汽车毫米波雷达近场效应信号处理

汽车毫米波雷达近场效应信号处理

近场效应

汽车毫米波雷达在短距离探测时面临着一个根本性的物理挑战：当目标距离小于特定临界值时，传统的平面波假设不再成立，电磁波呈现出明显的球面波特性。这种现象被称为近场效应

从夫琅禾费距离理解近场与远场的分界

远场判据的物理意义与数学推导

判断雷达工作在近场还是远场的核心准则是夫琅禾费距离（Fraunhofer distance），其经典公式为 $R_{ff}=\frac{2D^2}{\lambda }$，其中$D$为天线的最大孔径尺寸，$\lambda$为工作波长。这个公式的推导基于相位误差准则：当天线孔径边缘与中心到观测点的路径差引起的相位误差达到$\pi /8$（22.5度）时，我们认为达到了近场与远场的分界。

从几何关系出发，设观测点距离天线中心为$r$，天线孔径边缘到观测点的距离为$r_1$，利用勾股定理可得：

$$r_1=\sqrt{r^2+{\left(\frac{D}{2}\right)}^2}$$

对于大距离$r$，通过泰勒展开可以近似为：

$$r_1\approx r+\frac{(D/2{)}^2}{2r}$$

相位差：

$$\Delta \varphi =k(r_1-r)=\frac{\pi D^2}{4r\lambda }$$

当限制相位差为$\pi /8$时，就得到了夫琅禾费距离公式。

对于77GHz汽车雷达，波长约为3.9毫米，一个10厘米×10厘米的天线阵列，其夫琅禾费距离约为5.13米；而5厘米×5厘米的阵列，夫琅禾费距离仅为1.28米。这意味着在停车辅助等近距离应用中，雷达几乎完全工作在近场区域。

球面波与平面波模型的本质差异

在远场区域，电磁波可以近似为平面波，其数学表达式为：

$$E(z,t)=A{e}^{-jkz+j\omega t}$$

振幅恒定，相位随距离线性变化。而在近场，必须考虑球面波特性，表达式变为：

$$E(r,\theta ,\varphi ,t)=\frac{A}{r}{e}^{-jkr+j\omega t}$$

不仅包含$1/r$的振幅衰减因子，相位项也变为与径向距离$r$相关。

这种差异带来的影响是深刻的。想象一下，如果把电磁波比作水波，远场就像是海浪，波前基本平行；而近场则像是向池塘中投入石子产生的涟漪，波前呈现明显的曲率。这种曲率导致不同位置的天线元素接收到的信号相位关系发生变化，传统基于平面波假设的信号处理算法将产生显著误差。

近场效应对信号处理的深层影响

距离-多普勒处理中的畸变机理

在汽车雷达的距离-多普勒处理中，近场效应引入了复杂的耦合关系。传统的FFT处理假设目标在相干处理间隔内保持固定距离，但对于高速运动的近场目标，会产生距离徙动现象。这种现象可以理解为：在雷达观测的短时间内，快速接近的车辆其反射信号会"跨越"多个距离单元，导致能量分散，就像拍照时的运动模糊一样。

距离徙动量：

$$\Delta R=v_r\cdot T_{CPI}$$

其中$v_r$为径向速度，$T_{CPI}$为相干处理间隔。更复杂的是，近场条件下的多普勒频移不再是简单的线性关系，而是包含了二阶修正项：

$$f_d=\frac{2v_r{f}_0}{c}\cdot \left(1+\frac{v_r^2}{2c^{2}R}\right)$$

这个额外的二阶项虽然很小，但在高精度应用中不可忽略。

Keystone变换：消除距离-多普勒耦合的巧妙方法

Keystone变换通过时间轴的巧妙重标定来消除距离-多普勒耦合，其核心思想是：

$${\tau }^{\prime }=\tau \cdot \frac{f_0+f_k}{f_0}$$

其中$f_k$为快时间频率。这种变换可以形象地理解为：如果把雷达回波看作一幅二维图像，距离徙动就像是图像的倾斜，Keystone变换相当于对图像进行"矫正"，使得原本倾斜的轨迹变为垂直，从而恢复目标的真实位置。

变换后的信号从包含耦合项的复杂形式简化为标准形式，距离和速度信息得以解耦。更先进的变量多普勒起始点Keystone变换（VDSPKT）进一步优化了这一过程，通过自适应调整多普勒起始点，在保持补偿效果的同时将计算复杂度降低约50%。

后向投影算法：从原理回归的精确重构

后向投影算法（BPA）是一种从物理原理出发的精确成像方法，其基本思想是将每个接收信号"投影"回其可能的源位置。算法的核心公式为：

$$I(x,y,z)=\sum _n\sum _{k}s(t_n,{\tau }_{nk})\cdot A(x,y,z,x_n,y_n,z_n)$$

这里每个像素点的值都是所有可能贡献的相干叠加。可以把这个过程想象成考古学家根据多个角度的X光片重建文物的三维结构——每个测量都提供了部分信息，通过正确的"投影"和叠加，最终重构出完整的图像。

BPA的优势在于能够精确处理任意的天线运动和复杂的波前曲率，特别适合近场成像。但其计算复杂度高达$O(N^4)$，因此衍生出了快速因子分解后向投影（FFBPA），通过分级处理将复杂度降至$O(N^2\log N)$，在保持精度的同时大幅提升了效率。

MIMO雷达在近场的独特挑战与解决方案

虚拟阵列概念的近场修正

MIMO雷达通过$M$个发射天线和$N$个接收天线形成$M\times N$个虚拟天线，这个概念在远场条件下运作良好。但在近场，虚拟阵列的等效性受到挑战。虚拟天线位置计算为发射天线位置与接收天线位置的矢量和，但近场的球面波特性使得不同虚拟元素看到的波前曲率不同。

近场条件下的导向矢量需要从简单的线性相位关系：

$$\mathbf{a}(\theta )={\left[1,e^{-j\pi d\sin \theta /\lambda },e^{-j2\pi d\sin \theta /\lambda },\dots \right]}^T$$

修正为考虑实际距离的形式：

$$\mathbf{a}(r,\theta )={\left[1,e^{-j2\pi (R_1-R_0)/\lambda },e^{-j2\pi (R_2-R_0)/\lambda },\dots \right]}^T$$

其中$R_i$需要通过精确的几何计算获得。这种修正在角度估计算法如MUSIC和ESPRIT中尤为重要。

不同MIMO配置的性能权衡

时分复用MIMO（TDM-MIMO）实现简单但信噪比较低，适合成本敏感的应用。二进制相位调制MIMO（BPM-MIMO）通过同时发射获得$10{\log }_{10}(N_{TX})$ dB的信噪比增益，但解码复杂度增加。多普勒分频复用MIMO（DDM-MIMO）频谱效率最高，但需要处理多普勒模糊问题。在近场应用中，BPM-MIMO因其较高的信噪比和适中的复杂度成为优选方案。

附录：关键算法的详细数学推导

A. 近场球面波传播模型的完整推导

考虑一个位于原点的点源天线，在球坐标系$(r,\theta ,\varphi )$中，时谐电磁场的波动方程为：

$${\nabla }^2\mathbf{E}+k^2\mathbf{E}=0$$

其中$k=2\pi /\lambda$为波数。对于球面波，电场的一般解可以写成：

$$\mathbf{E}(r,\theta ,\varphi ,t)=\frac{1}{r}\sum _{n=0}^{\infty }\sum _{m=-n}^n\left[a_{nm}{h}_n^{(1)}(kr)+b_{nm}{h}_n^{(2)}(kr)\right]Y_n^m(\theta ,\varphi )e^{j\omega t}$$

其中$h_n^{(1)}$和$h_n^{(2)}$分别为第一类和第二类球汉克尔函数，$Y_n^m$为球谐函数。

对于向外传播的波，只保留$h_n^{(2)}$项。在远场条件下$(kr\gg 1)$，球汉克尔函数可以近似为：

$$h_n^{(2)}(kr)\approx (-j{)}^{n+1}\frac{e^{-jkr}}{kr}$$

这导出了熟悉的$\frac{e^{-jkr}}{r}$形式。但在近场，必须保留汉克尔函数的完整形式。对于最低阶项$(n=0)$：

$$h_0^{(2)}(kr)=-j\frac{e^{-jkr}}{kr}$$

展开为级数：

$$h_0^{(2)}(kr)=-j\frac{1}{kr}\left[1-jkr-\frac{(kr{)}^2}{2!}+j\frac{(kr{)}^3}{3!}+\dots \right]$$

这揭示了近场相位的非线性特性。相位误差相对于线性近似为：

$$\Delta \varphi =\arg \left[h_0^{(2)}(kr)\right]-(-kr)=\arctan \left(\frac{1}{kr}\right)$$

当$kr<10$时，这个误差变得显著，这就是近场区域的物理判据。

B. Keystone变换的严格数学推导

考虑线性调频连续波（LFMCW）雷达，发射信号为：

$$s_t(t)=\exp \left[j2\pi \left(f_{0}t+\frac{K}{2}{t}^2\right)\right]$$

其中$K$为调频斜率。对于距离$R(t)=R_0+v_{r}t$的运动目标，接收信号为：

$$s_r(t,t_m)=\exp \left[j2\pi \left(f_0(t-\tau (t_m))+\frac{K}{2}(t-\tau (t_m){)}^2\right)\right]$$

其中$\tau (t_m)=2R(t_m)/c$，$t_m$为慢时间。

混频后的中频信号：

$$s_{IF}(t,t_m)=\exp \left[j2\pi \left(\frac{2KR(t_m)}{c}t+\frac{2f_{0}R(t_m)}{c}-\frac{2K{R}^2(t_m)}{c^2}\right)\right]$$

对快时间进行傅里叶变换：

$$S_{IF}(f,t_m)=\int s_{IF}(t,t_m)e^{-j2\pi ft}dt$$

得到：

$$S_{IF}(f,t_m)=\delta \left(f-\frac{2KR(t_m)}{c}\right)\exp \left[j2\pi \frac{2f_{0}R(t_m)}{c}\right]$$

这里可以看到距离和多普勒的耦合：频率$f$与时变的$R(t_m)$相关。

Keystone变换的核心思想是通过变量替换消除这种耦合。定义新的时间变量：

$$t_m^{\prime }=t_m\cdot \frac{f_0+f}{f_0}$$

在新坐标系下，距离函数变为：

$$R^{\prime }(t_m^{\prime })=R_0+v_r{t}_m^{\prime }\cdot \frac{f_0}{f_0+f}$$

代入后，相位项变为：

$$\varphi =2\pi \left[\frac{2f_0{R}_0}{c}+\frac{2f{R}_0}{c}+\frac{2f_0{v}_r{t}_m^{\prime }}{c}\right]$$

第一项是常数相位，第二项只与快时间频率$f$相关（对应固定距离），第三项只与慢时间$t_m^{\prime }$相关（对应多普勒）。这样实现了距离和多普勒的完全解耦。

C. 后向投影算法的格林函数推导

后向投影算法基于格林函数理论。考虑标量波动方程：

$$\left({\nabla }^2-\frac{1}{c^2}\frac{{\partial }^2}{\partial t^2}\right)u(\mathbf{r},t)=-\rho (\mathbf{r},t)$$

其中$\rho (\mathbf{r},t)$为源函数。格林函数$G(\mathbf{r},t|{\mathbf{r}}^{\prime },t^{\prime })$满足：

$$\left({\nabla }^2-\frac{1}{c^2}\frac{{\partial }^2}{\partial t^2}\right)G=-\delta (\mathbf{r}-{\mathbf{r}}^{\prime })\delta (t-t^{\prime })$$

自由空间格林函数为：

$$G(\mathbf{r},t|{\mathbf{r}}^{\prime },t^{\prime })=\frac{\delta (t-t^{\prime }-|\mathbf{r}-{\mathbf{r}}^{\prime }|/c)}{4\pi |\mathbf{r}-{\mathbf{r}}^{\prime }|}$$

利用格林函数，散射场可以表示为：

$$u_s(\mathbf{r},t)=\int \int G(\mathbf{r},t|{\mathbf{r}}^{\prime },t^{\prime })\rho ({\mathbf{r}}^{\prime },t^{\prime })d{\mathbf{r}}^{\prime }d{t}^{\prime }$$

对于雷达成像，源函数与目标反射率$\sigma (\mathbf{r})$相关：

$$\rho ({\mathbf{r}}^{\prime },t^{\prime })=\sigma ({\mathbf{r}}^{\prime })u_i({\mathbf{r}}^{\prime },t^{\prime })$$

其中$u_i$为入射场。后向投影通过相干叠加所有可能的传播路径重构$\sigma (\mathbf{r})$：

$$\hat{\sigma }(\mathbf{r})=\int \int u_s({\mathbf{r}}_R,t)\cdot G^{\ast }({\mathbf{r}}_R,t|\mathbf{r},t-\tau )\cdot w({\mathbf{r}}_T,{\mathbf{r}}_R,\mathbf{r})d{\mathbf{r}}_{R}dt$$

其中${\mathbf{r}}_T$和${\mathbf{r}}_R$分别为发射和接收天线位置，$\tau =(|\mathbf{r}-{\mathbf{r}}_T|+|\mathbf{r}-{\mathbf{r}}_R|)/c$为双程传播延迟，$w$为加权函数。

D. MIMO雷达虚拟阵列的近场相位修正

考虑一个$M$发$N$收的MIMO雷达系统，发射天线位于${\mathbf{r}}_{T_m}$，接收天线位于${\mathbf{r}}_{R_n}$。对于位于${\mathbf{r}}_p$的点目标，信号传播路径长度为：

$$L_{mn}=|{\mathbf{r}}_p-{\mathbf{r}}_{T_m}|+|{\mathbf{r}}_p-{\mathbf{r}}_{R_n}|$$

在远场条件下，使用平面波近似：

$$L_{mn}\approx 2r_p-{\hat{\mathbf{r}}}_p\cdot ({\mathbf{r}}_{T_m}+{\mathbf{r}}_{R_n})$$

其中${\hat{\mathbf{r}}}_p={\mathbf{r}}_p/|{\mathbf{r}}_p|$为单位方向矢量。这导出了虚拟阵列元素位置：

$${\mathbf{r}}_{V_{mn}}=\frac{{\mathbf{r}}_{T_m}+{\mathbf{r}}_{R_n}}{2}$$

但在近场，必须考虑完整的距离公式。利用泰勒展开：

$$|{\mathbf{r}}_p-{\mathbf{r}}_{T_m}|=r_p\sqrt{1-2\frac{{\mathbf{r}}_p\cdot {\mathbf{r}}_{T_m}}{r_p^2}+\frac{|{\mathbf{r}}_{T_m}{|}^2}{r_p^2}}$$

展开到二阶项：

$$|{\mathbf{r}}_p-{\mathbf{r}}_{T_m}|\approx r_p-{\hat{\mathbf{r}}}_p\cdot {\mathbf{r}}_{T_m}+\frac{|{\mathbf{r}}_{T_m}{|}^2-({\hat{\mathbf{r}}}_p\cdot {\mathbf{r}}_{T_m}{)}^2}{2r_p}$$

相位修正项为：

$$\Delta {\varphi }_{mn}=k\left[\frac{|{\mathbf{r}}_{T_m}{|}^2-({\hat{\mathbf{r}}}_p\cdot {\mathbf{r}}_{T_m}{)}^2}{2r_p}+\frac{|{\mathbf{r}}_{R_n}{|}^2-({\hat{\mathbf{r}}}_p\cdot {\mathbf{r}}_{R_n}{)}^2}{2r_p}\right]$$

这个修正项与目标距离$r_p$成反比，在近场变得显著。

E. 距离徙动补偿的分数阶傅里叶变换方法

分数阶傅里叶变换（FrFT）提供了一种优雅的距离徙动补偿方法。定义$\alpha$阶FrFT为：

$$F_{\alpha }[f(t)](u)=\sqrt{\frac{1-j\cot \alpha }{2\pi }}\int f(t)\exp \left[j\frac{t^2+u^2}{2}\cot \alpha -jut\csc \alpha \right]dt$$

对于线性调频信号$s(t)=\exp (j\pi K{t}^2)$，其$\alpha$阶FrFT在$\alpha =\arctan (2\pi K)$时达到最大聚焦。

对于存在距离徙动的雷达信号：

$$s(t,t_m)=\exp \left[j2\pi \left(f_{c}t+K{t}^2+\frac{2v_r}{c}{f}_0{t}_m+\frac{2v_{r}K}{c}t{t}_m\right)\right]$$

最后一项$\frac{2v_{r}K}{c}t{t}_m$造成了距离-多普勒耦合。通过选择合适的FrFT阶数：

$${\alpha }_{opt}=\arctan \left(2\pi K\left(1+\frac{2v_r{t}_m}{c}\right)\right)$$

可以实现自适应的徙动补偿。FrFT的优势在于它保持了信号的能量集中特性，避免了传统插值方法的能量损失。

F. 近场多径效应的统计建模

近场环境中的多径效应可以用随机场模型描述。接收信号为：

$$y(t)=\sum _{i=1}^L{\alpha }_{i}s(t-{\tau }_i)+n(t)$$

其中$L$为多径数量，${\alpha }_i$和${\tau }_i$分别为第$i$条路径的复增益和延迟。

在近场，路径增益遵循莱斯分布：

$$p(\alpha )=\frac{\alpha }{{\sigma }^2}\exp \left(-\frac{{\alpha }^2+A^2}{2{\sigma }^2}\right)I_0\left(\frac{\alpha A}{{\sigma }^2}\right)$$

其中$A$为直射路径幅度，$I_0$为修正贝塞尔函数。莱斯因子$K=A^2/(2{\sigma }^2)$表征了直射与散射功率比。

路径延迟的概率密度函数为：

$$p(\tau )=\frac{1}{{\tau }_0}\exp \left(-\frac{\tau }{{\tau }_0}\right)u(\tau )$$

其中${\tau }_0$为均方根延迟扩展。

利用最大似然估计，可以得到多径参数的估计：

$$\hat{\mathbf{\theta }}=\arg \underset{\mathbf{\theta }}{\max }\ln p(\mathbf{y}|\mathbf{\theta })$$

其中$\mathbf{\theta }=[{\alpha }_1,{\tau }_1,\dots ,{\alpha }_L,{\tau }_L{]}^T$。

通过期望最大化（EM）算法迭代求解：

E步：计算期望对数似然函数
$$Q(\mathbf{\theta }|{\mathbf{\theta }}^{(k)})=E_{\mathbf{z}|\mathbf{y},{\mathbf{\theta }}^{(k)}}[\ln p(\mathbf{y},\mathbf{z}|\mathbf{\theta })]$$

M步：最大化期望
$${\mathbf{\theta }}^{(k+1)}=\arg \underset{\mathbf{\theta }}{\max }Q(\mathbf{\theta }|{\mathbf{\theta }}^{(k)})$$

这种统计方法能够有效分离直射和多径分量，提高近场检测精度。