車載毫米波雷達目標檢測與定位技術研究

于淵　鄭銀香　趙成林　魏子平　陶藝文　李斌

摘要：車載毫米波雷達以其高帶寬、極強的穿透能力，將成為5G時代車聯網的重要組成部分。其中，車輛附近目標的高效檢測與定位是目前車載毫米波雷達領域亟待解決的重要問題。對車載雷達的發展概況進行簡述，總結了車載毫米波雷達領域目標檢測與定位技術的概況、技術原理以及存在挑戰。此外，提出基于接收信號強度與信號到達角度指紋的目標聯合檢測與定位技術框架，通過貝葉斯序貫推理框架完成高效目標檢測與精確定位。仿真結果顯示，所提新框架相較于傳統方法在目標檢測概率以及定位精度方面有明顯提升。

關鍵詞：車載毫米波雷達;檢測定位;指紋地圖;貝葉斯推理

doi：10.3969/j.issn.1006-1010.2019.11.004? ? ? ? 中圖分類號：TN953

文獻標志碼：A? ? ? ? 文章編號：1006-1010（2019）11-0021-07

引用格式：于淵，鄭銀香，趙成林，等. 車載毫米波雷達目標檢測與定位技術研究[J]. 移動通信， 2019，43（11）： 21-27.

Research on the Target Detection and Localization Technology for Vehicle-Mounted Millimeter-Wave Radar

YU Yuan1， ZHENG Yinxiang1， ZHAO Chenglin2， WEI Ziping2， TAO Yiwen2， LI Bin2

（1. China Mobile Research Institute， Beijing 100053， China;

2. Beijing University of Posts and Telecommunications， Beijing 100876， China）

[Abstract]?Due to the large bandwidth and strong penetration， the vehicle-mounted millimeter-Wave （mmWave） radar will be an important part of Internet-of-Vehicles （IoV） in the fifth-generation era. The efficient detection and localization of targets near the vehicle are urgent issues in the field of vehicle-mounted mmWave radar. This paper briefly introduces the development of vehicle-mounted radar， and summarizes the overview， technical principles and challenges of target detection and localization technology in the field of vehicle-mounted mmWave radar. In addition， a technical framework of joint detection and localization is proposed based on the Received Signal Strength （RSS） and Angle of Arrival （AoA） fingerprints， where the efficient target detection and accurate localization are achieved through the Bayesian sequential inference framework. Simulation results show that the proposed framework significantly improves the performance in terms of the target detection probability and localization accuracy compared with the traditional methods.

[Key words]vehicle-mounted mmWave radar; detection and localization; fingerprint map; Beyasian inference

0? ?車載雷達發展簡述

隨著時代發展，人們對車輛交通出行的安全需求普遍提高。雷達憑借其優異的目標探測技術可以有效減少交通出行中事故的發生幾率，因而備受汽車行業青睞。故而，車載雷達技術研究一直以來是汽車行業的重點[1]。隨著信號處理技術的不斷進步，車載雷達技術正在向低成本、高性能方向推進。目前，主流車載雷達可大致分為車載激光雷達、車載超聲波雷達以及車載毫米波雷達等。

（1）車載毫米波雷達簡介

近年來，隨著5G通信技術的發展，由5G衍生的各項技術研究成果逐步進入商用領域。根據3GPP 38.101協議的規定，5G NR（New Radio，新空口）主要使用的兩段頻率為FR1頻段和FR2頻段，其中FR2頻段即為毫米波頻段。毫米波作為5G的核心技術，一直以高帶寬、高速率、穿透能力強而備受研究人員矚目。FCC（Federal Communications Commission，美國聯邦通信委員會）早在2015年就規劃了四個頻段作為5G的主推頻段。

毫米波雷達技術自上世紀發展到今天，已經逐漸步向成熟。伴隨著集成電路芯片技術的突破，將毫米波雷達引入到車輛領域發展而來的車載毫米波雷達也取得了一定的進步。相較于其他車載雷達（如車載激光雷達、車載超聲波雷達），車載毫米波雷達對周圍無線環境具有更高的適應度，同時也能夠滿足更高的精度要求[2]。此外，毫米波雷達還擁有尺寸小、結構簡單輕便等優勢。故而，車載毫米波雷達是未來無人駕駛中一項不可或缺的關鍵技術。目前，TI（Texas Instruments，德州儀器公司）已研制用于車載雷達的毫米波CMOS單芯片傳感器，其將射頻前端與DSP（Digital Signal Processing，數字信號處理）、MCU（Micro Controller Unit，微控制單元）集成在一起，在減小尺寸的同時明顯提升數據處理速度與精度。該芯片已進入商用階段。

