毫米波雷達(dá)自適應(yīng)門限點(diǎn)云成像方法研究

蘭呂鴻康 黃巖 鄭凱航 劉江 劉育銘 張慧 洪偉

（東南大學(xué)毫米波國家重點(diǎn)實(shí)驗(yàn)室，江蘇南京 210096）

1 引言

近幾年，人工智能和自動駕駛技術(shù)的快速發(fā)展對毫米波雷達(dá)提出了更高的要求，目前能夠提供目標(biāo)距離、速度、方位角、俯仰角四個維度信息的4D成像雷達(dá)是毫米波雷達(dá)的主要發(fā)展方向，它能夠通過點(diǎn)云描繪出車輛、行人等目標(biāo)的輪廓，重構(gòu)雷達(dá)周圍場景，后期結(jié)合點(diǎn)云數(shù)據(jù)處理算法實(shí)現(xiàn)跟蹤、定位和分類等更高級別的功能［1-2］。

自動駕駛車輛的點(diǎn)云成像方面，激光雷達(dá)因?yàn)榫哂薪嵌确直媛矢?、生成點(diǎn)云密度大、成像信息準(zhǔn)確、場景還原度高等優(yōu)點(diǎn)而成為目前市面上自動駕駛應(yīng)用的主要傳感器。但是激光雷達(dá)存在許多問題也制約了其在實(shí)際應(yīng)用方面的發(fā)展，首先是激光雷達(dá)系統(tǒng)價格高昂，限制了其在民用領(lǐng)域的普及，然后是激光雷達(dá)系統(tǒng)一般體積較大，在汽車?yán)走_(dá)領(lǐng)域不具備便捷性，再者是激光雷達(dá)與光學(xué)傳感器一樣受限于應(yīng)用場景與氣候條件，無法像毫米波雷達(dá)一樣全天時全天候工作，最后是激光雷達(dá)成像數(shù)據(jù)龐大，對設(shè)備硬件要求較高［3］。因此，對毫米波雷達(dá)點(diǎn)云成像的研究對于推動自動駕駛的發(fā)展具有十分重要的意義。

傳統(tǒng)毫米波雷達(dá)由于角度分辨率較差，目前大多數(shù)對于毫米波雷達(dá)點(diǎn)云成像的研究得到的圖像點(diǎn)云密度較為稀疏，根據(jù)點(diǎn)云圖像僅僅能確定目標(biāo)點(diǎn)的基本空間位置，無法顯示目標(biāo)的輪廓，對目標(biāo)信息進(jìn)行細(xì)致地刻畫，而這遠(yuǎn)遠(yuǎn)不能滿足自動駕駛場景下的應(yīng)用要求。近年來，隨著MIMO 技術(shù)以及控制多片級聯(lián)同步技術(shù)的逐步成熟，毫米波雷達(dá)器件能夠?qū)崿F(xiàn)在空間上虛擬出了比物理天線孔徑大得多的虛擬陣列［4］，讓毫米波雷達(dá)天線的角度分辨率得到了很好的提升，為毫米波雷達(dá)點(diǎn)云成像奠定了硬件基礎(chǔ)，推動了毫米波雷達(dá)在點(diǎn)云成像上的發(fā)展。

目前，毫米波雷達(dá)目標(biāo)檢測和定位技術(shù)發(fā)展已經(jīng)相對成熟，但使用毫米波雷達(dá)生成能夠適用于自動駕駛這一復(fù)雜場景下的致密點(diǎn)云仍然是一個挑戰(zhàn)。本文設(shè)計了一套完整的毫米波雷達(dá)系統(tǒng)級點(diǎn)云成像算法，通過對傳統(tǒng)的恒虛警率檢測（CFAR，Constant False Alarm Rate）方法進(jìn)行改進(jìn)，提出了根據(jù)雷達(dá)感興趣的距離區(qū)間分段以及根據(jù)雷達(dá)接收信號功率與目標(biāo)距離之間的關(guān)系來設(shè)計的CFAR 門限系數(shù)設(shè)置方法。并使用安裝在汽車側(cè)前方的TI公司AWR2243雷達(dá)開發(fā)板對實(shí)際場景進(jìn)行數(shù)據(jù)采集，生成了較為致密的毫米波雷達(dá)點(diǎn)云圖像，實(shí)現(xiàn)了對雷達(dá)周圍場景的測繪和還原，驗(yàn)證了文章所提方法的有效性。

