毫米波雷达核心原理与工程实践：从FMCW到4D点云

1. 为什么是毫米波这条波段的物理账本聊毫米波雷达绕不开一个最基础的问题为什么偏偏是毫米波这个波段到底有什么不可替代的物理优势把这个问题想透了后面理解FMCW测距、速度解算、角度估算这些内容就有了根。1.1 频段定义与大气窗口毫米波通常指频率在30GHz到300GHz之间的电磁波对应波长在1毫米到10毫米之间。但实际工程中这个定义被放宽了不少。车载雷达常用的24GHz、77GHz、79GHz严格说24GHz波长约12.5毫米已经超出了毫米波的教科书定义但因为它的工作特性和信号处理方式和毫米波基本一致行业里默认把它归入毫米波雷达的范畴。这里要提一个概念叫大气窗口。电磁波在大气中传播会被氧分子和水蒸气分子吸收某些频段吸收特别严重某些频段相对衰减较小这些衰减较小的频段就被称为大气窗口。24GHz、60GHz、77GHz、122GHz附近都存在大气窗口其中77GHz和79GHz附近衰减很小适合做远距离探测这也是车载毫米波雷达集中在77GHz频段的原因之一。60GHz附近氧气吸收比较明显探测距离受限更适合短距离场景比如舱内儿童存在检测。1.2 波长短带来的工程红利波长直接决定了雷达的物理尺寸。天线尺寸和波长成正比77GHz对应波长约3.9毫米做天线阵列的时候阵元间距只需要几毫米整个天线阵列可以做得非常紧凑。一个标准的77GHz雷达模组PCB面积能做到几平方厘米这为车载前向雷达集成到保险杠后方、甚至后视镜内部提供了可能。波长短还意味着多普勒频移更明显。多普勒频移的计算公式是[ f_d \frac{2v}{\lambda} ]其中(v)是目标径向速度(\lambda)是波长。波长越短同样的目标速度产生的多普勒频移越大。比如10米/秒的径向速度在77GHz频段下多普勒频移约为5133Hz而在24GHz频段下约1600Hz。更大的多普勒频移在频域里更容易被分辨这直接提升了速度测量的灵敏度和精度。另外还有一个容易忽略的点毫米波可以穿透塑料、织物、墙板等非金属材料但不会穿透金属。这个特性让雷达能够隐藏安装在保险杠、格栅、灯罩后面不影响外观同时又能稳定探测前方金属目标。2. FMCW体制毫米波雷达测距测速的核心算法毫米波雷达的波形体制不只有一种有脉冲多普勒、频移键控FSK、相移键控PSK但当前最主流的是调频连续波FMCW。FMCW之所以成为绝对主流是因为它能在中低复杂度下同时获得距离和速度信息对ADC采样率的要求也远低于脉冲体制。2.1 FMCW单帧信号的数学过程FMCW发射信号的频率随时间线性变化。以一帧内的单个chirp为例发射频率从(f_c B/2)开始在T_c时间内线性下降到(f_c - B/2)或者反过来从低到高扫频。扫频带宽B决定了距离分辨率。发射信号遇到目标后反射回来接收信号相对于发射信号存在一个时间延迟(\tau 2R/c)其中R是目标距离c是光速。雷达的本振信号与接收信号混频得到的中频信号频率为[ f_{IF} S \cdot \tau \frac{B}{T_c} \cdot \frac{2R}{c} ]S代表频率变化斜率也就是调频斜率。整理一下目标距离可以直接通过中频频率计算[ R \frac{f_{IF} \cdot c \cdot T_c}{2B} ]这里的关键认知是目标距离与中频频率成正比。中频频率越高目标越远。本质上FMCW通过发射信号和接收信号之间的频率差来编码距离信息再用FFT把不同频率成分分离开来这就是距离维FFT的物理基础。2.2 距离维FFT与range-FFT的解读中频信号经过ADC采样后得到的是时域采样序列。对单个chirp的采样点做FFT频谱中的峰值位置对应着目标的距离。