微多普勒效应简介
这个例子介绍了微多普勒效应的基本概念在雷达返回的目标由于该目标的旋转。你可以用微多普勒信号来帮助识别目标。
介绍
由于多普勒效应，运动目标会在雷达回波中引起频移。然而，由于大多数目标都不是刚体，除了平台运动外，目标的不同部位通常还存在其他振动和旋转。例如，当直升机飞行时，它的叶片旋转，或者当一个人走路时，他们的手臂自然地摆动。这些微尺度的运动产生额外的多普勒频移，称为微多普勒效应，这对识别目标特征很有用。这个例子展示了两个微多普勒效应可能有用的应用。在第一个应用中，微多普勒特征被用来确定直升机的桨叶速度。在第二个应用中，微多普勒信号被用于识别汽车雷达返回的行人。
直升机桨叶速度的估算
考虑一架有四个旋翼叶片的直升机。假设雷达位于原点。指定直升机的位置为(500,0,500)，设置它与雷达的距离为米，速度为(60,0,0)m/s。
radarpos = (0, 0, 0);radarvel = (0, 0, 0);tgtinitpos = (500; 0; 500);tgtvel = (60, 0, 0);tgtmotion =分阶段。平台(“InitialPosition”tgtinitpos,“速度”，tgtvel）；
在这个模拟中，直升机是由五个散射体建模的:旋转中心和四个叶片的尖端。旋转中心随机体运动。每个叶尖与相邻叶尖之间的距离为90度。叶片以每秒4转的恒定速度旋转。每个叶片的臂长为6.5米。
Nblades=4；bladeang=（0:Nblades-1）*2*pi/Nblades；bladelen=6.5；bladerate=deg2rad（4*360）；% RPS -> rad/sec
假设四个叶尖具有相同的反射率，而旋转中心的反射率更强。
c = 3 e8;fc = 5 e9;helicop =分阶段。RadarTarget (“MeanRCS”,[10 .1 .1 .1 .1],“PropagationSpeed”c．..“工作频率”、fc);
直升机回波模拟
假设雷达工作在5ghz，有一个简单的脉冲。脉冲重复频率为20khz。为简单起见，假设信号在自由空间中传播。
fs=1e6；prf=2e4；lambda=c/fc；wav=phased.rectangular波形(“采样器”fs,“脉冲宽度”2 e-6脉冲重复频率的脉冲重复频率);ura所言=分阶段。(精“尺寸”，4，“ElementSpacing”λ/ 2);tx = phased.Transmitter;rx = phased.ReceiverPreamp;env =分阶段。空闲空间(“PropagationSpeed”c“工作频率”足球俱乐部,．..“TwoWayPropagation”,真的,“采样器”fs);txant =分阶段。散热器(“传感器”ura所言,“PropagationSpeed”c“工作频率”、fc);rxant =分阶段。收集器(“传感器”ura所言,“PropagationSpeed”c“工作频率”、fc);
在每一个脉冲下，直升机沿着其轨迹移动。同时，桨叶保持旋转，桨叶尖端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);对于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);%向散射体传播/从散射体传播xt = helicop (xt);%反映xr=rx（rxant（xt，scatterang））；%接收y（：，m）=和（xr，2）；% beamform终止
这张图显示了使用接收信号的前128个脉冲的距离-多普勒响应。你可以在大约700米的目标范围内看到三次返回的显示。
rdresp =分阶段。RangeDopplerResponse (“PropagationSpeed”c“采样器”fs,．..“DopplerFFTLengthSource”，“属性”，“DopplerFFTLength”, 128,“DopplerOutput”，“速度”，．..“工作频率”、fc);mfcoeff = getMatchedFilter (wav);plotResponse (rdresp, y (:, 1:128) mfcoeff);ylim (3000 [0])
虽然返回值看起来好像来自不同的目标，但实际上它们都来自同一个目标。中心返回是从旋转中心出发的，比其他两个返回要强得多。这种强度是由于从直升机机身的反射比叶尖更强。图中显示旋转中心的速度为-40米/秒。这个值与目标径向速度的真实值相匹配。
tgtpos = scatterpos (: 1);tgtvel = scattervel (: 1);tgtvel_truth = radialspeed (tgtpos tgtvel、radarpos radarvel)
tgtvel_truth = -43.6435
另外两次返回是当它们以最大速度接近或离开目标时，从叶片的尖端。从图中可以看出，这两个接近和分离探测的速度分别约为75米/秒和-160米/秒。
