CST直角反射器 --- 距离多普勒(RD图), 毫米波汽车雷达ADAS

之前几期介绍了雷达是如何从频域换去时域,然后时域计算距离。

这期我们加上一个维度,既看距离,又看速度。速度的计算当然就是多普勒原理,所以距离速度的二维图又叫range-doppler图。

启用雷达ADAS Range-Doppler模板:

还是以这两个直角反射器为例,两个远场源,两个物体,相距两米左右:

新的准备工作当然就是定义他们的速度,这里我们要先定义几个参数,物体速度V,时间步数nT,时间步长dT,这些参数名字可以任意:

然后径向地Transform我们的物体:

径向是指靠近或远离方向,这里大概就是Z方向。我们定义远离雷达的物体速度为正,靠近雷达的物体速度为负,所以根据实际坐标相对位置考虑这里的移动矢量定义是否加个负号。

关于Transform移动的矢量定义,需要清楚位移的计算式和单位。这里nT是整数,dT单位都是s:

CST单位m,速度V是m/s:计算式为nT*dT*V

CST 单位m,速度V是km/h:计算式为nT*dT*V/3.6

CST单位mm,速度V是m/s:计算式为nT*dT*V*1000

CST单位mm,速度V是km/h。计算式为nT*dT*V/3.6*1000

这里模拟的每个dT时间就是一个Chirp(啁啾信号)的时间,一共nT个Chirp。dT数值一般为e-6级别,就是微秒级;速度一般是几十的级别;所以以上的位移公式计算的移动距离很小,不会对计算域的尺寸有大的改变,这其实就是Fast FMCW radar中的"快"的意思,物体"几乎不动"。

下面进入求解器,模式是场源技术模式,我们就选择一个场源激励,另一个被动接收就好。选中Calculate antenna coupling。

求解器带宽可与场源带宽相同,也可更小一些。这里Fstep满足奈奎斯特香农采样,保证时域时间能够测得我们的目标和场源之间的距离。

模型较简单,为了加快仿真,我们可以在Settings中取消自适应、曲面三角、和PTD。

进入参数扫描,扫描nT:

扫描结束后,得到每个Chirp时间的F21参数:

然后进入后处理,选择Range Doppler Map:

Active Source选刚才激励的场源,Receiving Source是接收的场源,Time Parameter选择nT参数,Time Step输入dT的值。若输入不同于dT的值,说明我们仿真的Chirp和我们后处理中理解的Chirp时间不同,导致RD图的速度与三维中定义的速度不同,需要避免这种混乱。

其他参数我们就按截图的数值,等下详解。点击ok后,Evaluate后处理即可得到RD图:

可关闭标尺,平滑色图:

或阙值处理:

可见两个亮点是正确的距离和速度。

下面我们解释一下锯齿调制的FMCW雷达参数,这些参数都是雷达硬件供应商提供的,网上也有很多资料解释。

Model Parameters: 仿真模型相关的参数

Active Source: Tx发射天线的远场源。

Receiving Source: Rx接收天线的远场源。

Time Parameter: 参数扫描的时间步参数。

Time Step :一帧(frame)内的每个时间步步长,下面简称为Tstep。设置与参数dT相同。

这个很容易和下面的Chirp Pulse Length(Tc)分不清。我们有时把一个"Chirp时长"理解为Chirp 的总时长,总时长严格定义是稳定的Chirp和其他不稳定的Chirp以及待命时间idle这些的和,这些和就是Tstep;而实际分析ADC采样时,我们对"Chirp时长"的理解就不能这么笼统了,必须明确是稳定有效的这段Chirp时间,这段时间才是Chirp的采样时间,就是Tc。

Chirp Parameter:啁啾信号相关的参数

Start Frequency: 啁啾信号Chirp起始频率。

Stop Frequency: 啁啾信号Chirp结束频率,与起始频率共同定义雷达信号带宽B。这两个频率要在A求解器计算的频率带宽之内,并且前后都要围绕中心频率小个几倍,

Chirp Pulse Length :一个啁啾信号Chirp的时长Tc,一般雷达是几十微秒。

需要小于或等于上述的Tstep,这是因为每个时间步长Tstep中,稳定的Chirp信号一般只占一部分,我们只在这段有效的Chirp信号中进行ADC采样。

每个Tstep或Tc,都可以理解为一次的信号发射与接收,都是可以直接计算出距离 R的。但是速度V的计算则是等到Nsweep个Tstep或Tc之后,也就是一帧之后,再FFT处理获得。

Data Acquisition: 混频器相关的参数

Complex Mixer: 选择使用实数还是复数混频器,就是In-phase (I) 还是In-phase(I)+Quadrature(Q)的区别。实数混频器便宜,但是有噪音问题;复数混频器成本高,噪音较少。

Sampling time step: 每个啁啾信号Chirp内的ADC采样间距,这个数越小硬件成本越贵。

Lowpass Filter (fract. Nyquist): 用数字信号奈奎斯特频率的百分比来定义的低通滤波器截止频率,默认是0.99倍。

Radar Parameters: 雷达的技术参数预览(点击Calculate获得)

