拿到一块毫米波雷达打开SDK里的大段代码很多人第一反应是懵的明明只看到“ADC原始数据”几个字怎么最终产品里就冒出来一堆带距离、速度、角度的目标列表我当初从通信转过来啃雷达感知链路时最大的障碍就是没人把整条流水线从头到尾串一遍。这篇东西就是干这个的从毫米波雷达的ADC采样点开始一路经过距离维FFT、多普勒维FFT、CFAR检测、角度估计、点云聚类和目标跟踪把“原始IQ复数流”变成“一串带坐标和速度的目标列表”。内容不挑具体芯片方案TI的IWR、NXP的S32R、国产的加特兰、岸达等核心骨架都一样理解清楚后换个平台只是改寄存器配置的事真正的工作量全在每一级的数据组织和参数权衡上。1. 链路源头先把ADC数据长什么样彻底搞清楚1.1 中频信号到ADC码值距离信息藏在频率里毫米波雷达前端发射的是线性调频连续波FMCW一个chirp的频率随时间线性上升。回波和本地发射信号混频后得到的中频信号频率正比于目标时延而时延正比于距离。这是整个雷达感知的物理基础也是最容易被忽略的一步——如果你不理解中频频率后面所有FFT结果都只是“看着像那么回事的谱线”。假设调频斜率是S单位Hz/s目标距离是R那么中频频率f_IF S * 2R / c这里2R是电磁波往返总路程c是光速。S通常可以自己算例如chirp带宽B4GHzchirp时长T_c80us那么SB/T_c4GHz/80us50MHz/us。如果目标在60米处f_IF 50MHz/us * 2*60m / 3e8m/s换算一下约20MHz。这个频率直接落在ADC的采样带宽内ADC按奈奎斯特准则采样就把它变成了数字中频信号。所以ADC采样率的下限由你要探测的最大距离决定。假设最大距离R_max200m那么中频频率上限是 f_IF_max S*2R_max/c。按照刚才的S代入约66.7MHz。也就是说ADC采样率至少要到133MHz才够覆盖200米全量程。但工程上没人会用这么高的采样率因为数据量爆炸、功耗也压不住。实际雷达通常会缩短chirp时长、降低斜率或者说用中频滤波器先把远处噪声滤掉再用20MSPS、25MSPS这种采样率覆盖40到50米的近中距场景。这里的选择永远是“最大距离”和“ADC带宽/数据量”之间做交易。ADC输出的不是普通实数序列而是I/Q两路复数。两路并行采样一路余弦一路正弦合成后得到一个复指数信号。后续FFT之所以能区分正负频率、能检测出目标的方向速度全靠这一组复数。你拿到的数据手册里的“Complex 1x/2x”说的就是这件事ADC原始数据一定是两路的千万别当成单通道实数流读。1.2 一帧数据有多少排列方式和搬运是第一个坎这是很多人第一次跑通采集程序之后最崩溃的地方。你以为拿到的是“一整块雷达数据”其实它是按chirp和frame组织的多维立方体。一个典型的帧数据排列大致是[num_tx_receivers, num_chirps_per_frame, num_samples_per_chirp]比如一个1T4R的雷达每帧128个chirp每个chirp采样256个点那么单帧读取的复数样本数是4 * 128 * 256 131072个复数点。如果I/Q各16bit单帧就是 131072 * 2 * 2B 512KB。一帧时间如果10ms那么持续数据率约50MB/s。这个量级对现代DSP/FPGA来说不算高但对于早期用串口抓数据的调试方式就非常难受。我见过不少同学把毫米波雷达的ADC原始数据通过UART往PC传一帧传完下一帧早丢了。正确做法是让ADC数据走DMA直接灌进DDR里或者用FPGA高速采集后通过USB3.0/PCIe搬运。热词里经常出现的“FPGA高速ADC采样”本质就是在采样率上万兆和搬运带宽之间做平衡往往还得在外围加FIFO缓冲。数据组织还有个容易出错的点ADC流到底是“采样点维最快sample-major”还是“chirp维最快”。不同厂商的采集库排列方向不一样TI的DCA1000输出和某些国产雷达的采集板可能正好相反。拿到数据后别急着FFT先打印一下数据shape甚至先检查有没有明显的相位连续性。否则后面所有轴全反结果就是一个歪的图谱。2. 距离维FFT把频率谱峰翻译成距离峰2.1 为什么不是直接对ADC波形找峰你可能会想中频频率正比于距离那直接对ADC序列做频谱分析不就行了吗确实就是这么做但为什么非得“一个chirp做一个FFT”而不是对整段数据做一个超大FFT这里的关键是chirp之间的时间间隔中目标位置和速度导致的相位变化是我们后面测速的依据。如果把所有chirp混在一起做FFT距离和速度的信息就纠缠在一起了解不回来。所以标准流程是对每个chirp的Ns个采样点独立做一次Ns点FFT得到的就是距离维频谱每个峰对应一个目标的距离。