💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文内容如下：🎁🎁🎁
⛳️赠与读者
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
💥1 概述
线性调频延迟-多普勒域调制：面向自动驾驶汽车的通感一体化新范式研究
摘要——自动驾驶正在重塑人类的出行方式，其中毫米波（mmWave）雷达在推动车联网（Vehicle-to-Everything，V2X）变革的过程中发挥着关键作用。尽管线性调频信号（chirp）因其强大的感知能力而被广泛应用于毫米波雷达系统中，但现有系统缺乏集成通信功能，这可能会限制自动驾驶技术的进一步发展。有鉴于此，我们首先设计了针对环境中感知线性调频信号而定制的“专用线性调频信号”，以便识别空闲的时频资源。基于这些专用线性调频信号，我们提出了一种线性调频信号分集多址接入（Chirp-DMA）方案，使多对毫米波雷达收发器能够在无干扰的情况下实现集成感知与通信（Integrated Sensing and Communication，ISAC）。随后，我们提出了两种基于线性调频信号的时延-多普勒域调制方案，使每对毫米波雷达收发器能够在各自时频资源块内同时进行感知和通信。这些调制方案基于不同的多输入多输出（Multiple-Input Multiple-Output，MIMO）雷达方案：基于时分复用（Time Division Multiplexing，TDM）的方案可提供更高的通信速率，而基于多普勒分集复用（Doppler Division Multiplexing，DDM）的方案则适用于信噪比较低的场景。然后，我们通过仿真验证了所提出的基于DDM方案的有效性。最后，我们提出了在车联网中推进集成感知与通信技术以实现更优自动驾驶时需要解决的一些挑战和问题。
编辑
一、研究背景与动机
- 毫米波雷达的局限性：毫米波雷达因抗恶劣天气、速度测量精度高，已成为自动驾驶的核心传感器之一。然而，传统雷达“只能感知不会说话”，缺少与其他车辆通信的能力，导致车与车、车与路之间仍需额外信道来交换控制信息，既占用频谱也增加干扰风险。
- 通感一体化的需求：通感一体化（Integrated Sensing and Communication, ISAC）是下一代无线通信技术的研究热点之一，旨在通过复用无线资源实现感知与通信的深度融合。在自动驾驶场景中，通感一体化能够显著提升环境感知的准确性和实时性，同时降低通信成本。
- 线性调频信号的优势：线性调频信号（Chirp）因其良好的模糊函数性能和抗干扰能力，在雷达和通信领域均有广泛应用。利用Chirp信号实现感知与通信的一体化，成为自动驾驶领域的新研究范式。
-
编辑
二、技术创新与亮点
- Chirp-DMA多址接入技术：
- 原理：利用“专用短Chirp”在接收端快速感知空闲的时-频斜块资源，然后将不同车载收发对“错位”到互不干扰的斜块上，实现无需集中控制的“认知型”多用户接入。
- 优势：通过时频资源的高效利用，避免了多用户间的干扰，提升了系统的频谱效率。
- 延迟-多普勒域调制技术：
- 原理：将数据映射到目标的“距离、速度、幅度”三个维度，利用Chirp信号的时延和多普勒特性进行通信调制。
- 优势：不再额外占用带宽，实现了感知与通信的深度融合。同时，该技术能够适应不同的MIMO雷达架构，如TDM和DDM，满足不同场景下的通信需求。
- 双模式架构：
- TDM版：天线轮发，速率可达百kbps，适用于对通信速率要求较高的场景。
- DDM版：天线同发，靠预置多普勒区分通道，虽然速率降到kbps级别，但可在-25dB超低SNR下仍稳定运行，特别适合远距/弱回波场景。
- 极简实现：
- 算法依赖：整个链路仅依赖FFT、CFAR、MUSIC、EKF等成熟雷达算法，软硬件改动小、实时性强。
- 成本效益：通过复用现有雷达硬件资源，降低了系统的整体成本。
三、多址和调制解调设计
- Chirp-DMA多址接入：
- 资源感知：接收端本振产生“专用短Chirp”与环境信号拍频，若在LPF输出看到IF能量即判定该斜块被占；否则标记为可用资源。
- 时延间隔保证：保证相邻斜块间至少Tu的时延间隔，从理论上可并行容纳Tc/(2Tu)个车-车链路。
- 调制解调技术：
- 调制：延时调制意味着发射端会额外经历一定延时才发射Chirp信号；多普勒调制意味着一个CPI内的多个Chirp都有预先增加的额外相位。对于TDM体制，每个PRI都可以调制延时和幅度数据，整个CPI调制多普勒数据；对于DDM体制，整个CPI一同调制延时、多普勒和幅度数据。
- 解调：通过RDM形成（对每根收发通道做2D-FFT获得距离-速度图）、数据判决（CFAR先检测显著峰，再比较“应在位置”与“实测位置”的偏移量，直接映射成比特；幅度信息则用QPSK/QAM判决）、跟踪与去耦（EKF在帧间追踪连续的物理轨迹，把慢变的感知参数与离散数据成功分离）等步骤实现。
四、性能分析
- 通信性能：
- 误码率（BER）：在640MHz带宽/51.2µs PRI下，DDM方案-30dB即可实现<0.001误码；带宽和PRI每减半需约3dB额外SNR补偿。
- 数据速率：DDM典型2.5-5kbps，已覆盖车队协同控制所需；切换到TDM可×N_c提升两级量纲。
- 感知性能：
- 感知命中率：同场景下命中率在-30dB仍逼近100%，与BER呈一一对应关系。感知命中率指参数估计误差小于一定范围。
- 参数估计精度：经过谱泄聚类取均值，距离与速度误差远低于分辨率阈，方位角1°量化时实际误差<1°。
- 低功耗优势：
- 在极低SNR即可可靠通信，允以降低发射功率，天然减小外干扰与电磁兼容风险。
编辑
五、应用前景与挑战
- 应用前景：
- 自动驾驶汽车：通过通感一体化技术，自动驾驶汽车能够实现更精准的环境感知和更高效的车辆间通信，提升行车安全性和舒适性。
- 智慧交通系统：在智慧交通系统中，通感一体化技术能够实现车路协同、智能调度等功能，优化交通流量管理。
- 其他领域：该技术还可复用到配送机器人、无人机等其他“具身智能体”，进一步放大ISAC价值。
- 面临挑战：
- 多车协同与网络化：研究最佳收发配对与跨车队融合感知，迈向“车网协同大脑”。
- 安全与非理想因素：时钟漂移补偿、恶意干扰识别以及实车道路测试将是落地关键。
- 跨平台迁移：技术栈的复用和迁移需要解决不同平台间的兼容性和标准化问题。
📚2 运行结果
编辑
编辑
编辑
部分代码：
