汽車(chē)毫米波雷達(dá)信號(hào)處理技術(shù)綜述

黃 巖 張 慧 蘭呂鴻康 鄧 坤 楊 陽(yáng) 張睿哲 劉 江 張彥君 王韻旋 周 睿 徐 俊 奚新鎖 張 俠 鄭凱航 劉育銘 洪 偉

(東南大學(xué)毫米波國(guó)家重點(diǎn)實(shí)驗(yàn)室 南京 210096)

1 引言

隨著科學(xué)技術(shù)的發(fā)展，自動(dòng)駕駛技術(shù)正在逐步從理論探索轉(zhuǎn)向?qū)嶋H工程應(yīng)用。傳感器作為具備測(cè)量和感知功能的器件，在這一過(guò)程中扮演著重要角色，它們就像汽車(chē)的“眼睛”和“耳朵”，能夠幫助駕駛?cè)藛T和高級(jí)駕駛輔助系統(tǒng)(Advanced Driving Assistance System,ADAS)對(duì)周?chē)哪繕?biāo)進(jìn)行檢測(cè)、識(shí)別和跟蹤，為駕駛操作提供決策依據(jù)。毫米波雷達(dá)作為ADAS中不可取代的一部分，具有許多優(yōu)勢(shì)。首先，毫米波雷達(dá)具備遠(yuǎn)距離探測(cè)的能力，可以在較大的范圍內(nèi)感知周?chē)h(huán)境。其次，毫米波雷達(dá)體積較小且成本適中，易于集成到汽車(chē)中。此外，毫米波雷達(dá)具有全天候工作的能力，不受天氣條件的限制，能夠在雨、霧和煙塵等復(fù)雜環(huán)境下工作。它還具備強(qiáng)大的穿透能力，可以穿透雨霧等干擾物，提供可靠的檢測(cè)數(shù)據(jù)。毫米波雷達(dá)與其他傳感器如激光雷達(dá)、攝像頭等相結(jié)合使用，能夠提供更全面、準(zhǔn)確的環(huán)境感知能力，提高自動(dòng)駕駛系統(tǒng)對(duì)周?chē)h(huán)境的理解和判斷能力。

近年來(lái)隨著多輸入多輸出(Multiple Input Multiple Output,MIMO)技術(shù)以及多芯片級(jí)聯(lián)技術(shù)的成熟，通過(guò)優(yōu)化設(shè)計(jì)汽車(chē)毫米波雷達(dá)系統(tǒng)，使其能夠在空間上虛擬出比物理天線(xiàn)孔徑大很多的虛擬陣列，再加上稀疏陣列合成孔徑的設(shè)計(jì)思想，讓毫米波雷達(dá)的角度分辨率得到了極大的提升。硬件水平的提升使得毫米波雷達(dá)得到了快速的發(fā)展，當(dāng)前新一代汽車(chē)毫米波雷達(dá)已能初步實(shí)現(xiàn)目標(biāo)距離、多普勒(速度)、方位角和俯仰角的四維高分辨能力，即獲得具有空間三維坐標(biāo)和速度信息的4D點(diǎn)云。相較于傳統(tǒng)的毫米波雷達(dá)，新一代4D毫米波雷達(dá)能夠提供更為豐富的點(diǎn)云信息，因此如何有效地將機(jī)器學(xué)習(xí)框架應(yīng)用到4D毫米波雷達(dá)中實(shí)現(xiàn)特征提取和目標(biāo)分類(lèi)成為目前的研究熱點(diǎn)。除了點(diǎn)云成像外，能夠利用相對(duì)運(yùn)動(dòng)等效合成陣列實(shí)現(xiàn)距離向、方位向的二維高分辨率的合成孔徑成像也在汽車(chē)毫米波雷達(dá)領(lǐng)域掀起了研究的熱潮。此外在裝載4D毫米波雷達(dá)的車(chē)輛不斷增多的情況下，如何提高毫米波雷達(dá)的抗干擾能力也已然成為亟需面對(duì)的問(wèn)題。

下面本文將圍繞三大核心雷達(dá)信號(hào)處理應(yīng)用領(lǐng)域來(lái)對(duì)汽車(chē)毫米波雷達(dá)信號(hào)處理技術(shù)進(jìn)行總結(jié)展望。

2 汽車(chē)毫米波雷達(dá)點(diǎn)云處理技術(shù)

隨著射頻器件尤其是芯片高集成度的持續(xù)發(fā)展，在車(chē)裝有限空間下(例如前向汽車(chē)?yán)走_(dá)尺寸≤11 cm×11 cm×3 cm，角雷達(dá)的尺寸≤6 cm×7cm×2 cm[1])，汽車(chē)毫米波雷達(dá)可以實(shí)現(xiàn)高分辨的點(diǎn)云成像能力。所謂“點(diǎn)云”就是指通過(guò)測(cè)量?jī)x器得到物體表面的點(diǎn)數(shù)據(jù)位置的集合。目前用于實(shí)現(xiàn)點(diǎn)云處理的方法主要包括陣列信號(hào)處理方法、神經(jīng)網(wǎng)絡(luò)方法以及多傳感器融合方法等。這些方法各具特色，都能有效實(shí)現(xiàn)點(diǎn)云成像。其中，陣列信號(hào)處理方法主要基于數(shù)學(xué)模型和信號(hào)處理技術(shù)，它的優(yōu)點(diǎn)在于實(shí)現(xiàn)簡(jiǎn)單、穩(wěn)定可靠；神經(jīng)網(wǎng)絡(luò)方法因其強(qiáng)大的非線(xiàn)性建模能力和高效的并行計(jì)算在圖像識(shí)別和目標(biāo)檢測(cè)等任務(wù)中表現(xiàn)出色，具有良好的應(yīng)用前景；多傳感器融合方法可以利用多種傳感器對(duì)汽車(chē)毫米波雷達(dá)的互補(bǔ)性，結(jié)合毫米波雷達(dá)高精度點(diǎn)云成像能力，提高ADAS的魯棒性和精確度。無(wú)論采用何種方法，汽車(chē)毫米波雷達(dá)點(diǎn)云處理技術(shù)的發(fā)展都為自動(dòng)駕駛的實(shí)現(xiàn)提供了重要支持和保障。下面具體介紹各類(lèi)方法的流程及特點(diǎn)。

2.1 陣列信號(hào)處理點(diǎn)云成像方法

在陣列信號(hào)處理流程中，實(shí)現(xiàn)汽車(chē)毫米波雷達(dá)點(diǎn)云成像的關(guān)鍵是利用方位向和俯仰向的空間分辨能力生成致密的點(diǎn)云。主要流程為發(fā)射調(diào)頻連續(xù)波(Frequency Modulated Continuous Wave,FMCW)信號(hào)，經(jīng)目標(biāo)反射后在接收機(jī)與發(fā)射信號(hào)進(jìn)行混頻得到中頻(Intermediate Frequency,IF)信號(hào)，通過(guò)對(duì)中頻信號(hào)進(jìn)行二維快速傅里葉變換(Two Dimensional-Fast Fourier Transform,2D-FFT)以及恒虛警率(Constant False Alarm Rate,CFAR)目標(biāo)檢測(cè)算法估計(jì)出目標(biāo)的距離和速度信息，然后利用不同通道間接收信號(hào)的相位差，采用波達(dá)方向(Direction of Arrival,DOA)估計(jì)算法可以獲得目標(biāo)的方位角和俯仰角信息。完整信號(hào)分析流程如圖1所示。

圖1 毫米波雷達(dá)點(diǎn)云成像算法處理流程Fig.1 The processing flow of millimeter-wave radar point cloud imaging algorithm

傳統(tǒng)的毫米波雷達(dá)信號(hào)處理算法僅能通過(guò)稀疏的點(diǎn)云定位目標(biāo)，而無(wú)法準(zhǔn)確勾勒待測(cè)物體的輪廓，從而限制了對(duì)周?chē)鷪?chǎng)景的還原能力。自2015年以來(lái)，越來(lái)越多的研究人員致力于開(kāi)發(fā)汽車(chē)毫米波雷達(dá)系統(tǒng)的點(diǎn)云成像和處理技術(shù)。其中，Li等人[2]設(shè)計(jì)了一款基于二進(jìn)制相移鍵控(Binary Phase Shift Keying,BPMK)正交波形的MIMO-FMCW 4D成像雷達(dá)，該雷達(dá)實(shí)現(xiàn)了實(shí)時(shí)信號(hào)處理和對(duì)雷達(dá)周?chē)鷪?chǎng)景的三維映射，成像結(jié)果如圖2所示。加州大學(xué)圣迭哥分校的Qian等人[3]開(kāi)發(fā)了名為MilliPoint的毫米波雷達(dá)系統(tǒng)，該系統(tǒng)通過(guò)對(duì)信號(hào)變化和雷達(dá)運(yùn)動(dòng)之間的關(guān)系進(jìn)行建模，實(shí)現(xiàn)了自追蹤以進(jìn)行相干空間采樣，并通過(guò)成像后處理的方式對(duì)目標(biāo)聚焦，解決了鏡面反射的問(wèn)題，其點(diǎn)云生成效果如圖3所示。此外，Engels等人[4]概述了汽車(chē)毫米波雷達(dá)信號(hào)處理的研究進(jìn)展，并對(duì)多目標(biāo)情況下毫米波雷達(dá)的綜合信號(hào)模型進(jìn)行了分析和討論。文獻(xiàn)[5]則通過(guò)分析毫米波雷達(dá)點(diǎn)云圖像數(shù)據(jù)特征，利用最近迭代點(diǎn)方法實(shí)現(xiàn)對(duì)兩幀數(shù)據(jù)的匹配和融合，再通過(guò)自適應(yīng)鄰域半徑的DBSCAN算法對(duì)融合后的點(diǎn)云進(jìn)行聚類(lèi)，最后通過(guò)求解凸包得到點(diǎn)簇的最小外接矩形，實(shí)現(xiàn)目標(biāo)識(shí)別。

圖2 基于BPSK正交波形的MIMO-FMCW 4D雷達(dá)成像[2]Fig.2 MIMO-FMCW 4D radar imaging based on BPSK orthogonal waveform[2]

圖3 MilliPoint系統(tǒng)3D點(diǎn)云生成[3]Fig.3 The 3D point cloud generated by MilliPoint system[3]

在汽車(chē)毫米波雷達(dá)系統(tǒng)中，點(diǎn)云是通過(guò)使用CFAR檢測(cè)器從雷達(dá)回波信號(hào)中檢測(cè)出目標(biāo)并以點(diǎn)的形式在三維坐標(biāo)系上表示的。點(diǎn)云的數(shù)量和密度直接影響著成像質(zhì)量和目標(biāo)檢測(cè)的準(zhǔn)確性。傳統(tǒng)的信號(hào)處理方法通常通過(guò)改進(jìn)CFAR檢測(cè)器的算法來(lái)實(shí)現(xiàn)更高密度、更精細(xì)的點(diǎn)云生成。文獻(xiàn)[6]提出了一種名為PreCFAR網(wǎng)格地圖的方法，通過(guò)建立一個(gè)靜態(tài)環(huán)境的圖像表示，克服CFAR網(wǎng)格圖構(gòu)建時(shí)存在的稀疏性和掩蔽性等缺點(diǎn)。而文獻(xiàn)[7]則提出了一種基于區(qū)域的CFAR框架，利用二維RDM上基于區(qū)域的目標(biāo)信息來(lái)提高檢測(cè)信噪比，極大提高了CFAR檢測(cè)性能，得到點(diǎn)云圖像如圖4所示。此外，文獻(xiàn)[8]還提出了一種自適應(yīng)門(mén)限設(shè)置的方法，根據(jù)雷達(dá)接收功率與距離的關(guān)系動(dòng)態(tài)地分配CFAR檢測(cè)的門(mén)限系數(shù)，并結(jié)合檢測(cè)單元附近單元的噪聲功率得到自適應(yīng)檢測(cè)門(mén)限，從而生成了較為致密可信的毫米波雷達(dá)三維點(diǎn)云圖像，如圖5所示。

圖4 文獻(xiàn)[7]提出的PreCFAR方法與傳統(tǒng)SO-CFAR方法生成點(diǎn)云數(shù)量對(duì)比Fig.4 Comparison of the number of point clouds generated by PreCFAR method proposed in Ref.[7] and the traditional SO-CFAR method

圖5 文獻(xiàn)[8]中三維點(diǎn)云成像結(jié)果Fig.5 3D point cloud imaging results in Ref.[8]

基于傳統(tǒng)信號(hào)處理的毫米波雷達(dá)點(diǎn)云成像技術(shù)具有高精度、高靈敏度和魯棒性等優(yōu)點(diǎn)，相關(guān)論文匯總?cè)绫?所示，但在實(shí)際應(yīng)用中，也存在一些挑戰(zhàn)。首先，環(huán)境噪聲會(huì)干擾雷達(dá)接收到的信號(hào)，從而影響成像結(jié)果的精度。此外，多徑效應(yīng)也會(huì)對(duì)成像精度產(chǎn)生影響，因?yàn)槔走_(dá)信號(hào)在傳播過(guò)程中會(huì)發(fā)生多次反射、折射或散射。另外，處理大量數(shù)據(jù)也是毫米波雷達(dá)系統(tǒng)面臨的問(wèn)題之一。由于需要采集和處理大量的點(diǎn)云數(shù)據(jù)，處理器需要具備高速的計(jì)算和存儲(chǔ)能力，才能實(shí)現(xiàn)實(shí)時(shí)處理。因此，需要使用更加高效的數(shù)據(jù)處理算法和技術(shù)來(lái)提高數(shù)據(jù)處理速度和效率。

表1 基于信號(hào)處理方法實(shí)現(xiàn)點(diǎn)云成像相關(guān)論文匯總Tab.1 Summary of relevant papers of realization of point cloud imaging based on signal processing

2.2 深度學(xué)習(xí)點(diǎn)云處理方法

自2015年以來(lái)，快速發(fā)展的深度學(xué)習(xí)技術(shù)在絕大部分計(jì)算機(jī)視覺(jué)任務(wù)的表現(xiàn)效果超越了傳統(tǒng)方法，例如目標(biāo)檢測(cè)、圖像識(shí)別和語(yǔ)義分割等。在雷達(dá)信號(hào)處理領(lǐng)域，使用深度學(xué)習(xí)算法進(jìn)行數(shù)據(jù)分析同樣成為研究熱點(diǎn)，一些基于數(shù)據(jù)驅(qū)動(dòng)的方法被廣泛應(yīng)用于汽車(chē)毫米波雷達(dá)信號(hào)處理技術(shù)。

2.2.1 點(diǎn)云分割

汽車(chē)毫米波雷達(dá)得到的點(diǎn)云稀疏、噪聲多、信息不夠直觀，因此仍需通過(guò)分割等點(diǎn)云處理方法來(lái)提取目標(biāo)物體的信息。近年來(lái)，通過(guò)深度學(xué)習(xí)方法對(duì)毫米波雷達(dá)得到的點(diǎn)云進(jìn)行分割，提取目標(biāo)物體的輪廓和特征，從而更加準(zhǔn)確地實(shí)現(xiàn)目標(biāo)識(shí)別和分類(lèi)。Danzer等人[9]利用PointNets對(duì)二維雷達(dá)點(diǎn)云進(jìn)行車(chē)輛邊界盒估計(jì)，以區(qū)分車(chē)輛和雜波。然而，Point-Nets的設(shè)計(jì)是為了學(xué)習(xí)對(duì)象的三維空間特征，且雷達(dá)點(diǎn)云相對(duì)于激光雷達(dá)而言較為稀疏，因此直接借鑒不是最佳選擇。為了解決這個(gè)問(wèn)題，文獻(xiàn)[10]提出了一種高斯混合模型(Gaussian Mixture Model,GMM)，結(jié)合相對(duì)高分辨率的雷達(dá)數(shù)據(jù)進(jìn)行點(diǎn)云分割；文獻(xiàn)[11]提出了一種改進(jìn)隨機(jī)樣本一致性(Random Sample Consensus,RANSAC)算法，通過(guò)點(diǎn)云分割從二維靜態(tài)點(diǎn)云圖像中估計(jì)道路邊界，如圖6所示；此外，文獻(xiàn)[12]介紹了一種基于雷達(dá)點(diǎn)云數(shù)據(jù)的自動(dòng)駕駛道路路線(xiàn)估計(jì)算法，包括Density-based Spatial Clustering of Applications with Noise (DBSCAN)算法去除部分錯(cuò)誤檢測(cè)、DT (Delaunay Triangulation)進(jìn)行空間數(shù)據(jù)聚類(lèi)、使用RANSAC擬合道路邊界曲線(xiàn)以及通過(guò)PointNet++神經(jīng)網(wǎng)絡(luò)估計(jì)可能形成的軌跡。

