毫米波雷达信号处理中的通道间相干与非相干积累问题

news2024/9/22 7:23:42

说明

    相干和非相干积累是雷达信号处理中的常用方法,这两个概念一般是用在多脉冲积累这个问题上:积累可以提高信号的SNR,从而提高检出概率。不过本文内容与脉冲积累无关,本文讨论的话题是将这两个概念(non-coherent combination、coherent combination)用到车载毫米波雷达信号处理中通道间的积累上面。通道积累在整个雷达信号处理流程中的位置可以参考我之前的博文:车载与体征/手势检测 毫米波雷达信号处理流程_毫米波雷达算法流程_墨@#≯的博客-CSDN博客。积累涉及的内容其实很简单,本博文通过理论结合实测数据的方式来探讨这个问题。

Blog

20230531  博文第一次写作

目录

说明

目录

一、通道积累是什么

二、通道积累的方法

三、基于实测数据的验证与对比

3.1 实验说明

3.2 非相干积累结果

3.3 相干积累结果

3.4 本章小结

 四、总结

 五、参考资料

 六、代码和数据


一、通道积累是什么

    不管雷达是单发多收(SIMO)还是多发多收(MIMO)的工作体制,每帧下来我们都能得到多个通道的接收数据,我们需要对这些通道的数据进行各种处理(相关的内容也可以参考上面的博文链接)以完成对目标的测量。

    通道积累在整个信号处理流程中处在2D-FFT之后、CFAR之前:

图1.1  通道积累在信号处理流程中的位置示意图

    对所有的通道做完距离和速度维度的压缩之后,需要把这么多通道想办法积累起来构成一个矩阵,再把这个积累得到的矩阵送到CFAR中去做检测。

    至于为什么要做这件事情首先如果通道之间的一致性很好的话(关于一致性与校准可以参考我之前的博文:车载毫米波雷达的校准问题(1)_墨@#≯的博客-CSDN博客),其实这全部的通道之间二维压缩之后幅值基本都一样(理想情况下应该只有相位的差别,我们也正是基于这通道间的相位差来测角),但实际情况并非如此(特别是我们做校准时没有做通道间幅度的校准时),如下图所示:

图1.2  8个通道2D-FFT后的结果(具体的实验情况见后文)

    CFAR部分我们只需要输入一个矩阵去做即可,那这么多通道我们该选哪个?即便我们假定各通道的幅值都一样,但最好还是尽量把这些通道都用起来,且相位信息的差别是否可以利用一下?此外从结果端(后文将要讨论的积累方法的结果)来看,通道积累可以改善SNR,以更好地帮助我们进行CFAR检测。

二、通道积累的方法

    借用多脉冲积累里的概念,通道积累我目前了解到的(也是比较常用的)也有相干积累与非相干积累两类方法。【需要作出说明的是:相干积累与非相干积累是比较大的概念,我们后文讨论的是在这两个大概念下的某种具体的方法,自然,实现相干积累和非相干积累的方法可能有很多,我们后文讨论其中两种为方便叙述还是直接说成相干积累和非相干积累吧。(虽然我们直接用相干积累和非相干积累来说这两种方法,但是这言辞背后的逻辑还是要捋清楚)】

    方法很简单,也比较容易理解

    最常用的是非相干积累:将各个通道的数据取平方并在通道维度累加,如下图所示:

图2.1  非相干积累示意图

    我们将该累加得到的矩阵送到后面的CFAR算法中做检测,非相干积累运算量少,实现起来很简单,但是并没有用到相位信息,SNR的提升不是很显著。

    相干积累是首先指定某个角度,用这个角度基于实际的阵列排布构建导向矢量,之后将这个导向矢量与各通道的数据相乘得到一个复数矩阵,再将该矩阵取平方的结果送入后续的CFAR算法中。

图2.2  相干积累示意图

(这两幅图都来自加特兰的baseband使用手册,画得很好,我就拿来了)

