介绍微多普勒效应
这个示例介绍了微多普勒效应的基本概念由于旋转目标的雷达回波的目标。您可以使用微多普勒签名来帮助识别目标。
介绍
一个移动的目标介绍了频移的雷达回波多普勒效应。然而,由于大多数目标都不是刚体,经常有其他的振动和旋转在不同地区的目标除了平台运动。例如,当直升机飞行,它的叶片旋转,或当一个人走,双臂自然摆动。这些微尺度运动产生额外的多普勒变化,称为微多普勒效应,它是有用的在确定目标功能。这个例子显示了两个应用程序,其中微多普勒效应可以是有益的。在第一个应用程序中,微多普勒特征被用来确定直升机的叶片速度。在第二个应用程序中,微多普勒特征用于识别行人汽车雷达回波。
估计叶片一架直升飞机的速度
考虑一个直升飞机有四个螺旋桨。假设雷达位于原点。直升机的位置指定为(500 0 500),集其距离雷达米的速度(60 0 0)m / s。
radarpos = (0, 0, 0);radarvel = (0, 0, 0);tgtinitpos = (500; 0; 500);tgtvel = (60, 0, 0);tgtmotion = phased.Platform (“InitialPosition”tgtinitpos,“速度”,tgtvel);
在这个模拟中,直升机是由五个散射建模:四个叶片的旋转中心和技巧。旋转中心与直升机的身体动作。每个叶尖是90度除了相邻叶片的尖端。叶片旋转以恒定速度每秒4革命。每个叶片的手臂的长度是6.5米。
Nblades = 4;bladeang = (0: Nblades-1) * 2 *π/ Nblades;bladelen = 6.5;bladerate =函数(4 * 360);% rp - > rad /秒
所有四个叶片技巧被认为有相同的反射率而旋转中心的反射率更强。
c = 3 e8;fc = 5 e9;helicop = phased.RadarTarget (“MeanRCS”(10。1。1。1。1),“PropagationSpeed”c…“OperatingFrequency”、fc);
直升机回波模拟
假设雷达运行5 GHz用一个简单的脉搏。脉冲重复频率是20 kHz。为简单起见,假设信号在自由空间传播。
fs = 1 e6;脉冲重复频率= 2 e4;λ= c / fc;wav = phased.RectangularWaveform (“SampleRate”fs,“脉冲宽度”2 e-6脉冲重复频率的脉冲重复频率);ura所言= phased.URA (“大小”4“ElementSpacing”λ/ 2);tx = phased.Transmitter;rx = phased.ReceiverPreamp;env = phased.FreeSpace (“PropagationSpeed”c“OperatingFrequency”足球俱乐部,…“TwoWayPropagation”,真的,“SampleRate”fs);txant = phased.Radiator (“传感器”ura所言,“PropagationSpeed”c“OperatingFrequency”、fc);rxant = phased.Collector (“传感器”ura所言,“PropagationSpeed”c“OperatingFrequency”、fc);
在每一个脉冲,直升机沿着它的轨迹。与此同时,叶片保持旋转,叶片的技巧引入额外的位移和角速度。
NSampPerPulse =圆(fs /脉冲重复频率);硝石= 1 e4;复杂(y = 0 (NSampPerPulse硝石));rng (2018);为m = 1:硝石%更新直升机运动t = (m - 1) /脉冲重复频率;[scatterpos, scattervel scatterang] = helicopmotion (t tgtmotion bladeang、bladelen bladerate);%模拟回波x = txant (tx (wav ()), scatterang);%传输xt = env (x, radarpos scatterpos、radarvel scattervel);%传播与散射xt = helicop (xt);%反映xr = rx (rxant (xt scatterang));%接收y (:, m) = (xr, 2)总和;% beamform结束
这图显示了range-Doppler响应使用第一个128次脉冲接收的信号。你可以看到三个返回的显示在目标范围约为700米。
rdresp = phased.RangeDopplerResponse (“PropagationSpeed”c“SampleRate”fs,…“DopplerFFTLengthSource”,“属性”,“DopplerFFTLength”,128,“DopplerOutput”,“速度”,…“OperatingFrequency”、fc);mfcoeff = getMatchedFilter (wav);plotResponse (rdresp, y (:, 1:128) mfcoeff);ylim (3000 [0])
而回报看起来好像来自不同的目标,它们实际上是所有来自同一目标。中心旋转中心的回报是,比其他两个强大得多的回报。这是因为反射强度更强的直升机的身体相比,叶片的技巧。情节展示了-40 m / s的速度旋转中心。这个值匹配目标径向速度的真理。
tgtpos = scatterpos (: 1);tgtvel = scattervel (: 1);tgtvel_truth = radialspeed (tgtpos tgtvel、radarpos radarvel)
tgtvel_truth = -43.6435
另外两个回报是技巧的叶片方法或离开时以最大速度的目标。从情节,相对应的速度这两个方法和分离检测大约75 m / s和-160 m / s,分别。