这个过程在雷达SDK里通常叫Range FFT。做完之后数据形状从[num_rx, num_chirps, num_samples]会变成[num_rx, num_chirps, num_range_bins]。距离分辨力由chirp带宽决定ΔR c/(2B)。如果B4GHz那理论分辨力就是3.75厘米如果B250MHz就是0.6米基本只能把人识别成一个热源点。要注意区分“分辨力”和“bin宽度”。bin宽度是频谱上每根谱线对应的距离间隔固定等于 c/(2ST_s*num_samples)也可以写成 c/(2B_total_per_chirp)。分辨力是“两个等幅目标能区分开的最近距离”加窗之后主瓣展宽实际分辨力通常是bin宽度的1.5到2倍。实操时我习惯先把Range FFT之后的幅度谱画成“距离-时间”热力图第一眼就能发现静态强目标在哪。楼梯、墙角、金属栏杆产生的强反射通常出现在固定距离线上这是后面做多普勒维处理要抑制的杂波。这个可视化步骤非常值得做调试进度至少快一倍。2.2 窗函数、去直流和零填充的真实经验Range FFT前要不要加窗这是个老问题。FFT默认矩形窗主瓣窄但旁瓣高第一个旁瓣约-13dB。调频雷达里同一个场景往往有强目标例如金属杆和弱目标例如行人同时存在强目标的旁瓣会直接淹没弱目标的信号。所以工程上几乎都会加窗Hann、Hamming、Blackman-Harris都是常见选择。Hamming窗旁瓣约-43dB主瓣宽度是矩形窗的两倍Blackman-Harris旁瓣更低但主瓣更宽。雷达测距里一般推荐Hamming起手如果发现远距弱目标检测不住再往Blackman方向试。除了加窗还有一个必须处理的是直流偏置。ADC本身会有直流失调收发链路也会有些耦合泄漏在零频附近形成一个巨大的峰值。这个峰值会污染前几个距离bin而且旁瓣扫描整个距离谱。最简单的办法是在做FFT前把同一通道所有距离采样点的平均值减掉或者在距离谱里把0号和低几个距离bin直接置零。减平均的做法的代价是会把近距离慢速目标的信号也稍微动一动但通常能接受。零填充zero-padding是在做FFT前把Ns点数据补零到更大的点数比如从256点补到1024点再进行FFT。它并不会提高真实分辨力但会把谱线密度变密让峰位置估算更平滑对后续CFAR取峰值和参数提取有好处。我一般会在后续需要精确峰值提取时用调试阶段反而尽量少用因为补零会让数据量翻几倍实时链路里代价不小。3. 多普勒维FFT把静止目标和动目标分开3.1 慢时间FFT是怎么回事做完距离维FFT数据里每个range bin的复数幅值会随着chirp的推进而变化。如果该range bin里有一个运动目标那么它的相位会逐chirp线性变化变化速率正比于目标的径向速度。对同一range bin、连续Ns个chirp上的复数序列再做一次FFT峰值的位置就对应目标的多普勒频率。这一步因为是在chirp与chirp之间慢时间做的所以叫慢时间FFT也叫Doppler FFT。经过这步后数据从 [num_rx, num_chirps, range_bins] 变成 [num_rx, doppler_bins, range_bins]。这就是经典的二维距离-多普勒图RD图。RD图上会出现一个个亮点每个亮点在距离轴上对应目标的距离在多普勒轴上对应目标的径向速度。速度换算公式也不复杂多普勒频率f_D 2v/λ慢时间FFT的频率范围和chirp重复频率有关。最大不模糊速度是 v_max λ/(4T_c)其中T_c是chirp周期。比如60GHz雷达波长约5mm如果chirp周期T_c50us则v_max25m/s。注意这里用的是chirp周期不是chirp时长chirp之间如果还留了很长的空闲时间最大速度会下降。速度分辨率则取决于一帧里chirp的个数N_chirpΔv λ/(2N_chirpT_c)。如果N_chirp64、T_c50usΔv大约0.78m/s如果N_chirp128分辨率能到0.39m/s。这直接影响你对慢速行走人的判断能力。人的步行速度1到2m/s如果速度分辨率太粗人可能就在零速度旁边两个bin来回漂容易被当成静态物体滤掉。这是很多“雷达明明对着人目标却时有时无”的根源之一。3.2 零速杂波抑制、速度模糊与参数联动RD图上最强的东西通常不是目标而是静止杂波。墙面、围栏、地面反射它们都在零速度附近。所以第二步多普勒处理后第一件事是去掉零速度附近的能量。可以在慢时间FFT之前先做一个高通滤波器差分解就是最简单的——用相邻两个chirp的复数相减静态分量抵消只剩运动目标。这个方法会把近距离慢速目标一起削弱代价还是在的。真正的速度模糊问题更麻烦。