2 毫米波雷達(dá)信號模型

通常情況下，F(xiàn)MCW 毫米波雷達(dá)連續(xù)發(fā)射頻率隨時間線性變化的鋸齒波信號［5］，也稱為Chirp 信號，如圖1所示。

圖1 FMCW雷達(dá)信號模型Fig.1 FMCW radar signal model

2.1 發(fā)射信號模型

FMCW 雷達(dá)向空間連續(xù)發(fā)射Chirp 信號，發(fā)射信號模型為：

其中，fc為發(fā)射信號載頻分別為全時間、快時間和慢時間（三者之間關(guān)系為。假設(shè)v為目標(biāo)相對于雷達(dá)的運(yùn)動速度，那么目標(biāo)與雷達(dá)的瞬時距離可以表示為R計算可到回波信號與發(fā)射信號之間的時延此時回波信號可以表示為

將發(fā)射信號和回波信號進(jìn)行混頻，得到中頻信號：

由于目標(biāo)相對雷達(dá)運(yùn)動的速度遠(yuǎn)遠(yuǎn)小于光速，因此上式可以近似表示為：

2.2 距離-多普勒2D-FFT

對式（4）中的中頻信號進(jìn)行分析可知，通過對中頻信號做一次二維的傅里葉變換即可以得到目標(biāo)的相對于雷達(dá)的距離和速度信息［6-7］，如圖2 所示。具體實(shí)現(xiàn)方式如下：

圖2 2D-FFT示意圖Fig.2 2D-FFT schematic

其中，Tc為掃頻時間，包絡(luò)項(xiàng)中為掃頻周期內(nèi)多普勒頻率引入的附加偏移項(xiàng)，為了獲得R(tm)的信息，需要對該項(xiàng)進(jìn)行補(bǔ)償，將R(tm)=R0-vtm代入式（5），為簡化運(yùn)算，將式（5）距離包絡(luò)中的R(tm)看作常數(shù)項(xiàng)，可得：

然后對上式指數(shù)項(xiàng)中的慢時間tm做傅里葉變換可得：

其中Ta為單幀Na個脈沖對應(yīng)的相干處理時間，對上式第二項(xiàng)可知，由目標(biāo)的多普勒頻率可以計算出目標(biāo)速度，即

由式（7）可知，包絡(luò)位置對應(yīng)目標(biāo)位置R(tm) -，即：

代入式（8）得到目標(biāo)在距離-多普勒域的信號表達(dá)式：

3 車載毫米波雷達(dá)點(diǎn)云成像方法

汽車毫米波雷達(dá)通過發(fā)射多個線性調(diào)頻連續(xù)波信號，經(jīng)過目標(biāo)反射之后，接收到的回波信號與發(fā)射信號混頻得到中頻信號，將中頻信號進(jìn)行2DFFT、非相干積累、目標(biāo)檢測后能夠估計出目標(biāo)的距離和速度，然后再利用不同通道之間接收信號的相位差，采用數(shù)字波束形成（DBF，Digital Beamforming）方法可以得到目標(biāo)的方位角和俯仰角［7］，從而實(shí)現(xiàn)對目標(biāo)在三維空間上的定位和成像。完整的信號分析流程如圖3所示。

圖3 毫米波雷達(dá)點(diǎn)云成像算法處理流程Fig.3 Mmwave radar point cloud imaging algorithm processing flow

3.1 目標(biāo)檢測

在雷達(dá)信號處理中通常采用CFAR 檢測方法來對目標(biāo)進(jìn)行檢測，其中最常使用的是適用于均勻雜波的單元平均恒虛警（CA-CFAR，Cell Averaging-Constant False Alarm Rate）算法［8］。該算法的基本步驟是估計回波信號中待檢測單元周圍單元的平均噪聲功率，利用該功率確定一個門限值，如式（12）所示，再利用這個門限值判斷待檢測單元，若檢測單元大于檢測門限，則判定為目標(biāo)；如果檢測單元小于檢測門限，則認(rèn)為是噪聲［9］，其原理如圖4所示。

