甲基丙烯酸锌
基于汽车毫米波雷达的 CFAR算法研究
摘要：随着自动驾驶技术的不断演进，消费者、社会和政府将会提高对自动驾驶汽车的接受度，毫米波雷达频段控制新规的出台、自动驾驶新一代车型的推出和不断宣布进入造车领域的企业等都将推动自动驾驶行业的发展。本文基于77GHz汽车毫米波雷达平台，其具有穿透能力强，可在雨雪等恶劣天气条件下使用、不受光影变化和背景变化影响的特点，介绍了汽车毫米波雷达的恒虚警检测原理，然后提供了两种工程上常用的CFAR算法：单元平均恒虚警率（CA-CFAR）和有序统计量恒虚警率（OS-CFAR）。 实验设计的严密性
关键词： 毫米波雷达；单元平均恒虚警率；有序统计量恒虚警率
1.
引言
查重
近年来，自动驾驶得到快速发展，随着谷歌、苹果、百度、阿里等科技巨头入局造车使这一行业的竞争更加激烈。为了增加自动驾驶的可靠性，提高自动驾驶的社会接受度，首先提高驾驶员辅助系统（ADAS）的可靠性成为至关重要的一环，而毫米波雷达作为一种非接触式
传感器，其穿透能力强、不受光影和背景变化影响、可在雨雪等恶劣天气条件下使用的特点成为ADAS中必不可少的传感器之一。相较于视觉，其能够提供更加准确的速度和距离信息，且受环境等外界因素的影响远小于视觉，与此同时，毫米波雷达高集成度、小体积、低成本的特点相比于激光雷达更适合大规模的应用。伴随着采用级联设计方案的下一代4D成像毫米波雷达批量生产上市使用，毫米波雷达的分辨率得到大幅提升，其在自动驾驶领域发挥越来越重要的作用。
恒虚警检测技术是指雷达系统在保持虚警概率恒定条件下确定目标信号是否存在的技术。雷达在检测目标时，雷达除了会接收到目标的信号，还会接收到杂波、噪声或者干扰信号。毫米波雷达如何根据杂波、噪声这些背景信息自适应调整恒虚警检测的阈值来保证其具有稳定的恒虚警率是CFAR算法的关键。本论文对毫米波雷达目标检测原理以及常用的CFAR算法进行了介绍，最后在真实环境下采集了ADC数据，对不同的CFAR算法性能进行了对比。 1.
汽车毫米波雷达的目标检测原理
图1 Fast Chirps波形图
Fast Chirps的高斜率保证了混频后频率能量中距离信息的权重占绝大多数，根据系统参数定义，速度多普勒在1D-FFT中可默认不存在（频率量化）。信号采用2D-FFT处理，分离开距离和速度信息，提高了目标检测鲁棒性。缺点是需要较大的内存空间和计算时间较长。对硬件性能参数要求高[1]。
雷达的每包ADC原始数据采集通过连续的128个Chirp采集数据，每个Chirp采集256个ADC原始数据，如图2所示，其中表示采样前的准备时间，表示采样时间，表示每个Chirp采样点个数，表示采集结束后需要的等待时间。
2019理论中文字幕船舶机械图2 雷达原始数据采集图
将每一个通道的ADC原始数据按照如图3所示的方式排列，图中纵向128个Chirp间的数据采集了物体的微小位移变化，主要体现了目标的速度信息，称为速度维；图中横向每个Chirp采集的ADC数据可忽略多普勒频移的影响，主要体现了目标的距离信息，称为距离维。
图3 雷达原始数据排列图
在进行二维快速傅里叶变换操作时，首先对ADC原始数据的距离维先做一次快速傅里叶变换，得到目标点的距离信息，然后接着对ADC原始数据的速度维再进行一次快速傅里叶变换，得到目标点的速度信息。将数据采集来的第一通道的ADC原始数据进行二维快速傅里叶变换，将二维快速傅里叶变换结果取幅值后，如图4所示，根据峰值在频谱中的位置，便可以得到雷达检测目标的距离和速度信息。
西太平洋
图4 二维快速傅里叶变换的处理结果
二维快速傅里叶变换后的峰值点不一定是真实目标点，由于环境噪声、电路内部噪声和杂波等存在，毫米波雷达探测过程中也不可避免的会出现虚警的情况，需要对二维快速傅里叶变换后的峰值点进行恒虚警检测处理来提取真实目标点。这种虚警率的高低直接体现一款雷达的探测性能，恒虚警检测就是在保证一定的虚警率的情况下，尽可能提高毫米波雷达发现目标的概率[2]。为了使毫米波雷达拥有可预知并且稳定的检测性能，设计时通过实时从数据中估计实际干扰噪声功率，从而相应
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议