如果目标径向速度超过v_max它的多普勒峰会被折叠到- v_max 到 v_max 区间内显示成一个错误的速度和可能错误的方向。典型例子是汽车以50m/s朝雷达正面冲过来而v_max只有25m/s你会解出一个看起来像“远离”的目标。解决思路有三类用双快chirp每个距离单元采样两次再结合在帧内使用非均匀chirp间隔或者用射频前端设计上的“速度扩展”模式。对多数入门项目最好的策略是把chirp周期压下来让v_max足够覆盖你的场景。代价是同样的chirp数一帧时间缩短速度分辨率变差或者要增加chirp数数据量和处理时间又上去了。这就是雷达系统设计的核心权衡距离、速度、角度、数据量永远是互相挤压的。4. 检测与测角CFAR门限和MIMO角度谱4.1 CFAR门限不是“定个高阈值”那么简单RD图里数据点成千上万不能把所有超过固定阈值的点当目标。原因很简单噪声底不是平的远距离衰减、地形杂波、天线方向图不平坦都会让底噪变化。固定门限虽然好写但要么近处全是假点要么远处目标全丢。自适应门限才是工程正解用的就是CFAR恒虚警率检测。CFAR的思路是“用被测单元周围的平均噪声水平来确定当前门限”。以最常见的单元平均CFARCA-CFAR为例假设你想检测距离维某根谱线CUT左右预留几个保护单元防止目标能量泄漏到参考窗然后取参考窗里的幅值平方平均作为噪声功率估计P_n接着乘以门限因子α得到判决门限。只要CUT的功率超过α*P_n就判定为有效目标。α不是拍脑袋设的它由参考单元数N和期望虚警概率P_fa决定α N * (P_fa^(-1/N) - 1)假设参考单元数N16期望虚警概率P_fa1e-4那么P_fa^(-1/16)约等于1.78α约等于12.4。如果噪声功率估计是100那门限就是1240。这个公式看起来很唬人其实逻辑很直白参考单元越多、虚警期望越严格门限因子就越大。实操时CFAR一般是在RD图上做二维的距离维和速度维各取一组参考窗。目标多、杂波强的场景还会用有序统计CFAROS-CFAR来防止多目标互相抬高噪声估值。但OS-CFAR要把参考窗排序运算量大不少。我见过很多调参翻车的现场基本都是忘了留保护单元导致强目标自身的旁瓣被当成噪声抬高了门限反而检测不出真正的目标。保护单元一般设成目标主瓣宽度的1到2倍加了窗之后主瓣有3个bin左右保护单元至少左右各3个。4.2 DOA角度估计虚拟天线阵列怎么出来的距离和速度都解出来了但还不够你只知道“某个距离上有个以某个速度移动的东西”不知道它在哪个角度。角度估计靠的是多根接收天线之间的相位差。同一目标回波到达不同天线的波程差不同体现在复数数据上就是相位差。给每个检测点取各天线在相应(range, doppler)bin上的复数形成一个“快拍向量”再做一次FFT峰值对应的频率就是到达角DOA。这里有个重要细节测角用的是发射天线和接收天线联合形成的虚拟阵列。例如2发4收如果发射波形是时分复用MIMO那么等效虚拟接收天线数可以达到2*48根。每根虚拟天线的相位中心不同等效成一把8元天线阵列角度分辨率约 2/N 弧度阵元间距半波长时大概14度左右。很多产品广告里的“角分辨率”就是从这来的。想要更高的角度分辨率要么增加虚拟阵列规模要么用MUSIC等高分辨率算法但后者对信噪比和阵元校准极其敏感工程上通常还是先FFT把主方向求出来再用超分辨算法做细化。实际布板时阵元间距如果大于半波长会出现栅瓣角度模糊。这时候你会看到一个目标在-60度和60度同时出现两个峰。排查这类问题优先检查天线间距和虚拟阵元相位中心的校准文件。幅度和相位校准如果没做好测角能力会严重下降——典型表现是不同位置的静止目标角度出现系统性偏移而且不同目标性能不一致。5. 点云到目标列表聚类、跟踪与最终输出5.1 一个检测点还不够先用DBSCAN把点云收拢过了CFAR和测角你会拿到一堆检测点每个点携带距离、多普勒速度、角度、信噪比这些属性。这个阶段在供应商SDK里叫“点云输出”。但点云还不是目标列表——一个行人身上可能有七八个强散射点一辆车可能有十几个反过来一个散射特性弱的行人可能只有一两个点。如果直接把这些点都上报给上层下游会疯掉。所以目标列表生成前通常要做点云聚类。工程中用得最多的聚类算法是DBSCAN。它不需要预先指定聚成几类能把任意形状的点云簇找出来并且能自动把孤立噪声点标记为离群点。DBSCAN有两个参数扫描半径eps和最小邻域点数minPts。eps值我会按照雷达在某个距离上的点云密度来标定比如在10m处一个行人大概能产生4到6个点同一目标点之间的间距不超过半个距离分辨力或一个角度单元那就以这个尺度为参考去设。minPts工程上常取3到5低于3的簇容易是单点噪声。聚类后每个簇会输出一个合并后的目标点通常会取离雷达最近的点、信噪比最高的点或者做加权质心。这里一定要保留簇内点数作为“置信度”参考。