（2）其余車載雷達介紹

1）車載激光雷達

上世紀六十年代，激光作為一項新興技術剛一出現，便引起雷達測量領域的廣泛關注。隨著技術的不斷發展，研究人員對激光雷達的探索也在不斷深入，激光雷達的技術應用也層出不窮，如OCT（Optical Coherence Tomography，光學相干斷層掃描）影像技術、數字全息技術以及車載激光雷達測量技術等。

車載激光雷達以激光作為載波，并以信號振幅、頻率以及相位搭載信息。其工作原理即為發射機向測量目標發射激光信號，目標反射回波被接收機接收。經過適當處理后，接收機就可以獲得目標的相關信息，如目標位置、速度、方位角等信息，從而實現對目標的追蹤[3]。

受激光在空氣中傳播的特性影響，車載激光雷達具有一些顯著特點。其優點為測量精度十分準確，可達厘米級，這可為無人駕駛的安全性提供充分的保障。然而，相較于其他車載雷達，車載激光雷達也存在一些無可避免的劣勢，其體積較大，不便于集成，同時價格十分昂貴。

2）車載超聲波雷達

超聲波雷達作為目前車載雷達中最常使用的一種雷達之一，具有悠久的研究與發展歷史。由于其在短距離測量上的獨特優勢，超聲波雷達在汽車領域中多在倒車雷達中使用。

車載超聲波雷達發射的信號頻率范圍一般在30 kHz左右，其測量原理也較為簡單。雷達通過發送超聲波在空間中傳播，遇到目標以及障礙物便會反射回來。通過記錄得到的傳播時間計算就可以測得目標和障礙物的位置關系[4]。顯而易見，利用超聲波雷達進行測量原理較為簡單，成本也較低。然而，超聲波在介質中傳播距離有限，且受環境影響較大。在不同的天氣條件下，由于傳播介質的改變，超聲波傳播速度會發生變化。這將導致雷達無法準確追蹤汽車位置的實時變化，從而使得測量結果存在較大偏差。

表1綜合對比了各類雷達之間的優缺點，通過此表能對各車載雷達特點有較為清楚的認知：

1? ?車載毫米波雷達目標檢測與定位

隨著毫米波技術的更迭，車載毫米波雷達在汽車安全駕駛中扮演著越來越重要的角色。利用毫米波雷達對目標的距離、速度以及角度進行測量的技術已經十分成熟。

目標物體的檢測定位作為毫米波雷達最為廣泛的用途，能夠實現對檢測雷達附近的運動以及靜止的目標的精確感知，這對于車輛安全行駛和未來無人駕駛技術的發展具有重要的意義。

1.1? 車載毫米波雷達信號處理技術

車載毫米波雷達的發射波具有多種類別選擇，其中包括連續波和脈沖波形。對脈沖波形毫米波雷達而言，其發射的高頻脈信號傳輸速度極快，使得接收機系統接收信號的時間間隔極短。這對系統信號處理速度提出了很高的要求，同樣也對硬件設備的規格有一定的規定。因此脈沖毫米波雷達的實際應用通常受到一定限制。

與脈沖毫米波雷達不同，毫米波連續波雷達發射一系列已調連續信號，易于調制，在車載毫米波雷達中應用最為廣泛。

（1）目標距離和速度估計

毫米波連續波雷達通過發射機發送調頻連續波信號，信號經目標反射得到回波，該回波被接收機接收并與發送信號進行混頻濾波處理變為差拍信號，即中頻信號。對該中頻信號的信號強度以及相位信息進行分析可以實現對目標的距離以及速度的檢測[5]。其信號處理結構框圖如圖1所示：

