车载毫米波雷达目标检测与定位技术研究

于渊　郑银香　赵成林　魏子平　陶艺文　李斌

摘要：车载毫米波雷达以其高带宽、极强的穿透能力，将成为5G时代车联网的重要组成部分。其中，车辆附近目标的高效检测与定位是目前车载毫米波雷达领域亟待解决的重要问题。对车载雷达的发展概况进行简述，总结了车载毫米波雷达领域目标检测与定位技术的概况、技术原理以及存在挑战。此外，提出基于接收信号强度与信号到达角度指纹的目标联合检测与定位技术框架，通过贝叶斯序贯推理框架完成高效目标检测与精确定位。仿真结果显示，所提新框架相较于传统方法在目标检测概率以及定位精度方面有明显提升。

关键词：车载毫米波雷达;检测定位;指纹地图;贝叶斯推理

doi：10.3969/j.issn.1006-1010.2019.11.004        中图分类号：TN953

文献标志码：A        文章编号：1006-1010（2019）11-0021-07

引用格式：于渊，郑银香，赵成林，等. 车载毫米波雷达目标检测与定位技术研究[J]. 移动通信， 2019，43（11）： 21-27.

Research on the Target Detection and Localization Technology for Vehicle-Mounted Millimeter-Wave Radar

YU Yuan1， ZHENG Yinxiang1， ZHAO Chenglin2， WEI Ziping2， TAO Yiwen2， LI Bin2

（1. China Mobile Research Institute， Beijing 100053， China;

2. Beijing University of Posts and Telecommunications， Beijing 100876， China）

[Abstract] Due to the large bandwidth and strong penetration， the vehicle-mounted millimeter-Wave （mmWave） radar will be an important part of Internet-of-Vehicles （IoV） in the fifth-generation era. The efficient detection and localization of targets near the vehicle are urgent issues in the field of vehicle-mounted mmWave radar. This paper briefly introduces the development of vehicle-mounted radar， and summarizes the overview， technical principles and challenges of target detection and localization technology in the field of vehicle-mounted mmWave radar. In addition， a technical framework of joint detection and localization is proposed based on the Received Signal Strength （RSS） and Angle of Arrival （AoA） fingerprints， where the efficient target detection and accurate localization are achieved through the Bayesian sequential inference framework. Simulation results show that the proposed framework significantly improves the performance in terms of the target detection probability and localization accuracy compared with the traditional methods.

[Key words]vehicle-mounted mmWave radar; detection and localization; fingerprint map; Beyasian inference

0   車载雷达发展简述

随着时代发展，人们对车辆交通出行的安全需求普遍提高。雷达凭借其优异的目标探测技术可以有效减少交通出行中事故的发生几率，因而备受汽车行业青睐。故而，车载雷达技术研究一直以来是汽车行业的重点[1]。随着信号处理技术的不断进步，车载雷达技术正在向低成本、高性能方向推进。目前，主流车载雷达可大致分为车载激光雷达、车载超声波雷达以及车载毫米波雷达等。

（1）车载毫米波雷达简介

近年来，随着5G通信技术的发展，由5G衍生的各项技术研究成果逐步进入商用领域。根据3GPP 38.101协议的规定，5G NR（New Radio，新空口）主要使用的两段频率为FR1频段和FR2频段，其中FR2频段即为毫米波频段。毫米波作为5G的核心技术，一直以高带宽、高速率、穿透能力强而备受研究人员瞩目。FCC（Federal Communications Commission，美国联邦通信委员会）早在2015年就规划了四个频段作为5G的主推频段。

毫米波雷达技术自上世纪发展到今天，已经逐渐步向成熟。伴随着集成电路芯片技术的突破，将毫米波雷达引入到车辆领域发展而来的车载毫米波雷达也取得了一定的进步。相较于其他车载雷达（如车载激光雷达、车载超声波雷达），车载毫米波雷达对周围无线环境具有更高的适应度，同时也能够满足更高的精度要求[2]。此外，毫米波雷达还拥有尺寸小、结构简单轻便等优势。故而，车载毫米波雷达是未来无人驾驶中一项不可或缺的关键技术。目前，TI（Texas Instruments，德州仪器公司）已研制用于车载雷达的毫米波CMOS单芯片传感器，其将射频前端与DSP（Digital Signal Processing，数字信号处理）、MCU（Micro Controller Unit，微控制单元）集成在一起，在减小尺寸的同时明显提升数据处理速度与精度。该芯片已进入商用阶段。