圖6 RANSAC算法實(shí)現(xiàn)道路檢測(cè)[11]Fig.6 Road boundary detection based on RANSAC algorithm[11]

2.2.2 目標(biāo)檢測(cè)

基于深度學(xué)習(xí)技術(shù)可對(duì)生成的點(diǎn)云圖像實(shí)現(xiàn)目標(biāo)檢測(cè)和識(shí)別。Cheng等人[13,14]提出了一種基于數(shù)據(jù)驅(qū)動(dòng)的輕量級(jí)神經(jīng)網(wǎng)絡(luò)RPDNet (Radar Points Detector Network)，該網(wǎng)絡(luò)將目標(biāo)檢測(cè)視為3D點(diǎn)云的語(yǔ)義分割任務(wù)，并通過(guò)基于激光雷達(dá)數(shù)據(jù)自動(dòng)生成標(biāo)簽的方法來(lái)訓(xùn)練雷達(dá)檢測(cè)器，生成點(diǎn)云如圖7所示。Jiang等人[15]提出了一種僅使用單幀數(shù)據(jù)進(jìn)行超分辨DOA估計(jì)的復(fù)值深度卷積網(wǎng)絡(luò)(Complex Valued-Deep Convolutional Network,CV-DCN)。文獻(xiàn)[16]提出了一種兩步式雷達(dá)目標(biāo)檢測(cè)模型，利用Range-Doppler Network (RDNet)的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)在距離多普勒域上進(jìn)行目標(biāo)區(qū)域檢測(cè)，然后輸入第2層網(wǎng)絡(luò)Angle Estimation Network (AngNet)獲取目標(biāo)的方位、俯仰角估計(jì)。文獻(xiàn)[17]提出了一種基于多幀4D毫米波雷達(dá)點(diǎn)云的三維目標(biāo)檢測(cè)框架，首先估計(jì)車(chē)輛的自身速度信息進(jìn)行補(bǔ)償，并通過(guò)雷達(dá)幀間匹配將多幀點(diǎn)云匹配到最后一幀，利用多幀點(diǎn)云檢測(cè)網(wǎng)絡(luò)對(duì)目標(biāo)進(jìn)行檢測(cè)，得到了高分辨率的目標(biāo)點(diǎn)云圖像。在文獻(xiàn)[18,19]中，作者提出了一種基于3D重構(gòu)成像的神經(jīng)網(wǎng)絡(luò)架構(gòu)3D Reconstruction and Imaging via mmWave Radar (3DRIMR)，該網(wǎng)絡(luò)從多個(gè)視角采集毫米波雷達(dá)原始數(shù)據(jù)作為輸入，并以點(diǎn)云形式輸出物體的3D形狀，該方法有效結(jié)合了CNN的優(yōu)點(diǎn)、提升了點(diǎn)云表示3D形狀效率，如圖8所示。

圖7 RPDNet[13,14]生成的點(diǎn)云圖像與CFAR,Lidar對(duì)比Fig.7 Comparison of point cloud image generated by RPDNet[13,14] with CFAR and Lidar

圖8 3DRIMR [18,19]以點(diǎn)云形式重建汽車(chē)的三維形狀Fig.8 3DRIMR[18,19] used to reconstruct the three-dimensional shape of the car in point cloud form

Huang等人[20]提出了一種基于機(jī)器學(xué)習(xí)方法的帶噪聲DBSCAN聚類(lèi)算法以及基于深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network,DCNN)的實(shí)時(shí)目標(biāo)檢測(cè)區(qū)域提議網(wǎng)絡(luò)(Faster R-CNN)，得到檢測(cè)結(jié)果如圖9所示。文獻(xiàn)[21]比較了兩種基于雷達(dá)點(diǎn)云進(jìn)行目標(biāo)檢測(cè)的方法。一種是基于網(wǎng)格的方法，將雷達(dá)點(diǎn)云轉(zhuǎn)化為Bird’s Eye View (BEV)網(wǎng)格，使用3個(gè)通道表示目標(biāo)信息和Radar Cross Section (RCS)信息，再通過(guò)YOLOv3網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測(cè)。另一種是基于點(diǎn)云的方法，將點(diǎn)云數(shù)據(jù)分割為補(bǔ)丁，補(bǔ)丁內(nèi)數(shù)據(jù)作為網(wǎng)絡(luò)輸入，再通過(guò)4個(gè)網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測(cè)。結(jié)果表明，基于網(wǎng)格的方法的平均準(zhǔn)確率(mean Average Precision,mAP)較低，但速度較快。針對(duì)三維物體檢測(cè)方法不能通過(guò)關(guān)注稀疏點(diǎn)云中的局部特征來(lái)判斷物體的航向的問(wèn)題，Xu等人[22]提出一種僅使用4D毫米波雷達(dá)的三維目標(biāo)檢測(cè)網(wǎng)絡(luò)RPFA-Net(Radar Pillar Feature Attention Network)，該方法利用自注意機(jī)制而不是PointNet來(lái)提取點(diǎn)云的全局特征。這些包含遠(yuǎn)距離信息的全局特征可以有效地提高網(wǎng)絡(luò)對(duì)目標(biāo)航向角的回歸能力，提高檢測(cè)精度。圖10顯示了RPFA-Net[22]和PointPillars[23]在AstyxHiRes數(shù)據(jù)集中的測(cè)試結(jié)果，由于該網(wǎng)絡(luò)相較于PointPillars估計(jì)方位角更準(zhǔn)確，因此檢測(cè)結(jié)果與地面真實(shí)情況的吻合度更高。

圖9 文獻(xiàn)[20]所提出方法檢測(cè)結(jié)果Fig.9 Detection results of the method proposed in Ref.[20]

圖10 RPFA-Net[22]和PointPillars[23]在AstyxHiRes數(shù)據(jù)集中的檢測(cè)結(jié)果Fig.10 Test results of RPFA-Net[22] and PointPillars[23] in AstyxHiRes dataset

深度學(xué)習(xí)在毫米波雷達(dá)信號(hào)處理中應(yīng)用越來(lái)越廣泛，且已在實(shí)際應(yīng)用中取得了很好的效果。深度學(xué)習(xí)能夠通過(guò)學(xué)習(xí)復(fù)雜的信號(hào)特征來(lái)提取有效的信息，并在噪聲和干擾環(huán)境下表現(xiàn)出很好的性能，以此提高毫米波雷達(dá)系統(tǒng)的魯棒性和可靠性，在復(fù)雜環(huán)境下的目標(biāo)檢測(cè)、分類(lèi)和跟蹤中有很好的應(yīng)用前景。但它也存在一定的局限性，深度學(xué)習(xí)模型的內(nèi)部機(jī)制很難解釋和理解，且通常需要大量的標(biāo)注數(shù)據(jù)來(lái)進(jìn)行訓(xùn)練，因此大規(guī)模、高質(zhì)量的毫米波雷達(dá)數(shù)據(jù)集對(duì)于深度學(xué)習(xí)在毫米波雷達(dá)領(lǐng)域的應(yīng)用至關(guān)重要?；谏疃葘W(xué)習(xí)方法實(shí)現(xiàn)點(diǎn)云處理相關(guān)論文匯總?cè)绫?所示。

2.2.3 毫米波雷達(dá)數(shù)據(jù)集

在深度學(xué)習(xí)點(diǎn)云處理中，大樣本數(shù)據(jù)的獲取與標(biāo)注是一個(gè)關(guān)鍵問(wèn)題。在早期研究中，研究人員通常自己采集和標(biāo)注數(shù)據(jù)，這既費(fèi)時(shí)費(fèi)力，也不便于算法的對(duì)比。近年來(lái)隨著相關(guān)研究的深入，很多毫米波雷達(dá)數(shù)據(jù)集被逐漸公開(kāi)，可簡(jiǎn)單根據(jù)數(shù)據(jù)種類(lèi)的不同分為單模態(tài)數(shù)據(jù)集和多模態(tài)數(shù)據(jù)集。其中，單模態(tài)數(shù)據(jù)集僅包含雷達(dá)數(shù)據(jù)，一般來(lái)說(shuō)，由于毫米波雷達(dá)解析電磁波進(jìn)行參數(shù)估計(jì)，單純毫米波雷達(dá)數(shù)據(jù)是難以進(jìn)行標(biāo)注的；多模態(tài)數(shù)據(jù)集除了毫米波雷達(dá)數(shù)據(jù)外，還包含同步的圖像或激光雷達(dá)等其他汽車(chē)傳感器數(shù)據(jù)，為毫米波雷達(dá)數(shù)據(jù)提供真值參考，實(shí)現(xiàn)準(zhǔn)確的定位和標(biāo)注。隨著對(duì)雷達(dá)信號(hào)數(shù)據(jù)的利用越發(fā)深入，相關(guān)數(shù)據(jù)作深度學(xué)習(xí)等輸入的應(yīng)用逐漸增多，可服務(wù)于汽車(chē)?yán)走_(dá)目標(biāo)檢測(cè)等功能。

雷達(dá)數(shù)據(jù)集的質(zhì)量和規(guī)模與基于深度學(xué)習(xí)的汽車(chē)?yán)走_(dá)性能存在緊密聯(lián)系，目前開(kāi)源的毫米波雷達(dá)數(shù)據(jù)集一般為帶有標(biāo)注的多模態(tài)數(shù)據(jù)集，主要有Astyx HiRes,CARRADA,NuScenes,SCORP,CRUW,SeeingThroughFog,VOD,ColoRadar,K-Radar,RADIal,TJ4DRadSet,Oxford Radar RobotCar Dataset等。其中，NuScenes,CRUW和Oxford Radar RobotCar Dataset這3個(gè)數(shù)據(jù)集僅含有2D雷達(dá)點(diǎn)信息或雷達(dá)的射頻圖像。

Astyx HiRes 2019[24]是首個(gè)包含4D成像毫米波雷達(dá)的公開(kāi)數(shù)據(jù)集，由500個(gè)同步幀(雷達(dá)、激光雷達(dá)、相機(jī))組成。其中包含約3000個(gè)精確注釋的3D對(duì)象注釋。該數(shù)據(jù)集基于自動(dòng)標(biāo)注的結(jié)果，并通過(guò)人工微調(diào)進(jìn)行補(bǔ)充。Astyx數(shù)據(jù)集的規(guī)模相對(duì)較小，存在框架數(shù)目不足的問(wèn)題，并且大部分?jǐn)?shù)據(jù)都是關(guān)于汽車(chē)的，導(dǎo)致在類(lèi)別上存在不平衡的情況。與此相比，文獻(xiàn)[25]提出的CARRADA數(shù)據(jù)集提供了3種不同的注釋格式，包括稀疏點(diǎn)、邊界框和密集掩碼，標(biāo)注類(lèi)別包括汽車(chē)、自行車(chē)以及行人。CARRADA數(shù)據(jù)集中包含了具有時(shí)間同步的攝像頭和低級(jí)雷達(dá)的R-A和R-D數(shù)據(jù)，但是CARRADA的采集場(chǎng)景并不是真實(shí)的交通路況，因此其實(shí)用性會(huì)受到一定影響。

NuScenes[26]被認(rèn)為是首個(gè)開(kāi)源的多模態(tài)數(shù)據(jù)集，它開(kāi)創(chuàng)性地提供了雷達(dá)信息、3D對(duì)象注釋以及夜間和下雨天氣條件下的數(shù)據(jù)，同時(shí)還包括對(duì)象屬性注釋。NuScenes數(shù)據(jù)集提供了6個(gè)攝像頭14萬(wàn)幀的圖像數(shù)據(jù)、1個(gè)激光雷達(dá)39萬(wàn)幀的點(diǎn)云數(shù)據(jù)以及5個(gè)毫米波雷達(dá)130萬(wàn)幀的點(diǎn)云數(shù)據(jù)。相較于之前發(fā)布的數(shù)據(jù)集，NuScenes的對(duì)象注釋質(zhì)量更高。然而，NuScenes數(shù)據(jù)集只提供經(jīng)過(guò)預(yù)處理的無(wú)注釋稀疏二維雷達(dá)點(diǎn)云，每幀中的點(diǎn)云數(shù)量較少。

SCORP數(shù)據(jù)集是首個(gè)包含了ADC數(shù)據(jù)的公開(kāi)雷達(dá)數(shù)據(jù)集，其提供了3種不同的雷達(dá)數(shù)據(jù)表示形式，即Sample-Chirp-Antenna數(shù)據(jù)塊(SCA數(shù)據(jù)塊)、Range-Azimuth-Doppler數(shù)據(jù)塊(RAD數(shù)據(jù)塊)以及稀疏點(diǎn)云形式。但其規(guī)模較小，僅包含11個(gè)序列和3913幀數(shù)據(jù)，且只有語(yǔ)義分割標(biāo)注，沒(méi)有目標(biāo)級(jí)的標(biāo)注。ColoRadar[27]數(shù)據(jù)集包含來(lái)自毫米波雷達(dá)、激光雷達(dá)和慣導(dǎo)等大約2小時(shí)的數(shù)據(jù)。該數(shù)據(jù)集提供了3個(gè)級(jí)別的雷達(dá)數(shù)據(jù)：原始ADC數(shù)據(jù)、距離-方位-俯仰角張量數(shù)據(jù)以及雷達(dá)點(diǎn)云，涵蓋室內(nèi)與室外的多種場(chǎng)景。

2020年，華盛頓大學(xué)的Wang等人[28]開(kāi)發(fā)了CRUW數(shù)據(jù)集，加入多種自動(dòng)駕駛環(huán)境下同步的圖像和雷達(dá)數(shù)據(jù)幀。CRUW數(shù)據(jù)集中包含目標(biāo)級(jí)別的標(biāo)注(物體框和分割mask)，其數(shù)據(jù)格式為Range-Azimuth-Chirp數(shù)據(jù)塊。

SeeingThroughFog[29]數(shù)據(jù)集采用相機(jī)、毫米波雷達(dá)、激光雷達(dá)、熱傳感等多種傳感器，總共采集了超過(guò)10萬(wàn)個(gè)物體的數(shù)據(jù)，并且這些數(shù)據(jù)是在包括霧天、雪天和雨天等極端天氣的環(huán)境下采集，其目的是評(píng)估可用于極端天氣環(huán)境下多模態(tài)數(shù)據(jù)融合方法的性能。

VOD[30]數(shù)據(jù)集使用了4D毫米波成像雷達(dá)，除了提供距離、方位和多普勒速度外，還提供了高度信息。VOD數(shù)據(jù)集是在復(fù)雜的城市交通場(chǎng)景下采集的，包含8693幀時(shí)間同步和標(biāo)定好的64線(xiàn)激光雷達(dá)、雙目相機(jī)和4D雷達(dá)數(shù)據(jù)。包括123106個(gè)運(yùn)動(dòng)和靜態(tài)對(duì)象的 3D 邊界框，其中包括26587個(gè)行人、10800個(gè)騎自行車(chē)的人和 26949 輛汽車(chē)。

K-Radar[31]數(shù)據(jù)集是目前基于4D毫米波雷達(dá)的最大規(guī)模數(shù)據(jù)集之一。它收集了35000幀在晴天、霧天、雨天、雪地等不同天氣條件下的數(shù)據(jù)。除了4D雷達(dá)數(shù)據(jù)外，K-Radar還提供高分辨率激光雷達(dá)點(diǎn)云、來(lái)自4個(gè)立體相機(jī)的環(huán)繞RGB圖像以及來(lái)自車(chē)身的RTK-GPS和IMU數(shù)據(jù)。RadarScenes[32]是包含多場(chǎng)景的大規(guī)模數(shù)據(jù)集，由手動(dòng)標(biāo)記各類(lèi)目標(biāo)與環(huán)境組成，其包含了158個(gè)具有時(shí)間戳的序列，點(diǎn)云上7500個(gè)標(biāo)注數(shù)據(jù)被分成了11個(gè)類(lèi)別。TJ4DRadSet[33]數(shù)據(jù)集包含40 K的同步數(shù)據(jù)，其中7757幀，44個(gè)序列具有高質(zhì)量注釋的3D邊界框和跟蹤id。該數(shù)據(jù)集基于聯(lián)合多傳感器標(biāo)注、多輪手動(dòng)檢查標(biāo)注的三維標(biāo)注系統(tǒng)進(jìn)行標(biāo)注。