    这种方法理解起来很有意思:选定角度后构建导向矢量并将之与各个通道的矩阵相乘,其效果其实就等价于将这些通道的接收(或者也可以理解成发射)波束指向某个确定的方向(前述选定的角度)。这里的本质和DBF测角是一样的(DBF测角时是用导向矢量乘以一列数据(各个阵元的接收数据),这里是乘以一排的整个矩阵的数据,关于DBF测角可以参考我之前的博文:车载毫米波雷达DOA估计综述_墨@#≯的博客-CSDN博客 )。如果这个角度上有目标,那么我们这样操作后可以使得这个角度下目标的能量以及SNR得到很大的提升,所以这种方法对于某些感兴趣的角度下的微弱目标的检测很有用!但是,随之而来会有其它的问题:这样操作虽然把某个方向的能量提高了,但同时相隔较大的其它方向的能量相对减小了啊(特别是对于天线波束很窄的情况)!这些方向上的目标怎么办?一种解决方法是:多设置几个角度。多设置几个角度以得到多个矩阵,分别把这些矩阵给到CFAR算法中,之后该帧检测的结果取这些矩阵CFAR结果的并集

    相干积累的方法利用了相位信息,所以目标SNR会有较大提升,但是如前所述,该方法一般需要配置多个角度、进行多次CFAR并最终取CFAR结果的并集,所以计算量和复杂度是很大的(相较于非相干积累)!这大概也是虽然该方法有其优势但是现阶段并没有广泛应用的原因?

三、基于实测数据的验证与对比

    本章基于Ti级联板进行实验采集数据,分析和对比一下这两种方法。

3.1 实验说明

    本实验为介绍性实验,在能说明问题的前提下一切从简。实验使用Ti的AWR2243级联板(12T16R)在实验室内采集数据,目标为一10dBsm角反,离雷达板的径向距离约2m左右,放置在某一较大的角度下(因为没有仪器测量,具体角度值未知,不过不影响后文的说明)。如下图所示:

图3.1  实验场景图

    雷达采用TDM的发射模式,采集了多帧数据,后文的分析取其中一帧的数据,Ti的级联板在12T16R下可以产生192个二维排布的虚拟通道,本实验选取其中水平向均匀排布的8个虚拟通道的数据进行分析。本实验涉及的数据和代码我都放在了第六章的链接中,数据我是直接给出8个通道的ADC数据,使用时直接Load即可。

3.2 非相干积累结果

    后文的比较我都使用了其中一个通道2D-FFT后的结果与非相干/相干的结果做对比。

图3.2  非相干积累的结果(与单通道对比)

    为说明积累对SNR的提高,图中选取了同一个距离门且相隔10个速度门下的点[22 54]作为噪底估计的参考。目标的索引在[32 54]的位置,[32 2]处的点应该是天线耦合的影响,这个的距离是很近的。(关于天线耦合可以参考我之前的博文:毫米波雷达天线耦合的影响与消除_墨@#≯的博客-CSDN博客)。

    从图中的结果可以看到,目标所在位置的幅值得到了极大提升,我们用目标所在位置的幅值除以噪底参考点的幅值作为SNR的参考,计算得到单个通道的SNR约为:4.8743e+03,而非相干积累后的SNR约为3.8194e+06,提高了近3个数量级。

3.3 相干积累结果

图3.3  在0°方向做相干积累的结果

图3.4  在45°方向做相干积累的结果

图3.5  在-45°方向做相干积累的结果

  对上面三幅图进行一些简单的对比分析

1、从上面三幅图的结果可以看到,目标的能量幅值都有很大程度的提高,不过我们设置的相干方向不同,得到的结果还是有较大区别的。

2、因为目标大概在雷达的40°方向(我后面取出了对应距离和速度索引下的通道的数据进行了测角),所以可以看到当把波束指向45°时目标能量的增益最大,其SNR的估值约5.7903e+06。通过比较图3.2和图3.4,可以发现当相干积累的角度方向接近目标所在的角度时,该目标的能量幅值以及SNR相较于非相干积累都有较大改善。所以相干积累对于某些角度下的微弱目标的检测会有很大帮助。

3、此外从理论上来推测(理想情况下没有其它的干扰),唯一的目标在40°方向时,对于该目标而言,0°方向相干积累的结果会优于-45°方向积累的结果(因为波束更加远离目标方向了,当然,这也需要考虑到天线波束图的实际情况),但是从上图的实际结果来看,0°方向的相干积累目标的能量和SNR都要小于-45°方向的,这大概是-45°方向周围还有其它的干扰(而导致能量得到增强)。

4、此外看到一个比较有意思的现象是:前面说的天线泄露导致近距离[32 3]处有较大能量,当在45°方向做相干积累时发现远比在-45°做相干积累要小,是不是可以认为能量是从负的方向泄露过来的?这似乎可以用来检测和定位天线泄露的能量来源:是哪个天线所泄露的?还是蛮有意思的!不过这里暂不做展开了。