圖4 CFAR原理示意圖Fig.4 Schematic diagram of CFAR principle

其中α為門限系數(shù)，其與虛警概率-pFA和參考單元總數(shù)2n有關(guān)。

在車載毫米波雷達(dá)點(diǎn)云成像中，所謂的點(diǎn)云實(shí)際就是通過CFAR 檢測出來的目標(biāo)以點(diǎn)的形式在三維坐標(biāo)系上表示，生成的點(diǎn)數(shù)量多、密度大也就形成了點(diǎn)云。要想生成密集的點(diǎn)云，其中一種方法就是減小CFAR 檢測的門限S，但門限的降低也會相應(yīng)地導(dǎo)致檢測到的場景周圍的雜波和干擾增加，而這會極大地影響成像的質(zhì)量。由式（12）可知，門限系數(shù)α和檢測單元附件的噪聲功率共同決定了CFAR 檢測器的門限大小，所以門限系數(shù)α的選取會對最終的點(diǎn)云成像結(jié)果造成很嚴(yán)重的影響。

由式（14）可知，門限系數(shù)α與虛警概率及參考單元總數(shù)相關(guān)，但應(yīng)用式（14）準(zhǔn)確計算門限系數(shù)α的前提是已知實(shí)際環(huán)境中噪聲的分布規(guī)律，所以在實(shí)際的應(yīng)用中門限系數(shù)α的選取更多的是工程師憑借對環(huán)境的先驗(yàn)知識自行設(shè)置。

本文在CA-CFAR檢測的基礎(chǔ)上，提出了兩種在車載毫米波雷達(dá)點(diǎn)云成像場景下CFAR 的門限系數(shù)α的選取方法，選取合適的門限系數(shù)能極大地改善點(diǎn)云成像的質(zhì)量。

3.1.1 分段門限設(shè)置

毫米波雷達(dá)作為智能汽車的重要傳感器之一，會分別安裝多顆在車輛的前方、側(cè)方和后面，以發(fā)揮不同的作用。實(shí)現(xiàn)功能有差別的同時，對探測距離范圍的需求也不同，一般來說安裝在車輛前方和后方的雷達(dá)需要探測的距離范圍較長，而安裝在車身兩側(cè)的雷達(dá)需要探測的距離相對較短。為了更準(zhǔn)確地通過點(diǎn)云圖像還原出車輛周圍的環(huán)境，我們總是希望能在雷達(dá)近場生成致密的點(diǎn)云，根據(jù)目標(biāo)與雷達(dá)之間的距離來分段設(shè)置CFAR 檢測的門限系數(shù)不失為其中一種方法。

以安裝在車身兩側(cè)的雷達(dá)為例，雷達(dá)作用的距離區(qū)間大約為0～30 m，主要用于實(shí)現(xiàn)監(jiān)測車輛周圍環(huán)境、盲點(diǎn)監(jiān)測等功能。對于成像雷達(dá)而言，更感興趣的是車輛側(cè)面10 m 左右的環(huán)境，因此對于距離雷達(dá)10 m 以內(nèi)的所有目標(biāo)，可以設(shè)置一個較低的門限系數(shù)α，以檢測出更多的目標(biāo)點(diǎn)，準(zhǔn)確還原出雷達(dá)周圍環(huán)境；對于10～30 m處的目標(biāo)，當(dāng)車輛處于一些較為狹小的空間，例如停車場、隧道等場景，位于這一距離區(qū)間的目標(biāo)容易受到多徑反射的干擾導(dǎo)致成像效果較差，因此可以設(shè)置一個較高的門限系數(shù)，適當(dāng)?shù)販p少多徑反射造成的干擾，大致還原出這一距離區(qū)間的場景；而距離大于30 m 外的場景不是雷達(dá)感興趣的目標(biāo)，因此可以設(shè)置一個高門限，抑制該區(qū)間目標(biāo)點(diǎn)的生成并減小系統(tǒng)的計算量。

