阅读说明：本技术 一种基于快速fmcw雷达的道路车辆低运算量监测方法 (Road vehicle low-computation monitoring method based on rapid FMCW radar ) 是由 房晓辉 韩海峰 于 2019-10-10 设计创作，主要内容包括：本发明公开了一种基于快速FMCW雷达的道路车辆低运算量监测方法,利用快速FMCW雷达获取道路上车辆的反射回波,与雷达的发射波进行混频后得到此时刻的拍频,拍频信号经过ADC采样发送给计算模块；在计算模块中只在估计目标车辆存在的情况下进行角度检测,而不是在每帧中检测角度,从而进一步降低了计算复杂度。由于运动目标车辆并不总是存在,因此本发明在运动目标车辆不存在的情况下减少了不必要的处理。(The invention discloses a road vehicle low computation amount monitoring method based on a rapid FMCW radar, wherein the rapid FMCW radar is used for acquiring a reflection echo of a vehicle on a road, the reflection echo is mixed with a transmission wave of the radar to obtain a beat frequency at the moment, and a beat frequency signal is sent to a calculation module through ADC sampling; the angle detection is performed only in the case where the presence of the target vehicle is estimated in the calculation module, instead of detecting the angle in each frame, thereby further reducing the calculation complexity. Since the moving object vehicle does not always exist, the present invention reduces unnecessary processing in the case where the moving object vehicle does not exist.)

一种基于快速FMCW雷达的道路车辆低运算量监测方法

技术领域

本发明涉及一种基于快速FMCW雷达的道路车辆低运算量监测方法，属于雷达监测技术领域。

背景技术

雷达传感器已经被汽车自动驾驶，道路监测等方面领域广泛应用，相对于超声波传感器，光学传感器，雷达几乎不受雾霾，天气，光线等环境因素影响。在雷达道路监测系统中，连续调制波(FMCW)雷达相比于脉冲波雷达，其硬件要求更低，设计简单，所以更受欢迎。

传统FMCW雷达中，调制波形主要由锯齿波和三角波，在单个扫频chirp周期T往往在1到10ms，这样，当chirp为锯齿波时，由于这样的时宽较大，存在距离-速度耦合现象。三角波调制的FMCW通过上升和下降扫频率可以消除距离-速度耦合现象，确定单目标距离和速度的唯一值。但对于多目标监测，由于雷达参数相同，多个目标的发射信号处于频率扫频上下的频段会产生多组平行的直线，比如两个目标有四个交点，那么就有两个虚警目标，随着目标数量的增多，虚假目标会成倍增加。为了克服多值性，往往加入另外一个扫频率的调制直线，但这样增加了设计难度，以及道路监测中雷达硬件的要求。

通过增大扫频率的锯齿波调制出快速FMCW波可以解决上述问题。这样，chirp周期在微妙级别，带宽在GHz范围，从而使得多普勒效应产生的车辆速度频移相对于距离频移忽略不计，在利用拍频计算距离时忽略多普勒效应的影响，从而消除了距离-速度耦合现象；同时在每个距离单位内的相位体现速度变化，利用二维FFT来得出速度和距离的信息。

这种全维的FFT首先是针对每帧的每一个chirp即距离域都进行的做拍频的FFT运算，得到距离；然后针对一帧中所有的chirp，即chirp域做相位的FFT，得到速度信息；而当需要AOA计算时，需要对整个接收天线阵列的数据进行FFT计算，这就是3D-FFT。显然这样的数据量很大，同时也局限了FFT的运算点数，使得计算复杂，运算量大，并且增加了运算的时延，消耗较多的资源，不适合低成本，时延要求高，简易的FMCW雷达。

发明内容

发明目的：针对现有技术中存在的问题与不足，本发明提供一种基于快速FMCW雷达的道路车辆低运算量监测方法。

技术方案：一种基于快速FMCW雷达的道路车辆低运算量监测方法，包括如下内容：

利用快速FMCW雷达获取道路上车辆的反射回波，与雷达的发射波进行混频后得到此时刻的拍频，拍频信号经过ADC采样发送给计算模块；在计算模块中：

发射波信号可以由x(t)表示为：

T_F表示一帧的周期，N_F表示帧的个数，在第i帧包含有L个扫频chirp，那么x⁽ⁱ⁾(t)表示在第i帧发射波，表示为：

那么x₀(t)表示一个chirp，可以表示为：

x₀(t)＝exp(j2π(f₀t+μt²/2))

这里，0≤t≤T，f₀载波频率，T是扫频周期，μ是扫频率，即μ＝B/T，B表示带宽。所谓快速FMCW雷达波，就体现在带宽B为GHz量级；扫频周期，即一个chirp周期T为us量级。

令雷达接收天线阵列为K个天线组成的线性阵列，设雷达前方为单个车辆，那么某帧的第l个chirp信号由雷达前方的单个车辆反射，在第k个天线接收到的车辆回波表示为：

其中a₀为幅值，λ表示波长，高斯白噪声信号，f_D为多普勒频移，θ为天线与车辆的夹角。那么，速度项为v^l(f_D)＝exp(j2πf_DlT)，方向角项为

那么回波函数x_l,k(t)可以简化为：

那么经过混频后得到的差拍信号y_l,k(t)可以表示为：

这里f_b＝μτ是混频后得到的拍频(beat frequency)，

表示发射波x₀(t)的共轭，τ表示发射波和收到回波之前的时间间隔，x_b(t)为差拍信号的正弦曲线。另外，w_l,k(t)和a可以表示为：

经过对差拍信号进行ADC，其中采样率为f_s，得到采样后的拍频信号：

y_l,k(n)＝ax_b(nT_s)v^lψ^k+w_l,k(n)

所以多目标检测时，设雷达前方有M个车辆，监测到第m个车辆，第i帧的拍频信号可以表示为：

这里

为距离项，针对n作FFT，尖峰位置即为拍频频率，这个频率是由于距离产生的频移，从而得到距离，下面称这种FFT为距离FFT，为速度项，，针对l作FFT，反映了速度引起的相位变化，从而得到速度，下面称这种FFT为速度FFT，为到达角度项，针对k做FFT，即可得到角度，下面称这种FFT为角度FFT，

为噪声项，

表示第m辆车在第i帧的拍频信号的幅度值。一帧中L个差拍信号经过ADC后，得到L组N_s点离散数字信号数据

在L个差拍信号中选取两个差拍信号，第l₁个和第l₂个差拍信号，y_l1,k[n]和y_l2,k[n]，两者相减，并用d_l1l2,k[n]表示：

d_l1l2,k[n]＝y_l1,k[n]-y_l2,k[n]＝ax_b[nT_s]ψ^k(v^l1-v^l2)+w_l1,k[n]-w_l2,k[n]

如果没有运动目标车辆，由速度引起的多普勒频率为零，即f_D＝0；此时，上式中，只存在杂波或噪声项；这就意味这只有噪声项做距离FFT；另一方面，如果是动目标车辆，v^l1和v^l2不相等，多普勒频率不为零，除非l₁＝l₂或l₂＝l₁+lT，l是整数，T为chirp周期。因此省略噪声项(这里可以增大信噪比，或者过滤器降低噪声，达到省略噪声项的目的)，令：

d_l1l2,k[n]＝βx_b[nT_s]ψ^k

这里β＝a(v^l1-v^l2)。

通过上式，可以看出，差拍信号x_b[nT_s]包含距离信息，并且方向角度项ψ^k仍然存在。分别对距离项和角度项进行距离FFT和角度FFT，可以得到距离和角度信息。

进一步地，需要正确选择两个chirp，即l₁,l₂，使得β≠0。这么做是因为要避免算法不能正确工作的情况。如果两个l₁和l₂处的相位变化是对称的，那么相减后的输出可能为零，好像没有移动的物体，这就出现所谓的速度盲区。为了克服上述问题，分两种模式：一种情况下，目标车辆是单一的，其速度是已知的；另一种情况下，目标车辆不是单一的或目标车辆的速度是未知的。

针对速度项组成的域下面称为chirp域；一帧中由L个chirp组成，那么chirp域中就有L个样点，样点之间的间隔时间就是chirp的周期T，那么T就可以看成对相位的采样周期；知道目标车辆的速度，对于chirp域中，速度项v^l＝exp(j2πf_DlT)，由多普勒频移公式可以得到周期为：

为第m个目标车辆速度

的多普勒频移。一个周期内，样点数可以记为：

其中[.]为取整符号。在第一种情况下，

是在

区间中的均匀分布。但对于多目标车辆或者速度未知的目标车辆，

并不能确定，在这种情况下，则在整个帧域进行随机选择chirp，即

所以：

在帧内L个扫频chirp中随机选择两个差拍信号，即使在一帧中使得差值为零，但此时并不进入下一阶段的计算，而是在下一帧中，再随机选择两个差拍信号，此时将会变换，使得

