【雷达仿真 | FMCW TDMA-MIMO毫米波雷达信号处理仿真(可修改为DDMA-MIMO)】

news2024/11/23 19:20:03

在这里插入图片描述

本文编辑:调皮哥的小助理

本文引用了CSDN雷达博主@XXXiaojie的文章源码(https://blog.csdn.net/Xiao_Jie1),加以修改和注释,全面地、详细地阐述了FMCW TDM-MIMO毫米波雷达的工作原理,同时配套MATLA仿真实现方法,非常适合于雷达刚入门的同学参考学习,并引导大家基于TDMA-MIMO扩展到DDMA-MIMO,进而在宏观上认识雷达,从微观上掌握雷达,形成雷达学习过程中战略与战术的统一。

本文尤其感谢CSDN雷达博主@XXXiaojie在雷达领域贡献的技术文章,帮助了很多人。XXXiaojie是桂林电子科技大学的硕士研究生,本专业不是雷达,而是从计算机专业转到雷达这边的,其代码的阅读和分析能力非常强,对于TI毫米波雷达架构和原理的理解也是十分到位的,感兴趣的朋友可以搜索他的CSDN文章,XXXiaojie博主也在雷达技术交流【1】群中,感兴趣可以相互交流。

立足于本文,雷达初学者下可掌握雷达基本原理,上可继续在本文的基础之上扩展DDMA或其他调制波形(只需修改发射信号模型即可),以及聚类、跟踪等雷达数据处理,甚至是雷达通信一体化(通感一体化)等算法的仿真。在本文分享的MATLAB仿真代码程序中会引出如何生成多帧的雷达数据,用于后续的雷达数据处理。

然而,雷达信号处理和数据处理的理论远远不止限于此,但雷达的科普一直持续在入门阶段,我们不能只停留在这里,因此本文算是雷达入门科普的一个闭环文章,以后希望随着我个人见闻的增加,能够分享更加有深度的雷达科普内容。

〇、基础知识介绍

1、FMCW叫做调频连续波,调频连续波有步进调频连续波(SFMCW)、线性调频连续波(LFMCW),以及其他非线性调频连续波。LFMCW有锯齿波和三角波等等;锯齿波有恒定调制周期的锯齿波和非恒定周期的锯齿波。关于FMCW雷达目标检测的基本原理可以参考Tide官方文档:Introduction to mmwave sensing:FMCW radars.pdf和The fundamentals of millimeter wave sensors

2、MIMO是多输入多输出(Multiple input Multiple output),也就是多发多收。关于MIMO的基本原理可以参考TI的官方文档:MIMO radar.pdf

TDM-MIMO也就是时分复用的多发多收,也称为TDMA-MIMO。DDMA-MIMO是多普勒多通道分离的多发多收。除了TDMA、DDMA外,还有CDMA等MIMO发射波形,总结如下表:

在这里插入图片描述
(图来自参考论文[1])

TDM-MIMO也就是多个发射天线分时间轮流发射信号,但每个发射信号之间信号模型都是一样的;但DDMA是多个天线同时发射信号,每个发射信号之间的初始相位是按照chirp数和发射天线数量变化的。具体关于DDMA的原理可以参考TI官方文档:基于AWR2944的汽车雷达DDMA波形的原理和实现.pdf。

上述文章是本文的基本理论基础,如果还要更加深层次了解雷达的基本原理,那么推荐看下面这两篇文章:

1.调皮连续波:雷达入门系列文章(3)| 毫米波雷达信号处理入门教程

2.调皮连续波:雷达原理 | 用MATLAB信号处理是如何解算目标的距离和速度信息的?

好了,理论研究得差不多了,那么我们就开始讲仿真吧。

一、总结概述

本文的仿真流程主要如下所示:

1、雷达参数生成;
2、信号模型构建;
3、IQ通道校正;
4、雷达信号处理之距离估计(1D-FFT);
5、雷达信号处理之速度估计(2D-FFT);
6、雷达信号处理之角度估计(3D-FFT);
7、多通道间的非相干积累;
8、CFAR检测;
9、峰值检索;
10、多普勒补偿
11、DOA估计。

上述过程可以采用多帧重复运行,连续多帧多目标运动的演示效果如下所示:

在这里插入图片描述

二、雷达参数设置

雷达参数设置包括雷达波形参数设计、目标参数设计、射频前端参数选择等等,这些参数都是可以任意修改的,也就是可以随着雷达系统设计人员的需求而尽情发挥,并不只是限于本文。比如77G可以修改为24G或者35G,原理都是相通的,只是频段不同。