（2）其余车载雷达介绍

1）车载激光雷达

上世纪六十年代，激光作为一项新兴技术刚一出现，便引起雷达测量领域的广泛关注。随着技术的不断发展，研究人员对激光雷达的探索也在不断深入，激光雷达的技术应用也层出不穷，如OCT（Optical Coherence Tomography，光学相干断层扫描）影像技术、数字全息技术以及车载激光雷达测量技术等。

车载激光雷达以激光作为载波，并以信号振幅、频率以及相位搭载信息。其工作原理即为发射机向测量目标发射激光信号，目标反射回波被接收机接收。经过适当处理后，接收机就可以获得目标的相关信息，如目标位置、速度、方位角等信息，从而实现对目标的追踪[3]。

受激光在空气中传播的特性影响，车载激光雷达具有一些显著特点。其优点为测量精度十分准确，可达厘米级，这可为无人驾驶的安全性提供充分的保障。然而，相较于其他车载雷达，车载激光雷达也存在一些无可避免的劣势，其体积较大，不便于集成，同时价格十分昂贵。

2）车载超声波雷达

超声波雷达作为目前车载雷达中最常使用的一种雷达之一，具有悠久的研究与发展历史。由于其在短距离测量上的独特优势，超声波雷达在汽车领域中多在倒车雷达中使用。

车载超声波雷达发射的信号频率范围一般在30 kHz左右，其测量原理也较为简单。雷达通过发送超声波在空间中传播，遇到目标以及障碍物便会反射回来。通过记录得到的传播时间计算就可以测得目标和障碍物的位置关系[4]。显而易见，利用超声波雷达进行测量原理较为简单，成本也较低。然而，超声波在介质中传播距离有限，且受环境影响较大。在不同的天气条件下，由于传播介质的改变，超声波传播速度会发生变化。这将导致雷达无法准确追踪汽车位置的实时变化，从而使得测量结果存在较大偏差。

表1综合对比了各类雷达之间的优缺点，通过此表能对各车载雷达特点有较为清楚的认知：

1   车载毫米波雷达目标检测与定位

随着毫米波技术的更迭，车载毫米波雷达在汽车安全驾驶中扮演着越来越重要的角色。利用毫米波雷达对目标的距离、速度以及角度进行测量的技术已经十分成熟。

目标物体的检测定位作为毫米波雷达最为广泛的用途，能够实现对检测雷达附近的运动以及静止的目标的精确感知，这对于车辆安全行驶和未来无人驾驶技术的发展具有重要的意义。

1.1  车载毫米波雷达信号处理技术

车载毫米波雷达的发射波具有多种类别选择，其中包括连续波和脉冲波形。对脉冲波形毫米波雷达而言，其发射的高频脉信号传输速度极快，使得接收机系统接收信号的时间间隔极短。这对系统信号处理速度提出了很高的要求，同样也对硬件设备的规格有一定的规定。因此脉冲毫米波雷达的实际应用通常受到一定限制。

与脉冲毫米波雷达不同，毫米波连续波雷达发射一系列已调连续信号，易于调制，在车载毫米波雷达中应用最为广泛。

（1）目标距离和速度估计

毫米波连续波雷达通过发射机发送调频连续波信号，信号经目标反射得到回波，该回波被接收机接收并与发送信号进行混频滤波处理变为差拍信號，即中频信号。对该中频信号的信号强度以及相位信息进行分析可以实现对目标的距离以及速度的检测[5]。其信号处理结构框图如图1所示：