總體來(lái)說(shuō)，毫米波雷達(dá)大樣本數(shù)據(jù)的獲取與標(biāo)注是汽車(chē)毫米波雷達(dá)信號(hào)處理流程的重要一環(huán)。數(shù)據(jù)集包括各類(lèi)天氣條件、道路環(huán)境、駕駛條件等，并標(biāo)注目標(biāo)對(duì)象的邊界框、目標(biāo)類(lèi)別、掩碼等。傳感器采集、標(biāo)注的數(shù)據(jù)除毫米波點(diǎn)云，往往還包括圖像或激光點(diǎn)云，如何將各傳感器的數(shù)據(jù)有效融合從而支撐信號(hào)處理流程是后續(xù)處理的關(guān)鍵。

2.3 多傳感器融合成像處理方法

汽車(chē)駕駛實(shí)際場(chǎng)景往往很復(fù)雜，只使用汽車(chē)毫米波雷達(dá)進(jìn)行感知往往會(huì)漏檢和誤檢，導(dǎo)致目標(biāo)檢測(cè)性能下降。因此，多傳感器融合處理是解決這一問(wèn)題的有效途徑，將毫米波雷達(dá)生成的3D點(diǎn)云圖像與視覺(jué)傳感器生成的RGB圖像、激光點(diǎn)云數(shù)據(jù)進(jìn)行融合實(shí)現(xiàn)三維目標(biāo)檢測(cè)已成為當(dāng)下的一個(gè)研究熱點(diǎn)。

根據(jù)融合的信息類(lèi)型和融合方法，可以將多傳感器融合分為以下幾類(lèi)：

(1) 數(shù)據(jù)級(jí)融合：將來(lái)自不同傳感器的原始數(shù)據(jù)進(jìn)行整合，形成融合后的數(shù)據(jù)。

(2) 特征級(jí)融合：將來(lái)自不同傳感器的特征進(jìn)行整合，形成融合后的特征，如將雷達(dá)和光學(xué)的數(shù)據(jù)特征進(jìn)行融合，提高目標(biāo)檢測(cè)和跟蹤的精度。

(3) 決策級(jí)融合：將來(lái)自不同傳感器的決策信息進(jìn)行整合，形成融合后的決策，如將多個(gè)傳感器的目標(biāo)檢測(cè)結(jié)果進(jìn)行融合，提高目標(biāo)的識(shí)別準(zhǔn)確率和魯棒性。

2.3.1 數(shù)據(jù)級(jí)融合

數(shù)據(jù)級(jí)融合也稱(chēng)為低級(jí)別融合或早期融合，將多傳感器的原始數(shù)據(jù)或預(yù)處理數(shù)據(jù)在信號(hào)處理前進(jìn)行融合。數(shù)據(jù)級(jí)融合通常包括3個(gè)步驟：首先，數(shù)據(jù)級(jí)融合基于雷達(dá)點(diǎn)云生成感興趣區(qū)域(Region of Interest,ROI)；然后，根據(jù)ROI提取視覺(jué)圖像的相應(yīng)區(qū)域；最后，利用特征提取器和分類(lèi)器對(duì)這些區(qū)域進(jìn)行對(duì)象檢測(cè)。在全部融合方法中，數(shù)據(jù)級(jí)融合方案是計(jì)算成本最高的方法，因?yàn)樗枰獙?duì)大量原始數(shù)據(jù)進(jìn)行直接處理。

Meyer等人[34]提出了一種基于雷達(dá)和視覺(jué)信息數(shù)據(jù)級(jí)融合的三維目標(biāo)檢測(cè)系統(tǒng)，該系統(tǒng)利用雷達(dá)點(diǎn)云和RGB圖像生成ROI，并采用Fast R-CNN檢測(cè)器獲取ROI內(nèi)目標(biāo)的邊界框和分類(lèi)得分，實(shí)現(xiàn)三維目標(biāo)檢測(cè)效果如圖11所示。Nabati等人[35]提出了RRPN網(wǎng)絡(luò)，通過(guò)將雷達(dá)點(diǎn)云映射到圖像坐標(biāo)系生成預(yù)定義錨盒，確定目標(biāo)檢測(cè)的候選區(qū)域，相比于Fast R-CNN中生成ROI的選擇性搜索算法，RRPN算法的效率和準(zhǔn)確性更高，其在NuScenes數(shù)據(jù)集[26]中的檢測(cè)結(jié)果如圖12所示。文獻(xiàn)[36]中Jha等人提出了一種將雷達(dá)和視覺(jué)數(shù)據(jù)級(jí)聯(lián)融合用于車(chē)輛導(dǎo)航的方法，通過(guò)將雷達(dá)信息映射到圖像坐標(biāo)系，基于YOLOv3架構(gòu)設(shè)計(jì)融合系統(tǒng)。Nobis等人[37]提出了CRF-Net體系結(jié)構(gòu)，融合相機(jī)數(shù)據(jù)和雷達(dá)稀疏點(diǎn)云投影后的數(shù)據(jù)，然后使用Visual Geometry Group(VGG)網(wǎng)絡(luò)從組合數(shù)據(jù)中提取特征來(lái)增強(qiáng)目標(biāo)檢測(cè)效果。

圖11 文獻(xiàn)[34]中基于AstyxHiRes數(shù)據(jù)集的三維目標(biāo)檢測(cè)結(jié)果Fig.11 3D target detection results based on AstyxHiRes dataset in Ref.[34]

使用數(shù)據(jù)級(jí)融合方法時(shí)，輸入是傳感器原始數(shù)據(jù)，可利用完整的數(shù)據(jù)信息。但是這種方法往往對(duì)數(shù)據(jù)內(nèi)的時(shí)間或空間錯(cuò)位敏感，因此需要對(duì)融合的傳感器進(jìn)行精確的外部校準(zhǔn)。此外，雷達(dá)和圖像數(shù)據(jù)的表示方式不同，導(dǎo)致很難將雷達(dá)點(diǎn)云數(shù)據(jù)與圖像像素進(jìn)行匹配。因此，在進(jìn)行數(shù)據(jù)級(jí)融合時(shí)需要采用合適的方法將不同數(shù)據(jù)形式進(jìn)行轉(zhuǎn)換和配準(zhǔn)，以便有效融合?；跀?shù)據(jù)級(jí)融合方法實(shí)現(xiàn)成像處理相關(guān)論文匯總?cè)绫?所示。

2.3.2 特征級(jí)融合

特征級(jí)融合也稱(chēng)為中層融合，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型可以同時(shí)提取雷達(dá)和圖像數(shù)據(jù)在深度網(wǎng)絡(luò)的中間特征進(jìn)行融合。Cui等人[38]提出了一種基于交叉融合策略的卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)利用每幀雷達(dá)點(diǎn)云生成前視(Front View,FV)圖像和鳥(niǎo)瞰圖像，使用3D區(qū)域建議網(wǎng)絡(luò)生成候選區(qū)域，并采用交叉融合方案將特征圖信息與候選區(qū)域融合。

Nabati等人[39]提出了CenterFusion，利用雷達(dá)和視覺(jué)傳感器信息進(jìn)行魯棒的三維目標(biāo)檢測(cè)。Center-Fusion使用基于椎體的方法(Frustum-based Methods)將雷達(dá)生成的點(diǎn)云與圖像上的對(duì)象精確匹配，并利用雷達(dá)的特征圖來(lái)增強(qiáng)圖像特征，其在NuScenes數(shù)據(jù)集上的檢測(cè)結(jié)果如圖13所示。John等人[40]提出了SO-Net網(wǎng)絡(luò)，SO-Net是一個(gè)包含兩個(gè)特征提取分支和兩個(gè)輸出分支的感知網(wǎng)絡(luò)。這兩個(gè)特征提取分支分別針對(duì)基于相機(jī)的圖像和基于雷達(dá)的特征，輸出分支分別對(duì)應(yīng)車(chē)輛檢測(cè)和自由空間語(yǔ)義分割分支。文獻(xiàn)[41]提出了一種基于毫米波雷達(dá)和視覺(jué)傳感器的障礙物空間注意融合(Spatial Attention Fusion,SAF)方法，該方法考慮了雷達(dá)點(diǎn)云的稀疏性，對(duì)雷達(dá)和圖像進(jìn)行特征級(jí)融合。此外，所提出的SAF方法可以通過(guò)端到端方式與最新的深度學(xué)習(xí)目標(biāo)檢測(cè)框架相結(jié)合進(jìn)行訓(xùn)練。

圖13 不同場(chǎng)景下CenterFusion[39]在NuScenes數(shù)據(jù)集上的三維檢測(cè)結(jié)果Fig.13 Three-dimensional detection in different scenarios results of CenterFusion[39] on the NuScenes dataset

Bansal等人[42]提出了一種多模態(tài)融合目標(biāo)檢測(cè)方法RadSegNet，該網(wǎng)絡(luò)是通過(guò)利用SPG (Semantic-Point-Grid)模塊生成的編碼進(jìn)行對(duì)象檢測(cè)。為了將語(yǔ)義與雷達(dá)點(diǎn)相關(guān)聯(lián)，SPG為每個(gè)雷達(dá)點(diǎn)查找相機(jī)像素對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)了所需的獨(dú)立信息提取，即使在相機(jī)輸入不可靠的情況下，RadSegNet仍然可以使用雷達(dá)數(shù)據(jù)可靠地工作。文獻(xiàn)[43]提出了基于DPT(Dense Prediction Transformer)的雷達(dá)-相機(jī)融合深度估計(jì)模型RCDPT，該模型使用變換器作為骨干網(wǎng)絡(luò)，將從圖像和雷達(dá)中提取的特征在所提出的重組層中有效地合并。文獻(xiàn)[44]提出了一種新的多視圖雷達(dá)-攝像機(jī)融合方法MVFusion，用于實(shí)現(xiàn)語(yǔ)義對(duì)齊的雷達(dá)特征并增強(qiáng)模態(tài)之間的交互信息。該方法通過(guò)使用SARE (Semantic Aligned Radar Encoder)將語(yǔ)義對(duì)齊注入雷達(dá)特征中，以產(chǎn)生圖像引導(dǎo)的雷達(dá)特征。接著，該方法使用RGFT (Radar Guided Fusion Transformer) 加強(qiáng)雷達(dá)和圖像特征之間的全局相關(guān)性。該方法在NuScenes數(shù)據(jù)集上進(jìn)行了評(píng)估，其檢測(cè)結(jié)果如圖14所示。

圖14 MVFusion[44]在NuScenes數(shù)據(jù)集上的三維檢測(cè)結(jié)果Fig.14 3D detection results of MVFusion[44] on the NuScenes dataset

對(duì)于特征級(jí)融合，可以根據(jù)每個(gè)模態(tài)的具體特征為其設(shè)計(jì)適當(dāng)?shù)奶卣魈崛∑?，神?jīng)網(wǎng)絡(luò)還可以跨模態(tài)聯(lián)合學(xué)習(xí)特征，使它們相互補(bǔ)充。但是在進(jìn)行特征級(jí)融合時(shí)要對(duì)不同傳感器特征進(jìn)行配準(zhǔn)和對(duì)齊，這需要比較復(fù)雜的算法和計(jì)算。此外，特征級(jí)融合可能會(huì)導(dǎo)致信息冗余，需要進(jìn)行特征選擇和降維，以避免計(jì)算和存儲(chǔ)的浪費(fèi)?；谔卣骷?jí)融合方法實(shí)現(xiàn)成像處理相關(guān)論文匯總?cè)绫?所示。

表4 基于特征級(jí)融合方法實(shí)現(xiàn)成像處理相關(guān)論文匯總Tab.4 Summary of image processing papers based on feature-level fusion method

2.3.3 決策級(jí)融合

決策級(jí)融合也稱(chēng)為目標(biāo)級(jí)融合或后期融合，是目前主流的融合方案，其主要融合從雷達(dá)和相機(jī)傳感器獲取的獨(dú)立目標(biāo)，以獲得最終的綜合結(jié)果。在決策級(jí)融合中，如何匹配來(lái)自?xún)煞N不同模態(tài)的結(jié)果是值得考慮的，其中一種方法是計(jì)算目標(biāo)相似性，然后使用卡爾曼濾波器、貝葉斯理論、匈牙利算法等方法來(lái)匹配輸出；另一種方法涉及利用雷達(dá)和相機(jī)之間的變換矩陣來(lái)確定兩種模態(tài)之間的位置關(guān)系。

文獻(xiàn)[45]提出一種使用單目相機(jī)和毫米波雷達(dá)傳感器融合的魯棒跟蹤框架，該框架通過(guò)匈牙利算法將來(lái)自不同傳感器的數(shù)據(jù)進(jìn)行關(guān)聯(lián)，并使用基于三卡爾曼濾波器(tri-Kalman Filter)框架作為跟蹤方法。文獻(xiàn)[46]提出了一種目標(biāo)級(jí)三維跟蹤方法，并設(shè)計(jì)了能夠根據(jù)物體不同的空間分布和傳感器特性，充分利用運(yùn)動(dòng)、外觀和幾何特征的自適應(yīng)數(shù)據(jù)關(guān)聯(lián)方法，圖15展示了測(cè)試驗(yàn)證結(jié)果，結(jié)果證明該融合算法具有足夠的準(zhǔn)確性、快速性和魯棒性，能夠滿(mǎn)足自動(dòng)駕駛對(duì)動(dòng)態(tài)物體的感知需求。在文獻(xiàn)[47]提出的方法中，首先使用雷達(dá)和相機(jī)分別進(jìn)行目標(biāo)檢測(cè)，得到兩個(gè)獨(dú)立的檢測(cè)結(jié)果。然后，在圖像平面中將這些檢測(cè)結(jié)果進(jìn)行關(guān)聯(lián)，生成一個(gè)具有對(duì)象類(lèi)型的隨機(jī)有限集，通過(guò)改進(jìn)的GM-PHD濾波器和信息融合，提出了一種魯棒的DATMO算法，解決了物體遮擋、測(cè)量丟失等跟蹤問(wèn)題。

圖15 文獻(xiàn)[46]中測(cè)試的3個(gè)場(chǎng)景及3D跟蹤結(jié)果Fig.15 Three scenes tested in Ref.[46] and 3D tracking results

Jha等人[36]使用變換矩陣將雷達(dá)探測(cè)投影到圖像平面上，然后對(duì)準(zhǔn)來(lái)自?xún)蓚€(gè)傳感器的獨(dú)立檢測(cè)目標(biāo)。在文獻(xiàn)[48]設(shè)計(jì)的方法中，首先對(duì)視覺(jué)傳感器和雷達(dá)傳感器進(jìn)行聯(lián)合校準(zhǔn)，獲得雷達(dá)到相機(jī)的轉(zhuǎn)換矩陣。接著使用基于密度的聚類(lèi)方案將收集的雷達(dá)回波按不同目標(biāo)進(jìn)行分離，并使用變換矩陣將聚類(lèi)質(zhì)心投影到相機(jī)圖像上。此外，在完成雷達(dá)點(diǎn)云與相機(jī)圖像的關(guān)聯(lián)后，Dong等人[49]提出了AssociationNet來(lái)學(xué)習(xí)來(lái)自?xún)蓚€(gè)傳感器的語(yǔ)義表示信息。該網(wǎng)絡(luò)通過(guò)計(jì)算和最小化來(lái)自雷達(dá)點(diǎn)云和圖像邊界框?qū)Φ谋硎局g的歐氏距離，提高了關(guān)聯(lián)的準(zhǔn)確性。

決策級(jí)融合常用于雷達(dá)與相機(jī)傳感器的融合，但是其在很大程度上依賴(lài)于單個(gè)模塊輸出的準(zhǔn)確性。例如，在相機(jī)傳感器被遮擋的情況下，決策級(jí)融合完全取決于雷達(dá)傳感器檢測(cè)到的最終目標(biāo)。此外，由于傳感模態(tài)的弱點(diǎn)或傳感器中的錯(cuò)誤，豐富的中間特征被丟棄，因此，目標(biāo)級(jí)融合方法只能利用從檢測(cè)結(jié)果中獲得的有限信息?；跊Q策級(jí)融合方法實(shí)現(xiàn)成像處理相關(guān)論文匯總?cè)绫?所示。

表5 基于決策級(jí)融合方法實(shí)現(xiàn)成像處理相關(guān)論文匯總Tab.5 Summary of image processing papers based on decision level-fusion method

