毫米波传感器原理介绍:测速_1相位

news2024/11/15 18:07:31

在前文中,我们分析了 IF信号的频率,并展示了该频率与物体到雷达的距离
成正比。在本文中,我们将探讨IF 信号的相位。如果我们希望了解 FMCW 雷达响应物体极小位移的能力,那么研究相位就非常重要。雷达正是凭此非常快速且准确地测量物体的速度。这也是在心跳监测和振动检测等应用中使用雷达的基础。

1.傅里叶变化的相关概念

时域中的正弦波会在频域中产生一个尖峰,该尖峰的位置与正弦波的频率相对应。应了解频域中的信号是包含振幅和相位的复数,这一点
很重要。因此,虽然此处的图表示傅里叶变换的振幅,但此处的每个值
实际上是一个包含振幅和相位的复数。
1
信号可以使用复数的形式来进行表示 f ( t ) = A j θ f(t)=A^{j\theta} f(t)=Ajθ,其中 A A A为信号的幅度, θ \theta θ为信号的相位。
还可以将其用以下图形的方式表示为一个相量,该相量是一个矢量,具有
与振幅 A 相对应的长度以及与相位 θ相对应的方向。后续我们都已这种只管的方式来表示向量。
2
傅里叶变换的一条重要性质是,峰值的相位对应于正弦波的初始相位。
因此,下图左侧的正弦波以特定的初始相位开始。在右侧对应的傅里叶变换中,该相位反映在此处峰值的相位中。在这里,这是一个正弦波,其频率
与上面的正弦波相同,但起始相位与该相位相差 90 度。因此,相应地,傅里叶变换将具有一个峰值,其位置与此处相同,但相位与该前一个峰值相比偏移了90 度。
3

2.IF信号的相位

在前文中,我们使用 f-t 图来分析 IF信号的频率与到物体的距离之间的关系。
在文中,我们将使用A-t 图来分析IF 信号的相位。
这里顶部的图显示了TX 线性调频脉冲的 A-t 图。中间的图是 RX线性调频脉冲,它是 TX 线性调频脉冲的延迟版本,延迟量为 τ τ τ τ τ τ 是往返延迟。
正如我们先前了解到的,对于单个物体,IF信号将是一个具有恒定频率的信号,换句话说,单个正弦波。那么,从数学的角度而言,我可以将该 IF 信号表示为 A s i n ( 2 π f t + φ 0 ) Asin(2πft + φ_0) Asin(2πft+φ0),其中频率 f f f S 2 d / c S2d/c S2d/c 给出, S S S 是斜率, d d d 是到物体的距离, c c c 是光速。相位 φ 0 φ0 φ0正是 IF信号在该点c 的相位。
4
现在如果假设存在一个微小的位移,雷达的信号相位会发生什么样的变换了? 如下图所示,当雷达发生一个微小的变化 Δ d \Delta d Δd时,由于雷达的距离发生了变化,所以雷达的往返时间也会随着发生变化 Δ τ \Delta τ Δτ,即接受信号的初始相位将从B点变换到E点,IF信号初始相位将会从C点变换到F点。当变换 Δ τ \Delta τ Δτ,发送的chirp信号从A到B将会产生一个 Δ φ = 2 π f c Δ τ \Delta φ=2πf_c\Delta τ Δφ=2πfcΔτ的相位偏移,这个偏移会直接的反映在IF信号的初始相位上,由之前的知识可以得到 Δ τ = 2 d c \Delta τ=\frac{2d}{c} Δτ=c2d,又因为波长 λ = c / f c λ=c/f_c λ=c/fc,所以 Δ φ = 2 π f c Δ τ = 4 π Δ d λ \Delta φ=2πf_c\Delta τ=\frac{4π\Delta d}{λ} Δφ=2πfcΔτ=λ4πΔd,记住关于 Δ φ \Delta φ Δφ Δ d \Delta d Δd之间的关系。
7