发射信号经图1流程处理后，得到的中频信号中包含目标的距离以及速度信息。对于传统的周期性的连续调频波信号，如图2所示，其经发射端发射，在传播过程中经过目标物体并反射，被接收端接收。最终输出的中频信号形式为X（t， l），t表示某周期内信号持续的时间，l代表接收到的中频信号所处周期段。

对于所得到的输出中频信号，其相位中包含目标的距离及速度信息。离散后的中频信号可分为快时间维度和慢时间维度，即距离维度和多普勒维度。此时，对该信号矩阵使用二维傅里叶变换可以得到RDM（Range Doppler Map，距离多普勒图）。对于所得RDM，采用CFAR（Constant False-Alarm Rate，恒虚警率）算法可筛选出真实目标的距离和速度。目标距离和速度检测流程具体如图3所示：

（2）目标方位估计

为了实现对目标物体的检测和定位，除了目标的距离和速度信息，还要求了解目标的方位信息[6]。对车载毫米波雷达而言，为达到角度估计的目的，通常采用MIMO（Multiple-Input Multiple-Output，多输入多输出）技术，即在车载毫米波雷达发射端和接收端同时安装多根发射天线和接收天线。

对同一发射天线而言，其发射信号经目标反射被不同接收天线接收处理后会得到不同的接收信号。在远场条件下，由于目标与接收天线之间的距离远比接收天线间隔长，反射信号可假设为平行直射入接收天线，因而不同接收天线之间的接收信号幅度基本不变，而仅存在由于波程差而引起的相位差。该相位差中包含目标的方位角度信息，其示意图如图4所示，其中，d表示接收天线的之间的间隔，θ表示目标与接收天线的相对方位角。因此，可以得到相邻接收天线之间接收信号相位差为，λ表示信号波长。因而，在远场条件下对接收信号向量采用一维傅里叶变换可以得到目标的方位角信息。

1.2  车载毫米波雷达检测定位技术面临的挑战

（1）目标检测误差较大

目标的漏检与虚警是車载雷达不可避免的问题。在车辆行驶过程中，由于受到与目标物体之间的遮挡以及散射特性影响，雷达对目标物体的实时检测会遇到未知突发问题。当目标物体被遮挡时，雷达检测出的目标散射点数较少，导致位置信息检测出现偏差。而当目标物体周围杂波特性明显时，雷达信号受杂波影响会出现异常情况，并很可能出现虚警与漏检情况。

（2）定位精度难以满足要求

在车载毫米波雷达目标定位过程中，定位精度是一直困扰研究人员的问题所在。目前，传统的毫米波雷达信号处理框架利用当前时刻雷达接收信息对目标进行定位，在某些特殊时刻定位精度较低，从而导致目标的方位信息检测出错。因而，需要结合其它必要信息对当前时刻的目标定位进行辅助修正。

（3）俯仰角估计不精确

在利用车载毫米波雷达对目标物体进行三维检测时，雷达在俯仰角度估计上会存在较大误差。其主要原因在于分配至俯仰角测量的天线数目较少。考虑到系统设计的复杂度，当在雷达探测范围内的XY平面上使用较多数目天线进行精确测量以获取准确的目标方位信息时，在俯仰角方向上的天线数目分配便会降低。因此，如何均衡两方面的天线资源分配也是亟待解决的问题。

（4）目标点速度估计不准确

车载毫米波雷达利用目标回波信号的相位差对目标相对于雷达的径向速度进行估计，该速度估计范围和发送调频波的周期成反比。由于带宽限制，调频波周期无法设置过小，因此雷达可测量的最大速度将受到限制。因此，当目标速度超出车载毫米波雷达最大测量速度范围时，需要对测量速度进行扩展以获取目标真实速度。但由于噪声等环境原因，传统速度扩展机制误差较大，因而如何对扩展后的速度进行准确纠正是车载毫米波雷达领域的重要问题。

（5）近场条件下目标估计误差较大

目前，车载毫米波雷达领域的大部分研究均基于远场条件，即假定目标与雷达的距离远大于天线阵元间隔。如此，可假设回波信号被天线平行接收，从而实现目标方位角度估计。但随着目标靠近车载雷达，上述假设与实际情况偏离逐渐显著，从而使测量信息误差增大。因而，近场条件下的目标信息估计需要更为准确高效的估计方法。