maxbladetipvel = (bladelen * bladerate, 0, 0);vtp = radialspeed (tgtpos -maxbladetipvel + tgtvel radarpos, radarvel) vtn = radialspeed (tgtpos, maxbladetipvel + tgtvel radarpos, radarvel)
vtp vtn = -162.4723 = 75.1853
您可以将所有三个检测到同一个目标通过进一步的处理,但该主题超出了这个例子的范围。
刀片返回微多普勒分析
的时频表示微多普勒效应可以揭示更多的信息。这段代码构造的时频表示检测到目标区间。
mf = phased.MatchedFilter (“系数”,mfcoeff);ymf = mf (y);[~,ridx] = max (sum (abs (ymf), 2));%通过峰值检测发现范围pspectrum (ymf (ridx:),脉冲重复频率,的谱图)
图显示了微多普勒调制引起的叶片在一个恒定的多普勒频移的建议。图像显示每一个叶尖介绍sinusoid-like多普勒调制。如下图中指出,在每一个周期的正弦信号,有三个额外的正弦曲线出现在距离相等。这个样子表明直升机配备四个等距的叶片。
汉诺= helperAnnotateMicroDopplerSpectrogram (gcf);
除了刀片的数量,图像还显示每个正弦信号的周期,Tr,大约是250 ms。这个值意味着叶片250毫秒后回到原来的位置。在这种情况下,直升机的角速率是每秒大约4革命,匹配仿真参数。
Tp = 250 e - 3;bladerate_est = 1 / Tp
bladerate_est = 4
这张图片还显示提示速度Vt,这可以从最大的多普勒。最大的多普勒是大约4 kHz离常数引入的多普勒大量运动。计算发现最大速度。
Vt_detect = dop2speed (4 e3, c / fc) / 2
Vt_detect = 120
这个值是最大速度沿径向方向。获得正确的最大速度,必须考虑相对取向。由于叶片旋转一圈,发现不是方位角的影响。正确的唯一最大的仰角提示速度的结果。
doa = phased.MUSICEstimator2D (“SensorArray”ura所言,“OperatingFrequency”足球俱乐部,…“PropagationSpeed”c“DOAOutputPort”,真的,“ElevationScanAngles”,90:90);[~,ang_est] = doa (xr);Vt_est = Vt_detect / cosd (ang_est (2))
Vt_est = 164.0793
基于修正后的最大速度和blade-spinning率,计算叶片长度。
bladelen_est = Vt_est / (bladerate_est * 2 *π)
bladelen_est = 6.5285
注意,结果匹配的仿真参数6.5米。信息,如数量的叶片,叶片长度、叶片旋转速度可以帮助识别的模型直升机。
行人识别在汽车雷达
考虑自我汽车与汽车FMCW雷达系统的带宽是250 MHz和运营24 GHz。
bw = 250 e6;fs = bw;fc = 24 e9;tm = 1 e-6;wav = phased.FMCWWaveform (“SampleRate”fs,“SweepTime”tm,…“SweepBandwidth”bw);
自我的车沿着公路旅行。在这个过程中,有一辆车停在街道的一边,人类走出在车后面。现场见下图
基于此设置,如果自我汽车不能识别出一个行人,可能发生事故。
egocar_pos = (0, 0, 0);egocar_vel = (30 * 1600/3600, 0, 0);egocar = phased.Platform (“InitialPosition”egocar_pos,“速度”egocar_vel,…“OrientationAxesOutputPort”,真正的);parkedcar_pos = (39; 4 0);parkedcar_vel = (0, 0, 0);parkedcar = phased.Platform (“InitialPosition”parkedcar_pos,“速度”parkedcar_vel,…“OrientationAxesOutputPort”,真正的);parkedcar_tgt = phased.RadarTarget (“PropagationSpeed”c“OperatingFrequency”足球俱乐部,“MeanRCS”10);ped_pos = (40; 3; 0);ped_vel = (0, 1, 0);ped_heading = 90;ped_height = 1.8;ped = phased.BackscatterPedestrian (“InitialPosition”ped_pos,“InitialHeading”ped_heading,…“PropagationSpeed”c“OperatingFrequency”足球俱乐部,“高度”,1.6,“WalkingSpeed”1);chan_ped = phased.FreeSpace (“PropagationSpeed”c“OperatingFrequency”足球俱乐部,…“TwoWayPropagation”,真的,“SampleRate”fs);chan_pcar = phased.FreeSpace (“PropagationSpeed”c“OperatingFrequency”足球俱乐部,…“TwoWayPropagation”,真的,“SampleRate”fs);tx = phased.Transmitter (“PeakPower”,1“获得”25);rx = phased.ReceiverPreamp (“获得”25岁的“NoiseFigure”10);
行人微萃取
下图显示了range-Doppler映射产生的自我汽车雷达。因为停放的汽车是一个比步行更强的目标,行人很容易跟踪的停放汽车range-Doppler地图。因此,地图总是显示一个目标。