距离分辨率由扫频带宽决定[ \Delta R \frac{c}{2B} ]以77GHz频段、带宽4GHz的雷达为例距离分辨率是3.75厘米。注意距离分辨率不等于距离精度分辨率是指能区分两个目标的最小间距精度反映的是测量值的稳定性与准确度。很多刚接触雷达的人把这两个概念混为一谈在工程需求评审时容易出问题。实际做range-FFT时有几个操作细节会直接影响效果。ADC采样点数N和chirp时间T_c决定了中频带宽补零操作可以提高频谱的插值密度但不会真正提升分辨率。加窗函数比如汉明窗、布莱克曼窗可以压低旁瓣但会略微展宽主瓣这本质上是用分辨率换动态范围。我在调车载雷达时通常会在测距性能测试里同时看零速目标和慢速小目标的谱峰形状来确定窗函数类型而不是直接套默认参数。2.3 多普勒维FFT与速度解算单个chirp的FFT只能给出距离信息无法区分距离相同但速度不同的目标。要测速度需要在一帧内连续发射多个chirp也就是所谓的chirp序列。对同一个距离单元、不同chirp的FFT结果沿chirp维度再做一次FFT就得到多普勒维频谱。由于chirp之间的时间差(\Delta t)运动目标会在相位上产生变化这个相位变化对应多普勒频移。速度分辨率由一帧内所有chirp占据的总时间决定[ \Delta v \frac{\lambda}{2 \cdot T_{frame}} ]其中(T_{frame})是帧周期内用于多普勒估计的有效时间长度。速度测量范围和chirp间隔有关[ v_{max} \frac{\lambda}{4 \cdot T_c_interval} ]T_c_interval是相邻chirp的起始时间间隔。这就带来一个经典矛盾距离分辨率由带宽决定速度分辨率由帧时长决定最大不模糊速度由chirp间隔决定。当目标速度超过(v_{max})时多普勒频谱会出现混叠也就是多普勒模糊。我在实际项目里遇到过一次高速场景下目标速度跳变到负数的情况排查下来就是多普勒模糊没有做解模糊处理。后面会专门聊这个坑。3. 角度测量从单点回波到方位估计测距和测速都是基于频率信息角度测量则完全不同它基于相位信息。这也是很多刚入门的人理解雷达最费劲的地方。3.1 相位差测角原理雷达的天线阵列中不同天线接收到同一个目标的回波时由于目标到不同天线的路径长度不同会存在轻微的相位差。对于等间距d的线阵到达角(\theta)和相邻天线相位差(\phi)满足[ \phi \frac{2\pi \cdot d \cdot \sin\theta}{\lambda} ]所以只要测量出相邻天线的相位差就能反推出目标的到达角。这就是经典的相位干涉测角。角度分辨率受天线孔径限制对于均匀线阵波束宽度近似为[ \theta_{3dB} \approx \frac{\lambda}{N \cdot d} ]N是天线数量d是阵元间距。要提升角度分辨率直接的办法就是增加天线数量、加大阵列孔径。但车载雷达受物理尺寸限制天线数量不可能无限增加这就有了MIMO技术。3.2 MIMO虚拟阵列与4D毫米波雷达MIMO雷达利用发射天线的正交波形在接收端用匹配滤波把不同发射天线的回波分离开来从而等效扩展天线孔径。举个具体例子假设有Tx2个发射天线、Rx4个接收天线如果两个发射天线的波形能完全正交接收端可以分离出2×48个等效通道相当于用2个发射天线实现了8个接收天线的阵列孔径。这就是虚拟阵列的核心思路。这里的工程难点在于发射波形正交。最简单的方式是时分复用TDM即两个发射天线分时发射缺点是牺牲了部分多普勒采样率也有相位调制复用如BPM但会带来一定的噪声基底抬升。