2   基于指纹的联合目标检测与定位框架

针对上述问题与挑战，考虑车辆周边范围内电磁环境相对固定的特性，提出一种新型的基于接收信号强度与信号到达角度指纹地图的目标检测定位框架。新框架分为离线阶段、在线阶段两个阶段。在离线阶段，基于车辆周围的电磁环境建立接收信号强度与信号到达角度信息的指纹地图;在在线阶段，纳入历史时刻关于目标信号状态信息以及位置信息的已有估计信息，设计基于贝叶斯序贯推理框架的联合目标检测与位置重构估计算法，实现高概率目标探测以及高精度目标位置获取。

2.1  系统模型

本节介绍车载毫米波雷达用于目标检测与定位的系统模型，如图5所示。

由于在车辆周围的三维空间内，XY平面内的车辆、其它障碍物信息较之于Z轴空间内物体的信息更为重要，本文考虑XY平面内车辆或其它物体的存在情况与具体位置。

（1）指纹地图构建

基于信号传播特性指纹的定位技术如今已经被应用于多种场景中，以应对复杂电磁环境下信号传播特性未知的问题[7]。为执行指纹定位，在离线阶段，首先需进行参考区域以及参考点划分。在所考虑的XY平面（为简便分析，本文考虑在XY平面内以车辆毫米波雷达为原点，跨越一、二象限的矩形区域为毫米波雷达覆盖区域）内，按照矩形等分成为N个小区域。其中每个小区域为一个参考区域，区域中心设置参考点。在进行离线阶段的信号指纹地图构建时，需将目标放置于每个所设置的参考点处，记录目标位于每个参考区域内时其所反射信号经过未知信道后在车辆毫米波雷达处的接收信号属性，并依据该属性建立指纹地图。

对于上述车辆毫米波雷达处的接收信号属性，采用接收信号强度（单位为dBm）与目标角度方位信息联合进行指纹记录。由于在复杂电磁环境下，毫米波信号发射通常经历多径传播，导致在信道相关时间内可能有多条路径到达毫米波雷达处。为简便分析，考虑接收信号强度最大的L条径。考虑车辆处的毫米波雷达多天线采用均匀线阵（ULA， Uniform Linear Array）。对于接收信号强度，考虑毫米波雷达多天线阵元间隔远小于雷达与目标物体的间距，可认为目标发射信号在雷达各个阵元处经历相同的衰落，并获得相同的接收信号强度[8]。则总接收信号强度为L径接收信号强度的加权和。对于目标角度方位信息，考虑以信号相位建立指纹库。ULA接收信号相位可用信号导向矢量表征，则对于考虑的L个径，存在L个不同的导向矢量，其在各自的接收信号强度加权下，形成总导向矢量。通过在各个参考点处多次测量上述总接收信号强度与总导向矢量，取测量平均值，则可对车辆周围电磁环境进行指纹地图构建。

需说明的是，所构建基于信号特性的指纹地图可能遇到障碍物突然进入车载雷达覆盖区域而使指纹变化的问题。对此，可选择有代表性的障碍物放置于参考点测量信号特性指纹，并以统计测量结果纳入指纹地图与算法框架进行联合处理。此外，指纹地图须以一定间隔不断更新，以保证指纹对实际环境的准确表征及在线阶段检测定位性能。

（2）目标信号模型

对于目标反射信号模型，联合考虑车辆所处位置的稀疏性（车辆或其它物体只存在于所划分全部参考区域中的有限个，其个数远小于划分参考区域总数量）与动态性。其中动态性又分为两方面：一方面，目标可能改变信号反射状态（由静默变为信号反射或由反射变为静默）;目标位置将随时间不断变化。若分别考虑上述各属性难度较大，因此采用随机有限集合思想联合对上述特性建模[9]。设随机有限集合Xt统一描述t时刻的目标车辆的信号状态和稀疏位置，该随机有限集合Xt由服从伯努利分布的基和一个稀疏位置分布h（lt）共同完全描述。该随机有限集合Xt的概率分布可表示为：