發射信號經圖1流程處理后，得到的中頻信號中包含目標的距離以及速度信息。對于傳統的周期性的連續調頻波信號，如圖2所示，其經發射端發射，在傳播過程中經過目標物體并反射，被接收端接收。最終輸出的中頻信號形式為X（t， l），t表示某周期內信號持續的時間，l代表接收到的中頻信號所處周期段。

對于所得到的輸出中頻信號，其相位中包含目標的距離及速度信息。離散后的中頻信號可分為快時間維度和慢時間維度，即距離維度和多普勒維度。此時，對該信號矩陣使用二維傅里葉變換可以得到RDM（Range Doppler Map，距離多普勒圖）。對于所得RDM，采用CFAR（Constant False-Alarm Rate，恒虛警率）算法可篩選出真實目標的距離和速度。目標距離和速度檢測流程具體如圖3所示：

（2）目標方位估計

為了實現對目標物體的檢測和定位，除了目標的距離和速度信息，還要求了解目標的方位信息[6]。對車載毫米波雷達而言，為達到角度估計的目的，通常采用MIMO（Multiple-Input Multiple-Output，多輸入多輸出）技術，即在車載毫米波雷達發射端和接收端同時安裝多根發射天線和接收天線。

對同一發射天線而言，其發射信號經目標反射被不同接收天線接收處理后會得到不同的接收信號。在遠場條件下，由于目標與接收天線之間的距離遠比接收天線間隔長，反射信號可假設為平行直射入接收天線，因而不同接收天線之間的接收信號幅度基本不變，而僅存在由于波程差而引起的相位差。該相位差中包含目標的方位角度信息，其示意圖如圖4所示，其中，d表示接收天線的之間的間隔，θ表示目標與接收天線的相對方位角。因此，可以得到相鄰接收天線之間接收信號相位差為，λ表示信號波長。因而，在遠場條件下對接收信號向量采用一維傅里葉變換可以得到目標的方位角信息。

1.2? 車載毫米波雷達檢測定位技術面臨的挑戰

（1）目標檢測誤差較大

目標的漏檢與虛警是車載雷達不可避免的問題。在車輛行駛過程中，由于受到與目標物體之間的遮擋以及散射特性影響，雷達對目標物體的實時檢測會遇到未知突發問題。當目標物體被遮擋時，雷達檢測出的目標散射點數較少，導致位置信息檢測出現偏差。而當目標物體周圍雜波特性明顯時，雷達信號受雜波影響會出現異常情況，并很可能出現虛警與漏檢情況。

（2）定位精度難以滿足要求

在車載毫米波雷達目標定位過程中，定位精度是一直困擾研究人員的問題所在。目前，傳統的毫米波雷達信號處理框架利用當前時刻雷達接收信息對目標進行定位，在某些特殊時刻定位精度較低，從而導致目標的方位信息檢測出錯。因而，需要結合其它必要信息對當前時刻的目標定位進行輔助修正。

（3）俯仰角估計不精確

在利用車載毫米波雷達對目標物體進行三維檢測時，雷達在俯仰角度估計上會存在較大誤差。其主要原因在于分配至俯仰角測量的天線數目較少。考慮到系統設計的復雜度，當在雷達探測范圍內的XY平面上使用較多數目天線進行精確測量以獲取準確的目標方位信息時，在俯仰角方向上的天線數目分配便會降低。因此，如何均衡兩方面的天線資源分配也是亟待解決的問題。

（4）目標點速度估計不準確

車載毫米波雷達利用目標回波信號的相位差對目標相對于雷達的徑向速度進行估計，該速度估計范圍和發送調頻波的周期成反比。由于帶寬限制，調頻波周期無法設置過小，因此雷達可測量的最大速度將受到限制。因此，當目標速度超出車載毫米波雷達最大測量速度范圍時，需要對測量速度進行擴展以獲取目標真實速度。但由于噪聲等環境原因，傳統速度擴展機制誤差較大，因而如何對擴展后的速度進行準確糾正是車載毫米波雷達領域的重要問題。

（5）近場條件下目標估計誤差較大

目前，車載毫米波雷達領域的大部分研究均基于遠場條件，即假定目標與雷達的距離遠大于天線陣元間隔。如此，可假設回波信號被天線平行接收，從而實現目標方位角度估計。但隨著目標靠近車載雷達，上述假設與實際情況偏離逐漸顯著，從而使測量信息誤差增大。因而，近場條件下的目標信息估計需要更為準確高效的估計方法。