3.中频信号的相位与微动物体

现在我们对中频信号进行分析,中频信号可以写成 A s i n ( 2 π f t + φ 0 ) Asin(2πft + φ_0) Asin(2πft+φ0),其中中频信号的频率 f = S 2 d c f=\frac{S2d}{c} f=cS2d与物体距离雷达的距离呈线性关系, Δ φ = 4 π Δ d λ \Delta φ=\frac{4π\Delta d}{λ} Δφ=λ4πΔd公式又告诉我们相位的变化与 Δ d \Delta d Δd也是呈线性关系的。那我们在什么情况用相位来分析 Δ d \Delta d Δd呢?答案是相对雷达分辨率物体产生了微小的位移(大约为若干毫米)时。
在这里我们假设微小的距离变化为 1mm,而雷达发送的chirp信号如下图所示。那中频的信号频率和相位变化是如何的了?
在这里插入图片描述
由上图可知,S=50MH/μs , T c = 40 μ s T_c=40μs Tc=40μs,一毫米的距离变化对应的中频信号变化 Δ f = S 2 d c = 333 H z \Delta f=\frac{S2d}{c}=333Hz Δf=cS2d=333Hz,而在观测窗口 T c T_c Tc中, Δ f ∗ T c \Delta f*T_c ΔfTc=0.013周期,根据傅里叶变换的性质得知该频率差在频谱上是无法分辨的。
中频信号的频率变化已知雷达工作在77GHz,则一毫米相当于 λ 4 \frac {λ}{4} 4λ,所以中频信号的相位变化是 Δ φ = 4 π Δ d λ = π \Delta φ=\frac{4π\Delta d}{λ}=π Δφ=λ4πΔd=π
这里,我们有一个重要的结论:IF 信号的相位对物体距离的微小变化非常敏感。但频率不是这样,正如我们分析的,频率对此类微小的变化非常不敏感。

3.测量目标速度的基本思想

假设在雷达前方存在一个微动的物体,这时我们发送两个chirp信号,chirp信号之间的间隔为 T c T_c Tc,然后分别对两个chirp产生的中频信号进行FFT变换,过程如下图所示。根据上一节的分析可以得知,频谱图将在相同的位置具有峰值,但是具有不同的相位,这两个峰值的相位之间的测量相位差为ω 将于物体的运动直接对应。请注意,如果物体的速度为 v,则该物体在此时间段 T c T_c Tc 内的移动距离将为 Δ d = v ∗ T c \Delta d=v*T_c Δd=vTc。再根据上边公式 Δ φ = 4 π Δ d λ \Delta φ=\frac{4π\Delta d}{λ} Δφ=λ4πΔd,代入可得 v = λ φ 4 π T c v=\frac{λφ}{4πT_c} v=4πTcλφ,所以,我们可以用两个两个chirp的中频信号相位差来估算速度。
测量目标速度的基本思想就是使用两个chirp信号的峰值的相位差来估算单个物体的速度。
7
除速度测量之外,IF 信号的相位对微小移动非常敏感的事实也是有趣应用的基础,这些应用包括电机振动监测、心跳监测等。
这里的图描述了以振荡方式移动的物体随时间演变的过程。那么,此物体从该位置开始,向左偏移一点,然后返回,再向右偏移一点,依此类推。这可以表示一个正在振荡的物体。在这里,我们假设这些移动非常微小,因此物体的最大位移 Δd是波长的一小部分,例如一毫米或更短。现在,如果我们将一个雷达放置在该振荡的物体前方并发射一系列等间隔的线性调频脉冲,会怎么样?
8
您知道,由于从该物体上进行反射,因此其中的每个 TX 线性调频脉冲会产生一个反射线性调频脉冲,并且经处理的 IF 信号会在距离 FFT 中
产生一个峰值。现在,该峰值的频率不会在线性调频脉冲之间改变太多,因为Δd 非常小。但峰值的相位将会响应该物体的振荡移动。上图右侧显示的就是相关情况。那么,相位以特定的值开始,并将物体的移动镜像至左侧。
当物体返回时,相位返回到其初始值,然后偏移到另一侧。
如果我们按时间顺序绘制测量的峰值相位,如下图所示。
9
最大相位偏移Δφ 与最大位移 Δd 相关,由这图我们可以获得很多信息,包括目标的震振幅和周期。所以,我们又能获得一个很重要的结论:距离FFT 峰值相位随时间的演变可用于估算振动的振幅和周期。
下一章。我们会介绍使用称为多普勒FFT 的工具分离相对于雷达具有相同距离但具有不同速度的物体。