Nsweep :啁啾信号Chirp的数量。也就是雷达一帧内的啁啾信号个数。一般雷达都是128,有些长距离雷达是256。除了这个之外,以下的雷达技术参数都是根据之前的信息计算出来的,点击Calculate就能得到了。

Center Frequency : 啁啾信号Chirp的中心频率, (Chirp start freq + Chirp stop freq)/2。

Range Resolution: RD图中距离的分辨率:Rres=0.5*c/B ,啁啾信号带宽B决定,c是光速。

Max Range: 最大可测距离:Rmax=0.5*fsample*c*Tc/B

物理上的可测最大距离是和发射功率、天线增益、信道衰减、雷达截面等等因素有关;而毫米波雷达的最大可测距离受信号处理和ADC限制,所以用的是以上公式。这里B/Tc就是啁啾信号的斜率,fsample是ADC采样频率,就是混频器参数中设置的Sampling time step的倒数

所以在雷达设计时就要平衡选择,如果Rmax和Rres指标都固定,那么带宽B固定,这时就要选择是要短Chirp周期(斜率增加)加快扫描但增加ADC采样频率和成本,还是要长Chirp周期(斜率减少)减慢扫描节省ADC采样成本。

#Range Bins: 距离的数据包个数,# range bins=Tc/sampling time step 。这个是每个Chirp的采样数量。

Velocity Resolution: RD图中速度的分辨率,Vres=lambda/2/Tf ,lambda 是中心频率波长,Tf =Tstep*Nsweep 是一帧总时长。和之前解释的一样,这里经常见到公式写成lambda/(2*N*Tc),是一样的。

所以这里又有取舍了,啁啾信号Chirp个数越多,速度分辨率越高,但是信号处理成本也增加;Tstep越大,速度分辨率也越高,但是雷达扫描一帧的时间也加长。

Max Velocity: 最大可测速度,Vmax=lambda/4/Tstep ,仅与每个Chirp的时长有关。和之前解释的一样,这里经常见到公式写成lambda/4/Tc,是一样的。

#Velocity Bins: 速度的数据包个数,等于Nsweep。也就是一帧里面有多少个Chirp,这些Chirp都发射和接收之后,再统一用来计算一次速度。

不确定三维和RD后处理的设置是否合适的话,点击Pre-check,观察提示信息:

Pre-check: 自动检查三维设置和扫描结果,检查F21的参数扫描、Chirp带宽与求解器带宽、Chirp时长与Tstep时长等等。

nT到500的动图:

总结流程:

  1. 根据三维环境中定义的目标距离,估算所需的Tmax(往返最大时间,之前文章介绍ICZT解释过Tmax),再根据Tmax和奈奎斯特香农采样定理,定义A求解器中的频率采样。求解器带宽小于等于场源带宽,雷达带宽要小于求解器带宽。

  2. 参数化速度,用transform功能移动目标物体。CST中距离单位不同,使用的移动表达式就不同。

  3. 参数化时间步,比如叫dT,然后扫描整数个nT得到多个F21。这里dT的定义影响能检测的最大速度,建议先估算好Vmax,不然刚才的速度参数太大不合适就白扫描了。这里的nT个数影响速度分辨率。

  4. 运行后处理Range-Doppler,输入参数,Evaluate后处理得到RD结果。Evaluate之前,可用Calculate和Pre-check检查三维设置是否合适,雷达参数是否能够检测出三维设置的速度和距离。


CST对一种用于中型无人机 433MHz 通信的宽带共形贴片天线

CST基于超构表面的边值协同波束赋形

CST太赫兹雷达单个沟槽结构成像仿真与特性分析

相关推荐
小王爱学人工智能19 分钟前
OpenCV的阈值处理
人工智能·opencv·计算机视觉
我不只是切图仔33 分钟前
我只是想给网站加个注册验证码,咋就那么难!
前端·后端
新智元43 分钟前
刚刚,光刻机巨头 ASML 杀入 AI!豪掷 15 亿押注「欧版 OpenAI」,成最大股东
人工智能·openai
机器之心1 小时前
全球图生视频榜单第一,爱诗科技PixVerse V5如何改变一亿用户的视频创作
人工智能·openai
新智元1 小时前
2025年了,AI还看不懂时钟!90%人都能答对,顶尖AI全军覆没
人工智能·openai
湫兮之风1 小时前
OpenCV: Mat存储方式全解析-单通道、多通道内存布局详解
人工智能·opencv·计算机视觉
该用户已不存在1 小时前
macOS是开发的终极进化版吗?
前端·后端
机器之心1 小时前
Claude不让我们用!国产平替能顶上吗?
人工智能·openai
程序员柳1 小时前
基于YOLOv8的车辆轨迹识别与目标检测研究分析软件源代码+详细文档
人工智能·yolo·目标检测
算家计算1 小时前
一站式高质量数字人动画框架——EchoMimic-V3本地部署教程: 13 亿参数实现统一多模态、多任务人体动画生成
人工智能·开源