这意味着传统的处理这种情况下不能满足我们的需求。
微多普勒效应在时间频率域可以是一个不错的候选人来确定是否有行人签名嵌入到雷达信号。作为一个例子,下面的部分模拟雷达换取2.5秒。
Tsamp = 0.001;npulse = 2500;xr =复杂(0(圆(fs * tm), npulse));xr_ped =复杂(0(圆(fs * tm), npulse));为m = 1: npulse [pos_ego、vel_ego ax_ego] = egocar (Tsamp);[pos_pcar, vel_pcar ax_pcar] = parkedcar (Tsamp);[pos_ped, vel_ped ax_ped] =移动(ped, Tsamp ped_heading);[~,angrt_ped] = rangeangle (pos_ego、pos_ped ax_ped);[~,angrt_pcar] = rangeangle (pos_ego、pos_pcar ax_pcar);x = tx (wav ());xt_ped = chan_ped (repmat (x 1大小(pos_ped, 2)), pos_ego, pos_ped, vel_ego, vel_ped);xt_pcar = chan_pcar (x, pos_ego pos_pcar、vel_ego vel_pcar);xt_ped =反映(ped, xt_ped angrt_ped);xt_pcar = parkedcar_tgt (xt_pcar); xr_ped(:,m) = rx(xt_ped); xr(:,m) = rx(xt_ped+xt_pcar);结束xd_ped =连词(dechirp (xr_ped x));xd =连词(dechirp (xr, x));
在模拟信号,xd_ped只包含行人的返回xd包含了从行人和返回停的车。如果我们使用只生成一个谱图的回归行人,我们获得一个图所示。
clf;光谱图(总和(xd_ped),皇帝(128年,10),120256年,1 / Tsamp,“中心”,“桠溪”);这一=得到(gca,“爬”);集(gca),“爬”,这一(2)+ (-50 0))
注意,胳膊和腿的摆动产生许多抛物曲线在时间频率域。因此这些特性可以用来确定场景中是否存在一个行人。
然而,当我们生成一个谱图直接从总回报,我们得到了下面的情节。
光谱图(总和(xd),皇帝(128年,10),120256年,1 / Tsamp,“中心”,“桠溪”);这一=得到(gca,“爬”);集(gca),“爬”,这一(2)+ (-50 0))
我们观察的是停的车返回继续主导回报,即使是在频域的时间。因此时间只显示多普勒频率响应相对于停的车。多普勒频率的下降是由于自我汽车接近停放的汽车和相对速度下降到0。
是否有回报背后隐藏着强烈的回报,我们可以使用奇异值分解。下面的图显示了dechirped脉冲的奇异值的分布。
[uxd, sxd vxd] =圣言(xd);clf情节(10 * log10(诊断接头(sxd)));包含(“排名”);ylabel (的奇异值);持有在;情节(56 [56],[10]-40,“r——”);情节(100 [100],[10]-40,“r——”);情节(110 [110],[10]-40,“r——”);-10年文本(25日“一个”);文本(75、-10、“B”);文本(105、-10、“C”);文本(175、-10、' D ');
从曲线,很明显,大约有四个区域。该地区的一个信号,代表最重要的贡献是停的车。该地区D代表了噪音。因此,该地区B和C的混合停的车和行人返回返回。因为行人的回报远远低于从停着的车。在区域B,它仍然可以掩盖的残渣的停的车。因此,我们选择该地区C重构信号,然后再绘制时间频率响应。
rk = 100:110;xdr = uxd (: rk) * sxd (rk:) * vxd ';clf光谱图(sum (xdr),皇帝(128年,10),120256年,1 / Tsamp,“中心”,“桠溪”);这一=得到(gca,“爬”);集(gca),“爬”,这一(2)+ (-50 0))
从汽车成功返回过滤,微签名从出现的行人。因此,我们可以得出结论,在现场有行人并采取相应行动,避免了一次事故。
总结
这个示例介绍了微多普勒效应的基本概念,显示了其对目标回报的影响。它还展示了如何提取微多普勒特征从接收到的I / Q信号,然后得出相关目标参数的微多普勒信息。
引用
[1],v . C。雷达的微多普勒效应,2011年Artech房子
[2],v . C。f·李,s。Ho和h .韦氏微多普勒效应在雷达:现象、模型和仿真研究”,IEEE航空航天和电子系统,42卷,2006年1月1号
效用函数
函数helicopmotion模型的多个散射直升机的运动。
函数[scatterpos, scattervel scatterang] = helicopmotion (…t tgtmotion BladeAng、ArmLength BladeRate)脉冲重复频率= 2 e4;radarpos = (0, 0, 0);Nblades =大小(BladeAng, 2);[tgtpos, tgtvel] = tgtmotion(1 /脉冲重复频率);RotAng = BladeRate * t;scatterpos = [0 ArmLength * cos (RotAng + BladeAng); 0 ArmLength * sin (RotAng + BladeAng); 0 (1, Nblades + 1)] + tgtpos;scattervel = [0 -BladeRate * ArmLength * sin (RotAng + BladeAng);…0 BladeRate * ArmLength * cos (RotAng + BladeAng); 0 (1, Nblades + 1)] + tgtvel;[~,scatterang] = rangeangle (scatterpos radarpos);结束