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/61495.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

Java 基础之线程

线程是 cpu 可以调度的最小单元,多线程可以利用 cpu 轮询时间片的特点,在一个线程进入阻塞状态时,快速切换到其余线程执行其余操作,减少用户的等待响应时间。所以我们需要了解线程的基本概念,如何启动线程以及怎么去控…

最短路径(Dijkstra算法与Floyd算法)

一、Dijkstra算法 Dijkstra算法与之前学习过的Prim算法有些相似之处。我们直接通过一个例子来讲解 假设要求的是A->E之间的最短路径。首先我们来列出顶点A到其他各顶点的路径长度:A->D 2,A->B 6,A->C 1,A->E…

MySQL主从复制

MySQL主从复制 MySQL主从复制原理 主服务器在更新数据前,会写入硬盘,银盘在再将数据写入二进制日志 从服务器开启I/O线程,Master节点为每个I/O线程启动一个dump线程用于发送二进制事件到从服务器的中继日志中 从服务器的sql线程开启&…

springboot集成dubbo配置多注册中心

1 dubbo多注册中心 dubbo可以支持多注册中心&#xff0c;以及多协议, 本文示例dubbo同时注册到nacos和zookeeper注册中心&#xff1a; 在前文基础上&#xff0c;给provider consumer模块加上zookeeper依赖&#xff1a; <dependency><groupId>org.apache.dubbo<…

TypeScript26(TS进阶用法Record Readonly)

Readonly Readonly与我们上一章节学的Partial 很相似&#xff0c;只是把? 替换成了 Readonly // 源码 type Readonly<T> {readonly [P in keyof T]: T[P]; }; 疑问&#xff1a; keyof 是干什么的&#xff1f; in 是干什么的&#xff1f; Readonly 是将该属性变为…

【HBU】数据结构第一次月测题(线性结构)

数据结构第一次月测题 判断题&#xff1a; 1.在具有N个结点的单链表中&#xff0c;访问结点和增加结点的时间复杂度分别对应为O&#xff08;1&#xff09;和O&#xff08;N&#xff09; F 访问节点的时间复杂度为O(N) 2.对于顺序存储长度为N的线性表&#xff0c;…

DataBinding原理----双向绑定(4)

前面的几种文章分析了DataBinding单向数据绑定的原理&#xff0c;今天来看看双向数据绑定是怎么回事。 我们知道单向绑定是在数据发生变化的时候能够通知到UI&#xff0c;让数据的变化能够及时反应到UI上&#xff1b;而双向绑定则是不仅要让数据的变化能够反馈到UI上&#xff0…

web前端-javascript-立即执行函数(说明、例子)

立即执行函数 /* (function(){alert("我是一个匿名函数~~~"); })(); */(function (a, b) {console.log("a " a);console.log("b " b); })(123, 456);1. 说明 函数定义完&#xff0c;立即被调用&#xff0c;这种函数叫做立即执行函数立即执…

Twitter群推解锁流量大门的钥匙

Twitter作为全球最知名的社交媒体平台之一&#xff0c;对海外营销有着巨大的影响力&#xff0c;是外贸企业进行群推、群发、引流必不可少的平台。那么要想通过推特群推、推特群发打开流量的大门&#xff0c;这里有几点值得大家注意&#xff0c;帮助你更好的驾驭流量&#xff1a…

虚拟机安装zookeeper集群

一、准备 克隆原先的虚拟机;因为是从原先已有jdk和zk的linux虚拟机克隆过来的,所以克隆的虚拟机上是一样的! 三台虚拟机,我采用的是:zk的ip不一样,端口一样 修改每台虚拟机上环境变量,zk配置文件 修改zookeeper配置文件,采用默认端口,配置主从节点

Bootstrap主页面搭建(十四)