綜上所述，使用傳統(tǒng)信號(hào)處理方法實(shí)現(xiàn)汽車(chē)毫米波雷達(dá)點(diǎn)云成像的優(yōu)點(diǎn)在于穩(wěn)定性和可靠性，且可利用雷達(dá)系統(tǒng)硬件特性提高成像效果。但該方法需要較高計(jì)算資源和時(shí)間，對(duì)于復(fù)雜場(chǎng)景和目標(biāo)的識(shí)別和分類(lèi)能力有限，對(duì)噪聲和干擾的抑制能力也有限，且難以處理非線(xiàn)性和非高斯分布的點(diǎn)云數(shù)據(jù)，限制了其應(yīng)用范圍和效果。深度學(xué)習(xí)方法實(shí)現(xiàn)汽車(chē)毫米波雷達(dá)成像處理的優(yōu)勢(shì)在于能夠處理大量數(shù)據(jù)，并從中挖掘出目標(biāo)物體的特征信息。深度學(xué)習(xí)方法可以自適應(yīng)地學(xué)習(xí)目標(biāo)物體的特征，并能夠根據(jù)實(shí)際場(chǎng)景進(jìn)行實(shí)時(shí)調(diào)整和優(yōu)化，此外還可以實(shí)現(xiàn)基于歷史數(shù)據(jù)的預(yù)測(cè)和決策，提高系統(tǒng)的整體性能。多傳感器融合方法可以綜合不同傳感器的信息，提高系統(tǒng)的魯棒性和準(zhǔn)確性。多傳感器融合方法需要對(duì)不同傳感器的數(shù)據(jù)進(jìn)行有效的協(xié)同處理，同時(shí)需要對(duì)數(shù)據(jù)的融合算法進(jìn)行充分驗(yàn)證和優(yōu)化，這對(duì)系統(tǒng)的設(shè)計(jì)和開(kāi)發(fā)帶來(lái)了一定的復(fù)雜性。

3 汽車(chē)毫米波雷達(dá)合成孔徑成像技術(shù)

除了點(diǎn)云成像處理，近十年學(xué)術(shù)界逐漸興起了通過(guò)汽車(chē)毫米波雷達(dá)進(jìn)行合成孔徑成像的熱潮。傳統(tǒng)合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)成像系統(tǒng)通常依托于衛(wèi)星、飛機(jī)、導(dǎo)彈等空天運(yùn)動(dòng)平臺(tái)，通過(guò)運(yùn)動(dòng)形成的等效合成孔徑以獲取對(duì)地/海區(qū)域的高分辨成像。對(duì)于車(chē)載場(chǎng)景的SAR系統(tǒng)，由于成像目標(biāo)區(qū)域距離較近且幅寬較小，因此對(duì)分辨率的要求相比傳統(tǒng)場(chǎng)景更高。對(duì)比低頻段，毫米波頻段具有豐富的頻帶資源、較小的波長(zhǎng)以及較小的天線(xiàn)實(shí)孔徑，故而能夠提供更高的距離-方位二維理論分辨率。

車(chē)載場(chǎng)景SAR成像屬于近場(chǎng)模式，適用于傳統(tǒng)SAR遠(yuǎn)場(chǎng)成像模式的近似條件不再成立。由于場(chǎng)景中心距離較短，且汽車(chē)毫米波雷達(dá)通常波束寬度較大、波長(zhǎng)較短，場(chǎng)景內(nèi)單個(gè)散射點(diǎn)的回波歷程在距離向和方位向都分布較廣，導(dǎo)致出現(xiàn)嚴(yán)重的距離徙動(dòng)現(xiàn)象，且不同距離單元目標(biāo)的距離徙動(dòng)差異明顯，最終影響SAR成像算法的設(shè)計(jì)。同時(shí)，汽車(chē)運(yùn)動(dòng)過(guò)程中易顛簸、抖動(dòng)，對(duì)于波長(zhǎng)較短的毫米波雷達(dá)而言，所造成的運(yùn)動(dòng)誤差往往不可忽略。此外，汽車(chē)毫米波雷達(dá)通常采用MIMO體制，其拓展性質(zhì)也為更加復(fù)雜與靈活的SAR系統(tǒng)設(shè)計(jì)提供了可能性。

3.1 汽車(chē)毫米波SAR基礎(chǔ)成像算法

要實(shí)現(xiàn)車(chē)載毫米波SAR成像，需要將傳統(tǒng)SAR基礎(chǔ)成像算法修改以適用于新場(chǎng)景，其中距離多普勒等頻域算法可實(shí)現(xiàn)條帶模式成像。文獻(xiàn)[50,51]使用距離多普勒算法(Range Doppler Algorithm,RDA)對(duì)中近場(chǎng)(0～100 m)毫米波SAR成像進(jìn)行了充分的評(píng)估，驗(yàn)證了77 GHz波段下中近場(chǎng)各距離范圍內(nèi)一些常見(jiàn)目標(biāo)的成像效果，場(chǎng)景光學(xué)圖像與成像結(jié)果如圖16所示。

圖16 RDA近場(chǎng)場(chǎng)景SAR成像驗(yàn)證[50,51]Fig.16 The verification of RDA near-field scene SAR imaging[50,51]

上述距離多普勒算法對(duì)汽車(chē)毫米波SAR成像進(jìn)行一些初步的演示與驗(yàn)證，但其實(shí)驗(yàn)條件較為苛刻，其假設(shè)車(chē)輛保持勻速直線(xiàn)運(yùn)動(dòng)，并進(jìn)行正側(cè)視成像。近年來(lái)，Jiang等人[52]闡述了一種汽車(chē)SAR系統(tǒng)模型，并利用改進(jìn)后的RDA進(jìn)行車(chē)載場(chǎng)景成像，結(jié)果如圖17所示。二維頻域算法作為一種可行的成像算法，也被應(yīng)用于汽車(chē)毫米波SAR成像，Xu等人[53]通過(guò)對(duì)信號(hào)進(jìn)行二維去斜和運(yùn)動(dòng)補(bǔ)償處理，實(shí)現(xiàn)停車(chē)場(chǎng)車(chē)位檢測(cè)和識(shí)別，結(jié)果如圖18所示。在汽車(chē)毫米波SAR成像中，成像分辨率需至少達(dá)到厘米級(jí)，由于距離多普勒算法等頻域算法的實(shí)現(xiàn)采用一定的近似條件，導(dǎo)致其在實(shí)際場(chǎng)景中應(yīng)用受限。

圖17 車(chē)載場(chǎng)景RDA成像[52]Fig.17 RDA imaging for automotive scenes[52]

圖18 停車(chē)場(chǎng)車(chē)位檢測(cè)和識(shí)別[53]Fig.18 Parking space detection and recognition[53]

3.1.1 距離徙動(dòng)算法

相比于RDA等頻域算法，很多學(xué)者在車(chē)載平臺(tái)更傾向于使用距離徙動(dòng)算法(Range Migration Algorithm,RMA)，因?yàn)樗且环N依靠波數(shù)域插值的精確算法，并未與傳統(tǒng)頻域算法一樣做出大量近似，更加適合車(chē)載場(chǎng)景。

2005年，Wu等人[54]率先將距離徙動(dòng)算法應(yīng)用于24 GHz FMCW雷達(dá)，實(shí)現(xiàn)了室內(nèi)停車(chē)場(chǎng)場(chǎng)景的正側(cè)視條帶模式SAR成像，并建議將汽車(chē)毫米波FMCW雷達(dá)系統(tǒng)用于輔助泊車(chē)。2006年，Gumbmann等人[55]將距離徙動(dòng)算法應(yīng)用于毫米波雷達(dá)系統(tǒng)，并檢驗(yàn)了近距離(小于1 m)小物體(厘米級(jí))的成像與區(qū)分能力，實(shí)測(cè)證明了距離徙動(dòng)算法對(duì)近距離SAR成像的精確性，實(shí)物光學(xué)圖像與成像結(jié)果如圖19所示。Sriharsha等人[56]通過(guò)比較SISO體制與MIMO體制下距離徙動(dòng)算法的成像結(jié)果，驗(yàn)證了在高速行駛狀態(tài)下汽車(chē)毫米波MIMO-SAR成像的可行性，具體成像結(jié)果如圖20所示。

圖19 不同傾斜程度鋁楔塊的94 GHz毫米波SAR成像結(jié)果[55]Fig.19 94 GHz millimeter-wave SAR imaging results of polyethylene cylinders with different tilting degrees[55]

圖20 停車(chē)場(chǎng)SISO-RMA SAR圖像[56]Fig.20 Parking lots SISO-RMA SAR image[56]

針對(duì)汽車(chē)毫米波SAR成像的場(chǎng)景特性，可以對(duì)距離徙動(dòng)算法進(jìn)行加速與優(yōu)化。Zhang等人[57]基于RMA，利用迭代軟閾值算法(Iterative Soft Thresholding Algorithm,ISTA)實(shí)現(xiàn)SAR稀疏成像，結(jié)果如圖21所示。Lee等人[58]將RMA與壓縮感知(Compressed Sensing,CS)技術(shù)結(jié)合，僅提取部分原始數(shù)據(jù)即可實(shí)現(xiàn)與原先成像結(jié)果大致相同的效果。Iqbal等人[59]通過(guò)子孔徑數(shù)據(jù)劃分的方法實(shí)現(xiàn)了對(duì)RMA的加速，場(chǎng)景光學(xué)圖像、后向投影算法和所提出的子孔徑成像算法結(jié)果對(duì)比如圖22所示。

圖21 RMA與CS結(jié)合后的SAR圖像[57]Fig.21 SAR images using RMA &CS[57]

3.1.2 后向投影算法

為了應(yīng)對(duì)復(fù)雜的車(chē)輛運(yùn)動(dòng)情況，成像算法選取需要進(jìn)一步考慮。通常SAR成像算法要求雷達(dá)平臺(tái)運(yùn)動(dòng)軌跡是規(guī)則的，即運(yùn)動(dòng)軌跡須是已知且固定的多項(xiàng)式曲線(xiàn)，如直線(xiàn)、圓周、拋物線(xiàn)等，由此方便對(duì)斜距進(jìn)行多項(xiàng)式展開(kāi)，并進(jìn)行頻域分析和匹配濾波。而汽車(chē)SAR平臺(tái)的運(yùn)動(dòng)軌跡通常是不規(guī)則、非多項(xiàng)式的，很難通過(guò)頻域分析，此問(wèn)題可通過(guò)時(shí)域的非參數(shù)化方法完成，如后向投影算法(Back Projection Algorithm,BPA)。該算法的優(yōu)勢(shì)在于，只要能精確得到雷達(dá)平臺(tái)的運(yùn)動(dòng)軌跡，就可以進(jìn)行成像。同時(shí)其和距離徙動(dòng)算法一樣，都是未經(jīng)近似處理的精確算法，也適合于車(chē)載近場(chǎng)場(chǎng)景。此外，后向投影算法原理簡(jiǎn)單、可擴(kuò)展性強(qiáng)，可以較為方便地應(yīng)用于多種信號(hào)體制的成像系統(tǒng)，同時(shí)也便于從二維成像擴(kuò)展為三維成像。然而，該算法需要進(jìn)行網(wǎng)格的預(yù)設(shè)，并對(duì)網(wǎng)格點(diǎn)逐一進(jìn)行相干積累以獲得高分辨圖像，相比于頻域和波數(shù)域算法，運(yùn)算量較大，實(shí)際處理中可在網(wǎng)格逐點(diǎn)相干積累時(shí)采用并行處理，例如快速分解后向投影算法[60](Fast Factorized Back Projection,FFBP)等，再結(jié)合FPGA,GPU并行處理等硬件加速手段，可以進(jìn)一步提高成像效率。綜合各種因素，后向投影算法在車(chē)載毫米波SAR成像中有廣泛的應(yīng)用前景。

針對(duì)汽車(chē)運(yùn)算平臺(tái)，可以通過(guò)一些數(shù)據(jù)預(yù)處理手段和特殊處理流程來(lái)提高成像運(yùn)算效率。Gisder等人[61]提出了基于GPU平臺(tái)的BP算法流式處理方案，該方案實(shí)現(xiàn)了回波數(shù)據(jù)的預(yù)處理和高效的GPU資源分配，場(chǎng)景光學(xué)圖像與成像結(jié)果如圖23所示。Farhadi等人[62]利用Digital Spotlighting (DS)方法提取原始數(shù)據(jù)，在避免剔除有效數(shù)據(jù)的前提下大大降低了原始數(shù)據(jù)的距離向和方位向維數(shù)，實(shí)現(xiàn)了FFBP算法的進(jìn)一步優(yōu)化。

圖23 BP算法流式處理方案試驗(yàn)場(chǎng)景[61]Fig.23 The test scene of BP algorithm flow processing scheme[61]

近年來(lái)，考慮更為復(fù)雜的車(chē)載場(chǎng)景應(yīng)用，BP算法在汽車(chē)毫米波SAR成像中發(fā)揮了重要作用。Farhadi等人[63]提出一種基于子孔徑的BP算法，實(shí)現(xiàn)車(chē)載場(chǎng)景的動(dòng)目標(biāo)成像(Moving Target Imaging,MTI)，結(jié)果如圖24所示；針對(duì)車(chē)載場(chǎng)景的多徑干擾問(wèn)題，Manzoni等人[64]通過(guò)理論分析，并利用BP算法驗(yàn)證了MIMO-SAR成像抑制多徑干擾的可行性，對(duì)比結(jié)果如圖25所示。

圖24 基于BP算法的動(dòng)目標(biāo)成像[63]Fig.24 Moving Target Imaging (MTI) base on BP algorithm[63]

圖25 多徑干擾抑制對(duì)比圖[64]Fig.25 Multipath interference suppression comparison chart[64]

目前對(duì)于車(chē)載毫米波SAR成像基礎(chǔ)算法的研究已經(jīng)相當(dāng)成熟，未來(lái)的研究更需要注重算法對(duì)于車(chē)載硬件的適應(yīng)性，如成像算法的簡(jiǎn)化、加速以及實(shí)時(shí)性等。此外，除了前文所述基本成像算法，也可以繼續(xù)引入新的適應(yīng)車(chē)載平臺(tái)的基礎(chǔ)成像算法。表6總結(jié)了車(chē)載毫米波SAR發(fā)展過(guò)程中的基礎(chǔ)成像算法分類(lèi)。

表6 車(chē)載毫米波SAR基礎(chǔ)成像算法總結(jié)Tab.6 Summary of imaging algorithms for automotive millimeter wave SAR

3.2 汽車(chē)毫米波SAR成像新應(yīng)用

3.2.1 毫米波寬波束子孔徑處理

區(qū)別于傳統(tǒng)SAR成像平臺(tái)，汽車(chē)毫米波雷達(dá)的天線(xiàn)波束寬度通常較大，SAR成像子孔徑長(zhǎng)度相對(duì)于整個(gè)場(chǎng)景畫(huà)幅來(lái)說(shuō)占比較大，這使得各種基于子孔徑處理的算法優(yōu)化方案逐漸流行；同時(shí)，這種寬波束特性引發(fā)不同于傳統(tǒng)窄波束SAR成像的特殊性質(zhì)：同一點(diǎn)目標(biāo)在合成孔徑時(shí)間內(nèi)是從較大視角范圍接收并反射電磁波能量的，即某一個(gè)物體的寬波束SAR成像結(jié)果是該物體在大角度范圍散射的疊加，這使得車(chē)載毫米波SAR成像有了全新研究方向。Rizzi等人[65]通過(guò)選取不同波束角度范圍內(nèi)的數(shù)據(jù)，對(duì)不同波束角下的成像效果進(jìn)行了對(duì)比，如圖26所示。Wright等人[66]則提出了一種基于目標(biāo)RCS檢測(cè)的自適應(yīng)子孔徑優(yōu)化方法，提高了寬波束下的圖像相干積累增益，優(yōu)化前后對(duì)比效果如圖27所示。此外，在寬波束的條件下，Tagliaferri等人[67]將多個(gè)不同位置車(chē)輛的子孔徑SAR圖像進(jìn)行相干處理，在調(diào)頻信號(hào)帶寬受限的條件下提高了距離向分辨率性，多車(chē)協(xié)作成像與單車(chē)成像結(jié)果對(duì)比如圖28所示。

圖26 不同波束角度下車(chē)載SAR的成像結(jié)果[65]Fig.26 Imaging results of automotive SAR at different beam angles[65]

圖27 自適應(yīng)子孔徑積累圖像增強(qiáng)[66]Fig.27 Image enhancement by adaptive sub-aperture accumulation[66]

圖28 多車(chē)協(xié)作下提高距離向分辨率的效果比較[67]Fig.28 Comparison of improving range-direction resolution in multi-vehicle collaboration[67]