在我的项目经验里TDM-MIMO最常用因为它实现简单、稳健性强但配置chirp参数时要特别小心确保时分切换不影响多普勒估计。4D毫米波雷达的本质就是通过MIMO扩展虚拟孔径在x、y两个水平维度之外加上垂直维度的测角能力形成带高度信息的3D点云再叠加多普勒速度维形成4D输出。相比传统3D毫米波雷达只输出目标级别的距离、速度、水平角4D雷达能输出数千个点云这一下子把雷达的感知维度拉到了接近低线束激光雷达的水平。4. 从原始数据到目标点云CFAR、聚类与跟踪拿到了range-Doppler-angle的数据立方体还不能直接用于上层决策。中间要经过检测、聚类、跟踪三步处理这一步是最考验工程能力的。4.1 CFAR检测恒定虚警率的基本逻辑雷达接收到的原始信号里除了目标回波还有噪声、杂波和干扰。噪声功率不是恒定不变的随温度、环境、硬件状态都会波动。如果用一个固定的检测门限噪声大了会导致虚警率飙升噪声小了又可能漏检弱目标。CFARConstant False Alarm Rate的思路是自适应地估计某个距离-多普勒单元附近的噪声功率再用这个估计值动态设置检测门限。最常见的CA-CFAR单元平均CFAR就是取待检测单元两侧若干保护单元之外的参考单元的平均功率乘以一个缩放因子作为检测门限。实际使用中有个关键点参考单元数量和保护单元数量需要根据场景调整。在地面场景近距离会有强地杂波参考单元太近容易被杂波污染导致门限抬得过高漏检目标参考单元太远又可能跑出均匀噪声区影响估计准确性。我当时调一个路侧雷达时近距离漏检严重就是把保护单元从2个调到4个、参考单元从12个调到16个之后情况才明显改善。CFAR的缩放因子直接决定检测灵敏度。缩放因子调低检测灵敏度提高但虚警也会增加。业界通常的做法是先测定环境的噪声基底设定一个可接受的虚警率目标反推出缩放因子。我在实车路测之前一般会先在封闭场地用标准角反做一轮标定确保检测门限在预期范围内。4.2 点云聚类与目标级跟踪CFAR检测出来的目标在距离-多普勒-角度空间里是一个个孤立的点。真实世界的目标比如一辆车在雷达看来是多个反射点的集合——车头、保险杠、车牌、后视镜等不同位置反射强度各不相同。需要把属于同一个目标的点聚集在一起才能形成稳定可靠的检测结果。常用聚类算法有基于密度的DBSCAN、基于网格的聚类等。DBSCAN需要设置两个参数扫描半径eps和最小样本数min_samples。eps设置太大近距离的行人和车辆会聚成一团eps太小同一辆车会碎成多个簇。我在实际中常用距离门限加多普勒门限联合聚类的做法因为同一个物体的反射点多普勒速度通常接近利用多普勒信息可以显著提高聚类稳定性。聚类之后是多目标跟踪MOT。经典框架是卡尔曼滤波加匈牙利匹配。卡尔曼滤波预测目标的运动状态匈牙利算法把当前帧检测结果和已有轨迹做最优关联。毫米波雷达点云不像激光雷达那么密集关联比较容易出错尤其是在目标交叉行驶、遮挡频繁的城市道路场景。我做跟踪器时吃过一个亏初始参数里过程噪声协方差设置太小导致滤波器过于相信预测目标突然加减速时跟踪跟不上轨迹出现明显的滞后。后来把过程噪声调大又出现轨迹抖动。最后是用自适应过程噪声——根据目标的加速度历史动态调整噪声协方差矩阵才取得比较理想的平衡。4.3 关键参数设置从mmWave Studio到板端部署德州仪器的mmWave Studio是毫米波雷达调试绕不开的工具。它负责配置前端芯片的寄存器参数实时采集原始ADC数据并计算距离-多普勒热力图。在mmWave Studio里核心要配置的参数包括起始频率、调频斜率、chirp数量、帧周期、ADC采样率、采样点数。我在调参数时一般按照这个顺序来先根据最大探测距离确定中频带宽再根据距离分辨率要求确定扫频带宽然后根据最大速度确定chirp间隔最后根据需要的速度分辨率确定chirp数量。