我在测试中发现把“簇内点数”这个特征挂上之后过滤虚警的难度瞬间降低一半。单点簇大概率是随机噪声或闪烁的旁瓣直接丢弃会省掉下游很多麻烦。5.2 跟踪滤波器与航迹管理把“点”变成稳定的“目标”聚类后你已经有了一系列每帧都出现的点但直接输出这些点会出现两个问题一是单帧检测会存在漏检二是目标的瞬时位置抖动很大。解决方式是加一层跟踪滤波。毫米波雷达里最常用的是卡尔曼滤波状态向量一般取[距离, 径向速度, 角度]及其导数例如恒定速度CV模型或者恒定加速度CA模型。卡尔曼滤波的核心不是把点变平而是把“预测值”和“观测值”按各自的不确定性加权。雷达的测距误差模型通常是高斯分布天线测角误差是信噪比的函数信噪比越低角误差越大。把这些不确定性填进协方差矩阵里滤波器就能自动决定更相信预测还是更相信观测。跟踪管理还有个L型流程新的检测点需要“航迹起始”连续若干帧关联上才确认已有航迹会预测下一个时刻的位置再通过最近邻关联或概率数据关联把新点配到正确航迹上若连续多帧没有关联到新点航迹就“终止”。这个过程在产业界叫航迹管理。很多人以为卡尔曼滤波就是目标列表的全部其实航迹生命周期管理才是真正的工程工作量。我看到过很多半路出家的雷达工程师算法模型全会但航迹逻辑写得稀烂一会目标ID乱跳一会一截断根重新起头。目标ID的稳定性和航迹置信度直接决定下游业务层能否接受你的结果。5.3 输出目标列表的格式和常见扩展信息最终目标列表本质上是一个结构体数组每个目标通常包括目标ID、距离、径向速度、水平角、俯仰角如果有、信噪比、RCS估计值、簇点数、航迹置信度、生命周期。很多上游系统还需要目标的多普勒速度是“接近/远离”的符号指示这取决于速度解算时是否去除了模糊。输出频率一般和帧率一致常见是10Hz到30Hz。在实际部署时我强烈建议保留一个“原始点云”的输出口不要把所有中间产物都丢弃。很多时候GPS/IMU做融合需要用原始点的SNR做权重或者做局部场景重放调试没有原始点云会非常痛苦。这个看似不起眼的扩展字段能让你在集成和售后阶段省下大量时间。6. 踩坑记录从ADC到目标列表的常见问题速查这章把我在调试和交付里遇到最多的问题整理成一个速查表每一行都是真实项目里踩过的坑。对照着排查能省下不少从零观察数据的时间。现象可能原因排查方向距离谱上0距离附近出现巨大尖峰ADC直流偏置、收发泄漏去掉直流分量再做FFT检查I/Q是否平衡目标距离测出来偏大或偏小ADC采样率配置和实际不匹配核对chirp配置文件里的采样率、带宽、斜率静止目标在速度轴上乱出峰慢时间FFT前未抑制零速杂波雷达挂在难以固定的结构上加高速滤波检查机械固定近距离目标检测正常远距离全丢门限因子过高或CFAR参考窗太大降低α缩小参考窗检查中频增益同一目标同时出现两个角度峰阵元间距大于半波长出现栅瓣角度校准偏差检查天线尺寸重新校准相位误差行人目标ID在几个轨迹间跳动关联门限设置太紧目标分裂增大关联门在点云聚类参数上做调整目标速度偶发出现正负跳变速度模糊chirp周期过长压缩chirp周期检查V_max边界单帧点数爆炸下游处理变慢CFAR门限太松提高α或改用OS-CFAR提高点云SNR门限除了表格里的现象我还想特别提一个看似无关紧要的问题——相位噪声。毫米波雷达的ADC数据质量不仅仅看信噪比还要看相位噪声。热词里频繁出现的“ADC信噪比”很多人只盯幅度噪声忽略了相位噪声对测速和测角的影响。相位噪声会直接加宽多普勒谱峰让速度分辨率变差在角度维上则体现为谱峰展宽降低测角精度。如果发现RD图上的亮点边界模糊、速度谱展宽的厉害不要只怀疑算法先回头查一下锁相环的参考时钟和电源纹波。还有一个经验是不要一上来就追求“多目标完美跟踪”。先把单目标在空旷场景里的链路闭跑通确认ADC数据方向、Range FFT坐标、Doppler方向、角度坐标系都一致再叠加多目标和复杂杂波。坐标系一致是雷达调试里最费时间的隐形工作。RD图上的距离轴从零开始但速度轴有正负角度谱又有方位角和俯仰角之分每个SDK里坐标系定义可能都不一样。我吃过这个亏在TI和国产某平台之间移植时角度坐标一个按弧度一个按度输出目标方位直接偏了90度花了整整两天才定位到是单位换算问题。最后分享一个我在实际调试时一直会用的小技巧在ADC原始数据阶段把I/Q两路分别打出来看通道幅值是否相等、相位是否正交。IQ不平衡的典型表现是频谱上产生镜像峰明明只有一个目标距离谱上却出现两个对称的峰。很多“莫名其妙的目标”都是这个原因。先把ADC链路洗干净再谈算法调优顺序不能反。整个感知链路从ADC到目标列表看起来很漫长但拆开看每一级都是“做一次变换、做一次筛选、再换个坐标系输出”。只要你能随时画出中间某一级的图并解释每个峰对应什么物理量这条链路就已经在你脑子里闭合了。
