基于Matlab的汽车自动驾驶雷达信号仿真与处理仿真

珞瑜之家学习干货基地 06-27 5280

前言：

当前兄弟们对“雷达模型制作”大概比较注重，各位老铁们都想要分析一些“雷达模型制作”的相关知识。那么小编同时在网摘上汇集了一些关于“雷达模型制作””的相关内容，希望小伙伴们能喜欢，看官们一起来学习一下吧！

一、前言

此示例展示了如何对汽车雷达的硬件、信号处理和传播环境进行建模。首先，使用自动驾驶工具箱™对高速公路方案进行建模。然后，使用雷达工具箱™开发雷达发射和接收硬件、信号处理和跟踪器的模型。最后，对雷达模型上的多径传播效应进行仿真。

二、介绍

可以使用自动驾驶工具箱中的对象对车辆运动进行建模。然后，可以将车辆地面实况用作雷达模型的输入，以生成合成传感器检测。本例中使用的汽车雷达使用根据高级雷达规格进行参数化的统计模型。本例中建模的通用雷达架构不包括特定的天线配置、波形或独特的信道传播特性。在设计汽车雷达时，或者当雷达的特定架构已知时，请使用包含此附加信息的雷达模型。

雷达工具箱使您能够评估不同的雷达架构。您可以探索不同的发射和接收阵列配置、波形和信号处理链。您还可以根据不同的通道模型评估您的设计，以评估它们在不同环境条件下的鲁棒性。此建模可帮助您确定最适合您的应用程序要求的特定设计。

在此示例中，您将学习如何根据远程雷达的一组系统要求定义雷达模型。然后，模拟驾驶场景以从雷达模型生成检测结果。跟踪器用于处理这些检测，以生成对汽车雷达检测到的车辆的位置和速度的精确估计。

三、根据远程雷达要求计算雷达参数

雷达参数是为调频连续波（FMCW）波形定义的，雷达的中心频率为 77 GHz。该频率通常用于汽车雷达。对于远程操作，雷达必须探测到自我车辆前方 250-300 米的最大范围内的车辆。需要雷达来解析距离至少 1 米的范围内物体。由于这是一种前向雷达应用，因此雷达还需要处理高达230 km / hr的大关闭速度的目标。

该雷达设计为使用FMCW波形。这些波形在汽车应用中很常见，因为它们可以通过计算高效的FFT操作实现距离和多普勒估计。为了便于说明，在本例中，将雷达的最大范围配置为 100 米。

四、模型汽车雷达收发器

雷达使用各向同性元件进行发射，并使用均匀线性阵列（ULA）接收雷达波形。使用线性阵列使雷达能够估计从目标车辆接收的反射能量的方位方向。远程雷达需要探测自我车辆前方15度覆盖区域内的目标。六晶片接收阵列通过提供 17 度半功率波束宽度来满足这一要求。在发射时，雷达仅使用单个阵列元件，使其能够覆盖比接收时更大的区域。

对单个发射通道的雷达发射器进行建模，并为每个接收通道对接收器前置放大器进行建模。

五、定义雷达信号处理链

雷达收集每个线性相控阵天线元件上的波形的多次扫描。这些收集的扫描形成一个数据立方体，这些扫描沿着数据立方体的快时间维度和慢时间维度进行连贯处理，以估计车辆的范围和多普勒。

使用根Music估计器估计接收信号的到达方向。波束扫描也用于说明目的，以帮助可视化接收信号能量的空间分布。

使用该对象对雷达数据立方体执行距离和多普勒处理。使用汉宁窗口抑制车辆靠近雷达时产生的大旁瓣。

通过使用恒定误报率（CFAR）检测器识别处理范围内的检测和多普勒数据。CFAR探测器估计接收到的雷达数据的背景噪声水平。检测结果位于信号功率超过估计本底噪声一定阈值的位置。由于环境噪声，阈值较低会导致报告的错误检测数量较多。增加阈值会产生较少的错误检测，但也降低了在方案中检测到实际目标的概率。

和对象将距离多普勒数据中找到的检测位置转换为测量值及其相应的测量方差。这些估计器将二次曲线拟合到距离多普勒数据，以估计每个检测的峰值位置。由此产生的测量分辨率只是数据范围和多普勒采样的一小部分。

需要传输波形的均方根（RMS）距离分辨率来计算距离测量的方差。远程雷达的瑞利距离分辨率以前定义为1米。瑞利分辨率是可以解析两个唯一目标的最小间隔。此值定义雷达的距离分辨率单元之间的距离。但是，分辨率单元内目标的方差由波形的RMS分辨率决定。对于LFM线性调频波形，瑞利分辨率和RMS分辨率之间的关系由下式给出[1]。

多普勒测量的方差取决于处理的扫描次数。现在，使用前面定义的参数创建距离和多普勒估计对象。

为了进一步提高估计车辆位置的精度，请将雷达检测传递给跟踪器。将跟踪器配置为使用扩展卡尔曼滤波器（EKF），该滤波器将球面雷达测量值转换为自我车辆的笛卡尔坐标框架。此外，将跟踪器配置为对检测到的车辆使用恒定速度动态。通过比较多个测量时间间隔内的车辆检测，跟踪器进一步提高了车辆位置的准确性，并提供车辆速度估计。