这里有一个实际例子假设要求最大探测距离100米中频带宽受ADC采样率限制如果用10MHz采样率最大中频是5MHz满足奈奎斯特那么调频斜率S要满足[ S \cdot \frac{2R_{max}}{c} 5MHz ]算出来S不能超过7.5MHz/微秒。如果扫频带宽取3GHz对应的chirp时间至少400微秒。这个约束链条是环环相扣的改动任何一个参数都可能牵动其他参数所以每次修改都应该做完整的回退验证。5. 毫米波雷达的各场景应用与选型思路原理搞清楚了再看应用场景就顺理成章。不同场景对雷达的需求千差万别选型逻辑也完全不同。5.1 车载前向雷达与角雷达车载是毫米波雷达最大的应用市场。前向雷达通常使用长距模式要求探测距离150米到250米视场角窄主要用于ACC自适应巡航和AEB自动紧急制动。角雷达则相反要求大视场角、中等探测距离主要用于盲点监测和变道辅助。前向雷达的天线设计倾向于窄波束、高增益角雷达则采用宽波束天线设计。两者的信号处理策略也有区别前向雷达需要更强的杂波抑制能力因为高速场景下的地面杂波和目标分离是难点角雷达则需要更强的多目标分辨能力因为交叉路口场景目标密集、方向多变。现在越来越多的车型开始配置前向雷达加四个角雷达的5R方案再加摄像头做视觉融合。雷达与摄像头的时空同步是个热门话题也就是网上搜索到的百度摄像头与毫米波雷达目标时空同步。这个问题的本质是两种传感器的时间基准不同、空间坐标系不同。雷达的世界坐标系原点在雷达安装位置摄像头在摄像头位置两者之间的外参需要标定时间上雷达通常以帧为单位输出每帧周期约50毫秒摄像头帧率通常30fps两者存在时间戳对齐问题。惯用的做法是用插值把雷达目标外推到摄像头帧时间再通过外参将雷达坐标系的目标投影到图像平面。5.2 工业与消费场景的差异化工业场景里毫米波雷达常用于液位计、料位计。液体表面反射稳定适合用调频连续波测距。这类雷达对精度和稳定性的要求极高通常工作在固定安装位置不涉及复杂的多目标跟踪算法相对简单但对射频前端线性度和温度稳定性要求极其严格。消费场景最近的明星应用是车内儿童存在检测。60GHz毫米波雷达被安装在车顶内饰里探测后排座位的微动信息。呼吸引起的胸腔起伏只有几毫米但60GHz雷达的波长约5毫米可以捕捉到这个级别的微多普勒特征。这项技术已经在部分新车型上量产用于防止儿童被遗留在车内导致的安全事故。我接触过一个有趣的工业案例矿山卡车盲区监测。矿卡体积大、盲区范围广摄像头在灰尘环境下几乎不可用激光雷达又怕粉尘干扰毫米波雷达成了最合适的选择。但矿卡场景的难点在于地面杂波非常强而且车辆振动大、温域宽雷达的标定和滤波参数需要专门调。这说明一个道理同样的雷达硬件在不同场景下的软件适配工作量差别很大选型时要把这部分成本算进去。6. 实际调试中绕不开的坑与注意事项最后聊几个我在实际项目里踩过的坑。这些内容在芯片厂商的官方文档里通常只给一句话带过但遇到问题的时候真的能卡你好几天。6.1 多普勒模糊的识别与解算多普勒模糊在车载高速场景下非常容易触发。速度测量范围受chirp间隔限制[ v_{max} \frac{\lambda}{4 \cdot T_c_interval} ]假设77GHz雷达chirp间隔取80微秒最大不模糊速度约12米/秒也就是不到45公里/小时。这个速度在城市道路完全不够用。当目标车速超过该值多普勒频谱上的峰值会折叠到另一侧表现为测量速度突然变号或变为一个错误的低速值。解多普勒模糊的方法有几种。最可靠的是多chirp间隔技术即在一帧内交替使用两种不同的chirp间隔利用两组测量结果做余数匹配来解模糊。