（1）

其中，p表示目标处于信号反射状态的概率。目标信号状态的迁移特性可由概率描述：出生概率描述目标从静默变為信号反射状态的概率;生存概率描述目标在下时刻继续信号反射状态的概率。稀疏位置分布h（lt）描述了目标位置的分布情况，其中稀疏向量lt包含对于目标位置稀疏性的描述。lt的0范数表示目标个数/目标所占参考区域的个数。对于目标位置的迁移特性，考虑采用D-RWM（Discrete-Random Walking Model，离散随机游走模型）对其建模。具体地，基于目标车辆上一时刻的位置向量lt-1，在t时刻，目标车辆将以相同的概率停留在当前的小区域内（参考点处），或迁移到相邻的各个小区域内（参考点处）。

2.2  序贯检测与定位算法流程

基于上述系统模型，在线阶段，设计一种新型的目标检测与定位算法。新方法基于贝叶斯序贯统计推理框架，以迭代的方式计算每时刻所建立的随机有限集合Xt的后验分布，并据此进行高精度目标检测与目标位置估计。

基于包含目标位置稀疏性与目标信号动态性的随机有限集合Xt，考虑其在t时刻的后验概率密度f（Xt|g1：t），其在t-1时刻的后验概率密度为f（Xt-1|g1：t-1）。则依据MAP（Maximum A Posteriori，最大后验准则）原理[10]，在t时刻，随机有限集合Xt的计算方法如式（2）所示：   （2）

其中，f（Xt|Xt-1）为随机有限集合Xt的一步转移概率密度。根据上述目标动态性的两个方面，该一步转移概率密度中既包含由出生概率与生存概率所表征的目标信号状态一步转移概率，又包含目标位置状态的一步转移概率密度。gt表示t时刻车辆毫米波雷达观测到的目标信号向量。为序贯获得上述公式中的后验概率密度f（Xt|g1：t），采用经典贝叶斯统计推理框架，以预测/更新两步骤进行迭代概率密度计算。

（1）预测步骤

考虑在t时刻获取上一时刻（t-1时刻）随机有限集合Xt的后验概率密度f（Xt-1|g1：t-1），引入一步转移概率密度，则在t时刻的一步转移预测概率密度可由查普曼科尔戈莫洛夫公式计算，具体计算公式如下：

（3）

式（3）表示，基于t-1时刻后验概率密度f（Xt-1|g1：t-1），遍历Xt-1所有可能取得的值（包括目标信号可能的状态以及目标可能位于的所有可能参考区域），以一步转移概率加权，可得一步预测概率密度。

（2）更新步骤

在计算得一步预测概率密度的基础上，引入t时刻的目标信号观测值gt，基于贝叶斯公式可将预测概率密度更新为后验概率密度。更新公式如式（4）所示[11]：

（4）

其中，∫φ（gt|Xt）为似然密度，表示在随机有限集合取值Xt条件下，取得观测信号向量gt的可能性。t时刻计算得到的后验概率密度f（Xt|g1：t）可输入到下一时刻（t+1时刻）的算法流程中，作为随机有限集合Xt+1的先验概率密度。

估计得后验概率密度后，可根据随机有限集合定义（见式（1）），具体计算目标处于信号发射状态的概率p与目标位置后验概率密度h（lt）。对于p，设置判决门限（如0.5），则可获得目标t时刻信号发射状态;对于h（lt），采用MAP准则，可进一步获得目标t时刻的具体位置（处于的具体参考区域）。

所设计目标检测定位算法流程图如图6所示：

2.3  仿真结果

在本节中，对所设计的基于接收信号强度与信号到达角度指纹的联合目标检测与定位算法进行实验验证。数值仿真参数设置如下：考虑车辆毫米波雷达覆盖范围为车辆前部矩形范围，范围内等分为256个参考区域;256个参考点置于每个参考区域的中心位置;毫米波雷达多天线位于矩形范围底部中心位置;发射功率设置为50 dBm;路径损耗指数为3;天线阵元间隔设置为毫米波信号波长的1/2。