其中,需要注意采样点数与采样时间、采样率之间的匹配关系,修改的时候要匹配好,不然会错先错误。同样,雷达探测的最大距离、最大不模糊速度也要设置好,否则,如果没有特别的算法来解决,那就会和预想的结果不一样。

parameter.c = 3e8;             %光速
parameter.stratFreq = 76.5e9;  %起始频率


parameter.Tr = 10e-6;          %扫频时间 也就是周期
parameter.Samples = 256;       %采样点
parameter.Fs = 25.6e6;         %采样率

parameter.rangeBin = parameter.Samples ;      %rangebin
parameter.Chirps = 512;        %chirp数
parameter.dopplerBin = parameter.Chirps;    %dopplerbin

parameter.Slope = 30e12;       %chirp斜率
parameter.Bandwidth = parameter.Slope * parameter.Tr ; %发射信号有效带宽
parameter.BandwidthValid = parameter.Samples/parameter.Fs*parameter.Slope; %发射信号带宽
parameter.centerFreq = parameter.stratFreq + parameter.Bandwidth / 2; %中心频率
parameter.lambda = parameter.c / parameter.centerFreq; %波长

parameter.txAntenna = ones(1,3); %发射天线个数
parameter.rxAntenna = ones(1,4); %接收天线个数
parameter.txNum = length(parameter.txAntenna);
parameter.rxNum = length(parameter.rxAntenna);
parameter.virtualAntenna = length(parameter.txAntenna) * length(parameter.rxAntenna);

parameter.dz = parameter.lambda / 2; %接收天线俯仰间距
parameter.dx = parameter.lambda / 2; %接收天线水平间距
parameter.doaMethod = 2; %测角方法选择 1-dbf  2-fft 3-capon
parameter.target = [
                    100 -20 0; %target1 range speed angle
                    0  10  -30;  %target2 range speed angle
                    0  20   30;  %target2 range speed angle
                    ];

设置雷达参数这部分内容就是属于雷达系统设计了,客户或者我们自己需要设计一个什么样的雷达,满足什么样的指标需求,所涉及到的参数都在这里设置好,因此这些参数完全可以按照我们的想法设计。比如雷达的收发天线可以设计为单发单收、单发多收、多发多收(如12T16R)。

上述代码中,我们设置了三个目标,如同在上述gif动图中见到的那样,目标的速度、距离需要符合实际。如果有同学需要生成许多点云,那就可以把目标的个数搞多一点,还可以加上测量俯仰角的天线,模拟人体三维点云。

TDM-MIMO信号模型

根据之前设置好的雷达系统参数,在这里就可以生成发射信号模型、接收信号模型、混频,以及中频信号模型。

发射信号模型(复信号形式):

s t ( t ) = exp ⁡ { 2 π ( f 0 t + u t 2 / 2 ) + ϕ 0 } , t ∈ [ 0 , T r ] s_t(t)=\exp \left\{2 \pi\left(f_0 t+u t^2 / 2\right)+\phi_0\right\}, \quad t \in\left[0, T_r\right] st(t)=exp{2π(f0t+ut2/2)+ϕ0},t[0,Tr]

在这个程序中的信号是按照天线和脉冲依次生成的,所以下面的代码和上述的公式的写法有些不同,这个要明白。

St = exp((1i2pi)(centerFreq(t+( chirpId-1)Tr)+slope/2t.^2)); %发射信号

接收信号模型:
S r ( t ) = K exp ⁡ { 2 π [ f 0 ( t − τ ) + u ( t − τ ) 2 / 2 ] + ϕ 0 } , t ∈ [ 0 , T r ] S_r(t)=K \exp \left\{2 \pi\left[f_0(t-\tau)+u(t-\tau)^2 / 2\right]+\phi_0\right\}, t \in\left[0, T_r\right] Sr(t)=Kexp{2π[f0(tτ)+u(tτ)2/2]+ϕ0},t[0,Tr]

Sr = 10exp((1i2pi)((centerFreq-fd)(t-tau+( chirpId-1) * Tr)+slope/2(t-tau).^2 + wx)); %回波信号

在程序中,增加了不同天线的相位差项。以后不管是运动目标还是静止目标,信号模型都统一写为一个,其中静止目标只是速度为零罢了。如下列代码中targetSpeed =0。而当遇到多目标时,直接对接收信号求和即可。

tau=2*(targetRange+targetSpeed*(txId-1)*Tr)/c;

然后可以增加点噪声:

Sif=awgn(Sif,20);%叠加20dB高斯白噪声

生成信号模型的代码如下,这里的信号模型也就是指后续处理需要的数据,其中在目标参数方面我修改了一些,主要是让多帧连续运动的目标看起来更贴近实际运动。比如说,不能让两个速度不同的目标,看起来跑的一样快,再者目标原理雷达和靠近雷达的速度方向是不同的,一般在连续波雷达中目标靠近雷达是速度是负的,而远离雷达目标速度是正的,这有点违反了人的直觉,但实事就是如此。关于这个现象的解释,我在这里做了个人的分析:

调皮连续波:雷达原理 | 讨论调频连续波雷达目标运动方向与速度正负的关系?

t = 0:1/fs:Tr-(1/fs); %chirp采样的时间序列
for chirpId = 1:chirps
   for txId = 1:txNum 
        St = exp((1i*2*pi)*(centerFreq*(t+( chirpId-1)*Tr)+slope/2*t.^2)); %发射信号
        for rxId = 1:rxNum
            Sif = zeros(1,rangeBin);
            for targetId = 1:targetNum

                %%连续帧 目标设置,如果不需要连续帧,令Parameter.frame=0,即可。
                if targetId==1
                    targetRange = target(targetId,1)-Parameter.frame; 
                    targetSpeed = target(targetId,2); 
                    targetAngle = target(targetId,3);
                elseif targetId==2
                    targetRange = target(targetId,1)+0.5*Parameter.frame; 
                    targetSpeed = target(targetId,2); 
                    targetAngle = target(targetId,3);
                elseif targetId==3
                    targetRange = target(targetId,1)+Parameter.frame; 
                    targetSpeed = target(targetId,2); 
                    targetAngle = target(targetId,3);
                end

                tau = 2 * (targetRange + targetSpeed * (txId - 1) * Tr) / c;
                fd = 2 * targetSpeed / lambda;
                wx = ((txId-1) * rxNum + rxId) / lambda * dx * sind(targetAngle);
                Sr = 10*exp((1i*2*pi)*((centerFreq-fd)*(t-tau+( chirpId-1) * Tr)+slope/2*(t-tau).^2 + wx));  %回波信号
                Sif = Sif + St .* conj(Sr);
                %叠加20dB高斯白噪声
                Sif = awgn(Sif,20);
            end
            rawData((txId-1) * rxNum + rxId,:,chirpId) = Sif;
        end
    end
end

三、回波信号分析

回波信号分析这里,我们其实可以假设,原始数据就是来自雷达射频前端,经过混频器、带通或者低通滤波器,然后被ADC正交采样。雷达其实可以采用正交采样(复采样),也可以采用实采样,二者各自有优缺点,选择什么却决于雷达系统设计人员的设计,以及实际的需求,但本文还是选择正交采样。关于这点,可以看这篇文章:

调皮连续波:FMCW雷达系统中的复基带架构(中英文翻译对照)

这里我们采用一个chirp来验证我们的想法,假设接收到的信号是IQ不平衡的,我们拆分IQ的实数部分和虚数部分,然后把实数部分增加幅度因子和相位因子,人为使得IQ不平衡。

%% IQ通道校正
firstChirp_I = imag(firstChirp);
firstChirp_Q = real(firstChirp);
%设定幅度误差因子
alpha = 2;
%设定相位误差因子
phi = 5;
firstChirp_Q_1 = (alpha+1)firstChirp_Qexp(phi2pi/360);

然后采用IQ不平衡补偿算法来修正,具体的算法原理可以看这篇文章:

调皮连续波:雷达信号处理中I/Q正交信号不平衡补偿算法(含matlab代码)(文章中有个公式和代码写错了,注意区分,在本文中的代码修改过来了)。本文一谈到原理,我就叫大家去看别的文章,其实很多基础知识之前都分享个人的见解,在这里方便引用,就不再重复说了。

%% IQ通道不平衡 效果
firstChirp_IQ_1 = complex(firstChirp_Q_1,firstChirp_I);
%IQ通道校正算法
%求均值
firstChirp_I = imag(firstChirp_IQ_1);
firstChirp_Q = real(firstChirp_IQ_1);
I_before_correction =firstChirp_I-mean(firstChirp_I);
Q_before_correction=firstChirp_Q -mean(firstChirp_Q);
%估计参数
alphi = sqrt(mean(Q_before_correction.*Q_before_correction)/mean(I_before_correction.*I_before_correction))-1;
phi = -asin(mean(I_before_correction.*Q_before_correction)/sqrt(mean(I_before_correction.*I_before_correction)*mean(Q_before_correction.Q_before_correction)));
%P矩阵求解
P = [1,0;tan(phi),1/((1+alphi)cos(phi))];
%计算IQ
IQ = P
[I_before_correction;Q_before_correction];
%重组信号
I =IQ(1,:);
Q =IQ(2,:);
signal_IQ =Q+I
1j;
%图形绘制
% figure(2)
% subplot(2,1,1);
% plot((abs(fft(firstChirp_IQ_1))));
% xlabel(‘距离(m)’); ylabel(‘幅值’);title(‘距离维FFT(校正前)’);
% subplot(2,1,2);
% plot((abs(fft(signal_IQ))));
% xlabel(‘距离(m)’); ylabel(‘幅值’);title(‘距离维FFT(校正后)’);

