天线发射

③ RX天线接收反射回来的线性调频脉冲

④ 混频器将TX与RX的信号进行混合,生成中频IF(intermediate frequency)信号

对于输入的两个正弦波,输出的正弦波角速度也就是频率是两个输入信号的差值,相位也是两个输入信号的差值。

IF中频信号及单个目标测距计算

上方图中TX为发射信号,RX为接收信号。两者之间有一个时间延迟τ。


前面介绍混频器的作用时已经说过:混频器生成的IF信号在频率和相位两个方面都是两个输入信号直接相减,所以可以通过下方的f-t图进行表示,即一条频率恒定的直线


时延τ为物体到雷达到物体所花费的往返时间,可以通过下述表示:

所以雷达前方的单个物体所生成的恒定频率的IF信号可以通过下述进行表示:

对此式稍微进行一些变换,得到物体到雷达的距离为:

距离分辨率

由雷达前方为一个物体推广到前方有多个物体。如右侧上方射频信号的 f-t 图像中所示,雷达发生一个Chrip信号,接收多个从不同物体反射的线性调频脉冲。则右侧下方的IF信号 f-t 图像中也与其对应。

我们前述已经了解到, IF信号的频率与物体到雷达的距离成正比,所以最下方代表物体距离最近,最上方代表物体距离最远。

在理想状态下,经过傅里叶变换,对应到频域中也会出现三个峰值。

但是,在实际情况下,这并不一定成立。

针对两个物体:

已知:

IF信号的频率:

一个观测窗口 T 能够区分频率差异大于 1/T Hz的成分。

即:

最后,我们得到结论:距离分辨率取决于毫米波雷达Chirp信号的带宽。

举个例子,在4GHz带宽情况下,可以实现4 cm的距离分辨率。

最远观测距离

如上图所示,毫米波雷达在工作过程中会先对IF信号进行一个低通滤波,然后由ADC(analog to digital converter,模拟信号转换成数字信号)进行数字化,接着被发送到DSP(digital signal processing,数字信号处理器)中进行傅里叶变换估算物体的距离,以及进行后续其他估算物体速度、到达角等信息。

假设,想要观测的最远距离为:dmax

由前述可知,最大观测距离对应IF信号的最大频率:

fIF_max的值不能超过低通滤波器的阈值,即不能高于ADC的最大采样率 FsfIF_max

所以,ADC的采样率Fs和斜率S限制了毫米波雷达的最远观测距离。

通常来说,雷达倾向于针对较大的dmax使用较小的斜率S。

存在问题

对于下图中的两个物体A、B到雷达具有相同的距离d,那么怎么区分二者呢?在range-FFT图像中能否出现两个独立的波峰?

这样的话,我们如何区分两个物体呢?

如果物体A和物体B相对于毫米波雷达具有不同的速度,则可以通过进一步的信号处理进行分离,这需要IF信号的相位。

相位测量速度

IF信号:image.png

其中,频率image.png,φ0为TX chirp信号中A点的相位与RX chirp信号B点的相位之差。

假设物体移动了一小段距离,从而使得时间延迟变化为image.png

代入:image.png

所以新的IF信号可以写为: 𝐴 𝑠 𝑖 𝑛 ( 2 π 𝑓 𝑡 + φ 0 + ▽ φ )

其中,▽φ为物体微小移动引起的相位差image.png

如上方f-t图中所示,假设间隔时间 𝑇 𝑐 发射两个相邻的TX chirp信号。其返回的IF信号在range FFT图像中波峰具有相同的位置,但相位不同,如下方range FFT图中所示。

两者之间的相位差对应了物体在 𝑇 𝑐 时间间隔中的位移 v 𝑇 𝑐

已知:

                             image.png

代入: image.png ,得:

                            image.png

变换得:

                              image.png

由上述可得:通过两个连续chirp信号之间测量相位差,可以用于估算物体的速度。

最大可量测速度

观察上图,当相位差 |𝜔| 小于 π 时,才能够避免相互混淆的情况。即:

                                                      image.png

所以,针对一个毫米波雷达设备,其最大可量测速度为:image.png

式中, λ为波长, 𝑇 𝑐为相邻两个chirp信号脉冲之间的时间间隔,这表明如果我们想要测量更大的速度 v m a x,则需要使用更密集的chirp信号。

速度分辨率

前述中我们推导出:单个物体的速度可以由通过两个连续chirp信号之间测量相位差进行计算,计算方式为:

                                   image.png

对于多个距离不同的物体,这种方法仍然适用,但是,针对我们所提出的问题“两个物体A、B到雷达具有相同的距离d,怎么计算二者的速度 𝑣 1和 𝑣 2?”