图7（a）示出了基于指纹的联合目标检测与定位算法与传统方法在不同天线数量下的目标检测精度对比图。如图所示，通过将历史估计信息纳入到当前时刻的检测流程中来，本文提出方法在目标检测精度上较之于传统方法提升约8 dB。当天线数量为64时，本文提出方法目标检测精度约为0.99，而传统方法检测精度约为0.82。此外，提升天线数量可有效提高信号测量精度与角度分辨率，因而可提升检测概率。

图7（b）示出了本文方法与传统方法的目标定位精度对比图。如图所示，本文方法能以较高的精度估计目标位置。通过设计基于贝叶斯推理框架的联合检测定位算法，新方法较之于传统方法提升约5 dB。在信噪比为-6 dB时，本文方法即可达到1 m以下的定位精度，而传统方法需要在信噪比为0 dB以上时，才能达到1 m定位精度。

3   结束语

本文对车载雷达的发展作了总结，简要介绍了包括车载毫米波雷达在内的多种车载雷达的原理、优势与劣势，着重介绍了车载毫米波雷达的目标检测与定位功能，对其技术原理与目前存在的问题与挑战作了详细分析。在此基础上，提出一种用于车载毫米波多天线雷达的基于指纹的联合目标检测与定位框架。新方法对车载毫米波雷达周围电磁环境进行记录形成指纹地图，并通过贝叶斯序贯推理框架实现目标高效检测与位置估计。仿真结果显示，新方法较之于传统方法检测精度提升约8 dB，定位精度提升约5 dB。

参考文献：

[1] S B Yeap， X Qing， Z N Chen. 77 GHz Dual-Layer Transmit-Array for Automotive Radar Applications[J]. IEEE Transactions on Antennas and Propagation， 2015，63（6）： 2833-2837.

[2] P Almorox-Gonzalez， J Gonzalez-Partida， M Burgos-Garcia， et al. Millimeter-Wave Sensor With FMICW Capabilities for Medium-Range High-Resolution Radars[J]. IEEE Transactions on Microwave Theory and Techniques， 2009，57（6）： 1479-1486.

[3] N Shimomura， K Fujimoto， T Oki， et al. An algorithm for distinguishing the types of objects on the road using laser radar and vision[J]. IEEE Transactions on Intelligent Transportation Systems， 2002，3（3）： 189-195.

[4] M Hurtado， A Nehorai. Polarimetric Detection of Targets in Heavy Inhomogeneous Clutter[J]. IEEE Transactions on Signal Processing， 2008，56（4）： 1349-1361.

[5] P Krishnan. Design of Collision Detection System for Smart Car Using Li-Fi and Ultrasonic Sensor[J]. IEEE Transactions on Vehicular Technology， 2018，67（12）： 11420-11426.

[6] H Chen， B Huang， L Bin， et al. Joint estimation of target doppler frequency and azimuth angle of scanning system radar[C]//2007 European Radar Conference. Munich， 2007： 444-447.

[7] S H Fang， Y T Hsu， W H Kuo. Dynamic fingerprinting combination for improved mobile localization[J]. IEEE Transactions on Wireless Communications， 2011，10（12）： 4018–4022.

[8] T Xiaohua， W Mei， L Wenxin. Improve Accuracy of Fingerprinting Localization with Temporal Correlation of the RSS[J]. IEEE Transactions on Mobile Computing， 2018，17（1）： 113-126.

[9] B Vo， W Ma. The Gaussian Mixture Probability Hypothesis Density Filter[J]. IEEE Transactions on Signal Processing， 2006，54（11）： 4091-4104.

[10] J Gauvain， C Lee. Maximum a posteriori estimation for multivariate Gaussian mixture observations of Markov chains[J]. IEEE Transactions on Speech and Audio Processing， 1994，2（2）： 291-298.

[11] M S Arulampalam， S Maskell， N Gordon， et al. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking[J]. IEEE Transactions on Signal Processing， 2002，50（2）： 174-188. ★