IQ补偿前后的效果如下图所示,可见镜像频率还是很明显的,抑制后频谱干净了许多。本文采取的是窄带IQ不平衡补偿,因为中频信号的带宽比较窄,如果是换做通信系统中,则是需要宽带IQ不平衡补偿算法,那时会采取一种滤波器组的方法实现。

在这里插入图片描述
时域信号如下:

在这里插入图片描述

四、距离估计

现在要解算目标的距离了,原理很简单,之前的文章看过就清楚了,无非就是对一个chirp内的中频信号做一次FFT,这里以单个chirp为例子说明:

%%1D FFT
fft1dData = fft(firstChirp);
% figure(3);
% plot(rangeIndex,db(abs(fft1dData)./max(abs(fft1dData))));
% xlabel(‘距离(m)’); ylabel(‘幅值(dB)’);title(‘距离维FFT’);

在这里插入图片描述

五、速度估计

计算速度和计算距离的顺序可以交替,就像我在之前的文章(知乎答疑 | 雷达信号处理中的距离维FFT和速度维FFT的执行顺序能够交换嘛?)中谈到的那样。

这里需要对所有接收通道都做FFT,其实如果时单纯计算目标的速度和距离的话,利用一个通道就可以了,但是为了后续进行CFAR检测之前做非相干积累,这里必须多所有通道处理。

%% 2D FFT
%% 距离-多普勒谱
channelNum = size(rawData,1);
rangebinNum = size(rawData,2);
dopplerbinNum = size(rawData,3);
fft2dDataPower= zeros(size(rawData));
fft2dDataDB = zeros(size(rawData));
fftRADataPower= zeros(size(rawData));
for chanId = 1:1:channelNum
fft2dDataPower(chanId,:, : ) = RDfftMatrix(rawData(chanId,:,: ));
end

% figure(4);
% mesh(dopplerIndex’,rangeIndex,db(abs(squeeze(fft2dDataPower(chanId,:,: )))));
% view(2);
% xlabel(‘速度(m/s)’); ylabel(‘距离(m)’); zlabel(‘幅值’);
% title(‘距离-多普勒谱’);
% mesh(abs(squeeze(fft2dDataPower(chanId,:,: ))));

速度估计得到的时距离-多普勒谱,也就是RD图。这里距离和速度估计统一做FFT,代码如下,并且还采用了hanning窗加窗处理(加权)。关于雷达信号处理加窗的详细原理,在文章(雷达信号处理中的离散傅里叶变换(DFT)以及加窗)中有说明。

rawData = squeeze(rawData);
[rangeBin,dopplerBin] = size(rawData);
rangeWin = hanning(rangeBin);
rangeWin2D = repmat(rangeWin,1,dopplerBin);
dopplerWin = hanning(dopplerBin)';
dopplerWin2D = repmat(dopplerWin,rangeBin,1);
rawDataWin = rawData .* rangeWin2D;
fft1dData = fft(rawDataWin,rangeBin,1);
fft1dDataWin = fft1dData .* dopplerWin2D;
fft2dData = fftshift(fft(fft1dDataWin,dopplerBin,2),2);

距离处理不需要fftshift,速度需要fftshift处理把零速度通道(零频分量)移到中点,重新排列傅里叶变换。

在这里插入图片描述

六、角度估计

角度估计和距离估计也是放在一起的,这里为了方便体现二者之间的关系。步骤与距离和速度估计一样,代码如下,也是采用了hanning窗加窗,窗函数可以选择其他的,比如泰勒窗、布莱克曼窗等等,具体看信噪比以及其他方面的需求。

rawData = squeeze(rawData);
[angleBin,rangeBin] = size(rawData);

angleWin = hanning(angleBin);
angleWin2D = repmat(angleWin,1,rangeBin);

rangeWin = hanning(rangeBin)';
rangeWin2D = repmat(rangeWin,angleBin,1);

rawDataWin = rawData .* angleWin2D;
fft1dData = fftshift(fft(rawDataWin,angleBin,1));

fft1dDataWin = fft1dData .* rangeWin2D;
fft2dData = fft(fft1dDataWin,rangeBin,2);

计算结果如下图所示,符合目标参数中的角度设置,但是角度还是有些不太精确,还要看后续进行多普勒补偿后再看看结果如何。

parameter.target = [100 -20 0; %target1 range speed angle0 10 -30; %target2 range speed angle0 20 30; %target2 range speed angle ];