2? ?基于指紋的聯合目標檢測與定位框架

針對上述問題與挑戰，考慮車輛周邊范圍內電磁環境相對固定的特性，提出一種新型的基于接收信號強度與信號到達角度指紋地圖的目標檢測定位框架。新框架分為離線階段、在線階段兩個階段。在離線階段，基于車輛周圍的電磁環境建立接收信號強度與信號到達角度信息的指紋地圖;在在線階段，納入歷史時刻關于目標信號狀態信息以及位置信息的已有估計信息，設計基于貝葉斯序貫推理框架的聯合目標檢測與位置重構估計算法，實現高概率目標探測以及高精度目標位置獲取。

2.1? 系統模型

本節介紹車載毫米波雷達用于目標檢測與定位的系統模型，如圖5所示。

由于在車輛周圍的三維空間內，XY平面內的車輛、其它障礙物信息較之于Z軸空間內物體的信息更為重要，本文考慮XY平面內車輛或其它物體的存在情況與具體位置。

（1）指紋地圖構建

基于信號傳播特性指紋的定位技術如今已經被應用于多種場景中，以應對復雜電磁環境下信號傳播特性未知的問題[7]。為執行指紋定位，在離線階段，首先需進行參考區域以及參考點劃分。在所考慮的XY平面（為簡便分析，本文考慮在XY平面內以車輛毫米波雷達為原點，跨越一、二象限的矩形區域為毫米波雷達覆蓋區域）內，按照矩形等分成為N個小區域。其中每個小區域為一個參考區域，區域中心設置參考點。在進行離線階段的信號指紋地圖構建時，需將目標放置于每個所設置的參考點處，記錄目標位于每個參考區域內時其所反射信號經過未知信道后在車輛毫米波雷達處的接收信號屬性，并依據該屬性建立指紋地圖。

對于上述車輛毫米波雷達處的接收信號屬性，采用接收信號強度（單位為dBm）與目標角度方位信息聯合進行指紋記錄。由于在復雜電磁環境下，毫米波信號發射通常經歷多徑傳播，導致在信道相關時間內可能有多條路徑到達毫米波雷達處。為簡便分析，考慮接收信號強度最大的L條徑。考慮車輛處的毫米波雷達多天線采用均勻線陣（ULA， Uniform Linear Array）。對于接收信號強度，考慮毫米波雷達多天線陣元間隔遠小于雷達與目標物體的間距，可認為目標發射信號在雷達各個陣元處經歷相同的衰落，并獲得相同的接收信號強度[8]。則總接收信號強度為L徑接收信號強度的加權和。對于目標角度方位信息，考慮以信號相位建立指紋庫。ULA接收信號相位可用信號導向矢量表征，則對于考慮的L個徑，存在L個不同的導向矢量，其在各自的接收信號強度加權下，形成總導向矢量。通過在各個參考點處多次測量上述總接收信號強度與總導向矢量，取測量平均值，則可對車輛周圍電磁環境進行指紋地圖構建。

需說明的是，所構建基于信號特性的指紋地圖可能遇到障礙物突然進入車載雷達覆蓋區域而使指紋變化的問題。對此，可選擇有代表性的障礙物放置于參考點測量信號特性指紋，并以統計測量結果納入指紋地圖與算法框架進行聯合處理。此外，指紋地圖須以一定間隔不斷更新，以保證指紋對實際環境的準確表征及在線階段檢測定位性能。

（2）目標信號模型

對于目標反射信號模型，聯合考慮車輛所處位置的稀疏性（車輛或其它物體只存在于所劃分全部參考區域中的有限個，其個數遠小于劃分參考區域總數量）與動態性。其中動態性又分為兩方面：一方面，目標可能改變信號反射狀態（由靜默變為信號反射或由反射變為靜默）;目標位置將隨時間不斷變化。若分別考慮上述各屬性難度較大，因此采用隨機有限集合思想聯合對上述特性建模[9]。設隨機有限集合Xt統一描述t時刻的目標車輛的信號狀態和稀疏位置，該隨機有限集合Xt由服從伯努利分布的基和一個稀疏位置分布h（lt）共同完全描述。該隨機有限集合Xt的概率分布可表示為：