總體來(lái)看，汽車(chē)毫米波SAR成像中，毫米波雷達(dá)寬波束的特性對(duì)基礎(chǔ)成像算法的影響存在差異。BP算法的成像質(zhì)量?jī)H與雷達(dá)軌跡的準(zhǔn)確性有關(guān)，雷達(dá)軌跡誤差越小，BP算法的成像質(zhì)量越好，因此，BP算法能夠較好地適用于雷達(dá)寬波束的情況，這是它被廣泛應(yīng)用于車(chē)載SAR成像的主要原因；RMA則在相位補(bǔ)償時(shí)沒(méi)有做任何近似，但雷達(dá)寬波束的特性使得波數(shù)域的支撐域展寬，支撐域過(guò)寬將導(dǎo)致Stolt插值處理的誤差過(guò)大，無(wú)法忽略，因此，傳統(tǒng)RMA適用于雷達(dá)波束較小的情況，雷達(dá)波束過(guò)大時(shí)，RMA需要考慮寬波束帶來(lái)的插值誤差，提高Stolt的插值精度；而對(duì)于RDA等頻域算法來(lái)說(shuō)，雷達(dá)寬波束特性導(dǎo)致近似條件不再成立，且車(chē)載SAR成像的分辨率較高，使其無(wú)法忽略方位空變誤差，導(dǎo)致傳統(tǒng)頻域算法無(wú)法直接應(yīng)用于復(fù)雜的車(chē)載場(chǎng)景。但是，相較于BPA和RMA，RDA等頻域算法的計(jì)算復(fù)雜度較低，且車(chē)載SAR成像對(duì)實(shí)時(shí)性要求非常高，因此，在雷達(dá)寬波束的條件下推導(dǎo)各類(lèi)頻域成像算法，使其適應(yīng)于車(chē)載雷達(dá)寬波束的情況，具有很高的研究?jī)r(jià)值。

3.2.2 汽車(chē)毫米波SAR成像運(yùn)動(dòng)補(bǔ)償

實(shí)際處理中，各類(lèi)SAR精細(xì)化高分辨成像方法均要求對(duì)平臺(tái)運(yùn)動(dòng)軌跡有一定的先驗(yàn)信息。若獲得的先驗(yàn)信息與雷達(dá)平臺(tái)實(shí)際運(yùn)動(dòng)情況不符，則無(wú)法對(duì)回波數(shù)據(jù)相位進(jìn)行精確匹配濾波或相干積累，導(dǎo)致最終成像有明顯的剩余相位，從而影響圖像聚焦效果和準(zhǔn)確度。我們可將此問(wèn)題等效理解為SAR回波數(shù)據(jù)存在由未知運(yùn)動(dòng)引起的相位誤差，而稱(chēng)解決此問(wèn)題的過(guò)程為運(yùn)動(dòng)補(bǔ)償。實(shí)際場(chǎng)景中，車(chē)載平臺(tái)的運(yùn)動(dòng)是復(fù)雜的，具有較大不確定性，車(chē)輛顛簸或行駛軌跡偏移會(huì)帶來(lái)較大的斜距誤差，而我們獲取的車(chē)輛運(yùn)動(dòng)先驗(yàn)信息很容易與實(shí)際情況有較大出入，導(dǎo)致車(chē)載平臺(tái)SAR成像極易出現(xiàn)嚴(yán)重的相位誤差。

車(chē)載毫米波SAR成像的運(yùn)動(dòng)補(bǔ)償主要有兩種思路：一是通過(guò)外部設(shè)備嘗試獲取滿(mǎn)足精準(zhǔn)度要求的運(yùn)動(dòng)參數(shù)(軌跡、速度等)，根據(jù)這些運(yùn)動(dòng)參數(shù)進(jìn)行補(bǔ)償和高分辨成像；二是直接通過(guò)雷達(dá)回波數(shù)據(jù)本身進(jìn)行自聚焦處理。下面將從這兩種思路具體介紹。

3.2.2.1 外部設(shè)備補(bǔ)償

從算法實(shí)現(xiàn)原理來(lái)講，后向投影算法作為時(shí)域成像算法的代表，只需要獲取精準(zhǔn)的運(yùn)動(dòng)軌跡，計(jì)算每個(gè)脈沖對(duì)應(yīng)的真實(shí)斜距，再逐脈沖相干積累即可實(shí)現(xiàn)精確聚焦；而對(duì)于其他非時(shí)域算法，則需要獲取更多的運(yùn)動(dòng)參數(shù)，如實(shí)時(shí)速度、加速度等，來(lái)進(jìn)行參數(shù)化的運(yùn)動(dòng)補(bǔ)償。慣導(dǎo)系統(tǒng)是SAR成像運(yùn)動(dòng)補(bǔ)償最常使用的外部設(shè)備，F(xiàn)eger等人[68]提出了一個(gè)通過(guò)慣性測(cè)量單元(Inertial Measurement Unit,IMU)和全球?qū)Ш叫l(wèi)星系統(tǒng)(Global Navigation Satellite System,GNSS)獲取精準(zhǔn)軌跡并實(shí)現(xiàn)距離-多普勒算法成像的77 GHz車(chē)載SAR系統(tǒng)，場(chǎng)景光學(xué)圖像與SAR成像結(jié)果如圖29所示。Tagliaferri等人[69]在一套低成本IMU和GNSS設(shè)備的基礎(chǔ)上，結(jié)合后向投影算法，實(shí)現(xiàn)了車(chē)輛復(fù)雜軌跡下的自適應(yīng)運(yùn)動(dòng)補(bǔ)償，補(bǔ)償前后的圖像對(duì)比如圖30所示。文獻(xiàn)[70,71]則利用陀螺儀和加速度計(jì)對(duì)SAR回波斜距誤差進(jìn)行直接的建模和估計(jì)。除了以上輔助測(cè)量設(shè)備，也可通過(guò)其他雷達(dá)設(shè)備獲取車(chē)輛的運(yùn)動(dòng)參數(shù)，文獻(xiàn)[72,73]使用多部雷達(dá)設(shè)備進(jìn)行測(cè)量，其中一部雷達(dá)用于錄取SAR數(shù)據(jù)，其他雷達(dá)設(shè)備進(jìn)行車(chē)輛軌跡、速度等運(yùn)動(dòng)參數(shù)的測(cè)定以實(shí)現(xiàn)運(yùn)動(dòng)補(bǔ)償，場(chǎng)景光學(xué)圖像與SAR成像結(jié)果如圖31所示。

圖29 77 GHz車(chē)載SAR系統(tǒng)[68]Fig.29 77 GHz automotive SAR system[68]

圖30 綜合運(yùn)動(dòng)補(bǔ)償方法[69]Fig.30 Comprehensive motion compensation method[69]

圖31 多雷達(dá)協(xié)同運(yùn)動(dòng)補(bǔ)償[72,73]Fig.31 Motion compensation by multi-radar system [72,73]

3.2.2.2 自聚焦補(bǔ)償

不依賴(lài)額外的測(cè)量設(shè)備、直接通過(guò)雷達(dá)回波數(shù)據(jù)本身進(jìn)行自聚焦是當(dāng)下運(yùn)動(dòng)補(bǔ)償處理方法的熱門(mén)。實(shí)際場(chǎng)景中，車(chē)輛行駛發(fā)生顛簸或其他復(fù)雜路況導(dǎo)致的車(chē)輛路線(xiàn)隨機(jī)偏移，由此產(chǎn)生的相位誤差雖然可通過(guò)測(cè)量設(shè)備來(lái)直接補(bǔ)償，但依然會(huì)有剩余相位誤差的殘留，很難完全補(bǔ)償。因而在基于參數(shù)測(cè)量的運(yùn)動(dòng)補(bǔ)償完成后，很多學(xué)者進(jìn)一步采用自聚焦方法來(lái)提高最終的運(yùn)動(dòng)補(bǔ)償性能。

自聚焦方法在傳統(tǒng)SAR體制下已經(jīng)非常成熟，有很多高效的自聚焦方法可以運(yùn)用到車(chē)載場(chǎng)景。自聚焦方法主要分為兩類(lèi)：參數(shù)化方法與非參數(shù)化方法。作為傳統(tǒng)SAR成像中最為經(jīng)典的非參數(shù)化自聚焦方法，相位梯度自聚焦(Phase Gradient Autofocus,PGA)比較靈活，不受具體成像算法的限制。經(jīng)調(diào)整后PGA被率先運(yùn)用于汽車(chē)SAR場(chǎng)景[74,75]，場(chǎng)景光學(xué)圖像以及非空變、空變處理下的成像結(jié)果如圖32所示。Farhadi等人[63]還將PGA應(yīng)用于汽車(chē)SAR場(chǎng)景的動(dòng)目標(biāo)成像中，如圖24所示。對(duì)于參數(shù)化方法，則通常對(duì)誤差模型做出假設(shè)，Manzoni等人[76]認(rèn)為PGA處理后殘留的相位誤差來(lái)源于多普勒頻率的殘余，基于此提出了剩余多普勒頻率提取方法，并根據(jù)文獻(xiàn)[68]中剩余多普勒頻率估計(jì)車(chē)輛的實(shí)時(shí)運(yùn)動(dòng)參數(shù)，以補(bǔ)償剩余相位誤差，補(bǔ)償前后的成像結(jié)果對(duì)比如圖33所示。Manzoni等人[77]進(jìn)一步分析因?qū)Ш揭鸬能壽E誤差對(duì)SAR成像質(zhì)量的影響，并利用文獻(xiàn)[76]的自聚焦方法實(shí)現(xiàn)汽車(chē)MIMO-SAR成像，成像結(jié)果如圖34所示。Xu等人[53]將稀疏貝葉斯學(xué)習(xí)(Sparse Bayesian Learning,SBL)應(yīng)用于雷達(dá)參數(shù)估計(jì)中，結(jié)合基于流域的SAR圖像分割方法實(shí)現(xiàn)停車(chē)場(chǎng)目標(biāo)識(shí)別和檢測(cè)。需要注意的是，上述自聚焦運(yùn)動(dòng)補(bǔ)償方法需要對(duì)回波數(shù)據(jù)進(jìn)行預(yù)先成像，對(duì)未聚焦的SAR圖像進(jìn)行后處理以提取剩余相位信息；這會(huì)造成相當(dāng)大的額外計(jì)算資源開(kāi)銷(xiāo)，且依賴(lài)于實(shí)際回波數(shù)據(jù)的統(tǒng)計(jì)特性，可能存在算法穩(wěn)健性方面的問(wèn)題。

圖32 PGA運(yùn)動(dòng)補(bǔ)償[74,75]Fig.32 PGA motion compensation[74,75]

圖33 剩余多普勒方法[76]Fig.33 Residual Doppler method[76]

圖34 MIMO-SAR運(yùn)動(dòng)補(bǔ)償[77]Fig.34 MIMO-SAR motion compensation[77]

總體來(lái)說(shuō)，車(chē)載毫米波SAR系統(tǒng)處理中運(yùn)動(dòng)補(bǔ)償是必不可少的，現(xiàn)有的運(yùn)動(dòng)補(bǔ)償方法已經(jīng)可以較好地校準(zhǔn)一般車(chē)況下的SAR成像結(jié)果，且方法較為靈活。傳統(tǒng)機(jī)載SAR成像常使用慣導(dǎo)粗補(bǔ)償與自聚焦細(xì)補(bǔ)償相結(jié)合的方案來(lái)獲取高精度圖像，同樣地，車(chē)載毫米波SAR也可以借鑒類(lèi)似的復(fù)合運(yùn)動(dòng)補(bǔ)償系統(tǒng)結(jié)構(gòu)，根據(jù)車(chē)載硬件平臺(tái)條件、實(shí)際任務(wù)精度要求等因素來(lái)設(shè)計(jì)一套完整的運(yùn)動(dòng)補(bǔ)償流程。表7按類(lèi)別總結(jié)了目前的車(chē)載毫米波SAR運(yùn)動(dòng)補(bǔ)償方法。

表7 車(chē)載毫米波SAR運(yùn)動(dòng)補(bǔ)償方法總結(jié)Tab.7 Summary of motion compensation methods for automotive millimeter wave SAR

3.2.3 斜前視與MIMO-SAR成像

3.2.1 節(jié)和3.2.2節(jié)的研究?jī)?nèi)容都是基于正側(cè)視或小斜視成像模式，且未利用毫米波MIMO雷達(dá)的多通道性能進(jìn)行分辨率的增強(qiáng)。本節(jié)將結(jié)合車(chē)載毫米波雷達(dá)系統(tǒng)體制介紹斜前視成像與MIMO-SAR成像的新模式與新體制。

3.2.3.1 斜前視SAR分辨率分析

在真實(shí)場(chǎng)景中，汽車(chē)毫米波雷達(dá)(尤其是前向雷達(dá)和前角雷達(dá))更多關(guān)注于車(chē)輛前方的事件預(yù)警，因此，結(jié)合SAR成像的基本原理，將雷達(dá)視線(xiàn)置于大斜視條件下并對(duì)斜前方的目標(biāo)成像具有重要的研究意義。在此條件下，顯然斜視角越大，可成像范圍越往前方延伸，越有利于提前預(yù)警，但由于SAR成像的方位向分辨率取決于多普勒帶寬，而大斜視角下的多普勒帶寬相對(duì)較小，因此難以實(shí)現(xiàn)大斜視下目標(biāo)的高分辨率成像。所以實(shí)際應(yīng)用中，通常在成像范圍和分辨率之間做出合理折衷，確定合適的斜視角，從而既能覆蓋較遠(yuǎn)的成像預(yù)警區(qū)域，又能滿(mǎn)足一定的分辨率需求。

不同雷達(dá)斜視角造成的方位向分辨率變化是復(fù)雜的，所以對(duì)成像分辨率的評(píng)估也較為困難。Hu等人[78]利用向量場(chǎng)分析方法給出了條帶式斜前視車(chē)載SAR場(chǎng)景下二維綜合成像分辨率與目標(biāo)位置的定量數(shù)學(xué)關(guān)系，針對(duì)具體的行車(chē)速度情況與合成孔徑長(zhǎng)度精確得到前方區(qū)域的二維分辨率分布圖，如圖35所示。由此可根據(jù)分辨率需求劃定有效的SAR可預(yù)警區(qū)域，也證實(shí)了車(chē)載毫米波條帶式斜前視SAR目標(biāo)預(yù)警的可實(shí)現(xiàn)性。Wang等人[79]推導(dǎo)沿航跡方向等效虛擬陣列模型，提出一種通過(guò)波束設(shè)計(jì)和虛擬孔徑處理的前視雷達(dá)成像方法，計(jì)算復(fù)雜度低，提供了一種SAR前視成像思路。

盡管基于條帶式斜前視SAR目標(biāo)預(yù)警是可行的，但為了進(jìn)一步提高斜前方甚至近前方目標(biāo)的分辨率，需要更為復(fù)雜的成像體制。Gishkori等人[80]將前視掃描SAR (Forward Scanning-SAR,FS-SAR)引入汽車(chē)毫米波雷達(dá)平臺(tái)，在車(chē)輛向前行駛中，采用數(shù)字波束形成的方法讓雷達(dá)天線(xiàn)波束在前半平面內(nèi)來(lái)回掃描以形成合成孔徑，用以解決正前視目標(biāo)分辨率惡化的問(wèn)題，同時(shí)結(jié)合壓縮感知的后向投影算法來(lái)實(shí)現(xiàn)成像，結(jié)果如圖36所示。當(dāng)前絕大多數(shù)汽車(chē)毫米波雷達(dá)系統(tǒng)暫未實(shí)現(xiàn)數(shù)字波束掃描能力，而FSSAR的本質(zhì)是獲取車(chē)輛前方的角度維高分辨，這也可以通過(guò)MIMO陣列來(lái)實(shí)現(xiàn)，通過(guò)在車(chē)頭增加一維MIMO陣列孔徑可獲取對(duì)正前方目標(biāo)的分辨率，這恰好是車(chē)載毫米波MIMO雷達(dá)硬件有機(jī)會(huì)實(shí)現(xiàn)的。

3.2.3.2 MIMO-SAR成像體制

車(chē)輛運(yùn)動(dòng)獲取的合成孔徑和MIMO陣列等效形成的陣列孔徑本質(zhì)上均可看作虛擬陣列孔徑，而車(chē)載斜前視或前視高分辨成像則依賴(lài)于這種虛擬孔徑的綜合設(shè)計(jì)。因此，合適的虛擬孔徑設(shè)計(jì)方法有助于實(shí)現(xiàn)前方目標(biāo)的有效預(yù)警，車(chē)載斜前視或前視高分辨成像技術(shù)需與MIMO陣列設(shè)計(jì)方法相結(jié)合，以滿(mǎn)足各方向和位置的分辨率需求。得益于MIMO雷達(dá)系統(tǒng)提供的可用自由度，車(chē)載MIMO-SAR系統(tǒng)及其對(duì)應(yīng)算法設(shè)計(jì)具有很大的發(fā)展空間，可以進(jìn)一步優(yōu)化車(chē)載SAR系統(tǒng)的性能，如提高分辨率、降低旁瓣、節(jié)省計(jì)算資源等。

