雷达距离估计

下面的模型展示了一个端到端的FMCW雷达系统。系统设置类似于MATLAB®基于FMCW技术的汽车自适应巡航控制的例子。这个模型和前面提到的例子之间的唯一区别是，这个模型有一个FMCW波形扫描，它是围绕载波频率对称的。

图中显示了模型中的信号流。组成模型金宝app的Simulink块分为两个主要部分，和雷达部分和渠道与目标部分。左边阴影部分代表雷达系统。本节主要介绍FMCW信号的生成和传输。该部分还包括接收机，用于捕捉雷达回波并执行一系列操作，如解调和脉冲积分，以估计目标距离。右边的阴影块模拟了信号在空间中的传播和它在汽车上的反射。系统的输出，以米为单位的估计范围显示在左边的显示块中。

雷达

雷达系统由安装在沿直线道路移动的车辆上的发射机和接收机组成。它包含从返回的目标回波中提取信息所需的信号处理组件。

在雷达时，目标回波要经过几个信号处理步骤才能估计出目标范围。信号处理子系统由两个高级处理阶段组成。

在阶段2中，每个检测估计链Block由3个处理步骤组成。

渠道与目标

的渠道与目标部分模型模拟了信号在目标车辆上的传播和反射。

在汽车子系统中，目标车辆被建模为具有指定雷达横截面的点目标。雷达横截面用于测量从目标反射的功率。

在该模型的场景中，雷达车辆从原点开始，以100公里/小时(27.8米/秒)的速度行驶，而目标车辆从雷达车辆前方43米开始，以96公里/小时(26.7米/秒)的速度行驶。在传播信道中使用雷达和目标车辆的位置和速度来计算延迟、多普勒和信号损失。

探索模式

该模型的几个对话框参数由助手函数计算helperslexFMCWParam．要从模型中打开函数，请单击修改仿真参数块。该函数在加载模型时执行一次。它向工作区导出一个结构，该结构的字段由对话框引用。要修改任何参数，要么在命令提示符处更改结构中的值，要么编辑helper函数并重新运行它以更新参数结构。

结果和显示

下面FMCW信号的频谱图显示，信号大约每7微秒线性扫过150 MHz的跨度。该波形提供了大约1米的分辨率。

解码后的信号频谱如下图所示。由图可知，目标引入的拍频约为100 kHz。注意，解码后，信号只有一个频率成分。从这个拍频计算出的结果范围估计，如上面的整体模型所示，完全在1米的范围分辨率内。

然而，这个结果是通过自由空间传播通道得到的。在现实中，车辆之间的传输通常涉及发射机和接收机之间的多条路径。因此，来自不同路径的信号可以在接收端进行建设性或破坏性的相加。下面的部分将传播设置为两射线通道，这是最简单的多路径通道。

运行仿真，观察解调后信号的频谱。

请注意，不再有一个主要的拍频，因为在这个范围内，来自直接路径和反射路径的信号破坏性地结合在一起，从而相互抵消。这也可以从估计的范围中看出，它不再与地面事实相匹配。

FMCW雷达多目标距离和速度估计

下面的示例模型展示了一个类似的端到端FMCW雷达系统，模拟2个目标。这个例子估计了检测到的目标的范围和速度。

该模型本质上与前面的示例相同，但有4个主要区别。这个模型:

雷达

该模型在信号处理子系统中采用距离-多普勒联合处理。距离-多普勒域的联合处理使得在多次扫描中估计多普勒成为可能，然后使用该信息来解决距离-多普勒耦合，从而获得更好的距离估计。

信号处理子系统如下所示。

组成信号处理子系统的级与前面的示例类似。每个阶段执行以下操作。

正如本例开头所提到的，FMCW雷达使用频移来获得目标的距离。然而，由于多普勒效应，目标的运动也会引起频移。因此，拍频具有距离信息和速度信息的耦合。处理范围和多普勒同时让我们消除了这种模糊性。只要扫瞄足够快，目标在几次扫瞄中都保持在同一距离门内，就可以在多次扫瞄中计算多普勒，然后用于修正初始距离估计。

渠道与目标

现在场景中有两辆目标车辆，分别被标记为Car和Truck，并且每辆车辆都有一个相关的传播通道。汽车在雷达车前50米启动，并以60公里/小时(16.7米/秒)的速度行驶。卡车在雷达车前方150米处启动，并以130公里/小时(36.1米/秒)的速度行驶。

探索模式

该模型的几个对话框参数由助手函数计算helperslexFMCWMultiTargetsParam．要从模型中打开函数，请单击修改仿真参数块。该函数在加载模型时执行一次。它向工作区导出一个结构，该结构的字段由对话框引用。要修改任何参数，要么在命令提示符处更改结构中的值，要么编辑helper函数并重新运行它以更新参数结构。