这时才进入FFT的其他计算，得出监测结论，这样就避免了目标在某些特定速度无法识别的问题。

有益效果：与现有技术相比，本发明提供的基于快速FMCW雷达的道路车辆低运算量监测方法，只在估计目标车辆存在的情况下进行角度检测，而不是在每帧中检测角度，从而进一步降低了计算复杂度。由于目标车辆并不总是存在，因此本发明在目标车辆不存在的情况下减少了不必要的处理。

本发明解决了以往算法无法检测特定速度目标车辆的问题。通过随机选择每帧的两个chirp来降低慢速或快速目标车辆丢失的概率。其次，不用对每帧进行二维FFT来检测距离和角度，当确定运动目标车辆存在时，进行二维FFT来检测目标的距离和角度。

本发明的算法在FPGA芯片上实现，可以只用一个ADC串行输入，从而减少了管脚的应用，并且在时序上就产生较为宽松的裕度，由于两个拍频信号是随机的，对于两个拍频信号的间隔时间并没有太严格的要求，当一个扫频周期中的拍频信号ADC数据采集完毕，可以等缓存完毕后，再采集另外一个扫频周期的拍频数据，这样在这方面资源得到复用，节省了面积，可以留出资源空间给算法的IP。

附图说明

图1为现有检测方法原理图；

图2为基于两个扫频chirp进行低复杂度算法示意图；

图3为基于两个扫频chirp进行低复杂度算法的改进方案流程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

基于快速FMCW雷达的道路车辆低运算量监测方法，包括如下内容：

利用快速FMCW雷达获取道路上车辆的反射回波，与雷达的发射波进行混频后得到此时刻的拍频，拍频信号经过ADC采样发送给计算模块；在计算模块中：

发射波信号可以由x(t)表示为：

T_F表示一帧的周期，有N_F个帧，其中在第i帧包含有L个扫频chirp，那么x⁽ⁱ⁾(t)表示在第i帧发射波，表示为：

那么x₀(t)表示一个chirp，可以表示为：

x₀(t)＝exp(j2π(f₀t+μt²/2))

这里，0≤t≤T，f₀载波频率，T是扫频周期，μ是扫频率，即μ＝B/T。

令雷达接收天线阵列为K个天线组成的线性阵列，设雷达前方为单个车辆，那么某帧的第l个chirp信号由雷达前方的单个车辆反射，在第k个天线接收到的车辆回波表示为：

其中a₀为复幅值，

高斯白噪声信号，f_D为多普勒频移，θ为天线与车辆的夹角。那么，速度项为v^l(f_D)＝exp(j2πf_DlT)，方向角项为

那么回波函数x_l,k(t)可以简化为：

那么混频后得到的差拍信号y_l,k(t)可以表示为：

这里f_b＝μτ是拍频，x_b(t)为差拍信号的正弦曲线。另外，w_l,k(t)和a可以表示为：

经过对差拍信号进行ADC，其中采样率为f_s，得到采样后的拍频信号：

y_l,k(n)＝ax_b(nT_s)v^lψ^k+w_l,k(n)

所以多目标检测时，设雷达前方有M个车辆，监测到第m个车辆，第i帧的拍频信号可以表示为：

这里

为距离项，

为速度项，

为到达角度项，为噪声项。

如图1所示，传统的3维FFT算法是对距离域，chirp域，和天线阵列域先后进行FFT。一帧中L个差拍信号4经过ADC后，得到L组N_s点离散数字信号数据

首先，对每组做N_R点的FFT。

其中，N_s为差拍信号经过采样后的样点数。可以看出这里做的N_R点FFT针对距离项

FFT得到的N_R点结果的频率分辨率称为距离单元，因为频率分辨率是区分两个尖峰最小频率差，相应的距离分辨率是区分两个车辆最小距离。矩阵5的行存放FFT后的输出数据，所以横向为距离域，纵向标记chirp数，在矩阵5中，有L个chirp，所以纵向为chirp域。