針對(duì)MIMO-SAR系統(tǒng)對(duì)方位向分辨率的增強(qiáng)，Gao等人[81]提出了一種分層MIMO-SAR成像結(jié)構(gòu)，通過(guò)MIMO多通道數(shù)據(jù)估計(jì)車(chē)輛運(yùn)動(dòng)軌跡，并在有效提升方位向分辨率的同時(shí)節(jié)省了大量運(yùn)算資源，其場(chǎng)景光學(xué)圖像與SAR成像結(jié)果如圖37所示。Zhang等人[82]則提出了一種基于多普勒復(fù)用(Doppler-division Multiplexing)的多通道后向投影算法，結(jié)合不同多普勒通道有效提高了車(chē)載環(huán)境下的SAR成像性能，場(chǎng)景光學(xué)圖像與SAR成像結(jié)果如圖38所示。Farhadi等人[83]提出了一種基于后向投影算法的TDMMIMO-SAR成像算法，結(jié)合隨機(jī)激活函數(shù)(Random Activation Function)，有效克服了在SAR圖像中引起強(qiáng)旁瓣的耦合問(wèn)題，并且適合應(yīng)用于運(yùn)動(dòng)情況復(fù)雜的車(chē)載環(huán)境。

圖37 分層MIMO-SAR成像[81]Fig.37 Hierarchical MIMO-SAR imaging[81]

圖38 多普勒復(fù)用MIMO-SAR成像[82]Fig.38 Doppler multiplexing MIMO-SAR imaging[82]

對(duì)于前文所述的大斜視或前視SAR成像問(wèn)題，MIMO-SAR是一種更為方便的解決方案。MIMO雷達(dá)形成的多個(gè)虛擬通道可用于解決大斜視或前視SAR中接近車(chē)輛正前方區(qū)域內(nèi)目標(biāo)分辨率的問(wèn)題。當(dāng)雷達(dá)波束指向車(chē)輛行駛正前方，且MIMO陣列雷達(dá)也垂直于車(chē)輛前進(jìn)方向形成虛擬孔徑，則可以獲取對(duì)車(chē)輛前方區(qū)域的空間角度分辨率。當(dāng)前汽車(chē)毫米波雷達(dá)通常都是基于MIMO陣列來(lái)提供額外的虛擬孔徑，所以此類(lèi)方案在現(xiàn)有平臺(tái)硬件上是較容易實(shí)現(xiàn)的。Sommer等人[84]使用MISO雷達(dá)形成虛擬陣列，對(duì)車(chē)載前視SAR的分辨率性能進(jìn)行了評(píng)估。Tebaldini等人[85–87]實(shí)現(xiàn)了一個(gè)成熟且實(shí)用的車(chē)載77 GHz前視MIMO-SAR成像系統(tǒng)，該系統(tǒng)搭載于一個(gè)常用且低成本的8通道77 GHz汽車(chē)?yán)走_(dá)硬件平臺(tái)，利用快速分解后向投影算法(FFBP)達(dá)成了對(duì)前方50 m范圍內(nèi)的目標(biāo)成像，且可以靈活地與自聚焦算法相結(jié)合，提高成像精度，其光學(xué)場(chǎng)景和MIMO-SAR成像結(jié)果如圖39所示。Albaba等人[88]通過(guò)多普勒波束銳化(Doppler Beam Sharpening,DBS)技術(shù)提取沿航跡空變的多普勒信息，進(jìn)一步分析SISO-SAR和MIMO-SAR在前視成像中角分辨率的差異，論證了DBS技術(shù)在SAR前視成像中存在局限性，提出一種改進(jìn)的FBP算法實(shí)現(xiàn)SAR前視成像，成像結(jié)果如圖40所示，并在此基礎(chǔ)上提出一種三維引導(dǎo)和衰減BP (3D Guided-and-Decimated Back-Projection,3D GDBP)算法[89]實(shí)現(xiàn)前視三維成像。

圖39 77 GHz前視MIMO-SAR系統(tǒng)[85–87]Fig.39 77 GHz forward-looking MIMO-SAR system[85–87]

圖40 前視SAR成像結(jié)果[88]Fig.40 Forward-looking SAR imaging[88]

總的來(lái)說(shuō)，對(duì)于特殊車(chē)載毫米波SAR成像場(chǎng)景(如在斜視角極大或合成孔徑長(zhǎng)度不足的場(chǎng)景)，SAR成像的分辨率性能會(huì)急劇惡化，而單通道SAR系統(tǒng)從物理本質(zhì)上無(wú)法突破這種分辨率限制，可通過(guò)上述MIMO陣列來(lái)彌補(bǔ)分辨率的不足，所以MIMO陣列對(duì)于車(chē)載SAR系統(tǒng)是相當(dāng)重要且有意義的。此外，MIMO雷達(dá)在波形設(shè)計(jì)方面的多樣性與可擴(kuò)展性也為車(chē)載毫米波SAR系統(tǒng)提供了更多的可能，信號(hào)復(fù)用和波形正交的方案一定程度上也影響最終SAR成像的效果。根據(jù)具體的車(chē)載毫米波SAR成像任務(wù)，可以設(shè)計(jì)更為復(fù)雜的MIMO雷達(dá)正交波形，以實(shí)現(xiàn)更好的成像性能。

4 汽車(chē)毫米波雷達(dá)抗互擾技術(shù)

隨著汽車(chē)行業(yè)日常井噴式發(fā)展，尤其是電動(dòng)汽車(chē)、輔助(自動(dòng))駕駛等新車(chē)型、新技術(shù)的推廣，汽車(chē)毫米波雷達(dá)的普及率也越來(lái)越高(高等級(jí)輔助駕駛汽車(chē)需至少5顆毫米波雷達(dá))；而得益于點(diǎn)云信號(hào)處理技術(shù)與合成孔徑成像技術(shù)的快速發(fā)展，汽車(chē)毫米波雷達(dá)探測(cè)性能不斷提升。由此會(huì)導(dǎo)致汽車(chē)毫米波雷達(dá)相互干擾的可能性大幅增加，已經(jīng)成為亟需解決的實(shí)際問(wèn)題[90]。多個(gè)汽車(chē)毫米波雷達(dá)系統(tǒng)間的互相干擾會(huì)極大降低雷達(dá)靈敏度和分辨率，嚴(yán)重危害交通安全[91]。因此，抗互擾成為汽車(chē)毫米波雷達(dá)信號(hào)處理技術(shù)中至關(guān)重要的一環(huán)，也是當(dāng)下汽車(chē)行業(yè)與自動(dòng)駕駛方向研究的熱點(diǎn)。本節(jié)將從汽車(chē)毫米波雷達(dá)互擾模型展開(kāi)，分別介紹波形設(shè)計(jì)、系統(tǒng)策略的抗互擾思路，最后著重介紹信號(hào)處理抗互擾技術(shù)。

4.1 互擾信號(hào)模型

如1.1節(jié)所述，當(dāng)前汽車(chē)毫米波雷達(dá)最常使用的波形是調(diào)頻連續(xù)波(FMCW)信號(hào)，其基本工作原理是將回波信號(hào)與發(fā)射信號(hào)混頻，去斜處理為中頻(拍頻)信號(hào)后從中提取目標(biāo)距離與速度信息。調(diào)頻連續(xù)波發(fā)射信號(hào)模型可寫(xiě)為

其中，fc為發(fā)射信號(hào)載頻，γ為調(diào)頻率，t,和tm分別為全時(shí)間、快時(shí)間和慢時(shí)間(三者之間關(guān)系t=tm+)。假設(shè)目標(biāo)相對(duì)于雷達(dá)的速度為v，那么目標(biāo)與雷達(dá)的瞬時(shí)距離可以表示為

其中，R(tm)=R0-vtm為在tm時(shí)刻目標(biāo)與雷達(dá)的距離。接收信號(hào)與發(fā)射信號(hào)的時(shí)延為τ=c為電磁波的傳播速度，則回波信號(hào)為

利用發(fā)射信號(hào)為基準(zhǔn)進(jìn)行混頻，混頻結(jié)果為

對(duì)拍頻信號(hào)的快時(shí)間維做快速傅里葉變換(FFT)，則可得

對(duì)上述信號(hào)的慢時(shí)間維做FFT可得

由式(9)與式(10)可見(jiàn)，干擾信號(hào)會(huì)在距離多普勒譜上產(chǎn)生錯(cuò)誤峰值，導(dǎo)致提取的目標(biāo)距離與速度信息被破壞。無(wú)干擾的距離多普勒?qǐng)D像與被干擾的距離多普勒?qǐng)D像如圖41所示[92]。

圖41 無(wú)干擾與有強(qiáng)干擾的距離多普勒?qǐng)D像[92]Fig.41 Range Doppler images without interference and with strong interference[92]

目前，國(guó)內(nèi)外專(zhuān)家學(xué)者已經(jīng)提出許多方法來(lái)抑制汽車(chē)毫米波雷達(dá)之間的干擾。通常，這些方法主要可分為3類(lèi)：(1)雷達(dá)系統(tǒng)和波形設(shè)計(jì)；(2)系統(tǒng)協(xié)調(diào)和策略方法；(3)信號(hào)處理方法。這3類(lèi)方法實(shí)際上是分別從雷達(dá)發(fā)射端、發(fā)射端與接收端之間、接收端采取相應(yīng)措施以抑制互擾。

4.2 系統(tǒng)和波形設(shè)計(jì)抗互擾方法

系統(tǒng)和波形設(shè)計(jì)方法一般要求雷達(dá)系統(tǒng)具有波形調(diào)制能力、新的結(jié)構(gòu)或者協(xié)調(diào)單元等，甚至需要修改或重新設(shè)計(jì)雷達(dá)系統(tǒng)。該方法可避免雷達(dá)間互擾產(chǎn)生，但失去FMCW信號(hào)處理的簡(jiǎn)單性，需系統(tǒng)級(jí)全面考慮，設(shè)計(jì)復(fù)雜度高、難度大。

系統(tǒng)和波形設(shè)計(jì)抗互擾的基本思路是改進(jìn)常見(jiàn)FMCW波形，降低互擾可能性。簡(jiǎn)單方法如文獻(xiàn)[93]中的頻率斜率正交調(diào)制、文獻(xiàn)[94]中的隨機(jī)重復(fù)間隔調(diào)制和文獻(xiàn)[95]中基于蝙蝠干擾回避反應(yīng)(Jamming Avoidance Responses,JAR)的跳頻技術(shù)，如圖42所示。在此基礎(chǔ)上，文獻(xiàn)[96]和文獻(xiàn)[97]分別提出時(shí)間和頻率分集LFM波形和跳頻隨機(jī)Chirp (FHRC)波形，同時(shí)調(diào)整多個(gè)LFM波形參數(shù)以避免互擾，如圖43所示，抗互擾性能優(yōu)于只調(diào)整單一波形參數(shù)的簡(jiǎn)單方法，但信號(hào)處理復(fù)雜度增加。此外，文獻(xiàn)[98]提出恒頻信號(hào)與LFM信號(hào)的隨機(jī)組合波形，在有效降低互擾概率的同時(shí)也能實(shí)現(xiàn)多目標(biāo)檢測(cè)。另一種基于LFM波形的抗互擾思路是波形編碼，例如文獻(xiàn)[99]提出的相位編碼(Phase Coded,PC)系統(tǒng)和文獻(xiàn)[100]提出的偽隨機(jī)噪聲(Pseudo-Random Noise,PRN)碼，對(duì)不同編碼的干擾具有良好抑制效果，但對(duì)雷達(dá)硬件及解碼要求較高。

圖42 簡(jiǎn)單的抗互擾改進(jìn)FMCW波形[93–95]Fig.42 Simple anti-interference improved FMCW waveform[93–95]

圖43 調(diào)整多個(gè)參數(shù)的抗互擾改進(jìn)FMCW波形[96,97]Fig.43 FMCW waveform improved by anti-interference adjustment of multiple parameters[96,97]

除LFM相關(guān)波形外，文獻(xiàn)中也已將其他波形應(yīng)用于汽車(chē)?yán)走_(dá)抗互擾。文獻(xiàn)[101]提出正交噪聲波形，能夠產(chǎn)生具有隨機(jī)相位分集的正交信號(hào)，相較于PRN編碼具有更低旁瓣，但相位估計(jì)問(wèn)題較為復(fù)雜。文獻(xiàn)[102,103]分別針對(duì)正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)波形進(jìn)行互擾抑制，文獻(xiàn)[102]利用chirp波形自適應(yīng)方法實(shí)現(xiàn)干擾動(dòng)態(tài)避免，從整體而非局部減輕互擾，文獻(xiàn)[103]則利用最大長(zhǎng)度序列(Maximum Length Sequence,MLS)低互相關(guān)特性來(lái)產(chǎn)生OFDM信號(hào)(如圖44所示)，并將加擾序列結(jié)合到波形中以抑制互擾。文獻(xiàn)[104]針對(duì)相位調(diào)制連續(xù)波(Phase Modulated Continuous Wave,PMCW)雷達(dá)(如圖45所示)間的互擾，通過(guò)序列分集、循環(huán)移位、反轉(zhuǎn)來(lái)抑制PMCW雷達(dá)間互擾及其對(duì)其他雷達(dá)的干擾，可應(yīng)用于包括OFDM雷達(dá)在內(nèi)的所有數(shù)字調(diào)制雷達(dá)。表8總結(jié)了汽車(chē)毫米波雷達(dá)抗互擾的常用波形。

表8 汽車(chē)毫米波雷達(dá)波形及其特點(diǎn)Tab.8 Summary of common automotive millimeter-wave radar waveform and its characteristics

圖44 基于m-序列的OFDM雷達(dá)[103]Fig.44 OFDM radar based on m-sequence[103]

圖45 PMCW雷達(dá)框圖[104]Fig.45 PMCW radar block diagram[104]

4.3 系統(tǒng)協(xié)調(diào)和策略抗互擾方法

系統(tǒng)協(xié)調(diào)和策略方法通常將感知與通信相結(jié)合，針對(duì)雷達(dá)間缺乏協(xié)調(diào)的現(xiàn)象提供中心控制和資源分配策略，減小雷達(dá)互擾的可能性，是可以聯(lián)合雷達(dá)收發(fā)兩端的抗干擾技術(shù)。在復(fù)雜車(chē)路場(chǎng)景下，這類(lèi)方法需要花費(fèi)昂貴的代價(jià)以實(shí)現(xiàn)最優(yōu)的資源分配策略。

對(duì)于整個(gè)交通系統(tǒng)而言，系統(tǒng)協(xié)調(diào)和策略抗互擾的基本思路是基于基礎(chǔ)通信設(shè)施和架構(gòu)調(diào)度雷達(dá)資源。例如，文獻(xiàn)[105]提出RadarMAC媒體訪(fǎng)問(wèn)機(jī)制，如圖46(a)所示，通過(guò)專(zhuān)用LTE鏈路將每輛車(chē)當(dāng)前位置信息發(fā)送到調(diào)度中心，調(diào)度中心動(dòng)態(tài)分配雷達(dá)參數(shù)以避免雷達(dá)互擾。類(lèi)似地，文獻(xiàn)[106]提出中央代理分配策略，通過(guò)通信基礎(chǔ)設(shè)施將雷達(dá)參數(shù)聯(lián)合分配給附近的汽車(chē)?yán)走_(dá)，如圖46(b)所示。文獻(xiàn)[107]提出RadCom架構(gòu)，利用部分雷達(dá)帶寬創(chuàng)建車(chē)對(duì)車(chē)(Vehicle-to-Vehicle,V2V)連接，使得雷達(dá)和通信信號(hào)以頻分復(fù)用方式共享頻譜，如圖46(c)所示。

圖46 系統(tǒng)協(xié)調(diào)和策略抗互擾架構(gòu)[105–107]Fig.46 System coordination and policy anti-interference architecture[105–107]