结果和显示

下面显示的FMCW信号与之前的模型相同。

这两个目标可以在下面的距离-多普勒图中看到。

地图正确地显示了两个目标:一个在50米处，另一个在150米处。由于雷达只能测量相对速度，这两辆车的预期速度值分别为11.1米/秒和-8.3米/秒，其中负号表示卡车正在远离雷达车。精确的速度估计可能很难从距离-多普勒图中推断出来，但估计的范围和速度以数字形式显示在左侧模型的显示块中。可以看到，速度估计值与期望值很匹配。

多目标MFSK雷达距离和速度估计

为了能够使用上述方法进行关节距离和速度估计，扫描需要相当快，以确保车辆在扫描过程中近似静止。这通常意味着更高的硬件成本。MFSK是一种专门为汽车雷达设计的新型波形，可以在更长的扫描范围内同时实现距离和速度估计。

下面的例子展示了如何使用MFSK波形来执行距离和速度估计。场景设置与之前的模型相同。

该模型与前一个模型的主要区别在于波形块和信号处理子系统。MFSK波形本质上由两个具有固定频率偏移的FMCW扫描组成。在这种情况下，扫描是分离散步骤进行的。从MFSK波形块的参数，扫描时间可以计算为步长时间和每次扫描的步数的乘积。在本例中，扫描时间略大于2毫秒，这比前一个模型中使用的FMCW的7微秒大了几个数量级。有关MFSK波形的更多信息，请参见使用MFSK波形同时估计距离和速度的例子。

信号处理子系统描述了如何对MFSK波形的信号进行处理。信号首先在每一步结束时采样，然后通过FFT转换到频域。一维CA CFAR检测器用于识别光谱中与目标相对应的峰值。然后利用每个峰值位置的频率和两次扫描之间的相位差来估计目标车辆的距离和速度。

探索模式

该模型的几个对话框参数由助手函数计算helperslexMFSKMultiTargetsParam．要从模型中打开函数，请单击修改仿真参数块。该函数在加载模型时执行一次。它向工作区导出一个结构，该结构的字段由对话框引用。要修改任何参数，要么在命令提示符处更改结构中的值，要么编辑helper函数并重新运行它以更新参数结构。

结果和显示

估计结果显示在模型中，与之前的模型得到的结果相匹配。

FMCW雷达多目标距离、速度和角度估计

利用天线阵列可以提高雷达的角度分辨率。这个例子展示了如何分辨三辆在不同车道上行驶的目标车辆，它位于一辆携带天线阵列的车辆前面。

在这个场景中，雷达以100公里/小时(27.8米/秒)的速度行驶在高速公路的中心车道上。第一辆目标车辆以85公里/小时(23.6米/秒)的速度在雷达的同一车道上前进20米。第二辆目标车辆在右侧车道以125公里/小时(34.7米/秒)的速度行驶，在前方40米。第三辆目标车辆在左车道以110公里/小时(30.6米/秒)的速度行驶，在前方80米。雷达车辆的天线阵列为四元均匀线性阵列(ULA)。

场景坐标系的原点在雷达车辆上。目标车辆相对于雷达的真实距离、速度和角度为

范围(m)速度(米/秒)角(度 ) --------------------------------------------------------------- 汽车1 20 4.2 0 2 3 80.03 -2.8 1.4 40.05 -6.9 -2.9车

信号处理子系统现在除了距离和多普勒处理外，还包括到达方向估计。

处理过程与前面讨论的FMCW多目标模型非常相似。然而，在这个模型中，有5个阶段而不是4个。

探索模式

该模型的几个对话框参数由助手函数计算helperslexFMCWMultiTargetsDOAParam．要从模型中打开函数，请单击修改仿真参数块。该函数在加载模型时执行一次。它向工作区导出一个结构，该结构的字段由对话框引用。要修改任何参数，要么在命令提示符处更改结构中的值，要么编辑helper函数并重新运行它以更新参数结构。

结果和显示

估算结果显示在模型中，与预测值吻合较好。

总结

第一个模型展示了如何使用FMCW雷达来估计目标车辆的距离。从回声中得到的信息，例如到目标车辆的距离，是完整的汽车ACC系统的必要输入。

实例还讨论了如何进行距离-多普勒联合处理来获得目标车辆的距离和速度信息。但值得注意的是，当扫描时间较长时，系统的速度估计能力下降，联合处理可能无法再对距离-多普勒耦合进行精确补偿。关于这个主题的更多讨论可以在MATLAB中找到基于FMCW技术的汽车自适应巡航控制的例子。

下面的模型展示了如何使用MFSK波形执行相同的范围和速度估计。该波形可以实现较长的扫描距离和速度估计，从而降低了硬件要求。

最后一种型号是FMCW雷达，采用天线阵列，可执行距离、速度和角度估计。