在这里插入图片描述

七、非相干累积

相干累积速度估计时做FFT时体现的,利用多个chirp做FFT就是相干积累,非相干积累就是纯粹的幅值叠加,二者之间的信噪比改善是不同的。

[channelNum,rangeBin,dopplerBin] = size(fft2dDataDB);
accumulateRD = zeros(rangeBin,dopplerBin);

for channelId = 1:channelNum
    accumulateRD = accumulateRD + (abs(squeeze(fft2dDataDB(channelId,:,:))));
end

在这里插入图片描述

八、CFAR检测

CFAR检测需要预先根据目标特性设置CFAR参数,如参考单元、保护单元、阈值,以及CFAR模式选择(CA-CFAR、SO-CFAR、GO-CFAR、OS-CFAR)等。

parameter.dopplerMethod = 1; %1:ca-cfar 2:so-cfar 3:go-cfar
parameter.dopplerSNR = 10;
parameter.dopplerWinGuardLen = 2;
parameter.dopplerWinTrainLen = 8;

parameter.rangeMethod = 1; %1:ca-cfar 2:so-cfar 3:go-cfar
parameter.rangeSNR = 10;
parameter.rangeWinGuardLen = 2;
parameter.rangeWinTrainLen = 4;

CFAR检测采用两次一维CFAR组成二维CFAR,首先再速度为进行一次CA-CFAR,然后再距离维再进行一次CA-CFAR,这样可以减少计算量。

上述中CFAR阈值也被称为门限因子,通常门限因子是10进制的常数: T 0 ⩾ K 0 Z T 0 \geqslant K_0 Z T0K0Z ,Z是左右参考单元平均后的平均值,K0是常数。

但是某些情况下也需要转为对数(dB),转换公式为:

T = 10 ∗ log ⁡ ( Z ) + 10 ∗ log ⁡ ( K 0 ) T=10 * \log (Z)+10 * \log (K 0) T=10log(Z)+10log(K0)

代码中设置为T=10dB((程序中是parameter.dopplerSNR)):

T = 20 ∗ log ⁡ 10 ( T 0 ) , T 0 = 1 0 ( T / 20 ) , T 2 = log ⁡ 2 ( T 0 ) = log ⁡ 2 ( 1 0 ′ T / 20 ) = T / 6 \left.T=20 * \log 10(T 0), \quad T 0=10^{(} T / 20\right), T 2=\log 2(T 0)=\log 2\left(10^{\prime} T / 20\right)=T / 6 T=20log10(T0),T0=10(T/20),T2=log2(T0)=log2(10T/20)=T/6

在MATLAB中采用log10()好计算,但是在硬件平台采用log2()更好,因为计算机都是二进制,计算效率高一些。TI的程序代码中CFAR阈值设置的是一个十进制数(Tcli =5120),转换为对数后T=15dB,转化公式为:

T c l i = 256 × T_{c l i}=256 \times Tcli=256× numVirtualAntennas × T ( d B ) / 6 \times \mathrm{T}(\mathrm{dB}) / 6 ×T(dB)/6

CFAR检测的结果如下图所示:

在这里插入图片描述

九、峰值聚合

峰值聚合的目的是为了对CFAR检测之后的目标点进行一次精细搜索,本次仿真所涉及到的原理如下图所示。

在这里插入图片描述
(峰值聚合模型)

对照代码分析,简单一句话就是判断某一个点是否比周围四个点大,如果大于,就是需要的点,如果不是那就舍弃,如代码中第二个if。

peakSearchList = [];
[rangeLen, dopplerLen] = size(RD_cfar);
RD_pearkSearch = zeros(rangeLen, dopplerLen);
length = size(cfarTargetList,2);

for targetIdx = 1:length

    rangeIdx   = cfarTargetList(1,targetIdx); 
    dopplerIdx = cfarTargetList(2,targetIdx); %坐标

    if rangeIdx > 1 && rangeIdx < rangeLen && dopplerIdx > 1 && dopplerIdx < dopplerLen %边界点不考虑  
       
        if RD_cfar(rangeIdx,dopplerIdx) > RD_cfar(rangeIdx - 1,dopplerIdx) && ...
                RD_cfar(rangeIdx,dopplerIdx) > RD_cfar(rangeIdx + 1,dopplerIdx) && ...
                RD_cfar(rangeIdx,dopplerIdx) > RD_cfar(rangeIdx,dopplerIdx - 1) && ...
                RD_cfar(rangeIdx,dopplerIdx) > RD_cfar(rangeIdx,dopplerIdx + 1)

                RD_pearkSearch(rangeIdx,dopplerIdx) = RD_cfar(rangeIdx,dopplerIdx);

                cfarTarget = [rangeIdx ; dopplerIdx];

                peakSearchList = [peakSearchList cfarTarget];
        end   
    end
end  

峰值聚合后的结果如下图所示:

在这里插入图片描述

峰值聚合的算法不止上面这种,另外还有很多,感兴趣的同学可以自己检索。

十、多普勒补偿

之前的角度估计是利用3D-FFT来实现的,由于FMCW是利用相邻chirp间的相位差的变化来估计目标速度的,并没有考虑运动目标的多普勒频移,根据接收信号模型:

Sr = 10exp((1i2pi)((centerFreq-fd)(t-tau+( chirpId-1) * Tr)+slope/2(t-tau).^2 + wx)); %回波信号

假设,雷达在2T4R TDM-MIMO的工作方式下,TX2形成的4个虚拟天线会由于运动目标的多普勒效应相对于TX1形成的4个虚拟天线将产生一个多普勒相位偏移,这种多普勒偏移引起的相位差会映射到角度上,引起测角不准确。因此,对目标进行角度估计前须对相位偏移进行校正,也称作多普勒相位补偿,保证角度估计的准确性。

在这里插入图片描述
(多普勒偏移)

关于多普勒相位补偿和速度扩展算法的原理,可以阅读TI官方的文档:基于AWR1642汽车雷达的速度扩展算法研究.pdf。多普勒补偿的程序也比较简单,主要就是利用之前计算出来的速度值,把相位偏移计算出来:

Δ φ = 2 π Δ f T c \Delta \varphi=2 \pi \Delta f T_c Δφ=2πΔfTc

其中 Δ f \Delta f Δf 为多普勒频偏, T c T_c Tc 为chirp调制时间,上述公式在代码中被转化为单纯的多普勒单元做运算了,具体转换公式如下所示:

Δ φ = 2 π Δ f T c = 2 π 2 V r λ T c = 2 π 2 T c λ Δ V r ∗ n = 2 π 2 T c λ ∗ λ 2 N ∗ T c ∗ n = 2 π ∗ n N \Delta \varphi=2 \pi \Delta f T_c=2 \pi \frac{2 V_r}{\lambda} T_c=2 \pi \frac{2 T_c}{\lambda} \Delta V_r * n=2 \pi \frac{2 T_c}{\lambda} * \frac{\lambda}{2 N * T_c} * n=2 \pi * \frac{n}{N} Δφ=2πΔfTc=2πλ2VrTc=2πλ2TcΔVrn=2πλ2Tc2NTcλn=2πNn

其中,n就是当前速度所在的多普勒单元索引,N就是全部多普勒单元索引,然后再补偿回去就ok了,具体看下面的程序就一目了然。

compCoffVec = zeros(parameter.virtualAntenna,1);
txNum = length(parameter.txAntenna);
rxNum = length(parameter.rxAntenna);
phi = 2 * pi * (speedBin - parameter.dopplerBin/2 - 1) / parameter.dopplerBin;
delta = phi 
for txId = 1:txNum
    for rxId = 1:rxNum
        compCoffVec((txId-1) * rxNum + rxId) = exp(-1i * (txId-1) * delta);
    end
end

经过多普勒补偿前后的角度结果对比如下图所示,上图为整体角度差异,下图为局部角度差异,可见多普勒补偿后角度更加接近实际值:

在这里插入图片描述
在这里插入图片描述
(局部图,左边为未补偿,右边为补偿后)

十一、DOA估计

终于到最后一节了,不容易啊,经过多普勒补偿之后角度会更加准确,在仿真程序中采用了三种DOA估计算法,分别是FFT、DBF以及Capon,三种算法都可以选择。其中DBF关键在于计算加权系数,然后加权求和:

在这里插入图片描述

for degscan = deg
    for txId = 1:txNum
        for rxId = 1:rxNum
            dphi = ((txId-1) * rxNum + rxId - 1) * 2 * pi / lambda * dx * sind(degscan);
            weightVec((txId-1) * rxNum + rxId) = exp(-1i * dphi);
        end
    end
    doa_dbf(kk) = antVec'*weightVec;
    kk = kk + 1;
end
doa_abs = abs(doa_dbf);
[pk,loc]=max(doa_abs);
angle = deg(loc);

FFT算法跟之前一样,比较简单:

angleIndex = asin((-512:1:512-1)/512) * 180 / pi;
doa_fft=fftshift(fft(antVec,1024));
doa_abs=abs(doa_fft);
[pk,loc]=max(doa_abs);
angle = angleIndex(loc);

Capon公式稍微多一些,但也不复杂,三个算法本质上都是空间滤波。

kk = 1;
for degscan = deg
    for txId = 1:txNum
        for rxId = 1:rxNum
            virtualAntennaId = (txId-1) * rxNum + rxId - 1;
            dphi = 2 * pi / lambda * dx * virtualAntennaId * sind(degscan);
            a((txId-1) * rxNum + rxId) = exp(-1i * dphi);
        end
    end
    RxInv = inv(Rx);
    P_out(kk) = 1/(a'*RxInv*a);
    kk = kk + 1;
end