5、再回到第二章的叙述,这里重申一下,当使用相干积累时,建议我们在该帧下的目标检出结果应该是多个方向积累得到的矩阵进行CFAR之后的结果取并集。

3.4 本章小结

    本章对非相干以及相干积累两种方法通过采集实际数据进行了验证和对比分析,实践的结果可以让我们得到至少两个有益的结论:积累可以提高目标的能量幅值以及SNR,相干积累的等价效果是将波束指向了某个具体的角度,于是在这个角度(以及周围角度)下的目标会得到更高的幅值和SNR的提高,这对于一些微弱目标的检测是有益的。

    【这里再多补充一点:需要注意的是,上面的结果可以看到,目标所在位置的能量幅值已经到了10的16次方这样的数量级了,该值是没法在芯片中装载的:我们在芯片中一般用32bit有符号浮点数去装载单个数值,10的16次方这个值已经远远超过32bit可以装载的数值上限了… 有鉴于此,在芯片内部计算时一般都会有各种减小数值大小的操作(甚至早在做FFT时就有这些操作),比如取log,比如对全部的值做进行右移等】

 四、总结

    本文讨论车载毫米波雷达信号处理中通道之间相干与非相干积累的问题。简单介绍了通道间积累的概念和做这件事情的必要性,给出了两种具体的积累方法,并用实测数据验证了这两种方法、给出了其对比分析。

    可能还有更多有意思的通道间积累的方法,后续如果有接触到我会进行补充。

 五、参考资料

 六、代码和数据

车载毫米波雷达信号处理中的相干与非相干积累问题博文相对应的代码和数据资源-CSDN文库

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/594190.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

HEVC变换编码介绍

介绍 ● 图像变换编码是指将以空间域中像素形式描述的图像转化至变换域,以变换系数的形式加以表示; ● 图像都含有较多平坦区域和内容变化缓慢的区域,适当的变换可使图像能量在空间域的分散分布转为在变换域的相对集中分布,实现…

推出“百亿生态”,拼多多“极限左移”

文 | 螳螂观察 作者 | 陈小江 任何一个成功穿越周期的企业,都有一个共同的特点——在发展顺利的时候,主动跳出“舒适圈”,进而跳出一般企业“起始、成长、成熟、衰退”的发展周期,为企业发展画出漂亮的S型增长曲线。 日前&…

DC1通关

环境自己百度装好。 我的一台kali,一台DC都是52网段 1.nmap 扫一扫52网段 确定是143,然后针对143进行扫描 80开放,进去。 老熟人了 Drupal,直接msf开打 试了几个,use2直接getshell了 看看权限 尝试SUID提权 进入sh…

零基础如何入门网络安全?

要学习网络安全,其实自学是有局限的,没有设备和网络环境,除了web渗透,其他很多方面,只能在培训班实战环境里才合适,比如路由交换技术、安全设备、学会怎么架构和配置一个企业网络安全只架构。 还要学习系统…

chatgpt赋能Python-python中导入numpy

介绍 在Python编程领域中,NumPy是一个非常常用的库,它提供了高性能的多维数组对象和许多用于操作这些数组的函数。在科学计算、数据分析和机器学习等领域中,NumPy是必不可少的工具。 本文将详细介绍如何在Python中导入NumPy库,并…

opencv初步了解

https://www.bilibili.com/video/BV1PV411774y?p2&vd_sourcee7d12c9f66ab8294c87125a95510dac9 这里写目录标题 下载计算机眼中的图像视频gray cv2.cvColor(frame, cv.COLOR_BGR2GRAY) ROI边界填充数值计算图像融合 下载 pip install input cv2 cv2.__version__下载一些…

io之io模型

写在前面 本文一起看下常见的io模型。 1:基础知识 同步异步,阻塞阻塞,区别如下: 同步异步:描述的通信模式,即结果如果是主动的获取则是同步,处理结果是被动的接收则是异步 阻塞非阻塞:描述的…

网页提交文件无法打开问题解决办法(以学习通为例)

时长会碰到这样的情况,日常实训课在机房写实训作业时,将未完成的作业先暂存先在学习通里,但后续在登陆学习通时发现未提交的附件打不开了,经过翻阅之前web的相关资料,总结出了这样的解决办法,供各位参考。 …