毫米波雷达感知链路：从ADC原始数据到目标列表的完整处理流程
拿到一块毫米波雷达打开SDK里的大段代码很多人第一反应是懵的明明只看到“ADC原始数据”几个字怎么最终产品里就冒出来一堆带距离、速度、角度的目标列表我当初从通信转过来啃雷达感知链路时最大的障碍就是没人把整条流水线从头到尾串一遍。这篇东西就是干这个的从毫米波雷达的ADC采样点开始一路经过距离维FFT、多普勒维FFT、CFAR检测、角度估计、点云聚类和目标跟踪把“原始IQ复数流”变成“一串带坐标和速度的目标列表”。内容不挑具体芯片方案TI的IWR、NXP的S32R、国产的加特兰、岸达等核心骨架都一样理解清楚后换个平台只是改寄存器配置的事真正的工作量全在每一级的数据组织和参数权衡上。1. 链路源头先把ADC数据长什么样彻底搞清楚1.1 中频信号到ADC码值距离信息藏在频率里毫米波雷达前端发射的是线性调频连续波FMCW一个chirp的频率随时间线性上升。回波和本地发射信号混频后得到的中频信号频率正比于目标时延而时延正比于距离。这是整个雷达感知的物理基础也是最容易被忽略的一步——如果你不理解中频频率后面所有FFT结果都只是“看着像那么回事的谱线”。假设调频斜率是S单位Hz/s目标距离是R那么中频频率f_IF S * 2R / c这里2R是电磁波往返总路程c是光速。S通常可以自己算例如chirp带宽B4GHzchirp时长T_c80us那么SB/T_c4GHz/80us50MHz/us。如果目标在60米处f_IF 50MHz/us * 2*60m / 3e8m/s换算一下约20MHz。这个频率直接落在ADC的采样带宽内ADC按奈奎斯特准则采样就把它变成了数字中频信号。所以ADC采样率的下限由你要探测的最大距离决定。假设最大距离R_max200m那么中频频率上限是 f_IF_max S*2R_max/c。按照刚才的S代入约66.7MHz。也就是说ADC采样率至少要到133MHz才够覆盖200米全量程。但工程上没人会用这么高的采样率因为数据量爆炸、功耗也压不住。实际雷达通常会缩短chirp时长、降低斜率或者说用中频滤波器先把远处噪声滤掉再用20MSPS、25MSPS这种采样率覆盖40到50米的近中距场景。这里的选择永远是“最大距离”和“ADC带宽/数据量”之间做交易。ADC输出的不是普通实数序列而是I/Q两路复数。两路并行采样一路余弦一路正弦合成后得到一个复指数信号。后续FFT之所以能区分正负频率、能检测出目标的方向速度全靠这一组复数。你拿到的数据手册里的“Complex 1x/2x”说的就是这件事ADC原始数据一定是两路的千万别当成单通道实数流读。1.2 一帧数据有多少排列方式和搬运是第一个坎这是很多人第一次跑通采集程序之后最崩溃的地方。你以为拿到的是“一整块雷达数据”其实它是按chirp和frame组织的多维立方体。一个典型的帧数据排列大致是[num_tx_receivers, num_chirps_per_frame, num_samples_per_chirp]比如一个1T4R的雷达每帧128个chirp每个chirp采样256个点那么单帧读取的复数样本数是4 * 128 * 256 131072个复数点。如果I/Q各16bit单帧就是 131072 * 2 * 2B 512KB。一帧时间如果10ms那么持续数据率约50MB/s。这个量级对现代DSP/FPGA来说不算高但对于早期用串口抓数据的调试方式就非常难受。我见过不少同学把毫米波雷达的ADC原始数据通过UART往PC传一帧传完下一帧早丢了。正确做法是让ADC数据走DMA直接灌进DDR里或者用FPGA高速采集后通过USB3.0/PCIe搬运。热词里经常出现的“FPGA高速ADC采样”本质就是在采样率上万兆和搬运带宽之间做平衡往往还得在外围加FIFO缓冲。数据组织还有个容易出错的点ADC流到底是“采样点维最快sample-major”还是“chirp维最快”。不同厂商的采集库排列方向不一样TI的DCA1000输出和某些国产雷达的采集板可能正好相反。拿到数据后别急着FFT先打印一下数据shape甚至先检查有没有明显的相位连续性。否则后面所有轴全反结果就是一个歪的图谱。2. 距离维FFT把频率谱峰翻译成距离峰2.1 为什么不是直接对ADC波形找峰你可能会想中频频率正比于距离那直接对ADC序列做频谱分析不就行了吗确实就是这么做但为什么非得“一个chirp做一个FFT”而不是对整段数据做一个超大FFT这里的关键是chirp之间的时间间隔中目标位置和速度导致的相位变化是我们后面测速的依据。如果把所有chirp混在一起做FFT距离和速度的信息就纠缠在一起了解不回来。所以标准流程是对每个chirp的Ns个采样点独立做一次Ns点FFT得到的就是距离维频谱每个峰对应一个目标的距离。