然后，对同一距离单元进行FFT，即对矩阵5纵向做N_c点FFT。

可以看出这里做的N_c点FFT是针对雷达系统中的速度项

的，从而得到速度的对应信息。由上面两式所进行的2维FFT，得到N_R×N_c的矩阵，因为有K个接收天线，所以进行K次这样的运算，从而得到N_R×N_c×K二维FFT数据输出。对矩阵6天线阵列方向作N_A点FFT的输入，从而得到角度信息。

很显然，以上3维FFT的运算复杂度较高，需要的硬件资源较多，在FPGA中实现的话，一方面逻辑资源的要求高，并且时序要求高，不适合成本较低，稳定要求高，运算反应速度快的项目。

对于FMCW雷达监测系统，第一个重要问题是迅速确定感兴趣的目标车辆的存在，这里针对监测目的，感兴趣的目标即为运动目标。在没有目标车辆的情况下，我们不需要不必要地使用资源。也就是说，本发明应该只在有感兴趣的目标车辆时才运行，即只有运动的目标车辆，才会雷达波产生多普勒频移，两个chirp周期的速度项才会不同，由于这里采用的快速FMCW波，所以chirp周期很短，不同chirp周期的距离项和角度项并不受多普勒频移影响，所以当将差拍信号相减，就会得到速度项的差值，当差值为零，则表明物体没有多普勒频移，为静止物体，不是感兴趣的目标。为此，本发明首先确定运动目标车辆是否存在，如果没有运动目标车辆，则多普勒频率为零，即f_D＝0。参数检测操作在确定目标存在后执行。这样就有效的解决了全维FFT运算复杂度大的问题，节省了资源。在L个差拍信号中选取两个差拍信号。例如，第l₁个和第l₂个差拍信号，y_l1,k[n]和y_l2,k[n]，两者相减，并用d_l1l2,k[n]表示图2所示：

d_l1l2,k[n]＝y_l1,k[n]-y_l2,k[n]＝ax_b[nT_s]ψ^k(v^l1-v^l2)+w_l1,k[n]-w_l2,k[n]

如果没有运动目标车辆，多普勒频率为零，即f_D＝0；此时，上式中，只存在杂波或噪声项；这就意味这只有噪声项做FFT；另一方面，如果是动目标车辆，v^l1和v^l2不相等，多普勒频率不为零，除非l₁＝l₂或l₂＝l₁+lT，l是整数，T为chirp周期。因此省略噪声项，令：

d_l1l2,k[n]＝βx_b[nT_s]ψ^k

这里β＝a(v^l1-v^l2)。

通过上式，可以看出，差拍信号x_b[nT_s]包含距离信息，并且方向角度项ψ^k仍然存在。分别对距离项和角度项进行FFT，可以得到距离和角度信息。

进一步地，需要正确选择两个chirp，即l₁,l₂，使得β≠0。这么做是因为要避免算法不能正确工作的情况。如果两个l₁和l₂处的相位变化是对称的，那么相减后的输出可能为零，好像没有移动的物体，这就出现所谓的速度盲区，而这样的速度盲区是对于一帧内β＝0进而去作的判断。由于系统运算时间是以帧为周期的，所以每一帧选择的都是l₁,l₂，所以一直会处于误判状态。为了克服上述问题，避免出现上述的误判情况，本发明将在多个帧内进行判断，当一个帧内两个chirp得到β＝0，紧接着比较第二个帧，随机选择其他chirp周期l₃,l₄，从而得到新的β，当有限多个帧都得到β＝0，则判断没有移动物体，否则判断有运动物体，进而再进行FFT等相关运算，如图3所示。

Chirp的选择区间可以分两种模式：一种情况下，目标车辆是单一的，其速度是已知的；另一种情况下，目标车辆不是单一的或目标车辆的速度是未知的。

知道目标车辆的速度，对于chirp域中，由速度项v^l＝exp(j2πf_DlT)，可知其周期计算为：

为第m个目标车辆速度

的多普勒频移。另外，T为一个扫频chirp的周期，那么在chirp域中，T为样点间隔。所以一个周期内的点数，可以记为：

其中[.]为取整符号。在第一种情况下，

是在

区间中的均匀分布。但对于多目标车辆或者速度未知的目标车辆，并不能确定，在这种情况下，则在整个帧域进行随机选择chirp，即

所以：

在帧内L个扫频chirp中随机选择两个差拍信号，即使在一帧中使得差值为零，但在下一帧中，

将会变换，使得这样就避免了目标在某些特定速度无法识别的问题。