解决方案:发射一系列等间隔的chirp信号(如下图中发射N个)

存在问题

测量角度

最大量测角度

角度分辨率

总结

目录
相关文章
|
5G 网络性能优化 调度
NR 整体架构 | 带你读《5G 空口设计与实践进阶 》之八
每一代移动通信系统,其标志性的技术特征主要在于全新的空口技术。在深入讨论 NR 空中接口的底层设计前,有必要先认识和掌握 NR 无线接口架构。这节主要介绍 NR 的整体架构。
NR 整体架构 | 带你读《5G 空口设计与实践进阶 》之八
|
存储 缓存 编解码
【FFmpeg 视频播放】深入理解多媒体播放:同步策略、缓冲技术与性能优化(一)
【FFmpeg 视频播放】深入理解多媒体播放:同步策略、缓冲技术与性能优化
920 0
|
存储 搜索推荐 人机交互
Qt鼠标事件全面解析:从基础到实战
Qt鼠标事件全面解析:从基础到实战
3032 0
|
7月前
|
传感器 自动驾驶 机器人
【目标融合】基于卡尔曼滤波实现gps、里程计和电子罗盘目标融合,输出目标的滤波位置附matlab代码
✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 🍎 往期回顾关注个人主页:Matlab科研工作室 👇 关注我领取海量matlab电子书和数学建模资料 🍊个人信条:格物致知,完整Matlab代码获取及仿真咨询内容私信。 🔥 内容介绍 在自动驾驶、机器人导航、无人机追踪等场景中,精准的目标位置输出是核心需求。单一传感器定位存在明显局限:GPS 易受遮挡干扰导致定位跳变,里程计存在累积误差,电子罗盘易受电磁干扰影响航向精度。基于卡尔曼滤波的多源传感器目标融合方案,通过融合 GPS、里程计与电子罗盘数据,有效互补各
309 2
|
11月前
|
移动开发 小程序 前端开发
小程序快速开发平台有哪些?
小程序开发并非“一刀切”,需结合技术储备、资金预算、时间规划及功能需求等多维度因素综合考量。以下为您详细拆解五种主流开发方案及其适用场景,助您精准匹配开发路径。
630 3
|
机器学习/深度学习 算法 计算机视觉
边缘检测评估方法:FOM、RMSE、PSNR和SSIM对比实验和理论研究
本文探讨了图像分割与边缘检测之间的关系,并通过实验评估了多种边缘检测指标的有效性。研究发现,常用的RMSE、PSNR和SSIM指标在海岸线检测任务中可能高估性能,而FOM(优点图)指标则能更准确地选择最佳边缘检测参数。实验结果表明,FOM在92.6%的情况下选择了更好的阈值,在66.3%的情况下选择了最佳阈值。此外,FOM通过考虑预测边缘与真实边缘之间的距离,提供了更合理的评估标准。本文不仅对海岸线检测有重要意义,还对医学图像分析、计算机视觉和遥感等多个领域具有广泛的应用价值。作者通过理论分析和实证研究,证明了FOM在边缘检测评估中的优越性。
1187 3
边缘检测评估方法:FOM、RMSE、PSNR和SSIM对比实验和理论研究
|
机器学习/深度学习 搜索推荐 算法
“会员营销API:自动化积分与优惠券,增强用户粘性”
会员营销API集积分管理、优惠券发放、用户行为追踪等功能于一体,助力企业自动化运营,降低成本并提升体验。其核心功能涵盖自动化积分系统、优惠券策略优化、数据整合与用户画像分析、跨平台体验管理,以及安全风控机制。通过实时同步积分、动态调整优惠力度和多终端数据整合,增强用户参与感与忠诚度。同时,提供效果评估工具和A/B测试接口,结合机器学习算法优化营销策略,实现精准化、高效化的会员管理与留存提升。
|
数据采集 算法
matlab实现合成孔径成像的三种算法
matlab实现合成孔径成像的三种算法
|
Android开发 C++ 开发者
Android经典实战之跨平台开发方案:Kotlin Multiplatform vs Flutter
本文对比了Kotlin Multiplatform与Flutter两大跨平台开发框架,从技术特性、性能、开发效率、UI体验、可扩展性及适用场景等维度进行了详尽分析,帮助开发者根据项目需求和技术背景选择最优方案。
1974 2
|
测试技术 程序员
W模型和瀑布模型与“V”模式开发模型有何异同?
W模型和瀑布模型与“V”模式开发模型有何异同?
1767 1