时间基础概念及Linux中的时间函数

时间基础概念及Linux中的时间函数 时间相关概念GMT 时间UTC 时间时区 Time Zone夏令时 DST本地时间 localtime Linux 系统中的时间时钟基础概念系统节拍数 jiffiesLinux系统查看时间及配置时区获取时间函数获取 当前时间 time()获取 当前时间(微秒) gett…

Qt Quick系列(5)—键盘输入

🚀作者:CAccept 🎂专栏:Qt Quick 文章目录 前言代码示例单一按键组合按键 前言 本篇将介绍如何处理Qt Quick中的键盘输入。键盘输入在现代应用程序中扮演着重要角色,无论是快捷键还是文本输入都离不开它。通过本篇教…

(2021,FastGAN)用于高保真 few-shot 图像合成的更快、更稳定的 GAN 训练

Towards faster and stabilized gan training for high-fidelity few-shot image synthesis 公众号:EDPJ 目录 0. 摘要 1. 简介 2. 相关工作 3. 方法 3.1 跳跃层通道激励 3.2 自监督判别器 4. 实验 4.1 图像合成性能 4.2 更多分析与应用 5. 结论 参…

JL-8D/4X1 定时限电流继电器 用于输变电线路中 JOSEF约瑟

名称:定时限电流继电器型号:JL-8D/4X1触点容量250V5A功率消耗<5W返回系数0.90.97整定范围0.039.9A;0.130A辅助电源24220VDC/AC 系列型号: JL-8D/3X1定时限电流继电器;JL-8D/3X2定时限电流继电器; JL-8D/4X1定时限电流继电器&am…

【发电厂 HDLN-1-2Z 不带辅助电源电流继电器 导轨安装 JOSEF约瑟】

品牌:上海约瑟,名称:不带辅助电源电流继电器,型号:HDLN-1-2Z-2,触点容量:250V5A,整定范围:2-99.9A;特点:精度高,整定范围宽,动作快&am…

看完这篇 教你玩转渗透测试靶机vulnhub—DarkHole2

Vulnhub靶机DarkHole渗透测试详解 Vulnhub靶机介绍:Vulnhub靶机下载:Vulnhub靶机安装:Vulnhub靶机漏洞详解:①:信息收集:②:Git信息泄露:③:SQL注入:④&#…

APP出海的现状与挑战​

随着国内移动互联网市场的饱和,越来越多的国内APP开发者和企业将目光投向了海外市场,寻求新的增长机会。根据艾瑞咨询的数据,2020年上半年,全球APP下载量达到715亿次,用户总支出达到501亿美元,其中中国出海…

Pytorch基本概念和使用方法

目录 1 Adam及优化器optimizer(Adam、SGD等)是如何选用的? 1)Momentum 2)RMSProp 3)Adam 2 Pytorch的使用以及Pytorch在以后学习工作中的应用场景。 1)Pytorch的使用 2)应用场…

vue methods 互相调用的方法

methods是一个内置的函数,主要用于两个组件之间的数据传递,也就是调用方法。下面给大家介绍一个在 vue中互相调用的方法,在使用过程中可以参考一下。 methods实现了两个组件之间数据的传递,我们先来看一下 Methods是如何实现数据传…

统计软件与数据分析Lesson17----利用pytorch构建LSTM预测股票收益率详细教程

利用pytorch构建LSTM预测股票收益率详细教程 1. 整体实现思路2.代码编写2.1 step1:导入所需的库2.2 step2: 读取数据、构建训练样本2.3 step3: 定义部分辅助函数2.4 step4:LSTM模型构建2.5 step5:模型训练2.6 step6:模型预测和评估 3. 小结 1. 整体实现思路 step1:导入所需的库…

对抗样本攻击

目录 一、对抗样本攻击的基本原理 1.1 什么是对抗样本攻击和对抗样本 1.2 对抗样本攻击的基本思路 1.3 对抗样本攻击的分类 1.3.1 按攻击效果分类 1.3.2 按攻击者能力分类 1.3.3 按攻击环境分类 1.4 对抗扰动的衡量 二、对抗样本攻击方法 一、对抗样本攻击的基本原理 …

华为OD机试真题B卷 Java 实现【最少交换次数】,附详细解题思路

一、题目描述 给出数字K&#xff0c;请输出所有小于K的整数组合到一起的最小交换次数。 组合一起是指满足条件的数字相邻&#xff0c;不要求相邻后在数组中的位置。 取值范围&#xff1a; -100 < K < 100 -100 < 数组中的数值 < 100 二、输入描述 第一行输入…