對(duì)于每輛汽車(chē)而言，系統(tǒng)協(xié)調(diào)和策略方法通常需要其具備無(wú)線(xiàn)通信模塊。例如，文獻(xiàn)[108]提出分布式網(wǎng)絡(luò)協(xié)議RadChat以控制和協(xié)調(diào)汽車(chē)?yán)走_(dá)，RadChat是具有雷達(dá)和通信功能的集成模塊，如圖47所示。利用雷達(dá)的低時(shí)間和頻率利用率，RadChat能有效抑制雷達(dá)互擾。文獻(xiàn)[109]進(jìn)一步研究Rad-Chat在多跳網(wǎng)絡(luò)環(huán)境中協(xié)調(diào)雷達(dá)和通信的干擾抑制性能，高速公路場(chǎng)景的仿真結(jié)果表明RadChat以相當(dāng)?shù)偷难舆t運(yùn)行，且有效減輕了干擾。表9總結(jié)了幾種汽車(chē)?yán)走_(dá)抗互擾協(xié)調(diào)系統(tǒng)及策略。

表9 汽車(chē)毫米波雷達(dá)抗互擾協(xié)調(diào)系統(tǒng)及策略總結(jié)Tab.9 Automotive millimeter-wave radar anti-interference coordination system and strategy summary

圖47 RadChat的系統(tǒng)組成[108]Fig.47 The system composition of RadChat[108]

4.4 信號(hào)處理抗互擾方法

信號(hào)處理方法可以在不改變系統(tǒng)硬件架構(gòu)基礎(chǔ)上，通過(guò)接收信號(hào)后處理抑制互擾，是當(dāng)前研究熱點(diǎn)之一。這類(lèi)方法大致可分為4類(lèi)：(1)濾波；(2)干擾消除與重構(gòu)；(3)信號(hào)分離；(4)基于數(shù)據(jù)驅(qū)動(dòng)的方法。表10首先簡(jiǎn)要總結(jié)了各類(lèi)信號(hào)處理方法的適用場(chǎng)景與優(yōu)缺點(diǎn)。

表10 汽車(chē)?yán)走_(dá)干擾抑制的信號(hào)處理方法對(duì)比Tab.10 Comparison of signal processing methods for automotive radar interference suppression

4.4.1 濾波

濾波方法主要根據(jù)干擾的不同分布，利用不同變換域(時(shí)域、頻域、空域等)設(shè)計(jì)適當(dāng)?shù)臑V波器以濾除干擾，對(duì)于平穩(wěn)干擾有較好的干擾抑制效果。復(fù)雜場(chǎng)景中干擾非平穩(wěn)或急劇變化時(shí)，導(dǎo)致濾波方法性能降低，此時(shí)可通過(guò)自適應(yīng)濾波來(lái)緩解，但其所需的參考信號(hào)在實(shí)際處理中很難精確獲得，仍會(huì)導(dǎo)致抗互擾性能不夠穩(wěn)定。

時(shí)域?yàn)V波方面，文獻(xiàn)[110]提出自適應(yīng)噪聲抵消法，將時(shí)域信號(hào)FFT后頻譜正半部分和負(fù)半部分分別饋入自適應(yīng)噪聲抵消器的主通道和參考通道，尋找濾波器的最優(yōu)解以抑制互擾，如圖48所示。該方法對(duì)中遠(yuǎn)距離干擾抑制效果較好，但在近距離性能受限。

圖48 采用自適應(yīng)噪聲抵消器的干擾抑制方案[110]Fig.48 Adaptive noise canceller used to suppress interference[110]

頻域?yàn)V波方面，文獻(xiàn)[111]通過(guò)在多個(gè)脈沖間執(zhí)行FFT單元的幅度非線(xiàn)性濾波，實(shí)現(xiàn)噪聲抑制和干擾消除。該方法無(wú)需預(yù)先確定干擾閾值，同時(shí)也可有效保留相位信息，滿(mǎn)足后續(xù)信號(hào)處理算法需求。

空域?yàn)V波方面，干擾抑制通常利用數(shù)字波束形成(Digital Beam Forming,DBF)實(shí)現(xiàn)。文獻(xiàn)[112]證明用DBF進(jìn)行干擾抑制時(shí)干擾功率在空域中可被分割為兩個(gè)方向，如圖49(a)所示。文獻(xiàn)[113]提出基于干擾相關(guān)矩陣估計(jì)的樣本矩陣求逆(Sample Matrix Inversion,SMI)算法，在干擾方向上構(gòu)造零陷，該方法在干擾信號(hào)數(shù)量少于實(shí)際天線(xiàn)單元數(shù)量情況下有效。文獻(xiàn)[114]證明干擾僅受實(shí)際孔徑大小影響，導(dǎo)致其消除后零陷更寬；而有用信號(hào)則受虛擬孔徑影響，其零陷更窄。文獻(xiàn)[115]提出自適應(yīng)DBF抗互擾方法，自適應(yīng)計(jì)算DBF權(quán)重并用于主波束形成器，如圖49(b)所示，可在干擾DOA未知情況下抑制干擾。表11總結(jié)了上述幾種濾波方法，并給出具體應(yīng)用特點(diǎn)。

表11 不同域中的毫米波雷達(dá)干擾抑制濾波方法Tab.11 Interference suppression filtering methods for millimeter wave radar in different domains

圖49 用于干擾抑制的自適應(yīng)DBF[112,115]Fig.49 Adaptive DBF for interference suppression[112,115]

4.4.2 干擾消除與重構(gòu)

干擾消除與重構(gòu)方法是指將接收信號(hào)受干擾部分消除、再對(duì)該部分進(jìn)行重構(gòu)的研究思路，關(guān)鍵問(wèn)題是對(duì)干擾區(qū)域的精確檢測(cè)和對(duì)信號(hào)的準(zhǔn)確恢復(fù)。由于汽車(chē)?yán)走_(dá)在實(shí)際中所受干擾的波形參數(shù)未知，且雷達(dá)系統(tǒng)發(fā)射信號(hào)和靜默處理周期未知，干擾檢測(cè)存在一定難度。而干擾檢測(cè)不準(zhǔn)確會(huì)導(dǎo)致無(wú)法完全消除干擾或有用信號(hào)被過(guò)度消除，影響后續(xù)目標(biāo)檢測(cè)性能；但即使干擾被精確檢測(cè)并消除，部分有用信號(hào)也無(wú)法避免被消除，導(dǎo)致目標(biāo)功率損失。因此，此類(lèi)方法只適用于干擾部分占比不太高的信號(hào)，隨著干擾數(shù)量增加，信號(hào)重構(gòu)精度會(huì)顯著下降。

文獻(xiàn)[116]在消除相位噪聲的影響后，用基于簡(jiǎn)單閾值的方法檢測(cè)干擾并通過(guò)升余弦窗方法進(jìn)行抑制。文獻(xiàn)[117]提出最大穩(wěn)定極值區(qū)域(Maximally Stable Extremal Region,MSER)算法以消除圖像干擾區(qū)域，并通過(guò)反升余弦窗恢復(fù)，保證恢復(fù)信號(hào)平滑過(guò)渡，消除恢復(fù)信號(hào)不連續(xù)性。文獻(xiàn)[118]提出改進(jìn)的加權(quán)包絡(luò)歸一化(Advanced Weighted Envelope Normalization,AWEN)算法來(lái)檢測(cè)干擾并抑制，可分離出間隔較短的脈沖干擾。文獻(xiàn)[119]在壓縮感知的稀疏采樣基礎(chǔ)上通過(guò)自適應(yīng)閾值迭代(Iterative Method with Adaptive Thresholding,IMAT)恢復(fù)缺失信號(hào)，直到閾值低于噪底，可有效抑制近距小目標(biāo)所受干擾。文獻(xiàn)[120]提出基于迭代閾值的時(shí)域干擾檢測(cè)方法，迭代計(jì)算干擾的檢測(cè)閾值，而不使用被干擾拍頻信號(hào)，可檢測(cè)到弱干擾，如圖50所示。

文獻(xiàn)[121]提出短時(shí)傅里葉變換(Short Time Fourier Transform,STFT)域拍頻插值方法，檢測(cè)并消除時(shí)頻域干擾，通過(guò)自回歸(AutoRegression,AR)模型恢復(fù)無(wú)干擾信號(hào)，如圖51所示。文獻(xiàn)[122]提出修剪精確線(xiàn)性時(shí)間(Pruned Exact Linear Time,PELT)算法PELT-KCN，通過(guò)文獻(xiàn)[118]中WEN算法獲得拍頻信號(hào)包絡(luò)，計(jì)算最優(yōu)懲罰因子，精確檢測(cè)干擾時(shí)間位置，通過(guò)AR模型來(lái)恢復(fù)受干擾部分。

圖51 STFT域中拍頻插值[121]Fig.51 Beat interpolation in STFT domain[121]

文獻(xiàn)[123]提出基于卡爾曼濾波器的干擾恢復(fù)算法，通過(guò)峰值檢測(cè)識(shí)別干擾時(shí)段，將未失真信號(hào)輸入卡爾曼濾波器來(lái)預(yù)測(cè)干擾區(qū)域。文獻(xiàn)[124]提出在頻域恢復(fù)失真信號(hào)的方法，分別在快時(shí)間和慢時(shí)間內(nèi)檢測(cè)時(shí)域干擾，再迭代地自適應(yīng)選擇頻譜主峰，對(duì)其傅里葉逆變換后以近似缺失信號(hào)。文獻(xiàn)[125]提出基于CFAR檢測(cè)器的方法，在時(shí)頻域中用一維CFAR檢測(cè)器來(lái)檢測(cè)干擾，并利用圖像擴(kuò)張掩模方法擴(kuò)張檢測(cè)區(qū)域，分別用幅值校正法和Burg算法外推信號(hào)，如圖52所示。

圖52 時(shí)頻域拍頻信號(hào)[125]Fig.52 Beat signal in the time-frequency domain[125]

文獻(xiàn)[126]提出基于矩陣束(Matrix Pencil,MP)的干擾抑制方法，將拍頻信號(hào)建模為復(fù)指數(shù)之和。拍頻信號(hào)受干擾部分被截?cái)嗪?，MP方法可估計(jì)截?cái)嗖糠謪?shù)并對(duì)其重構(gòu)，可直接在高維數(shù)據(jù)空間減輕干擾。文獻(xiàn)[127]提出AR模型慢時(shí)間重構(gòu)方法，并證明了對(duì)于靜態(tài)雷達(dá)，慢時(shí)間重構(gòu)比快時(shí)間重構(gòu)干擾抑制效果更好，但在信號(hào)處理之前需要接收整個(gè)信號(hào)幀，處理時(shí)間更長(zhǎng)。文獻(xiàn)[128]提出塊克羅內(nèi)克壓縮感知(Block Kronecker Compressed Sensing,BKCS)算法，將2D距離多普勒譜數(shù)據(jù)分成幾個(gè)塊并分別恢復(fù)其無(wú)干擾數(shù)據(jù)，干擾抑制性能優(yōu)于1D信號(hào)恢復(fù)算法。文獻(xiàn)[129]提出迭代干擾抑制(Interference Mitigation via Iterative Approaches,IMIA)算法，引入二維CA-CFAR來(lái)檢測(cè)并消除強(qiáng)干擾，從而檢測(cè)出強(qiáng)目標(biāo)。在去除強(qiáng)目標(biāo)后，重復(fù)上述步驟來(lái)檢測(cè)弱干擾和弱目標(biāo)，直到不再檢測(cè)到目標(biāo)或干擾，如圖53所示。IMIA算法可同時(shí)消除弱干擾和強(qiáng)干擾，從而檢測(cè)到弱目標(biāo)和強(qiáng)目標(biāo)。表12總結(jié)了文獻(xiàn)中已有的干擾消除與重構(gòu)方法。

表12 毫米波雷達(dá)干擾消除與重構(gòu)方法總結(jié)Tab.12 Summary of interference elimination and reconstruction methods for millimeter wave radar

4.4.3 信號(hào)分離

信號(hào)分離方法利用干擾與有用信號(hào)在某些基下或某些域(時(shí)域、頻域等)中的不同特性將干擾分離，在一定程度上避免干擾的逐脈沖顯式檢測(cè)。通常情況下，有用信號(hào)在時(shí)域表現(xiàn)出稀疏特征，而干擾在時(shí)頻域是稀疏的，用不同的基來(lái)分別表示干擾與有用信號(hào)或者將其變換到不同域中是分離干擾的可行辦法。然而，這類(lèi)方法計(jì)算量通常很大，且存在離網(wǎng)問(wèn)題，即真實(shí)頻率或時(shí)頻分量與基之間失配，造成信號(hào)分離不夠準(zhǔn)確，干擾抑制性能下降。

文獻(xiàn)[130]提出形態(tài)成分分析(Morphological Component Analysis,MCA)算法，由于干擾在時(shí)頻域的稀疏特性更明顯，而拍頻信號(hào)在頻域更稀疏，MCA可以將STFT后的干擾與DFT后的拍頻分離。文獻(xiàn)[131]提出基于經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)的迭代修正閾值(Iterative Modified Threshold,IMT)算法，根據(jù)連續(xù)均方誤差確定干擾主導(dǎo)分量，如圖54所示，通過(guò)迭代修正閾值來(lái)對(duì)干擾主導(dǎo)分量進(jìn)行調(diào)整，最后將所有分量組合得到干擾信號(hào)。

圖54 時(shí)域信號(hào)EMD[131]Fig.54 Time domain signal EMD[131]

文獻(xiàn)[132]提出利用小波去噪分離信號(hào)與干擾的方法，反轉(zhuǎn)小波去噪過(guò)程，提取高強(qiáng)度脈沖干擾并去除低強(qiáng)度正弦信號(hào)，但需要通過(guò)大量實(shí)測(cè)數(shù)據(jù)搜索小波去噪的合適參數(shù)。文獻(xiàn)[133]使用正交匹配追蹤(Orthogonal Matching Pursuit,OMP)算法在簡(jiǎn)化的線(xiàn)性調(diào)頻小波變換基礎(chǔ)上進(jìn)行信號(hào)重構(gòu)，減少需要估計(jì)的參數(shù)數(shù)目，同時(shí)也可以通過(guò)硬件加速。文獻(xiàn)[134]提出稀疏低秩漢克爾矩陣(Hankel Matrix)分解方法，將信號(hào)矢量提升為Hankel矩陣，如圖55所示。有用信號(hào)Hankel矩陣是低秩的，而干擾信號(hào)Hankel矩陣是稀疏的，可通過(guò)RPCA分解信號(hào)與干擾矩陣。

圖55 Hankel矩陣的稀疏低秩分解[134]Fig.55 Sparse low-rank decomposition of Hankel matrix[134]

文獻(xiàn)[135]提出基于EMD和MUSIC的DOA估計(jì)方法，使用EMD分解受干擾影響的天線(xiàn)單元的接收信號(hào)，根據(jù)閾值抑制干擾分量。文獻(xiàn)[136]提出可調(diào)Q因子小波變換(Tunable Q-factor Wavelet Transform,TQWT)域干擾抑制技術(shù)。目標(biāo)信號(hào)在高Q因子小波變換后表現(xiàn)出稀疏性，而干擾信號(hào)在低Q因子小波變換后稀疏性更明顯，可通過(guò)MCA和L1范數(shù)懲罰最小二乘法，建立基于稀疏性的非線(xiàn)性信號(hào)分離模型來(lái)分離干擾。文獻(xiàn)[137]提出基于幾何序列分解的干擾抵消(Geometric Sequence Decomposition based Interference Cancellation,GSD-IC)算法，將單個(gè)采樣信號(hào)看作一個(gè)幾何序列，將接收信號(hào)分解成不同的非正交疊加信號(hào)，從而分離干擾與目標(biāo)信號(hào)。文獻(xiàn)[138]基于有用回波信號(hào)在頻域的行稀疏性與干擾信號(hào)在時(shí)域的稀疏性之間的差異，提出一種具有行稀疏約束的目標(biāo)回波抑制優(yōu)化算法，通過(guò)對(duì)回波信號(hào)進(jìn)行時(shí)頻分解，可有效分離目標(biāo)信號(hào)與干擾。表13總結(jié)了文獻(xiàn)中已有的用于毫米波雷達(dá)干擾抑制的信號(hào)分離方法。

表13 用于毫米波雷達(dá)干擾抑制的信號(hào)分離方法總結(jié)Tab.13 Summary of signal separation methods for millimeter-wave radar interference suppression

4.4.4 基于數(shù)據(jù)驅(qū)動(dòng)方法

近年來(lái)，隨著人工智能技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的方法也越來(lái)越多地應(yīng)用于汽車(chē)?yán)走_(dá)抗互擾。深度學(xué)習(xí)是基于數(shù)據(jù)驅(qū)動(dòng)的典型方法，具有出色的端到端數(shù)據(jù)處理性能，但在一定程度上缺乏堅(jiān)實(shí)的物理基礎(chǔ)。