我在一个前向雷达项目中用这种方法把最大测速范围从40公里/小时扩展到了200公里/小时以上代价是帧结构变得更复杂部分chirp被用于辅助解算影响了探测距离。另一种方法是利用目标的距离变化率来辅助速度解算这在目标径向运动较明显时有效。6.2 调频非线性的影响理想情况下FMCW雷达的发射频率应该随时间线性变化。但实际VCO压控振荡器的调频特性并不是完全线性的尤其是在宽的扫频带宽下频率偏移和实际频率之间会存在偏差。调频非线性会导致中频信号的频谱展宽目标峰值变得模糊严重时会让距离分辨率劣化、旁瓣抬高。TI的毫米波芯片内部有DPLL闭环能对调频非线性做校正但校正效果受温度影响很大。我在评估一个24GHz雷达模块时发现在低温到高温循环后测距精度发生了明显漂移查阅资料后确认是VCO的温漂补偿不够需要在固件里做温度查表修正。遇到这个问题一个有效的排查手段是观察静止目标的距离-FFT谱峰。理想情况下谱峰应该非常尖锐如果出现明显展宽且伴随周期性旁瓣基本可以判断为调频非线性问题。6.3 角度分辨率的纸面数字陷阱很多雷达厂商标称的角度分辨率数据看着很好看比如1度、2度但实际使用时要区分这是理论值还是实测值。理论角度分辨率基于理想均匀线阵和单目标假设实际场景中多目标、多径、天线互耦都会让角度估计性能明显下降。一个典型场景是隧道内的多径效应。隧道墙壁反射强烈雷达接收到的信号包含来自墙壁的反射路径这些多径信号会干扰角度估计导致目标出现鬼影角度。处理多径干扰的方法包括引入多普勒信息做筛选、使用更高的距离分辨率区分路径长度差异等。在验收雷达测角性能时我建议用两个相隔较近的标准角反同时摆放测试雷达能否在无先验的条件下区分两个目标的角度。如果实测结果和标称分辨率偏差较大不要怀疑测试方法先检查周围环境是否有多径反射再检查天线罩是否是均匀材料——这些因素对相位的影响超过了算法本身。6.4 数据接口与实时性的平衡毫米波雷达的点云数据通过CAN、CAN-FD或以太网输出。点云数量越多对通信带宽和上位机算力的要求越高。4D雷达单帧点云可以达到数千个点如果用CAN-FD传输带宽会成为瓶颈通常需要以太网。我自己做过一个方案对比同一套雷达算法点云输出从CAN改为以太网之后帧率从15帧提升到30帧目标跟踪的响应延迟明显下降。但代价是上位机需要更强的点云存储和处理能力。以下是不同接口的典型带宽与适用场景表格接口类型典型带宽适用场景局限CAN500kbps~1Mbps目标级输出、单帧少量目标点云无法传输CAN-FD2~8Mbps中等点云、目标级大点云时带宽紧张以太网100Mbps~1Gbps4D点云、原始数据需要额外供电和线束选接口这件事看起来是硬件决策实际上会影响整个信号处理链路的架构设计。如果目标是输出目标级结果CAN足够如果要做4D点云融合或深度学习后处理就直接上以太网。我在多个项目里反复验证过这个结论。写在最后的经验做了这么多毫米波雷达相关的项目我个人最大的体会是原理层面的东西其实翻翻书都能懂真正拉开差距的是对物理效应的理解深度。FFT、CFAR、卡尔曼滤波这些算法本身不复杂复杂的是这些算法和射频前端、环境场景之间的相互作用。有时候调一个看似不起眼的参数背后对应的是发射链路相位噪声、接收链路增益波动、地表散射模型这些基础物理问题。遇到Bug先别急着改代码把物理过程捋一遍往往能少走很多弯路。如果你刚开始接触毫米波雷达建议先用开发板和mmWave Studio把原始ADC数据采集下来自己动手做一遍range-FFT、多普勒FFT和角度FFT亲眼看看目标在不同维度的峰值形态变化。这个过程比看十篇论文都有用。设备踩熟了再去调CFAR参数、做聚类跟踪你会对每个环节的为什么有更实在的体感。