MaxBladeTivel=[bladelen*bladerate；0；0]；vtp=径向速度（tgtpos，-MaxBladeTivel+tgtvel，radarpos，radarvel）vtn=径向速度（tgtpos，MaxBladeTivel+tgtvel，radarpos，radarvel）
VTP = 75.1853 VTN = -162.4723
您可以通过进一步处理将所有三个检测与同一个目标关联起来，但是这个主题超出了本示例的范围。
叶片回波微多普勒分析
微多普勒效应的时频表示可以揭示更多的信息。该代码在检测到的目标距离仓中构造了一个时频表示。
mf =分阶段。MatchedFilter (“系数”，mfcoeff）；ymf=mf（y）；[~，ridx]=max（和（abs（ymf），2））；沿距离寻峰检测%pspectrum (ymf (ridx:),脉冲重复频率,的谱图）
该图显示了叶片尖端围绕恒定多普勒频移引起的微多普勒调制。该图像表明，每个叶片尖端都引入了类似正弦的多普勒调制。如下图所示，在正弦的每个周期内，有三个额外的正弦以相等的距离出现。该外观表明LICOPER配备四个等距叶片。
汉诺= helperAnnotateMicroDopplerSpectrogram (gcf);
除桨叶数量外，图像还显示每个正弦曲线的周期Tr约为250 ms。该值表示桨叶在250 ms后返回其原始位置。在这种情况下，直升机的角速度约为每秒4转，与模拟参数相匹配。
Tp = 250 e - 3;bladerate_est = 1 / Tp
bladerate_est = 4
该图像还显示了叶尖速度Vt，该值可从最大多普勒得出。最大多普勒距离由体运动引入的恒定多普勒约4 kHz。计算检测到的最大叶尖速度。
Vt_检测=DOP2速度（4e3，c/fc）/2
Vt_检测=120
这个值是沿径向的最大叶尖速度。为了获得正确的最大尖端速度，必须考虑相对方向。由于叶片是圆周旋转的，检测不受方位角的影响。只修正仰角，以获得最大尖端速度结果。
doa =分阶段。MUSICEstimator2D (“传感器阵列”ura所言,“工作频率”足球俱乐部,．..“PropagationSpeed”c“DOAOutputPort”,真的,“高程扫描角度”,-90:90); [~，ang_est]=doa（xr）；Vt_est=Vt_检测/cosd（ang_est（2））
Vt_est = 164.0793
根据修正后的最大叶尖速度和叶片旋转速率，计算叶片长度。
bladelen_est=Vt_est/（bladelen_est*2*pi）
bladelen_est=6.5285
需要注意的是，结果与6.5米的模拟参数相匹配。桨叶数、桨叶长度、桨叶转速等信息可以帮助识别直升机的模型。
汽车雷达中的行人识别
考虑一辆配备FMCW汽车雷达系统的ego汽车，其带宽为250 MHz，工作频率为24 GHz。
bw=250e6；fs=体重；fc=24e9；tm=1e-6；wav=相控.fmcw波形(“采样器”fs,“清扫时间”tm,．..“扫频带宽”，体重）；
那辆汽车正在沿路行驶。一路上，有一辆车停在路边，一个人正从车后面走出来。该场景如下图所示
基于这种设置，如果自我汽车不能识别行人的存在，就可能发生事故。
egocar_pos=[0；0；0]；电子汽车等级=[30*1600/3600；0；0]；egocar=相控平台(“InitialPosition”egocar_pos,“速度”egocar_vel,．..“OrientationAxesOutputPort”,真正的);parkedcar_pos = (39; 4 0);parkedcar_vel = (0, 0, 0);parkedcar =分阶段。平台(“InitialPosition”parkedcar_pos,“速度”，驻车档，．..“OrientationAxesOutputPort”，对）；驻车雷达目标(“PropagationSpeed”c“工作频率”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 =分阶段。BackscatterPedestrian (“InitialPosition”ped_pos,“首字母标题”ped_heading,．..“PropagationSpeed”c“工作频率”足球俱乐部,“高度”, 1.6,“步行速度”1);chan_ped =分阶段。空闲空间(“PropagationSpeed”c“工作频率”足球俱乐部,．..“TwoWayPropagation”,真的,“采样器”fs);chan_pcar =分阶段。空闲空间(“PropagationSpeed”c“工作频率”足球俱乐部,．..“TwoWayPropagation”,真的,“采样器”，fs）；tx=相控发射机(“PeakPower”,1，“获得”，25）；rx=相控接收前置放大器(“获得”25岁的“噪音图”10);