文獻(xiàn)[139]提出具有門(mén)控遞歸單元(Gated Recurrent Unit,GRU)的遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)模型，如圖56所示。RNN已知適用于處理序列數(shù)據(jù)，能同時(shí)去除干擾和重構(gòu)發(fā)射信號(hào)，信號(hào)處理可以只用矩陣計(jì)算來(lái)完成，而不用任何迭代結(jié)構(gòu)或自適應(yīng)閾值。

圖56 具有GRU的RNN模型[139]Fig.56 RNN model with GRUs[139]

文獻(xiàn)[140]使用CNN來(lái)減輕干擾。CNN能通過(guò)考慮附近的輸入來(lái)學(xué)習(xí)局部模式并在整個(gè)數(shù)據(jù)信號(hào)中識(shí)別，需要的參數(shù)相對(duì)較少，更有利于集成到芯片中。文獻(xiàn)[141]引入深度學(xué)習(xí)自我注意機(jī)制與RNN結(jié)合，如圖57所示，相較于具有GRU的RNN模型對(duì)干擾的抑制性能更好，且同樣適用于OFDM雷達(dá)。

圖57 具有自我注意機(jī)制的RNN模型[141]Fig.57 RNN models with self-attention mechanisms[141]

文獻(xiàn)[142]提出基于全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Neural Networks,FCNN)的干擾抑制方法，將拍頻信號(hào)的頻譜作為輸入，輸出干擾消除后的距離剖面，如圖58所示。

圖58 FCN模型的一般架構(gòu)[142]Fig.58 General architecture of the FCN model[142]

文獻(xiàn)[143]提出基于自動(dòng)編碼器(AutoEncoder,AE)的CNN模型以執(zhí)行圖像去噪，如圖59所示，將干擾抑制問(wèn)題轉(zhuǎn)化為距離多普勒?qǐng)D像去噪問(wèn)題。該網(wǎng)絡(luò)可以很好地適用于不同類(lèi)型的干擾，但對(duì)信號(hào)的相位信息不能完全保留。文獻(xiàn)[144]針對(duì)CNN模型超出硬件存儲(chǔ)容量的問(wèn)題，分析比較不同網(wǎng)絡(luò)的量化能力和內(nèi)存需求，找到具有適當(dāng)資源需求的小型模型，以保證干擾緩解性能。

圖59 基于AE的CNN模型架構(gòu)[143]Fig.59 CNN model architecture based on AE[143]

綜上所述，盡管信號(hào)處理類(lèi)的干擾抑制方法可能在計(jì)算上比較復(fù)雜，在不同場(chǎng)景中抗干擾性能會(huì)有一定差異，但在毫米波雷達(dá)互擾問(wèn)題日益嚴(yán)重場(chǎng)景需求下，無(wú)需改變硬件結(jié)構(gòu)的處理方式具有極大的發(fā)展?jié)撃芗爸匾默F(xiàn)實(shí)意義。極為有限擁擠的頻譜資源決定了系統(tǒng)和波形設(shè)計(jì)方法的局限性，在復(fù)雜環(huán)境下干擾幾乎無(wú)可避免，而系統(tǒng)協(xié)調(diào)和策略類(lèi)的方法需要對(duì)整個(gè)環(huán)境中的通信設(shè)施、雷達(dá)等資源進(jìn)行調(diào)配，在實(shí)施上具有巨大難度，需要花費(fèi)高昂成本。因此，信號(hào)處理類(lèi)抗干擾方法既有其存在的必要性，也有其無(wú)可替代的優(yōu)點(diǎn)。隨著汽車(chē)毫米波雷達(dá)芯片算力不斷提升與各種信號(hào)后處理算法不斷優(yōu)化，此類(lèi)方法實(shí)時(shí)性和穩(wěn)健性勢(shì)必能得到不斷提高，最終滿(mǎn)足智能駕駛汽車(chē)?yán)走_(dá)抗干擾的實(shí)際需求。

5 總結(jié)與展望

5.1 汽車(chē)毫米波雷達(dá)點(diǎn)云成像處理

汽車(chē)毫米波雷達(dá)是自動(dòng)駕駛的主要傳感器，它全天時(shí)全天候的工作特性勢(shì)必在自動(dòng)駕駛領(lǐng)域扮演重要角色。毫米波雷達(dá)的主要弱點(diǎn)在于有限的角分辨率性能，這對(duì)未來(lái)自動(dòng)駕駛、車(chē)路協(xié)同的需求提出了挑戰(zhàn)，因此如何提升汽車(chē)毫米波雷達(dá)的角分辨率是當(dāng)前研究的關(guān)鍵核心之一，也是點(diǎn)云成像的關(guān)鍵技術(shù)之一。展望未來(lái)的發(fā)展趨勢(shì)，基于車(chē)載場(chǎng)景的特定需求，汽車(chē)毫米波雷達(dá)主要朝著小型化、集成化以及低功耗化方向發(fā)展；同時(shí)，隨著硬件技術(shù)的進(jìn)步，雷達(dá)的探測(cè)性能也在逐步提升，更大的帶寬將帶來(lái)更高的距離分辨性能，MIMO技術(shù)以及超分辨算法的應(yīng)用也使毫米波雷達(dá)在角度維的分辨性進(jìn)一步提高。除了提高角度分辨率外，在實(shí)際應(yīng)用中毫米波雷達(dá)點(diǎn)云成像處理技術(shù)未來(lái)仍需解決以下問(wèn)題：

(1) 通道一致性問(wèn)題。目前各大公司的汽車(chē)毫米波雷達(dá)均采用MIMO技術(shù)，結(jié)合天線(xiàn)陣列布局實(shí)現(xiàn)大于實(shí)際陣列尺寸的虛擬孔徑，提高陣元利用率。但在MIMO雷達(dá)系統(tǒng)設(shè)計(jì)中，如果無(wú)法保證通道間的一致性，就無(wú)法保證目標(biāo)定位一致性，從而嚴(yán)重影響點(diǎn)云生成。目前有源校正思路在小孔徑少通道的單芯片系統(tǒng)較為常用，但為了提高空間角度分辨率，汽車(chē)毫米波雷達(dá)正逐漸向多芯片級(jí)聯(lián)方案拓展，對(duì)于較大規(guī)模陣列通道而言，其校正的準(zhǔn)確度和實(shí)時(shí)性將是未來(lái)汽車(chē)毫米波雷達(dá)的難點(diǎn)。

(2) 檢測(cè)器性能問(wèn)題。汽車(chē)毫米波雷達(dá)目標(biāo)檢測(cè)仍然繼承了雷達(dá)統(tǒng)計(jì)信號(hào)處理的分析流程，在面對(duì)少量強(qiáng)目標(biāo)和均勻雜波背景下具有較好的效果。但汽車(chē)高速行駛中面臨的電磁環(huán)境非常復(fù)雜，尤其是城市道路及路口，雜波非均勻且目標(biāo)相互遮掩，尤其是存在強(qiáng)散射目標(biāo)(如大卡車(chē)、廣告牌等)下很難通過(guò)統(tǒng)一的檢測(cè)器來(lái)有效檢測(cè)弱散射目標(biāo)(如行人等)。而當(dāng)前點(diǎn)云成像的準(zhǔn)確度和密度都依賴(lài)于良好的目標(biāo)檢測(cè)性能，具有自適應(yīng)濾波且面向復(fù)雜場(chǎng)景的目標(biāo)檢測(cè)器將是未來(lái)點(diǎn)云成像質(zhì)量的關(guān)鍵。

(3) 算法運(yùn)行效率問(wèn)題。除了高精度需求外，實(shí)時(shí)性也是汽車(chē)毫米波雷達(dá)應(yīng)用的重要指標(biāo)。目前汽車(chē)毫米波雷達(dá)的刷新周期大概在50 ms左右(對(duì)應(yīng)于1.67 m@120 km/h)，因而在實(shí)現(xiàn)理論高精度、高密度點(diǎn)云外，若在點(diǎn)云生成采用較為復(fù)雜的算法導(dǎo)致整體耗時(shí)明顯增加，ADAS功能響應(yīng)被拖慢，很可能會(huì)造成嚴(yán)重的交通事故。尤其對(duì)于汽車(chē)毫米波雷達(dá)而言，其相對(duì)于激光雷達(dá)的一大優(yōu)勢(shì)在于低廉的成本，以上算法實(shí)現(xiàn)需在低成本條件下完成，算法運(yùn)算效率是未來(lái)必須要考慮的因素。

5.2 車(chē)載毫米波合成孔徑雷達(dá)

隨著車(chē)載毫米波SAR成像技術(shù)在現(xiàn)實(shí)場(chǎng)景的應(yīng)用越來(lái)越廣泛，很多學(xué)者和各大廠商也逐漸重視這種高分辨成像體制的研究，也逐漸產(chǎn)生了更加復(fù)雜困難的任務(wù)需求(如高精度運(yùn)動(dòng)補(bǔ)償、高分辨率、大斜視角成像等)。相較于傳統(tǒng)汽車(chē)毫米波雷達(dá)陣列處理方案，汽車(chē)毫米波SAR系統(tǒng)結(jié)構(gòu)更加復(fù)雜，提升和擴(kuò)展的空間也更大，因此，若要設(shè)計(jì)一個(gè)實(shí)用且高效的車(chē)載毫米波SAR系統(tǒng)，未來(lái)系統(tǒng)結(jié)構(gòu)、信號(hào)處理等環(huán)節(jié)都面臨不小的難題，具體如下：

(1) 車(chē)載毫米波SAR的運(yùn)動(dòng)補(bǔ)償。對(duì)于車(chē)載毫米波SAR系統(tǒng)而言，目前77 GHz頻段對(duì)應(yīng)較小的波長(zhǎng)，其相較于低頻段對(duì)運(yùn)動(dòng)補(bǔ)償?shù)木纫蟾?，尤其?duì)于復(fù)雜路況，實(shí)現(xiàn)準(zhǔn)確的運(yùn)動(dòng)補(bǔ)償十分困難。目前，可以借鑒其他平臺(tái)SAR系統(tǒng)采用“粗補(bǔ)償+細(xì)聚焦”的方案，先利用低成本的導(dǎo)航或定位設(shè)備實(shí)現(xiàn)粗成像，再利用運(yùn)動(dòng)補(bǔ)償算法進(jìn)行精細(xì)成像。而其他平臺(tái)的慣導(dǎo)系統(tǒng)對(duì)于低頻段、大型目標(biāo)的場(chǎng)景是足夠的，對(duì)于汽車(chē)上裝配的導(dǎo)航設(shè)備受限于成本、重量等限制，通常精度有限，未來(lái)車(chē)載毫米波SAR系統(tǒng)仍需在低成本、低載荷平臺(tái)上實(shí)現(xiàn)高精度的運(yùn)動(dòng)補(bǔ)償。

(2) 車(chē)載毫米波MIMO-SAR和大斜視角成像。當(dāng)前汽車(chē)毫米波SAR系統(tǒng)主要關(guān)注于車(chē)側(cè)方的目標(biāo)場(chǎng)景，主要用于自動(dòng)泊車(chē)、搜尋停車(chē)位等，而未來(lái)車(chē)載毫米波SAR系統(tǒng)仍需考慮實(shí)際駕駛中對(duì)于前視或斜前方目標(biāo)場(chǎng)景的高分辨成像。如3.2.3節(jié)所述，當(dāng)前汽車(chē)毫米波雷達(dá)系統(tǒng)全部采用MIMO陣列設(shè)計(jì)，從而獲取更大的虛擬孔徑以提高分辨率。因而如何將MIMO體制應(yīng)用于汽車(chē)毫米波SAR系統(tǒng)，應(yīng)用于解決汽車(chē)駕駛前向分辨率不足的難題將是未來(lái)的重要研究方向之一。

(3) 多部車(chē)載毫米波SAR協(xié)同處理。結(jié)合3.2.1節(jié)所述，開(kāi)展多平臺(tái)協(xié)同車(chē)載毫米波SAR系統(tǒng)設(shè)計(jì)的研究，結(jié)合多平臺(tái)同步技術(shù)、時(shí)域和頻域成像算法以及運(yùn)動(dòng)補(bǔ)償技術(shù)等，可以獲取多位置、多角度的SAR圖像，從而提高SAR成像性能。在自動(dòng)駕駛和車(chē)聯(lián)網(wǎng)領(lǐng)域，已有大量關(guān)于多雷達(dá)和多平臺(tái)協(xié)同系統(tǒng)的研究成果，前期開(kāi)展可在這些基礎(chǔ)上借鑒適用于SAR成像任務(wù)的結(jié)構(gòu)。但考慮到自動(dòng)駕駛或輔助駕駛平臺(tái)除了執(zhí)行SAR成像任務(wù)外還有其他功能，未來(lái)如何將SAR成像任務(wù)嵌入通用的汽車(chē)?yán)走_(dá)協(xié)同網(wǎng)絡(luò)中仍是很大挑戰(zhàn)。

5.3 汽車(chē)毫米波雷達(dá)互擾抑制

縱觀汽車(chē)毫米波雷達(dá)抗互擾技術(shù)的3種不同路線(xiàn)，結(jié)合目前常用的已經(jīng)成熟的主流互擾抑制方法，汽車(chē)毫米波雷達(dá)的抗互擾任重道遠(yuǎn)，但發(fā)展意義重大，前景廣闊。在實(shí)際復(fù)雜道路交通環(huán)境中，目前3類(lèi)主要的毫米波雷達(dá)干擾抑制方法各有其適用場(chǎng)景與固有缺陷，需要結(jié)合具體場(chǎng)景分析其適用性?？傮w來(lái)說(shuō)，汽車(chē)毫米波雷達(dá)抗互擾的思路正在由被動(dòng)抗互擾向主動(dòng)抗互擾轉(zhuǎn)變，即由后處理被干擾的雷達(dá)信號(hào)向主動(dòng)避免或識(shí)別、抑制干擾轉(zhuǎn)變，該趨勢(shì)在汽車(chē)毫米波雷達(dá)波形設(shè)計(jì)、系統(tǒng)協(xié)調(diào)策略與信號(hào)后處理上均有不同體現(xiàn)，具體表現(xiàn)為：

(1) 雷達(dá)波形復(fù)合化。當(dāng)前汽車(chē)毫米波雷達(dá)的主流波形為FMCW波形，該波形雖具有回波信號(hào)處理簡(jiǎn)單、目標(biāo)信息易于提取的優(yōu)點(diǎn)，但在有限的頻帶范圍內(nèi)極易相互干擾，因而未來(lái)汽車(chē)毫米波雷達(dá)波形正在向更為復(fù)雜的多種波形組合發(fā)展，以具有更強(qiáng)的抗干擾能力。

(2) 雷達(dá)通信一體化。當(dāng)前汽車(chē)毫米波雷達(dá)抗互擾的主要策略即為在同一區(qū)域內(nèi)利用通信設(shè)施協(xié)調(diào)各汽車(chē)毫米波雷達(dá)系統(tǒng)，使之降低互擾的可能。當(dāng)前以及未來(lái)汽車(chē)毫米波雷達(dá)正越來(lái)越緊密地與車(chē)聯(lián)網(wǎng)通信相互聯(lián)系，車(chē)路協(xié)同、雷達(dá)通信一體化的趨勢(shì)日益加強(qiáng)。

(3) 干擾類(lèi)型主動(dòng)識(shí)別與抑制。當(dāng)前部分汽車(chē)毫米波雷達(dá)信號(hào)后處理方法雖然有干擾檢測(cè)與抑制步驟，但仍然缺乏對(duì)干擾類(lèi)型及干擾雷達(dá)參數(shù)的有效識(shí)別手段。未來(lái)在信號(hào)后處理環(huán)節(jié)中雷達(dá)應(yīng)能主動(dòng)對(duì)所受干擾類(lèi)型作出主動(dòng)識(shí)別與判斷甚至直接采取相應(yīng)手段抑制，從而更有效地抑制互擾。

(4) 信號(hào)處理與數(shù)據(jù)處理相結(jié)合。如4.4.4節(jié)所述，得益于深度學(xué)習(xí)領(lǐng)域的高速發(fā)展，深度學(xué)習(xí)的互擾抑制方法正在被應(yīng)用于汽車(chē)毫米波雷達(dá)的抗互擾。深度學(xué)習(xí)方法注重?cái)?shù)據(jù)處理，與基于信號(hào)模型的處理方法相結(jié)合，實(shí)現(xiàn)數(shù)據(jù)模型雙驅(qū)動(dòng)的應(yīng)對(duì)思路，正在成為應(yīng)對(duì)復(fù)雜場(chǎng)景下互擾抑制問(wèn)題的新趨勢(shì)。