创建主页面&#xff1a;index.jsp&#xff1a; 引入bootstrap依赖&#xff1a; 首先写导航条&#xff0c;复制代码更改&#xff1a; <!--导航条--> <nav class"navbar navbar-inverse"><div class"container-fluid"><!-- Brand and…

Nginx配置实例-动静分离

1、什么是动静分离 Nginx动静分离简单来说就是把动态跟静态请求分开&#xff0c;不能理解成只是单纯的把动态页面和 静态页面物理分离。严格意义上说应该是动态请求跟静态请求分开&#xff0c;可以理解成使用Nginx 处理静态页面&#xff0c;Tomcat处理动态页面。 动静分离从目…

Project joee 算法开发日志(一)

目录一. 下载并安装TensorRT1.1 下载安装TensorRT1.2 验证TensorRT安装是否成功二. 安装并测试Windows预测库2.1 安装cuda11.0_cudnn8.0_avx_mkl-trt7.2.1.6 预测库2.2 测试精度损失2.3 推理速度测试三. 总结开发机器配置&#xff1a;CPU: AMD5800 8core 16ThreadGPU: NVIDIA G…

微信支付回调,内网穿透详细过程

文章目录支付回调接口通过Ngrok进行内网穿透步骤1. 根据邮箱注册一个账号2. 获取隧道id3.下载Ngrok客户端4. 双击这个 Sunny-Ngrok启动工具.bat 文件5. 填写你的 隧道id 回车6.客户端启动成功7. 所以你的notify_url对应的value需要改为内网穿透的地址为8.支付成功之后微信平台会…

分面中添加直线

简介 这篇也是分享最近统计建模中所绘制的一副图形。总体而言和前面的几篇&#xff1a;xxx 类似。都是从“数据导入”到“基于分面的可视化”。但是本文的小技巧是&#xff0c;在不同的分面中添加直线。最后得到的图形如下&#xff1a; 注意&#xff1a;本文数据和代码在公众号…

交易所通用质押式回购

一、专业术语 逆回购&#xff1a;指资金融出方将资金融给资金融入方&#xff0c;收取有价证券作为质押&#xff0c;并在未来收回本息&#xff0c;并解除有价证券质押的交易行为。 债券通用质押式回购交易&#xff1a;&#xff08;简称“通用回购”&#xff09;是指资金融入方…

划分成绩ABCD

已知成绩等级划分为{“A”:[90~100],"B":[80~89],"c":[60~79],"D":[0~59]} 1、随机生成20个整数&#xff0c;范围0-100 2、按等级归类&#xff0c;输出成绩等级列表字典如下&#xff1a; {A: [96, 96, 97, 97, 100, 100], B: [86], C: [71, 7…

Python学习基础笔记二十二——生成器

一个包含yield关键字的函数就是一个生成器函数。yield可以为我们从函数中返回值&#xff0c;但是yield又不同于return&#xff0c;return的执行意味着程序的结束&#xff0c;调用生成器函数不会得到返回的具体的值&#xff0c;而是得到一个可迭代的对象。每一次获取这个可迭代对…

微机原理与接口技术:数模转换和模数转换 详细笔记

文章目录1.数模转换1.1.数模转换原理1.1.1.权电阻D/A转换器1.1.2.R-2R T型电阻网络D/A转换器1.1.3.补充 D/A转换器的主要技术指标1.2.D/A转换芯片——DAC08321.2.1.引脚介绍1.2.2.工作方式直通输入方式单缓冲方式双缓冲方式2.模数转换2.1.信号变换中的采样、量化和编码2.1.1.采…

『NLP学习笔记』TextCNN文本分类原理及Pytorch实现

TextCNN文本分类原理及Pytorch实现 文章目录一. TextCNN网络结构1.1. CNN在文本分类上得应用1.2. 回顾CNN以及Pytorch解析1.2.1. CNN特点1.2.2. 一维卷积Conv1d1.2.3. 二维卷积 Conv2d1.2.3. 三维卷积 Conv3d1.2.4. 池化(pooling)操作1.2.4. nn.BatchNorm操作1.3. nn.ModuleLi…