DOA估计部分,读者可以自由发挥,各种超分辨算法(如MUSIC)、快速单快拍FFT DOA都可以加进来仿真看效果,这里给予大家的自由度是非常高的。

参考资料

【1】Analysis and Comparison of MIMO Radar Waveforms
【2】https://blog.csdn.net/Xiao_Jie123/article/details/126538880

结语

本文花费了大量时间来编程序、读程序、写文章,但是为了感谢各位读者长期以来的关注和支持,所以就一瓶冰红茶钱,基于本文的程序,各位读者还可以将TDMA-MIMO模式修改为DDMA-MIMO模式,参考TI的文档实现DDMA-MIMO加入空带(EmptyBand)解速度模糊,挺好玩的。另外很多算法、方案都可以基于本程序进行探索,祝愿大家一切顺利!

在这里插入图片描述
(DDMA-MIMO步进相位)

本文涉及到的代码下载方式为:https://zhuanlan.zhihu.com/p/576353487

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2366.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

kubernetes

目录 一、容器云发展及主要内容 1、云平台计算,交付标准&#xff08;iaas-----openstack&#xff09; 2、平台即服务(PAAS&#xff09; 3.软件及服务(SAAS) 特点 二、内容 三、kubernetes集群架构与组件 基本组件 (1)Pod&#xff08;最小的资源单位&#xff09; (2)初…

信息系统综合测试与管理__软件测试

一 概念 软件测试是使用人工或者自动手机来运行或测试某个系统的过程&#xff0c; 目的是检测是否满足需求或者比较预期与实际的差别。 软件测试应该覆盖整个开发、维护过程&#xff0c; 不仅仅是编码阶段完成之后进行的一项活动。 常考的软件测试工具为LoadRunner, 是一种…

RHCE——分区、创建逻辑卷

1.创建一个逻辑卷 请按下列要求创建一个新的逻辑卷&#xff1a; 创建一个名为 datastore 的卷组&#xff0c;卷组的大小为4G 逻辑卷的名字为 database ,所属卷组为 datastore,该逻辑卷大小为3G 将新建的逻辑卷格式化为 xfs 文件系统&#xff0c; 2.通过自动挂载将该逻辑卷到/v…

机器学习笔记 十五:随机森林(Random Forest)评估机器学习模型的特征重要性

随机森林1. 随机森林介绍1.1 租赁数据案例2. 特征相关性分析&#xff08;热图&#xff09;2.1 热图绘制2.2 构建随机森林模型2.3 不同特征合并的重要性2.3.1 经纬度合并&#xff08;分3类&#xff09;2.3.2 经纬度合并&#xff08;分2类&#xff09;2.3.3 经纬度合并&#xff0…

HTML CSS游戏官网网页模板 大学生游戏介绍网站毕业设计 DW游戏主题网页模板下载 游戏娱乐网页成品代码...

✍️ 作者简介: 一个热爱把逻辑思维转变为代码的技术博主 &#x1f947; 关于作者: 历任研发工程师&#xff0c;技术组长&#xff0c;教学总监。 十载寒冰&#xff0c;难凉热血&#xff1b;多年过去&#xff0c;历经变迁&#xff0c;物是人非。 然而&#xff0c;对于技术的探索…

系分 - 系统规划

个人总结&#xff0c;仅供参考&#xff0c;欢迎加好友一起讨论 系分 - 系统规划 考点摘要 系统规划的步骤&#xff08;★&#xff09;可行性分析&#xff08;★★★&#xff09;成本效益分析&#xff08;★★★&#xff09; 系统规划的步骤 初步调查根据企业战略目标&#…

一行行的代码解密马尔可夫链

使用Python的马尔科夫链实例的实践 一行行的代码解密马尔可夫链。 当我开始学习物理时&#xff0c;我并不喜欢概率的概念。我对用物理学可以对整个世界进行建模的想法非常振奋&#xff0c;不确定性的想法让我很生气:) 事实是&#xff0c;当我们想研究真实的现象时&#xff0c;我…

硬件电路(3)设计篇----为什么栅极型推挽电路不用上P下N?

