毫米波雷达技术支持下的汽车防碰撞控制算法研究

2022-09-12

毫米波雷达具备高精度、高分辨率、高准确性、规格小、能耗低与长续航等优势, 因而近年来成为检测技术的重要研究方向, 其市场应用价值逐渐被开发。在汽车检测与安全领域的应用, 可通过毫米波雷达检测与控制, 主动采取防碰撞措施, 以减少汽车运行中的安全隐患。出于保障检测精准性的考量, 采用电路检测CA-CFAR及其优化算法GO-CFAR相结合。

一、雷达模型

将毫米波雷达技术与CFAR检测相结合, 建立调频连续波雷达 (Frequency Modulated Continuous Wave, 以下简称FMCW) 模型。当毫米波雷达信号的毫米波形以连续线性的形式发射时, 会受到扫描目标的反射, 产生回波信号, 将回波信号与本振信号进行解调处理, 产生差频信号, 采用时频信号分析方法, 对雷达检测目标的距离与速度信息加以明确。

毫米波雷达技术应用所产生的回波信号与发射信号之间存在时差, 因此有公式:

其中包含目标与车辆之间距离R, 以及信号发射速度C。

以相似三角形的方式确定差频信号的大小:

其中, 三角波信号调制周期t;中频频率f0, 调频带宽∆F。

实际上, 检测目标与车辆间距越大, 回波信号中频频率越高。检测目标的运动会使雷达回波信号中产生多普勒频移, 三角形扫描区域的正逆程可以用以下方式表现差频信号频率:

其中fd为多普勒频移, 且存在, fc为射频频率。

经过以上计算, 确定检测目标与车间距及检测目标运动速度为:

二、信号处理

(一) 回波基带信号处理

压控震荡信号是由雷达调制信号激励而产生的, 而压控振荡器会产生毫米波雷达信号。发射部分毫米波雷达信号之后, 其余信号向接收混频器进行发射。前段信号受到目标的反射, 接收机接收部分回波信号, 经由混频器与本振信号混频, 通过低通滤波器加以过滤, 输出零中频信号。为减少零中频信号中的不必要干扰, 需要对该信号加以放大及过滤处理, 清除其中的外部带宽。

对零中频信号加以数字化处理, 进行傅里叶变换, 确定检测目标的运动速度及车距。实际上, 检测目标距离不同, 所产生的回波差频信号也不同。对三角回波信号加以分析, 配对处理时频分析结果, 确定检测目标的相应数据。处理多帧扫描数据, 减少雷达发射截面变化对检测性能的干扰, 确定目标连续航点轨迹参数, 得到相应数据流。

(二) CA-CFAR算法

CFAR算法可以提高检测有效性, 而CA-CFAR算法可以计算检测单元临近单元的平均功率, 据此确定门限, 自动匹配噪音环境, 以减少噪音环境对于检测效果的影响。

应用CA-CFAR算法时, 检测单元与参考单元共同构成输入信号, 检测单元位于参考单元中间, 以参考单元为轴对称分布。当存在单目标时, 保护单元用以减少目标能量泄露对于参考单元的影响, 减少信号检测干扰。采用2n个参考单元, 对其加以处理, 以提高检测有效性, 估计整体杂波功率Z。将Z与标称因子T相结合, 确定门限电平。如果门限电平高于检测单元值, 可以认定检测目标不存在。杂波与噪声一般互不干扰, 当平方率检波以指数形式分布时, 确定参考单元概率密度函数:

该函数中含有噪音功率水平µ。

整体杂波功率Z的随机性较强, 所选的CFAR算法及参考单元会决定Z的分布。如果杂波背景均匀, 则参考单元采样的分布具有独立性, 即xi (i=, 1, 2..., 2n) 。由于Z为随机变量, 则门限同样为随机变量, 如果存在对于Z的统计有平均性的要求, 可以确定相应虚警概率:

在以上公式中, 存在随机变量Z的概率密度函数fZ (z) 及矩母函数MZ (u) 。

所采用的CFAR算法在对参考单元的处理方式不同, 会对Z产生决定性的影响。当存在独立背景噪声时, CFAR通过T来加以明确。采用不同CFAR算法时, 会影响T的确定[1]。

CA-CFAR算法检测中, 基于其设定条件, 当存在0均值信号时, 通过对称参考单元采样平均值确定预估背景噪音功率Z, 参考单元服从指数分布假设, 确定杂波功率水平的最大似然估计。将纳入标称因子中, 存在

当α=1的情况下, Γ分布概率密度函数:

其中包括两个参数α, β, 以及一个Γ函数。且当α为整数时, 存在Γ (α) = (α-1) 。上述分布概率密度函数与累积分布函数相对应, 其对应函数为G (α, β) , 如果随机变量满足Γ函数分布时, 则该随机变量为X~G (α, β) , 其矩母函数为:

xi~G (, 1µ) , 矩母函数对于独立随机变量加以统计所产生的和, 与随机变量矩母函数的乘积相同, 结合预估杂波功率水平, 确定其虚警概率及相应的标称因子, 分别为:

(三) GO-CFAR算法

上述CA-CFAR算法的使用, 容易在强干扰的作用下, 产生对于小目标的漏检, 基于此对其加以改进与优化, 形成GO-CFAR算法, 减少强干扰的影响。当利用GO-CFAR算法对门限加以计算时, 去除临近参考单元的最大值, 保留其左右临近单元的较小平均值, 据此计算门限, 并按照CA-CFAR算法计算标称因子。

三、实验测试

验证上述算法及信号处理的有效性, 可以通过仿真实验与外场实验相结合的方式实现。利用MATLAB软件验证该算法的性能, 基于规定值与零均值, 采用高斯随机变化的噪声信号方差, 以模拟噪声浮动及强干扰, 确定在不同情况下的算法性能。经过测试可以确定, 该算法的检测概率较高, 并且可以提升在低信噪比环境下的检测概率。外场测试是对雷达信号处理整体算法加以测试, 测试其静态目标的检测场景与显示截面。经过测试, 确定测量高度及目标实际位置相同, 本次基于毫米波雷达技术及CFAR的汽车防碰撞控制算法的设计具有精准性与有效性[2]。

四、结语

综上所述, 在明确毫米波雷达信号视频处理原理及算法流程的前提下, 采用合理的算法, 并对其加以优化改进。经过测试, 确定本次基于毫米波雷达技术及CFAR的汽车防碰撞控制算法的设计具有精准性与有效性。

摘要：出于保障汽车驾驶安全的考量, 本文提出一种以毫米波雷达技术为基础, 结合时频分析及恒虚警检测的汽车防碰撞控制算法, 首先通过时频分析, 结合毫米波雷达技术建立检测模型, 设计信号处理算法流程, 并提出恒虚警率算法 (Constant-Alarm Rate, 以下简称CFAR) 算法, 以及以其为基础的单元平均恒虚警检测 (Cell-Averaging Constant Alarm Rate, 以下简称CA-CFAR) 及CA-CFAR的改进算法GO-CFAR, 对其加以模拟实验与外场测试。经过试验测试, 确定该汽车防碰撞控制算法具备精准性与有效性。

关键词：毫米波雷达技术,汽车防碰撞控制,恒虚警检测