（1）

其中，p表示目標處于信號反射狀態的概率。目標信號狀態的遷移特性可由概率描述：出生概率描述目標從靜默變為信號反射狀態的概率;生存概率描述目標在下時刻繼續信號反射狀態的概率。稀疏位置分布h（lt）描述了目標位置的分布情況，其中稀疏向量lt包含對于目標位置稀疏性的描述。lt的0范數表示目標個數/目標所占參考區域的個數。對于目標位置的遷移特性，考慮采用D-RWM（Discrete-Random Walking Model，離散隨機游走模型）對其建模。具體地，基于目標車輛上一時刻的位置向量lt-1，在t時刻，目標車輛將以相同的概率停留在當前的小區域內（參考點處），或遷移到相鄰的各個小區域內（參考點處）。

2.2? 序貫檢測與定位算法流程

基于上述系統模型，在線階段，設計一種新型的目標檢測與定位算法。新方法基于貝葉斯序貫統計推理框架，以迭代的方式計算每時刻所建立的隨機有限集合Xt的后驗分布，并據此進行高精度目標檢測與目標位置估計。

基于包含目標位置稀疏性與目標信號動態性的隨機有限集合Xt，考慮其在t時刻的后驗概率密度f（Xt|g1：t），其在t-1時刻的后驗概率密度為f（Xt-1|g1：t-1）。則依據MAP（Maximum A Posteriori，最大后驗準則）原理[10]，在t時刻，隨機有限集合Xt的計算方法如式（2）所示： ? （2）

其中，f（Xt|Xt-1）為隨機有限集合Xt的一步轉移概率密度。根據上述目標動態性的兩個方面，該一步轉移概率密度中既包含由出生概率與生存概率所表征的目標信號狀態一步轉移概率，又包含目標位置狀態的一步轉移概率密度。gt表示t時刻車輛毫米波雷達觀測到的目標信號向量。為序貫獲得上述公式中的后驗概率密度f（Xt|g1：t），采用經典貝葉斯統計推理框架，以預測/更新兩步驟進行迭代概率密度計算。

（1）預測步驟

考慮在t時刻獲取上一時刻（t-1時刻）隨機有限集合Xt的后驗概率密度f（Xt-1|g1：t-1），引入一步轉移概率密度，則在t時刻的一步轉移預測概率密度可由查普曼科爾戈莫洛夫公式計算，具體計算公式如下：

（3）

式（3）表示，基于t-1時刻后驗概率密度f（Xt-1|g1：t-1），遍歷Xt-1所有可能取得的值（包括目標信號可能的狀態以及目標可能位于的所有可能參考區域），以一步轉移概率加權，可得一步預測概率密度。

（2）更新步驟

在計算得一步預測概率密度的基礎上，引入t時刻的目標信號觀測值gt，基于貝葉斯公式可將預測概率密度更新為后驗概率密度。更新公式如式（4）所示[11]：

（4）

其中，∫φ（gt|Xt）為似然密度，表示在隨機有限集合取值Xt條件下，取得觀測信號向量gt的可能性。t時刻計算得到的后驗概率密度f（Xt|g1：t）可輸入到下一時刻（t+1時刻）的算法流程中，作為隨機有限集合Xt+1的先驗概率密度。

估計得后驗概率密度后，可根據隨機有限集合定義（見式（1）），具體計算目標處于信號發射狀態的概率p與目標位置后驗概率密度h（lt）。對于p，設置判決門限（如0.5），則可獲得目標t時刻信號發射狀態;對于h（lt），采用MAP準則，可進一步獲得目標t時刻的具體位置（處于的具體參考區域）。

所設計目標檢測定位算法流程圖如圖6所示：

2.3? 仿真結果

在本節中，對所設計的基于接收信號強度與信號到達角度指紋的聯合目標檢測與定位算法進行實驗驗證。數值仿真參數設置如下：考慮車輛毫米波雷達覆蓋范圍為車輛前部矩形范圍，范圍內等分為256個參考區域;256個參考點置于每個參考區域的中心位置;毫米波雷達多天線位于矩形范圍底部中心位置;發射功率設置為50 dBm;路徑損耗指數為3;天線陣元間隔設置為毫米波信號波長的1/2。