在做信号控制以及驱动时&#xff0c;为了加快控制速度&#xff0c;经常要使用推挽电路。推挽电路可以由两种结构组成&#xff1a;分别是上P下N&#xff0c;以及上N下P。其原理图如下所示&#xff0c; 在平时中&#xff0c;我个人经常遇到的推挽电路是第一种。当我每次问身边的…

推荐一个不到2MB的C#开发工具箱,集成了上千个常用操作类

今天给大家推荐一个C#开发工具箱&#xff0c;涵盖了所有常用操作类&#xff0c;体积小、功能强大。 项目简介 C# 开发工具箱。大都是静态类&#xff0c;加密解密&#xff0c;反射操作&#xff0c;权重随机筛选算法&#xff0c;分布式短id&#xff0c;表达式树&#xff0c;lin…

单链表简单实现

单链表实现一、为什么会存在单链表&#xff1f;二、什么是单链表&#xff1f;三、单链表结构定义四、单链表的基本操作1、 创建结点2、 销毁链表3、 打印链表4、 尾插节点5、 头插结点6、 尾结点的删除7、 头结点的删除8、 单链表的查找9、 单链表在pos位置之后插入10、单链表在…

在jenkins上创建一个CANoe Job

目录实战项目CANoe 工程配置全局安全创建 slave 节点创建pipline Job&#xff1a; CANoeAutoRun实战项目CANoe 工程 配置全局安全 将代理和SSH Server都设置成随机选取&#xff0c;后面再本机创建slave 节点要用&#xff0c;因为我们会在用一台机器上创建了master和slave节点…

快充伤电池?我来帮何同学做个假设检验

最近看到何同学的视频&#xff0c;拿40部手机花两年半做了关于各种充电的实验视频&#xff0c;视频确实很好看&#xff0c;花里胡哨&#xff0c;看着科技感满满&#xff5e;。但是关于实验设计和根据实验的数据得出最后的结论上似乎有些草率。 实验设计上就不提了&#xff0c;…

周涛:在大数据沙滩上捡拾“珍珠”|奋斗者正青春

“我始终觉得&#xff0c;创新的本原就是好奇心&#xff0c;要像小孩儿一样&#xff0c;一直不断地追问&#xff0c;向这个世界讨要答案。在追寻答案的过程中&#xff0c;要有独立探索和批评的精神&#xff0c;不能轻信权威。” 1 提起电子科技大学教授周涛&#xff0c;大多…

【定语从句练习题】who、which

1. 填空训练 翻译的时候加上 … 的 1.who 2.which 3.which 4.which 5.who 6.which 7.which 8.who 9.who 10.which 11.which 12.who 2. 选择 1.took 2.live 3.she is 3.lost 5.bought 6.is parked 7.it cuts 8.writes 9.make 10.lent you. 10.lend sb. sth 这里需要&…

Java反射06:反射的应用之动态代理

反射的应用之动态代理 &#xff08;这里没听懂&#xff0c;知道反射体现了代理动态性就行&#xff0c;后面框架再学习&#xff09; 代理设计模式的原理 使用一个代理将对象包装起来, 然后用该代理对象取代原始对象。任何对原 始对象的调用都要通过代理。代理对象决定是否以及何…

C语言之指针详解

文章目录1 指针1.1 简介1.2 什么是指针1.3 使用指针1.3.1 简单使用1.3.2 NULL 指针1.3.3 指针算术运算1.3.3.1 定义1.3.3.2 遍历数组&#xff1a;递增一个指针1.3.3.3 遍历数组&#xff1a;递减一个指针1.3.3.4 指针的比较1.3.4 指针数组1.3.5 指向数组的指针1.3.6 指向指针的指…

Django中利用Admin后台实现Excel/CSV的导入更新数据库和导出数据到Excel/CSV

本文基于Django自带的admin 后台实现Excel&#xff0c;csv&#xff0c;Json等格式文件的导入并更新后台数据库。 核心是引入 django-import-export模块。 1、测试相数据准备&#xff1a; 我们先创建一个app&#xff1a;app01 python manage.py startapp app01 然后在app01…

软考下午题第1题——数据流,题目分析与案例解析:

答题技巧-【11-12分】分必拿方法&#xff1a; 下午第一题肯定是数据流的题目&#xff0c;那么&#xff0c;数据流肯定要找到对应的实体、关系模式等内容&#xff0c;审题的时候一定要细致&#xff0c;下午时间也是相当够的&#xff0c;所以每句话记住&#xff0c;至少读3遍&am…

【pyhon】利用pygame实现彩图版飞机大战(附源码 可供大作业练习使用)

源码请点赞关注收藏后评论区留言或私信博主 演示视频已上传到我的主页 有需要者可自行观看 演示视频如下&#xff1a; 飞机大战接下来先介绍一下游戏的玩法 在PyCharm中运行《彩图版飞机大战》即可进入如图1所示的游戏界面。 具体的操作步骤如下&#xff1a; &#xff08;1&…

Android Native APP开发笔记:多线程编程

文章目录目的Java中的多线程ThreadRunnableTimerAndroid中的多线程HandlerAsyncTask总结目的 Android中UI线程对于开发者和用户来说都是最主要接触到的线程。一般来说为了UI流畅、不卡顿&#xff0c;耗时操作是不推荐放在UI线程中的。但是耗时操作的需求又是存在的&#xff0c…