3.1.2 自適應(yīng)門限設(shè)置

除了分段門限設(shè)置方法外，本文還提出了一種自適應(yīng)門限設(shè)置的方法，該方法根據(jù)雷達(dá)接收天線接收功率與距離的關(guān)系，動態(tài)地分配CA-CFAR檢測的門限系數(shù)，并與檢測單元附近單元的噪聲功率結(jié)合得到自適應(yīng)檢測門限。與傳統(tǒng)的CA-CFAR相比，該方法能有效地抑制多徑反射造成的干擾，極大地提高點(diǎn)云成像的質(zhì)量；與分段門限設(shè)置方法相比，該方法對周圍環(huán)境的先驗(yàn)知識要求較低，并且該方法能為不同距離門分配不同的檢測門限，更好地實(shí)現(xiàn)對周圍場景的還原。下面將詳細(xì)描述自適應(yīng)門限的設(shè)置方法。首先給出雷達(dá)接收回波功率方程：

其中Pt為雷達(dá)發(fā)射功率，Gt、Gr分別為發(fā)射天線和接收天線的增益，σ為目標(biāo)的雷達(dá)散射截面積。因?yàn)槲覀儷@得的雷達(dá)接收功率此前需要經(jīng)過平方律檢波器，所以實(shí)際上雷達(dá)接收功率與目標(biāo)、雷達(dá)之間的相對距離R具有如下關(guān)系：

我們希望能根據(jù)雷達(dá)信號隨距離衰減的關(guān)系為不同距離門分配不同的檢測門限，并且能在雷達(dá)感興趣的距離區(qū)間設(shè)置更低的檢測門限，以此生成更密集的點(diǎn)云。對于安裝在車身兩側(cè)的成像雷達(dá)而言，其更感興趣的是近處的場景。假設(shè)為第i個距離門分配的門限系數(shù)為h(i)，則有

其中，α為根據(jù)式（14）計算得到的固定門限系數(shù)，r(i)是目標(biāo)位于的第i個距離門，r1、r2分別表示雷達(dá)感興趣區(qū)域的距離區(qū)間邊界值，S(x)為機(jī)器學(xué)習(xí)中常用作激活函數(shù)的Sigmoid函數(shù)：

則式（17）所提出的函數(shù)圖像如圖5 所示。圖5可以清晰地看出，在雷達(dá)感興趣距離區(qū)間內(nèi)門限系數(shù)較低，超出距離范圍則門限系數(shù)升高，并且在離雷達(dá)特別近的距離門處檢測門限也稍高，有利于減輕系統(tǒng)內(nèi)部噪聲對成像結(jié)果造成的影響。

圖5 自適應(yīng)門限系數(shù)函數(shù)圖像Fig.5 Adaptive threshold coefficient function image

3.2 相位補(bǔ)償

MIMO 雷達(dá)需要發(fā)射天線發(fā)射相互正交的波形，從而保證同一接收天線能夠分離出不同發(fā)射天線發(fā)射的信號。由于時分復(fù)用（TDMA，Time Division Multiple Address）成本低且容易實(shí)現(xiàn)而被廣泛應(yīng)用在車載毫米波雷達(dá)中，本文所設(shè)計的車載毫米波雷達(dá)點(diǎn)云成像方案也是采用的時分復(fù)用正交波形。

TDMA-MIMO 雷達(dá)在進(jìn)行角度估計時，是對在不同時間發(fā)射的信號的回波為原始數(shù)據(jù)進(jìn)行處理的，倘若目標(biāo)存在相對雷達(dá)運(yùn)動的速度，不同發(fā)射天線在不同時間工作將會引入相位誤差，從而得到錯誤的角度估計［10］。傳統(tǒng)的解決方案是先通過2DFFT 得到目標(biāo)速度，然后再補(bǔ)償由速度引起的相位誤差。但是對于TDMA-MIMO 雷達(dá)而言，其中M根發(fā)射天線在時域上輪流發(fā)射chirp信號，當(dāng)所有的發(fā)射天線都完成一次發(fā)射才能算是一個脈沖重復(fù)間隔（PRI，Pulse Repetition Interval）。如式（19）所示，PRI 增加M倍，雷達(dá)的最大無模糊速度將會相應(yīng)地降低了M倍。因此，當(dāng)目標(biāo)運(yùn)動速度超過雷達(dá)可以檢測的最大無模糊速度時，由式（9）我們只能得到目標(biāo)相對雷達(dá)的徑向速度殘差分量vres，這會導(dǎo)致由相對運(yùn)動引起的相位誤差將無法得到正確的補(bǔ)償，從而得到錯誤的角度估計。只有正確估計出速度模糊數(shù)n，才能正確估計目標(biāo)相對雷達(dá)的徑向速度v和角度。