圖7（a）示出了基于指紋的聯合目標檢測與定位算法與傳統方法在不同天線數量下的目標檢測精度對比圖。如圖所示，通過將歷史估計信息納入到當前時刻的檢測流程中來，本文提出方法在目標檢測精度上較之于傳統方法提升約8 dB。當天線數量為64時，本文提出方法目標檢測精度約為0.99，而傳統方法檢測精度約為0.82。此外，提升天線數量可有效提高信號測量精度與角度分辨率，因而可提升檢測概率。

圖7（b）示出了本文方法與傳統方法的目標定位精度對比圖。如圖所示，本文方法能以較高的精度估計目標位置。通過設計基于貝葉斯推理框架的聯合檢測定位算法，新方法較之于傳統方法提升約5 dB。在信噪比為-6 dB時，本文方法即可達到1 m以下的定位精度，而傳統方法需要在信噪比為0 dB以上時，才能達到1 m定位精度。

3? ?結束語

本文對車載雷達的發展作了總結，簡要介紹了包括車載毫米波雷達在內的多種車載雷達的原理、優勢與劣勢，著重介紹了車載毫米波雷達的目標檢測與定位功能，對其技術原理與目前存在的問題與挑戰作了詳細分析。在此基礎上，提出一種用于車載毫米波多天線雷達的基于指紋的聯合目標檢測與定位框架。新方法對車載毫米波雷達周圍電磁環境進行記錄形成指紋地圖，并通過貝葉斯序貫推理框架實現目標高效檢測與位置估計。仿真結果顯示，新方法較之于傳統方法檢測精度提升約8 dB，定位精度提升約5 dB。

參考文獻：

[1] S B Yeap， X Qing， Z N Chen. 77 GHz Dual-Layer Transmit-Array for Automotive Radar Applications[J]. IEEE Transactions on Antennas and Propagation， 2015，63（6）： 2833-2837.

[2] P Almorox-Gonzalez， J Gonzalez-Partida， M Burgos-Garcia， et al. Millimeter-Wave Sensor With FMICW Capabilities for Medium-Range High-Resolution Radars[J]. IEEE Transactions on Microwave Theory and Techniques， 2009，57（6）： 1479-1486.

[3] N Shimomura， K Fujimoto， T Oki， et al. An algorithm for distinguishing the types of objects on the road using laser radar and vision[J]. IEEE Transactions on Intelligent Transportation Systems， 2002，3（3）： 189-195.

[4] M Hurtado， A Nehorai. Polarimetric Detection of Targets in Heavy Inhomogeneous Clutter[J]. IEEE Transactions on Signal Processing， 2008，56（4）： 1349-1361.

[5] P Krishnan. Design of Collision Detection System for Smart Car Using Li-Fi and Ultrasonic Sensor[J]. IEEE Transactions on Vehicular Technology， 2018，67（12）： 11420-11426.

[6] H Chen， B Huang， L Bin， et al. Joint estimation of target doppler frequency and azimuth angle of scanning system radar[C]//2007 European Radar Conference. Munich， 2007： 444-447.

[7] S H Fang， Y T Hsu， W H Kuo. Dynamic fingerprinting combination for improved mobile localization[J]. IEEE Transactions on Wireless Communications， 2011，10（12）： 4018–4022.

[8] T Xiaohua， W Mei， L Wenxin. Improve Accuracy of Fingerprinting Localization with Temporal Correlation of the RSS[J]. IEEE Transactions on Mobile Computing， 2018，17（1）： 113-126.

[9] B Vo， W Ma. The Gaussian Mixture Probability Hypothesis Density Filter[J]. IEEE Transactions on Signal Processing， 2006，54（11）： 4091-4104.

[10] J Gauvain， C Lee. Maximum a posteriori estimation for multivariate Gaussian mixture observations of Markov chains[J]. IEEE Transactions on Speech and Audio Processing， 1994，2（2）： 291-298.

[11] M S Arulampalam， S Maskell， N Gordon， et al. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking[J]. IEEE Transactions on Signal Processing， 2002，50（2）： 174-188. ★