这个过程在雷达SDK里通常叫Range FFT。做完之后数据形状从[num_rx, num_chirps, num_samples]会变成[num_rx, num_chirps, num_range_bins]。距离分辨力由chirp带宽决定ΔR c/(2B)。如果B4GHz那理论分辨力就是3.75厘米如果B250MHz就是0.6米基本只能把人识别成一个热源点。要注意区分“分辨力”和“bin宽度”。bin宽度是频谱上每根谱线对应的距离间隔固定等于 c/(2ST_s*num_samples)也可以写成 c/(2B_total_per_chirp)。分辨力是“两个等幅目标能区分开的最近距离”加窗之后主瓣展宽实际分辨力通常是bin宽度的1.5到2倍。实操时我习惯先把Range FFT之后的幅度谱画成“距离-时间”热力图第一眼就能发现静态强目标在哪。楼梯、墙角、金属栏杆产生的强反射通常出现在固定距离线上这是后面做多普勒维处理要抑制的杂波。这个可视化步骤非常值得做调试进度至少快一倍。2.2 窗函数、去直流和零填充的真实经验Range FFT前要不要加窗这是个老问题。FFT默认矩形窗主瓣窄但旁瓣高第一个旁瓣约-13dB。调频雷达里同一个场景往往有强目标例如金属杆和弱目标例如行人同时存在强目标的旁瓣会直接淹没弱目标的信号。所以工程上几乎都会加窗Hann、Hamming、Blackman-Harris都是常见选择。Hamming窗旁瓣约-43dB主瓣宽度是矩形窗的两倍Blackman-Harris旁瓣更低但主瓣更宽。雷达测距里一般推荐Hamming起手如果发现远距弱目标检测不住再往Blackman方向试。除了加窗还有一个必须处理的是直流偏置。ADC本身会有直流失调收发链路也会有些耦合泄漏在零频附近形成一个巨大的峰值。这个峰值会污染前几个距离bin而且旁瓣扫描整个距离谱。最简单的办法是在做FFT前把同一通道所有距离采样点的平均值减掉或者在距离谱里把0号和低几个距离bin直接置零。减平均的做法的代价是会把近距离慢速目标的信号也稍微动一动但通常能接受。零填充zero-padding是在做FFT前把Ns点数据补零到更大的点数比如从256点补到1024点再进行FFT。它并不会提高真实分辨力但会把谱线密度变密让峰位置估算更平滑对后续CFAR取峰值和参数提取有好处。我一般会在后续需要精确峰值提取时用调试阶段反而尽量少用因为补零会让数据量翻几倍实时链路里代价不小。3. 多普勒维FFT把静止目标和动目标分开3.1 慢时间FFT是怎么回事做完距离维FFT数据里每个range bin的复数幅值会随着chirp的推进而变化。如果该range bin里有一个运动目标那么它的相位会逐chirp线性变化变化速率正比于目标的径向速度。对同一range bin、连续Ns个chirp上的复数序列再做一次FFT峰值的位置就对应目标的多普勒频率。这一步因为是在chirp与chirp之间慢时间做的所以叫慢时间FFT也叫Doppler FFT。经过这步后数据从 [num_rx, num_chirps, range_bins] 变成 [num_rx, doppler_bins, range_bins]。这就是经典的二维距离-多普勒图RD图。RD图上会出现一个个亮点每个亮点在距离轴上对应目标的距离在多普勒轴上对应目标的径向速度。速度换算公式也不复杂多普勒频率f_D 2v/λ慢时间FFT的频率范围和chirp重复频率有关。最大不模糊速度是 v_max λ/(4T_c)其中T_c是chirp周期。比如60GHz雷达波长约5mm如果chirp周期T_c50us则v_max25m/s。注意这里用的是chirp周期不是chirp时长chirp之间如果还留了很长的空闲时间最大速度会下降。速度分辨率则取决于一帧里chirp的个数N_chirpΔv λ/(2N_chirpT_c)。如果N_chirp64、T_c50usΔv大约0.78m/s如果N_chirp128分辨率能到0.39m/s。这直接影响你对慢速行走人的判断能力。人的步行速度1到2m/s如果速度分辨率太粗人可能就在零速度旁边两个bin来回漂容易被当成静态物体滤掉。这是很多“雷达明明对着人目标却时有时无”的根源之一。3.2 零速杂波抑制、速度模糊与参数联动RD图上最强的东西通常不是目标而是静止杂波。墙面、围栏、地面反射它们都在零速度附近。所以第二步多普勒处理后第一件事是去掉零速度附近的能量。可以在慢时间FFT之前先做一个高通滤波器差分解就是最简单的——用相邻两个chirp的复数相减静态分量抵消只剩运动目标。这个方法会把近距离慢速目标一起削弱代价还是在的。真正的速度模糊问题更麻烦。