%% Bit Generation DataAll = DataGen_BitErrorRate(Nit, NumQAMBit, NumIMRngBit, NumIMVelBit); for i_SNR = 1:length(SNRdB) for i_it = 1:Nit tic Para = Para.ParaSet(); %% Time-domain data generation % Calculate the energy of TDData in advance to reduce computation TDData = zeros(Para.N_f, ... Para.N_c, ... Para.Nr.tot);% received data for i_r = 0:Para.Nr.tot-1 for i_c = 0:Para.N_c-1 for i_t = 0:Para.Nt.tot-1 % DDMA, first azi, then ele TDData(:,i_c+1, i_r+1) = TDData(:,i_c+1, i_r+1) + ... Para.Target_A(1).a *... % Amplitude exp(1j*2*pi*((0:Para.N_f-1)* ... (Para.Target_A(1).fr)... /Para.N_f)).'*... % Fast time exp(1j*2*pi*(i_c*Para.Target_A(1).fv/Para.N_c))*... % Slow time q(i_t+1, i_c+1)*... % DDMA exp(1j*2*pi*(Para.Nt.d_azi/Para.lambda*sind(Para.Target_A(1).azi)*cosd(Para.Target_A(1).ele)*mod(i_t, Para.Nt.azi)))*...% Tx azimuth exp(1j*2*pi*(Para.Nt.d_ele/Para.lambda*sind(Para.Target_A(1).ele)*floor(i_t/Para.Nt.azi)))*... % Tx elevation exp(1j*2*pi*(Para.Nr.d_azi/Para.lambda*sind(Para.Target_A(1).azi)*cosd(Para.Target_A(1).ele)*mod(i_r, Para.Nr.azi)))*...% Rx azimuth exp(1j*2*pi*(Para.Nr.d_ele/Para.lambda*sind(Para.Target_A(1).ele)*floor(i_r/Para.Nr.azi))); % Rx elevation end end end % Generate Gain_RDM_pre to obtain QAM Gain_RDM_pre = zeros(Para.Nt.tot, Para.Nr.tot); RealRange = Para.Target_A(1).fr + 1; RealVelocity = Para.Target_A(1).fv + 1; velocity_all = mod(round(RealVelocity-1 ... + (0:Para.N_c/Para.Nt.tot:Para.N_c-Para.N_c/Para.Nt.tot)),... Para.N_c) + 1; X = zeros(Para.N_f, Para.N_c, Para.Nr.tot); for i_r = 0:Para.Nr.tot-1 % if there is more than 1 Rx antenna, X2 need non-coherent X(:,:,i_r+1) = fftshift(fft( ... fft(TDData(:,:,i_r+1).*Para.W_f).*Para.W_c, ... Para.N_c, ... 2),... 2); end for i = 1:Para.Nt.tot for j = 1:Para.Nr.tot Gain_RDM_pre(i,j) = X(round(RealRange), ... velocity_all(i), ... j); end end TDData = zeros(Para.N_f, ... Para.N_c, ... Para.Nr.tot);% received data for i_r = 0:Para.Nr.tot-1 for i_c = 0:Para.N_c-1 for i_t = 0:Para.Nt.tot-1 % DDMA, first azi, then ele TDData(:,i_c+1, i_r+1) = TDData(:,i_c+1, i_r+1) + ... Para.Target_A(1).a * DataAll.QAM(i_it)*... % Amplitude exp(1j*2*pi*((0:Para.N_f-1)* ... (Para.Target_A(1).fr + DataAll.IM_rng(i_it))... /Para.N_f)).'*... % Fast time exp(1j*2*pi*(i_c*(Para.Target_A(1).fv + DataAll.IM_vel(i_it))/Para.N_c))*... % Slow time q_deAmb(i_t+1, i_c+1)*... % DDMA exp(1j*2*pi*(Para.Nt.d_azi/Para.lambda*sind(Para.Target_A(1).azi)*cosd(Para.Target_A(1).ele)*mod(i_t, Para.Nt.azi)))*...% Tx azimuth exp(1j*2*pi*(Para.Nt.d_ele/Para.lambda*sind(Para.Target_A(1).ele)*floor(i_t/Para.Nt.azi)))*... % Tx elevation exp(1j*2*pi*(Para.Nr.d_azi/Para.lambda*sind(Para.Target_A(1).azi)*cosd(Para.Target_A(1).ele)*mod(i_r, Para.Nr.azi)))*...% Rx azimuth exp(1j*2*pi*(Para.Nr.d_ele/Para.lambda*sind(Para.Target_A(1).ele)*floor(i_r/Para.Nr.azi))); % Rx elevation end end end
🎉3 参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供