容易知道，與第一個發(fā)射通道發(fā)射的數(shù)據(jù)相比，第i個通道發(fā)射的數(shù)據(jù)具有由目標(biāo)多普勒引起的相位差：

該相位差除了會造成目標(biāo)速度估計不準(zhǔn)確之外，還會導(dǎo)致目標(biāo)角度估計不準(zhǔn)確，因此需要對相位差進(jìn)行補(bǔ)償。值得注意的是，當(dāng)速度模糊數(shù)為n+M的時候，相位誤差與模糊數(shù)為n時相同，所以可能存在M個不同的相位誤差，即：

分別計算對該目標(biāo)對應(yīng)的M階多普勒相位差，然后對不同發(fā)射天線對應(yīng)的信號進(jìn)行相位補(bǔ)償，使不同發(fā)射天線對應(yīng)的信號等效于第一根發(fā)射天線同時發(fā)射。由于數(shù)據(jù)序列可以精確地相干積累，所以如果速度模糊得到正確補(bǔ)償，在對數(shù)據(jù)序列進(jìn)行傅里葉變換后會在頻譜上出現(xiàn)峰值。相反，如果補(bǔ)償數(shù)錯誤，那么信號將不能在目標(biāo)角度方向上實(shí)現(xiàn)完全相干積累，信號能量將分散到附近的角度方向。因此可以通過比較不同模糊數(shù)下的頻譜峰值來判斷速度模糊數(shù)n。

3.3 DOA估計

DOA 估計是車載毫米波雷達(dá)對目標(biāo)進(jìn)行定位的重要基礎(chǔ)，目前常用的DOA 估計方法有數(shù)字波束形成方法（DBF）、多重信號分類方法（MUSIC）、旋轉(zhuǎn)不變子空間方法（ESPRIT），其中DBF 方法因?yàn)槠溆嬎銖?fù)雜度低、易于在芯片上實(shí)現(xiàn)的優(yōu)點(diǎn)而被廣泛地應(yīng)用于市面上的車載毫米波雷達(dá)中［11］。假設(shè)使用一個具有N個陣元且陣元間距為d的天線陣列測量一個位于遠(yuǎn)場角度為θ的目標(biāo)，如圖6所示。

圖6 DBF示意圖Fig.6 Schematic diagram of DBF

在實(shí)際的應(yīng)用中，我們需要對目標(biāo)的方位角和俯仰角同時進(jìn)行估計，此時用于角度估計的天線陣列將是二維的平面陣。假設(shè)二維天線陣列中方位維陣元個數(shù)為M，俯仰維陣元個數(shù)為N，方位維陣元間距為dy，俯仰維陣元間距為dz，假設(shè)目標(biāo)所在方位角為θ，俯仰角為φ。由此可得目標(biāo)在方位維的導(dǎo)向矢量為：

則接收信號的矢量形式可以表示為：

其中S(t)為信號矢量，N(t)為噪聲矢量，A為陣列的方向矩陣，假設(shè)存在p個信號源，則有

由式（26）可知，由于目標(biāo)的方位維信息和俯仰維信息的耦合，需要對目標(biāo)進(jìn)行二維波束形成。假設(shè)方位維角度掃描間隔為Δθ，俯仰維角度掃描間隔為Δφ，波束掃描方位角范圍為[θd，θu]，俯仰角范圍為[φd，φu]，則根據(jù)以上參數(shù)能夠分別構(gòu)造波束掃描中方位維和俯仰維的權(quán)矢量［12］。

方位維的權(quán)矢量為：

對M×N個通道接收信號進(jìn)行加權(quán)求和，使整個陣列的輸出信號為：

根據(jù)波束形成的原理，利用權(quán)矢量對回波信號做數(shù)字波束形成，根據(jù)波束形成后輸出模值最大值對應(yīng)的角度作為目標(biāo)的角度估計值。則目標(biāo)方位角和俯仰角的估計值可以根據(jù)下式求出：

經(jīng)過上述步驟，我們能夠得到待測目標(biāo)相對于雷達(dá)的距離R、徑向速度vr、方位角θ和俯仰角φ等運(yùn)動信息，代入下述的球坐標(biāo)系與三維直角坐標(biāo)系的轉(zhuǎn)換公式，即可得到待測目標(biāo)的三維點(diǎn)云圖像，如圖7所示。

圖7 點(diǎn)云成像示意圖Fig.7 Schematic diagram of point cloud imaging

假設(shè)通過速度傳感器已知安裝在汽車側(cè)方的雷達(dá)的運(yùn)動速度vradar，由式（9）、（20）以及式（33）可以得到目標(biāo)相對雷達(dá)運(yùn)動的相對徑向速度vr、方位角θ。如圖8 所示，假設(shè)目標(biāo)與雷達(dá)前進(jìn)方向相同，則可以得到目標(biāo)沿著雷達(dá)前進(jìn)方向的速度估計vest：

圖8 安裝在汽車側(cè)方的毫米波雷達(dá)Fig.8 The typical scene for side-mounted automotive radar

4 實(shí)驗(yàn)結(jié)果及討論分析

4.1 實(shí)驗(yàn)參數(shù)配置

本實(shí)驗(yàn)采用的FMCW 毫米波雷達(dá)為TI 公司的四片級聯(lián)AWR2243 毫米波雷達(dá)開發(fā)板，如圖9（a）所示。該開發(fā)板共有12 根發(fā)射天線和16 根接收天線，實(shí)現(xiàn)了較高的信噪比和角度分辨率。對毫米波雷達(dá)開發(fā)板波形參數(shù)設(shè)置如表1所示。雷達(dá)安裝在測試車輛副駕駛位置前方，對車輛側(cè)面的場景進(jìn)行成像，如圖9（b）所示。

表1 實(shí)驗(yàn)參數(shù)設(shè)置Tab.1 Experimental parameter settings

圖9 車載毫米波雷達(dá)點(diǎn)云成像系統(tǒng)Fig.9 Vehicle millimeter wave radar point cloud imaging system

4.2 實(shí)驗(yàn)場景及點(diǎn)云成像結(jié)果

測試車輛以近似15 km/h的速度駛過圖10所示的停車場，并對該停車場場景進(jìn)行數(shù)據(jù)采集（圖10所示的場景為實(shí)際成像場景的一部分）。數(shù)據(jù)采集結(jié)束后，經(jīng)過上文所介紹的毫米波雷達(dá)點(diǎn)云成像算法處理得到如圖11 所示的三維點(diǎn)云圖像，圖11（a）為采用傳統(tǒng)同一門限系數(shù)設(shè)置的CA-CFAR 檢測器得到的點(diǎn)云成像俯視圖，圖11（b）為采用分段門限系數(shù)設(shè)置的CA-CFAR 檢測器得到的點(diǎn)云成像俯視圖，圖11（c）為采用自適應(yīng)門限系數(shù)設(shè)置的CACFAR 檢測器得到的點(diǎn)云成像俯視圖，圖11（d）是采用文章提出的自適應(yīng)門限系數(shù)設(shè)置方法對圖10 所示場景生成的點(diǎn)云三維圖像，即圖11（c）的另一視角展示。

圖10 點(diǎn)云成像實(shí)驗(yàn)場景圖Fig.10 Point cloud imaging experiment scene graph

比較圖11（a）、（b）、（c）所示的點(diǎn)云成像俯視結(jié)果，三張俯視圖中的點(diǎn)云均很密集，較為完整地描繪出被測場景中車輛的輪廓，且能清晰地分辨出被測停車場中停放的車輛、車位與車位之間的綠化帶（綠色矩形框起來的部分）以及背景建筑（對應(yīng)點(diǎn)云圖中約5 m 處的橫線）。但是圖11（a）中采用同一門限系數(shù)方法生成的圖像受到環(huán)境雜波以及多徑反射造成的干擾影響極大，嚴(yán)重地影響了點(diǎn)云成像的質(zhì)量，不利于后續(xù)對點(diǎn)云數(shù)據(jù)的處理。圖11（b）和（c）所示采用文章提出的分段門限系數(shù)設(shè)置方法以及自適應(yīng)門限系數(shù)設(shè)置方法得到的點(diǎn)云圖像效果相近，受到噪聲和雜波的干擾較小，都很好地實(shí)現(xiàn)了對測試車輛側(cè)方場景的還原。相較于分段門限系數(shù)設(shè)置方法，自適應(yīng)門限系數(shù)設(shè)置方法僅需要設(shè)置雷達(dá)感興趣的距離區(qū)間，對成像環(huán)境先驗(yàn)知識要求不高，更適用于自動駕駛下的應(yīng)用場景。圖11（d）所示的三維點(diǎn)云圖像在俯仰維上對車輛及周圍場景的還原效果較差，其中一個原因是采集數(shù)據(jù)使用的AWR2243 毫米波雷達(dá)開發(fā)板的俯仰角度分辨率較低，僅為18°，嚴(yán)重影響了俯仰維的點(diǎn)云成像效果。如何從算法層面提高俯仰維點(diǎn)云成像質(zhì)量也是我們后續(xù)研究的重點(diǎn)內(nèi)容。

圖11 點(diǎn)云成像結(jié)果圖Fig.11 Point cloud imaging result map

圖12給出了另一個測試場景，經(jīng)過本文所提出的系統(tǒng)級點(diǎn)云成像算法處理后得到如圖13 所示的成像結(jié)果，由結(jié)果圖可見，文章所提出的算法所生成的點(diǎn)云圖像對汽車側(cè)方場景實(shí)現(xiàn)了準(zhǔn)確地描繪。

圖12 另一測試場景圖Fig.12 Another test scene graph

圖13 點(diǎn)云成像結(jié)果圖Fig.13 Point cloud imaging result map

綜上所述，運(yùn)用本文所提出的毫米波雷達(dá)超分辨成像算法能夠生成致密的三維點(diǎn)云圖像，并且能夠較好地實(shí)現(xiàn)對汽車側(cè)方場景的還原。文章還改進(jìn)了傳統(tǒng)的CA-CFAR檢測算法，并通過實(shí)際外場測試表明所提的兩種CFAR 門限系數(shù)設(shè)置方法均有效地抑制了環(huán)境噪聲、雜波對成像結(jié)果造成的干擾，改善了點(diǎn)云成像的質(zhì)量。

在本文所做的研究中，僅是對停車場中靜止的車輛進(jìn)行了數(shù)據(jù)采集，但是在實(shí)際的應(yīng)用中，車載平臺側(cè)方場景不只是有靜止目標(biāo)，還包括運(yùn)動目標(biāo)的存在。除此之外，平臺不穩(wěn)定的速度，路面坑洼導(dǎo)致的車輛顛簸以及急剎車等情況都會對成像結(jié)果的正確性造成較大的影響。因此，在后續(xù)的研究中如何實(shí)現(xiàn)對運(yùn)動目標(biāo)的成像、如何減輕車載平臺自身和道路條件對成像結(jié)果的影響以及如何從算法層面提升點(diǎn)云成像在俯仰維的表現(xiàn)仍然具有十分重要的應(yīng)用價值和現(xiàn)實(shí)意義。

5 結(jié)論

為實(shí)現(xiàn)毫米波雷達(dá)點(diǎn)云成像，解決毫米波雷達(dá)生成的點(diǎn)云密度稀疏的問題，本文提出了一套完整的系統(tǒng)級毫米波雷達(dá)點(diǎn)云成像算法，改進(jìn)了目標(biāo)檢測算法，然后通過外場實(shí)驗(yàn)實(shí)際驗(yàn)證了所提算法的可行性和有效性。由實(shí)驗(yàn)結(jié)果可知，本文所提出的算法生成的點(diǎn)云圖像雖然在精度上還不及激光雷達(dá)，但相較于傳統(tǒng)的毫米波雷達(dá)點(diǎn)云成像，本算法生成的三維點(diǎn)云圖像點(diǎn)云致密，且很好地實(shí)現(xiàn)了對雷達(dá)周圍環(huán)境的測繪。當(dāng)然，實(shí)驗(yàn)仍然存在一些不足之處和局限性，還有一些需要完善的地方，這也是下一步的研究內(nèi)容。