六、模型自由空间传播通道

使用自由空间通道对发射和接收的雷达信号的传播进行建模。

在自由空间模型中，雷达能量沿雷达和目标车辆之间的直接视线传播，如下图所示。

七、模拟驾驶场景

创建一个高速公路驾驶场景，其中三辆车在自我车辆附近行驶。车辆被建模为长方体，并在驾驶场景中定义了不同的速度和位置。自我车辆以 80 公里/小时的速度移动，其他三辆车分别以 110 公里/小时、100 公里/小时和 130 公里/小时的速度移动。雷达传感器安装在自我车辆的前部。

以下循环使用该对象在方案中推进车辆。在每个仿真时间步长，通过收集雷达波形的192次扫描来组装一个雷达数据立方体。然后对组装的数据立方体进行处理，并在距离和多普勒中进行处理。然后对距离和多普勒处理的数据进行波束成形，并对波束成形数据执行CFAR检测。距离、径向速度和到达方向测量值是 CFAR 检测的估计值。然后将这些检测组装到对象中，然后由对象进行处理。

上图显示了在1.1秒的仿真时间内对三个目标车辆的雷达探测和跟踪。左上角的图从自我车辆的角度显示了驾驶场景的追逐摄像头视图（以蓝色显示）。作为参考，自我车辆以 80 公里/小时的速度行驶，其他三辆车以 110 公里/小时（橙色汽车）、100 公里/小时（黄色汽车）和 130 公里/小时（紫色汽车）行驶。

图的右侧显示了鸟瞰图，它显示了方案的自上而下的视角。所有车辆、检测和轨迹都显示在自我车辆的坐标参考系中。每个雷达测量的估计信噪比（SNR）印在每个检测旁边。跟踪器估计的车辆位置显示在图中，使用黑色方块显示，旁边有文字指示每条轨道的 ID。跟踪器估计的每辆车的速度显示为一条黑线，指向车辆的速度方向。线的长度对应于估计的速度，较长的线表示相对于自我车辆具有更高速度的车辆。紫色汽车（ID2）的轨道具有最长的线条，而黄色汽车（ID1）的轨道具有最短的线条。跟踪的速度与前面列出的建模车辆速度一致。

左下角的两个图显示了信号处理生成的雷达图像。上图显示了从目标车辆接收的雷达回波在范围和径向速度上的分布情况。在这里，观察所有三辆车。测得的径向速度对应于跟踪器估计的速度，如鸟瞰图所示。下图显示了接收到的目标回波在范围和角度上的空间分布情况。同样，所有三个目标都存在，并且它们的位置与鸟瞰图中显示的位置相匹配。

由于它离雷达很近，尽管橙色汽车的位置远远超出波束的3 dB波束宽度，因此仍然可以检测到它，尽管波束成形损耗很大。这些检测为橙色汽车生成了轨迹（ID3）。

八、为多路径通道建模

之前的驾驶场景模拟使用自由空间传播。这是一个简单的模型，仅模拟雷达和每个目标之间的直接视线传播。实际上，雷达信号传播要复杂得多，涉及在到达每个目标并返回雷达之前来自多个障碍物的反射。这种现象称为多径传播。下图显示了一种这样的多路径传播情况，其中撞击目标的信号来自两个方向：视线和来自路面的单次反弹。

多径传播的总体效果是接收到的雷达回波可以产生建设性和破坏性的干扰。这种建设性和破坏性干扰是由各种信号传播路径之间的路径长度差异引起的。随着雷达和车辆之间距离的变化，这些路径长度差异也会发生变化。当这些路径之间的差异导致雷达接收到的回波几乎异相180度时，回波会破坏性地组合，雷达不会检测到该范围。

将自由空间通道模型替换为双射线通道模型，以演示上图所示的传播环境。重用驾驶场景和雷达模型中的剩余参数，然后再次运行仿真。

双射线通道，在此模拟时间没有检测到紫色汽车。这种检测损失是因为该车的路径长度差异在此范围内具有破坏性干扰，导致检测完全丢失。

将 CFAR 处理生成的 SNR 估计值与自由空间和双射线通道仿真中紫色汽车的距离估计值进行绘制。

当汽车接近距雷达 72 米的范围时，相对于自由空间通道，观察到双射线通道的估计 SNR 损失很大。正是在这个范围附近，多径干扰会破坏性地组合在一起，导致信号检测丢失。但是，请注意，跟踪器能够在信号丢失期间滑行轨道，并为紫色汽车提供预测的位置和速度。

九、总结

此示例说明如何使用雷达工具箱对汽车雷达的硬件和信号处理进行建模。您还将了解如何将此雷达模型与自动驾驶工具箱驾驶场景仿真集成。首先，生成合成雷达检测。然后，通过使用跟踪器在自我车辆的坐标框架中生成精确的位置和速度估计，进一步处理这些检测。最后，您将学习如何模拟多路径传播效果。

本例中介绍的工作流程使您能够了解雷达架构设计决策如何影响更高级别的系统要求。使用此工作流程，您可以选择满足您独特应用要求的雷达设计。

十、参考文献