如果目标径向速度超过v_max它的多普勒峰会被折叠到- v_max 到 v_max 区间内显示成一个错误的速度和可能错误的方向。典型例子是汽车以50m/s朝雷达正面冲过来而v_max只有25m/s你会解出一个看起来像“远离”的目标。解决思路有三类用双快chirp每个距离单元采样两次再结合在帧内使用非均匀chirp间隔或者用射频前端设计上的“速度扩展”模式。对多数入门项目最好的策略是把chirp周期压下来让v_max足够覆盖你的场景。代价是同样的chirp数一帧时间缩短速度分辨率变差或者要增加chirp数数据量和处理时间又上去了。这就是雷达系统设计的核心权衡距离、速度、角度、数据量永远是互相挤压的。4. 检测与测角CFAR门限和MIMO角度谱4.1 CFAR门限不是“定个高阈值”那么简单RD图里数据点成千上万不能把所有超过固定阈值的点当目标。原因很简单噪声底不是平的远距离衰减、地形杂波、天线方向图不平坦都会让底噪变化。固定门限虽然好写但要么近处全是假点要么远处目标全丢。自适应门限才是工程正解用的就是CFAR恒虚警率检测。CFAR的思路是“用被测单元周围的平均噪声水平来确定当前门限”。以最常见的单元平均CFARCA-CFAR为例假设你想检测距离维某根谱线CUT左右预留几个保护单元防止目标能量泄漏到参考窗然后取参考窗里的幅值平方平均作为噪声功率估计P_n接着乘以门限因子α得到判决门限。只要CUT的功率超过α*P_n就判定为有效目标。α不是拍脑袋设的它由参考单元数N和期望虚警概率P_fa决定α N * (P_fa^(-1/N) - 1)假设参考单元数N16期望虚警概率P_fa1e-4那么P_fa^(-1/16)约等于1.78α约等于12.4。如果噪声功率估计是100那门限就是1240。这个公式看起来很唬人其实逻辑很直白参考单元越多、虚警期望越严格门限因子就越大。实操时CFAR一般是在RD图上做二维的距离维和速度维各取一组参考窗。目标多、杂波强的场景还会用有序统计CFAROS-CFAR来防止多目标互相抬高噪声估值。但OS-CFAR要把参考窗排序运算量大不少。我见过很多调参翻车的现场基本都是忘了留保护单元导致强目标自身的旁瓣被当成噪声抬高了门限反而检测不出真正的目标。保护单元一般设成目标主瓣宽度的1到2倍加了窗之后主瓣有3个bin左右保护单元至少左右各3个。4.2 DOA角度估计虚拟天线阵列怎么出来的距离和速度都解出来了但还不够你只知道“某个距离上有个以某个速度移动的东西”不知道它在哪个角度。角度估计靠的是多根接收天线之间的相位差。同一目标回波到达不同天线的波程差不同体现在复数数据上就是相位差。给每个检测点取各天线在相应(range, doppler)bin上的复数形成一个“快拍向量”再做一次FFT峰值对应的频率就是到达角DOA。这里有个重要细节测角用的是发射天线和接收天线联合形成的虚拟阵列。例如2发4收如果发射波形是时分复用MIMO那么等效虚拟接收天线数可以达到2*48根。每根虚拟天线的相位中心不同等效成一把8元天线阵列角度分辨率约 2/N 弧度阵元间距半波长时大概14度左右。很多产品广告里的“角分辨率”就是从这来的。想要更高的角度分辨率要么增加虚拟阵列规模要么用MUSIC等高分辨率算法但后者对信噪比和阵元校准极其敏感工程上通常还是先FFT把主方向求出来再用超分辨算法做细化。实际布板时阵元间距如果大于半波长会出现栅瓣角度模糊。这时候你会看到一个目标在-60度和60度同时出现两个峰。排查这类问题优先检查天线间距和虚拟阵元相位中心的校准文件。幅度和相位校准如果没做好测角能力会严重下降——典型表现是不同位置的静止目标角度出现系统性偏移而且不同目标性能不一致。5. 点云到目标列表聚类、跟踪与最终输出5.1 一个检测点还不够先用DBSCAN把点云收拢过了CFAR和测角你会拿到一堆检测点每个点携带距离、多普勒速度、角度、信噪比这些属性。这个阶段在供应商SDK里叫“点云输出”。但点云还不是目标列表——一个行人身上可能有七八个强散射点一辆车可能有十几个反过来一个散射特性弱的行人可能只有一两个点。如果直接把这些点都上报给上层下游会疯掉。所以目标列表生成前通常要做点云聚类。工程中用得最多的聚类算法是DBSCAN。它不需要预先指定聚成几类能把任意形状的点云簇找出来并且能自动把孤立噪声点标记为离群点。DBSCAN有两个参数扫描半径eps和最小邻域点数minPts。eps值我会按照雷达在某个距离上的点云密度来标定比如在10m处一个行人大概能产生4到6个点同一目标点之间的间距不超过半个距离分辨力或一个角度单元那就以这个尺度为参考去设。minPts工程上常取3到5低于3的簇容易是单点噪声。聚类后每个簇会输出一个合并后的目标点通常会取离雷达最近的点、信噪比最高的点或者做加权质心。