行人微萃取
下图显示了ego汽车的雷达随时间产生的距离-多普勒地图。在距离多普勒图中，由于停放的车辆是比行人更强的目标，行人很容易被停放的车辆遮挡。因此，映射总是显示一个目标。
这意味着在这种情况下，传统的加工不能满足我们的需求。
当雷达信号中嵌入行人特征时，时域微多普勒效应是一种很好的识别方法。作为一个示例，下面的小节模拟雷达返回时间为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));对于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);终止xd_ped =连词(dechirp (xr_ped x));xd =连词(dechirp (xr, x));
在模拟信号中，xd_ped仅包含行人在行驶时的返回路线除息的包含行人和停放车辆的返回。如果我们仅使用行人的返回生成光谱图，我们将获得下图所示的图。
clf;光谱图(总和(xd_ped),皇帝(128年,10),120256年,1 / Tsamp,“居中”，“桠溪”）;这一=得到(gca,“克莱姆”); set（gca，“克莱姆”，clim（2）+[-50]）
请注意，手臂和腿的摆动在这一过程中会在时域产生许多抛物线曲线。因此，这些特征可以用来判断场景中是否存在行人。
然而，当我们直接从总收益生成一个谱图时，我们得到了下面的图。
频谱图（总和（xd）、凯撒（128,10）、120256,1/Tsamp、，“居中”，“桠溪”）;这一=得到(gca,“克莱姆”); set（gca，“克莱姆”，clim（2）+[-50]）
我们所观察到的是，即使在时频域内，停放车辆的返回仍然主导着返回。因此，时频响应仅显示相对于停放车辆的多普勒。多普勒频率的下降是由于ego车辆越来越接近停放车辆，且相对速度下降到0。
为了观察强回波背后是否隐藏有回波，我们可以使用奇异值分解。下图显示了去啁啾脉冲的奇异值分布。
[uxd, sxd vxd] =圣言(xd);clf情节(10 * log10(诊断接头(sxd)));包含(“等级”）;ylabel (的奇异值）;持有在…上；绘图（[56]，-40 10]，“r——”）;情节(100 [100],[10]-40,“r——”)；绘图（[110]，-40 10]，“r——”）;-10年文本(25日“一个”）;文本(75、-10、“B”)；文本（105，-10，“C”）;文本(175、-10、“D”）;
从曲线上可以清楚地看出，大约有四个区域。区域A表示对信号的最大贡献，即停放的汽车。区域D表示噪音。因此，区域B和C是由于停放的汽车返回和行人返回的混合。因为行人的返回比在区域B中，它仍然可以被停车车辆返回的剩余部分掩盖。因此，我们选择区域C重建信号，然后再次绘制时频响应图。
rk=100:110；xdr=uxd（：，rk）*sxd（rk，：）*vxd’；clf谱图（总和（xdr），凯撒（128,10），120256,1/Tsamp，“居中”，“桠溪”）;这一=得到(gca,“克莱姆”); set（gca，“克莱姆”，clim（2）+[-50]）
当车辆返回的信号被成功过滤后，行人的微多普勒信号就会出现。因此，我们可以得出结论，现场有行人，并采取相应的行动，以避免事故。
总结
本例介绍了微多普勒效应的基本概念，说明了微多普勒效应对目标回波的影响，并说明了如何从接收到的I/Q信号中提取微多普勒特征，然后从微多普勒信息中导出相关目标参数。
工具书类
[1] 陈，V.C。，雷达中的微多普勒效应Artech House, 2011年
陈维昌，李飞，s.s s。何志伟，“雷达微多普勒效应:现象、模型和仿真研究”，《中国科学(d辑)》，IEEE航空航天和电子系统交易，第42卷，第1期，2006年1月
效用函数
函数helicopmotion模拟直升机的多个散射体的运动。
函数[scatterpos, scattervel scatterang] = helicopmotion (．..t、 tgtmotion、BladeAng、臂长、BladeRate）prf=2e4；雷达目标=[0；0；0]；Nblades=尺寸（BladeAng，2）；[tgtpos，tgtvel]=tgtmotion（1/prf）；RotAng=BladeRate*t；散射点位置=[0臂长*cos（罗唐+布莱登）；0臂长*sin（罗唐+布莱登）；零（1，Nblades+1）]+tgtpos；散射层=[0-叶片*臂长*sin（罗唐+叶片）；．..0 BladeRate * ArmLength * cos (RotAng + BladeAng); 0 (1, Nblades + 1)] + tgtvel;[~, scatterang] = rangeangle (scatterpos radarpos);终止
你也可以从以下列表中选择一个网站:
