汽車雷達全頻目標識別算法及FPGA平臺的應用

　　本文通過分析汽車雷達防撞技術的全頻目標識別算法，采用24 GHz毫米波雷達，在FPGA平臺上進行信號處理。通過python軟件實現這類算法并進行仿真，仿真結果和FPGA實際運行的結果基本一致。該方案的雷達掃頻信號為100 Hz的鋸齒波，采樣頻率為480 kHz，離散傅里葉變換(DFT)點數為4 096點，每一幀數據的時間間隔為10 ms，滿足車輛行駛實時性的要求。通過對道路行駛測得的數據比較，相比主流的恒虛警率(CFAR)算法，本算法抗干擾能力更強，精確度更高。

　　關鍵詞： 雷達,汽車防撞,全頻, 離散傅里葉變換

　　經濟的發展提高了人們的生活質量。隨著汽車數量的增多，交通事故的數量也增加了。根據美國各州公路工作者協會資料顯示，司機從感知、判斷到制動產生效果需要[1]3 s，當前大部分科研工作者把精力放在減少司機感知的時間上。主流的汽車防撞預警技術以圖像識別和紅外等為主[2?3]，但這些技術受環境影響很大，惡劣環境下，往往不能減少司機感知的時間。圖像識別技術在白天的準確率很高，但在晚上和霧天，準確率大大下降[2]。

　　紅外識別技術受到雨滴的影響，在雨天效果很差[3]。基于毫米波雷達的汽車防撞預警技術具有不受天氣環境影響的優點，可以適應各種環境。本方案采用24 GHz毫米波雷達，在FPGA平臺上進行信號處理，通過python軟件實現算法并進行仿真。本方案提出的全頻目標識別(Full Spectrum Target Recognition，FSTR)算法與主流的恒虛警率(Constant False?Alarm Rate，CFAR)算法[4]比較，FSTR算法的虛警率更低，抗干擾的能力更強，更加適應復雜的路況環境。

　　1 雷達測距原理

　　本文方案使用的是載波頻率為24 GHz毫米波雷達。調制信號[Tramp]是100 Hz的鋸齒波，調制寬度[BSW=]150 MHz，雷達載波頻率[fc=24] GHz，在低速環境下，多普勒效應對距離的誤差[5]小于0.1 m。因而本方案忽略多普勒效應，使用一次DFT計算得到距離信息。

　　2 全頻目標識別算法與FPGA實現

　　雷達測距的表現與目標物的反射面積、目標物的材質有關，金屬之類反射率比較高的材料在雷達測距上的表現更好。雷達在汽車行駛時，可以測到多個目標，但在安全層面，只有最近的目標物才是影響汽車安全的關鍵，因而用以預警的目標物在頻譜上應該滿足兩個條件：相對在整個頻譜上，幅值足夠大;在量測到多個目標物時，應取距離最近的目標用以預警。針對這兩點，本文提出一種全頻目標識別算法，該算法可以分為兩部分：第一部分提取頻譜上所有目標物的頻率;第二部分選取最近的可能目標頻率用以預警。本文采用的是4 096點DFT基2算法，因為DFT具有對稱性，前2 048個數據已能滿足實驗要求。

　　2.1 所有目標物提取算法

　　根據式(13)得到頻率和DFT序號之間的關系，由每一個數據序號對應的幅值大小判斷其是否是一個可能的目標。首先，求得2 048個數據中的最大值[Gmax，]然后將2 048個數據按照序號分成[N=256]組，每組[M=2 048N=]8個元素，例如數據1～8為一組，9～16為第二組，以此類推。在多次實驗比較中，[N=256]是一個較合適的參數。經過計算得到64組中每組數據的最大值[Gk，][k=1，2，…，255，256]和[Gk]對應的序號[nk，]從而得到兩個集合[G=G1，G2，…，G255，G256，][n=n1，n2，…，n255，n256]。

　　考慮到目標物應滿足在頻譜上的幅值足夠大的條件，設定閾值[F1=0.6Gmax，]若[Gk，][k=1，2，…，255，256]大于閾值[F1，]則認為存在一個目標，將[Gk]存入集合[T，]將[nk]存入集合[T_n。]

　　2.2 最近目標識別算法

　　集合[T]已包含所有可能的目標物的幅值大小，[T_n]包含目標物對應的序號。在安全層面，只有最近的目標物才需要預警，但由于路面環境復雜，頻譜會出現一些干擾信號，這些干擾信號會造成虛警。雷達測距的好壞和目標物的面積有關，一個良好目標物在頻譜上往往表現成一個主峰和一些次峰的疊加，只有主峰才是準確的目標信息。FSTR的第二部分用于準確地識別最近的目標距離。

　　設定閾值[F2=0.8Gmax，]用以區分同一目標內多個波峰的主峰。最近目標識別算法流程如圖2所示。

　　2.3 FPGA架構

　　本文方案采用DE2?115FPGA開發板，主頻為50 MHz，數據位為32位，地址位為12位。FPGA架構見圖3。DFT模塊輸出使能信號AvEn，數據信號Avdata和地址信號AvEn，Max Group將DFT的輸出經過處理后輸出256組數據中的最大值到RAM中，當DFT輸出2 048個數據后，FSTR開始讀RAM的數據進行運算，最后輸出目標物的幅值Target和序號Target_n。

　　3 實驗結果比較

　　本文使用的是載波頻率為24 GHz毫米波雷達。調制信號[Tramp]是100 Hz的鋸齒波，調制寬度[BSW=]150 MHz，雷達載波頻率[fc=]24 GHz，采樣頻率是480 kHz，DFT點數為4 096。根據式(13)，式(14)，本方案距離的分辨率是1 m，能測到的最遠距離是300 m。

　　3.1 不同算法實驗數據比較

　　雷達的準確度和環境的復雜程度成反比，環境越是復雜，雷達受到的干擾越多。經過大量測試發現頻譜的干擾主要來自兩方面;一個是毛刺信號，另一個是環境干擾。毛刺信號見圖4(b)。圖4(a)是卡車距離19 m拍到的圖片，圖4(b)是該圖片對應的頻譜。在頻譜圖里，實線表示頻率大小，虛線表示CFAR的閾值，實線大于虛線表示識別出目標。圓點表示FSTR識別出的目標。從圖4(b)可以看到，CFAR和FSTR都識別出卡車，但CFAR在3 m附近將毛刺信號也認作是目標，這就是毛刺虛警。由于毛刺虛警顯示的距離比實際距離小，若駕駛員根據毛刺虛警制動就會產生與后車碰撞的危險。FSTR因為以全頻譜的最大值作為判斷參考，因此不會出現毛刺虛警。

　　環境虛警是由于復雜環境導致雷達信號出現干擾，距離計算出現偏差。圖5(b)是卡車行駛至測試車30 m前的頻譜圖，在目標卡車的右側車道還有一輛卡車，因此頻譜更復雜。此時CFAR認為頻譜內沒有目標物，嚴重出錯，FSTR計算的結果更符合實際情況。對該卡車測得的165幀數據進行FSTR和CFAR比較，結果見表1，可見FSTR在準確率上高于CFAR。

　　3.2 FPGA與仿真結果比較

　　圖6(a)中，AvData輸出的是整個頻譜，肉眼可以判斷的目標序號是828，幅值大小是49 836，與Target和Target_n的輸出相同。圖6(b)中可以看出在DFT輸出最后一個數據后，整個FSTR的運行時間約為300 ps，運算時間足夠快。

　　3.3 目標時域分析

　　圖9是目標卡車在30 s中的距離變化，可以看到卡車的距離從20 m逐漸增加到53 m，距離隨時間的變化有許多小毛刺，毛刺的產生有兩個原因：卡車與測試車的速度變化大;環境干擾。這表明單憑1幀的數據判斷距離仍然會有誤差。圖9在20 s左右的時候出現了161 m的數據，經檢查，應該是測試環境出現問題或者開發板受到干擾所致。

　　4 結 論

　　本文提出一種應用于雷達汽車防撞技術的FSTR算法。通過路上測試發現該算法可以有效識別出目標物。相比主流的CFAR算法，FSTR算法可以避免毛刺虛警，不會出現嚴重的誤判。由于雷達本身的準確度和環境的干擾問題，只憑1幀的數據識別目標距離的準確度還是較低，如果結合前后幾幀的數據進行目標識別可以提高目標的準確度。

　　參考文獻：

　　[1] AASHTO. A policy on geometric design of highways and streets [R]. Washington， DC： American Association of State Highway and Transportation Officials， 2001.

　　[2] 伍宗富，陳日新，朱明旱.基于圖像識別的汽車智能防撞系統研究與實現[J].機械與電子，2008(9)：56?60.

　　[3] 蔣曉玲，孟志強，陳燕東，等.汽車追尾防撞紅外測距系統[J].光電子技術，2011，31(1)：67?72.

　　[4] 蔣鐵珍，武虎，吳凱，等.毫米波汽車防撞雷達恒虛警率門限設定方法[J].紅外與毫米波學報，2005，24(3)：217?220.

　　相關閱讀：現代雷達核心期刊投稿征稿目錄查詢

　　現代雷達雜志是通信行業的一本核心期刊，主要報導國內外先進雷達技術，內容豐富，學術性強，有較大的理論和實用價值。我國很多對雷達有研究的科研人員都會在現代雷達雜志上發表一些論文，本文樹人論文網小編給大家推薦的是現代雷達雜志的一些征稿目錄以供參考：