这里一定要保留簇内点数作为“置信度”参考。我在测试中发现把“簇内点数”这个特征挂上之后过滤虚警的难度瞬间降低一半。单点簇大概率是随机噪声或闪烁的旁瓣直接丢弃会省掉下游很多麻烦。5.2 跟踪滤波器与航迹管理把“点”变成稳定的“目标”聚类后你已经有了一系列每帧都出现的点但直接输出这些点会出现两个问题一是单帧检测会存在漏检二是目标的瞬时位置抖动很大。解决方式是加一层跟踪滤波。毫米波雷达里最常用的是卡尔曼滤波状态向量一般取[距离, 径向速度, 角度]及其导数例如恒定速度CV模型或者恒定加速度CA模型。卡尔曼滤波的核心不是把点变平而是把“预测值”和“观测值”按各自的不确定性加权。雷达的测距误差模型通常是高斯分布天线测角误差是信噪比的函数信噪比越低角误差越大。把这些不确定性填进协方差矩阵里滤波器就能自动决定更相信预测还是更相信观测。跟踪管理还有个L型流程新的检测点需要“航迹起始”连续若干帧关联上才确认已有航迹会预测下一个时刻的位置再通过最近邻关联或概率数据关联把新点配到正确航迹上若连续多帧没有关联到新点航迹就“终止”。这个过程在产业界叫航迹管理。很多人以为卡尔曼滤波就是目标列表的全部其实航迹生命周期管理才是真正的工程工作量。我看到过很多半路出家的雷达工程师算法模型全会但航迹逻辑写得稀烂一会目标ID乱跳一会一截断根重新起头。目标ID的稳定性和航迹置信度直接决定下游业务层能否接受你的结果。5.3 输出目标列表的格式和常见扩展信息最终目标列表本质上是一个结构体数组每个目标通常包括目标ID、距离、径向速度、水平角、俯仰角如果有、信噪比、RCS估计值、簇点数、航迹置信度、生命周期。很多上游系统还需要目标的多普勒速度是“接近/远离”的符号指示这取决于速度解算时是否去除了模糊。输出频率一般和帧率一致常见是10Hz到30Hz。在实际部署时我强烈建议保留一个“原始点云”的输出口不要把所有中间产物都丢弃。很多时候GPS/IMU做融合需要用原始点的SNR做权重或者做局部场景重放调试没有原始点云会非常痛苦。这个看似不起眼的扩展字段能让你在集成和售后阶段省下大量时间。6. 踩坑记录从ADC到目标列表的常见问题速查这章把我在调试和交付里遇到最多的问题整理成一个速查表每一行都是真实项目里踩过的坑。对照着排查能省下不少从零观察数据的时间。现象可能原因排查方向距离谱上0距离附近出现巨大尖峰ADC直流偏置、收发泄漏去掉直流分量再做FFT检查I/Q是否平衡目标距离测出来偏大或偏小ADC采样率配置和实际不匹配核对chirp配置文件里的采样率、带宽、斜率静止目标在速度轴上乱出峰慢时间FFT前未抑制零速杂波雷达挂在难以固定的结构上加高速滤波检查机械固定近距离目标检测正常远距离全丢门限因子过高或CFAR参考窗太大降低α缩小参考窗检查中频增益同一目标同时出现两个角度峰阵元间距大于半波长出现栅瓣角度校准偏差检查天线尺寸重新校准相位误差行人目标ID在几个轨迹间跳动关联门限设置太紧目标分裂增大关联门在点云聚类参数上做调整目标速度偶发出现正负跳变速度模糊chirp周期过长压缩chirp周期检查V_max边界单帧点数爆炸下游处理变慢CFAR门限太松提高α或改用OS-CFAR提高点云SNR门限除了表格里的现象我还想特别提一个看似无关紧要的问题——相位噪声。毫米波雷达的ADC数据质量不仅仅看信噪比还要看相位噪声。热词里频繁出现的“ADC信噪比”很多人只盯幅度噪声忽略了相位噪声对测速和测角的影响。相位噪声会直接加宽多普勒谱峰让速度分辨率变差在角度维上则体现为谱峰展宽降低测角精度。如果发现RD图上的亮点边界模糊、速度谱展宽的厉害不要只怀疑算法先回头查一下锁相环的参考时钟和电源纹波。还有一个经验是不要一上来就追求“多目标完美跟踪”。先把单目标在空旷场景里的链路闭跑通确认ADC数据方向、Range FFT坐标、Doppler方向、角度坐标系都一致再叠加多目标和复杂杂波。坐标系一致是雷达调试里最费时间的隐形工作。RD图上的距离轴从零开始但速度轴有正负角度谱又有方位角和俯仰角之分每个SDK里坐标系定义可能都不一样。我吃过这个亏在TI和国产某平台之间移植时角度坐标一个按弧度一个按度输出目标方位直接偏了90度花了整整两天才定位到是单位换算问题。最后分享一个我在实际调试时一直会用的小技巧在ADC原始数据阶段把I/Q两路分别打出来看通道幅值是否相等、相位是否正交。IQ不平衡的典型表现是频谱上产生镜像峰明明只有一个目标距离谱上却出现两个对称的峰。很多“莫名其妙的目标”都是这个原因。先把ADC链路洗干净再谈算法调优顺序不能反。整个感知链路从ADC到目标列表看起来很漫长但拆开看每一级都是“做一次变换、做一次筛选、再换个坐标系输出”。只要你能随时画出中间某一级的图并解释每个峰对应什么物理量这条链路就已经在你脑子里闭合了。
