精华内容
下载资源
问答
  • 77GHz毫米波雷达快速chirp信号技术(一):测距原理
    万次阅读 多人点赞
    2019-01-10 09:23:04
    1. 快速chirp信号指的是发射天线发射如下图所示信号:
      在这里插入图片描述
      单个chirp的解析式为 x ( t ) = s i n ( 2 ∗ p i ∗ ( f 0 + 0.5 ∗ S ∗ t ) . ∗ t ) x(t)=sin(2*pi*(f_0+0.5*S*t).*t) x(t)=sin(2pi(f0+0.5St).t)
      其中斜率 S S S达到 M H z / u s MHz/us MHz/us的数量级。
    2. 当前方距离为R处存在目标时接收天线接收到的信号如下图:
      在这里插入图片描述
      红色表示接收天线的信号,黑色表示发射天线的信号
      T T T即是电磁波在空气中传播的总时间:
      T = 2 R C ( C : 光 速 , 电 磁 波 发 收 的 总 距 离 是 实 际 距 离 的 两 倍 ) T=\frac{2R}{C}(C:光速,电磁波发收的总距离是实际距离的两倍) T=C2RC:
    3. 然后对接收天线的信号与发射天线的信号进行混频,混频器输出的频率即是发射天线信号与接收天线频率信号之差,这个信号就是中频信号。
      中频信号记为 f I F f_{IF} fIF
      f I F = S T + 2 f 0 V C = 2 R S C + 2 f 0 V C ( f 0 为 起 始 频 率 77 G H z , V 为 目 标 速 度 ) 。 f_{IF}=ST+\frac{2f_0V}{C}=\frac{2RS}{C}+\frac{2f_0V}{C}(f_0为起始频率77GHz,V为目标速度)。 fIF=ST+C2f0V=C2RS+C2f0V(f077GHz,V) 2 f 0 V C \frac{2f_0V}{C} C2f0V是由于多普勒效应引起的频率差。此时由于 R S ≫ f 0 V RS\gg f_0V RSf0V所以可以忽略多普勒效应造成的相位差。
      也就是: f I F = 2 R S C f_{IF}=\frac{2RS}{C} fIF=C2RS 即: R = f I F C 2 S R=\frac{f_{IF}C}{2S} R=2SfIFC
    4. 可以通过对混频器的输出进行复数AD采样,并对采样数据做FFT来得到目标的对应 f I F f_{IF} fIF
    5. 测距范围。
      首先,测得的距离不应有负值,也就是说测得的距离最小值为0。即FFT得结果从物理意义上没有负频率存在。那么FFT得到得频率最大值即为 F I F F_{IF} FIF(AD采样频率)。
      0 ≤ f I F ≤ F I F 0\le f_{IF}\le F_{IF} 0fIFFIF所以测距范围为: 0 ≤ R ≤ F I F C 2 S 0\le R\le\frac{F_{IF}C}{2S} 0R2SFIFC
    6. 距离分辨率
      由FFT性质可知两个频率能够被区分的条件是频率差大于采样时间分之一。
      设采样时间为 T A D T_{AD} TAD。它等于采样点数与采样频率之比。
      所以: R r e s = C 2 T A D S = C 2 B ( B 是 发 射 信 号 的 带 宽 ) R_{res}=\frac{C}{2T_{AD}S}=\frac{C}{2B}(B是发射信号的带宽) Rres=2TADSC=2BC(B)
    更多相关内容
  • 测距传感器,相信大家一定不会陌生了,今天本文收集整理了一些关于测距传感器的原理资料,希望本文能对各位读者有比较大的参考价值。下面我们就来对其原理作下简要说明。  超声波测距传感器原理  超声波对液体...
  • 测距传感器原理

    2021-01-19 16:22:02
    测距传感器,相信大家一定不会陌生了,今天本文收集整理了一些关于测距传感器的原理资料,希望本文能对各位读者有比较大的参考价值。下面我们就来对其原理作下简要说明。  超声波测距传感器原理  超声波对液体...
  • 多普勒频移测速与FMCW测距

    千次阅读 2020-11-24 00:00:31
    文章目录时域与频域基于多普勒频移估计速度基于传统的FMCW测距什么是FMCWFMCW测距原理参考论文 时域与频域 时域 — 自变量是时间,即横轴是时间,纵轴是信号振幅的变化。表示振幅随时间的变化。 频域 — 自变量是频率,...

    该博客是在学习利用FMCW原理进行声源信号追踪过程中的学习笔记。

    参考论文

    • CAT: High-Precision Acoustic Motion Tracking
    • Vernier: Accurate and Fast Acoustic Motion Tracking Using Mobile Devices
    • MilliSonic: Pushing the Limits of Acoustic Motion Tracking
    • Turning a Mobile Device into a Mouse in the Air

    相关部分已经更新到另一篇博客:点击链接

    时域与频域

    时域 — 自变量是时间,即横轴是时间,纵轴是信号振幅的变化。表示振幅随时间的变化。

    频域 — 自变量是频率,即横轴是频率,纵轴是该频率信号幅度的峰值。表示振幅峰值随频率的变化。

    基于多普勒频移估计速度

    当发送端静止而接收端相对运动时,有:

    • v = F s F c v=\frac{F^s}{F}c v=FFsc

    其中,F是信号的原始频率; F s F^s Fs 是接收信号频率与发送信号频率之差,即多普勒频移;c是声波的传播速度;v是接收源相对发送源的移动速度。

    因此,通过测量 F s F_s Fs ,我们就能估计接收端的速度 v 了,这时我们使用STFT(短时傅里叶变换)获得 F s F_s Fs

    短时傅里叶变换:采用滑动窗口机制,设定窗口(窗函数,例如汉宁窗)大小和步长,让窗口在时域信号上滑动,分别计算每个窗口的傅立叶变换,形成了不同时间窗口对应的频域信号,拼接起来就成为了频率随时间变化的数据(时频信号)。加窗在时域上表现的是点乘,因此在频域上则表现为卷积。
    在这里插入图片描述
    计算得到的速度的误差由公式 F = F s L w F^=\frac{F_s}{L_w} F=LwFs 决定,其中: L w L_w Lw 是窗口的长度, F s F_s Fs 是采样率

    基于传统的FMCW测距

    什么是FMCW

    每个 FMCW 都是由若干个相同的 chirp组成,每个 chirp 是一组声波频率按固定斜率变化的声波,如下图:
    在这里插入图片描述
    每个chirp周期内,频率线性地从fmin增加到fmax,频率 f ( t ) = f m i n + B t T f(t)= f_{min} + \frac{Bt}{T} f(t)=fmin+TBt,其中B为信号的带宽( B = f m a x − f m i n B=f_{max}-f_{min} B=fmaxfmin),T为信号的周期

    将若干个 chirp 连接在一起就是 FMCW,如下图:
    在这里插入图片描述
    因为 FMCW 信号是由多个 Chirp 信号组合而成的周期信号,所以FMCW 的频率为:

    • f ( t ) = f m i n + B T ( t − n T ) f(t) = f_{min} +\frac{B}{T} (t − nT) f(t)=fmin+TB(tnT)

    FMCW测距原理

    在这里插入图片描述
    根据频率是相位的微分,相位是频率的积分,又每个chirp的频率为: f ( t ) = f m i n + B t T f(t)= f_{min} + \frac{Bt}{T} f(t)=fmin+TBt

    对频率按时间积分可得相应的相位: u ( t ) = 2 π ( f m i n t + B t 2 2 T ) u(t) = 2π(f_{min}t + B\frac{t^2}{2T} ) u(t)=2π(fmint+B2Tt2)

    在第n次扫描期间(即第n个chirp)传输的信号为: v t ( t ′ ) = c o s ( 2 π f m i n t ′ + π B t ′ 2 T ) v_t(t') =cos(2πf_{min}t' + \frac{πBt'^2}{T}) vt(t)=cos(2πfmint+TπBt2),其中t’=t-nT

    FMCW波在延迟 t d t_d td时间后传播到接收端,接收到的信号会衰减: v r ( t ′ ) = α c o s ( 2 π f m i n ( t ′ − t d ) + π B ( t ′ − t d ) 2 T ) v_r(t')= α cos(2πf_{min}(t' − t_d) + \frac{πB(t' − t_d)^2}{T}) vr(t)=αcos(2πfmin(ttd)+TπB(ttd)2),其中 α为衰减系数

    接收方将收到的信号和发送的信号混合, v m ( t ) = v r ( t ) v t ( t ) v_m(t) = v_r(t)v_t(t) vm(t)=vr(t)vt(t);利用cos A cos B = (cos(A − B) + cos(A + B))/2,并过滤掉高频部分cos(A + B),得:

    • v m ( t ) = α c o s ( 2 π f m i n t d + π B ( 2 t ′ t d − t d 2 ) T ) v_m(t) = α cos(2πf_{min}t_d + πB\frac{(2t't_d − t_d^2)}{T}) vm(t)=αcos(2πfmintd+πBT(2ttdtd2))

    假设发送方与接收方相距R,发送方以v的速度移动, t d = R + v t ′ c t_d=\frac{R+vt'}{c} td=cR+vt,带入上式得:

    • α c o s ( 2 π f m i n R + v t ′ c + ( 2 π B t ′ ( R + v t ′ ) c T − π B ( R + v t ′ ) 2 c 2 T ) ) α cos(2πf_{min} \frac{R + vt'}{c} + (\frac{2πBt'(R + vt')}{cT}− \frac{πB(R + vt')^2}{c^2T})) αcos(2πfmincR+vt+(cT2πBt(R+vt)c2TπB(R+vt)2))

    将上式中的相位部分对 t ′ t' t 求导,常数项可以忽略,关于 1 c 2 {\frac1c}^{2} c12的二次项太小,也可以忽略,t’的平均值为T/2,得到:

    • f p = 1 2 π δ P h a s e δ t ′ = B R c T + f m i n v c + B v c f_p = \frac1{2π}\frac{δPhase}{δt'} = \frac{BR}{cT} + \frac{f_{min}v}{c}+ \frac{Bv}{c} fp=2π1δtδPhase=cTBR+cfminv+cBv

    当v接近于0时,频谱的第一个峰值为 B R c T \frac{BR}{cT} cTBR

    如果发送方和接收方之间存在多路径传播,在混合信号的频谱中观察到多个峰值,在这种情况下 f p f_p fp 由第一个峰值决定,该峰值对应于直接路径。通过测量第一个峰值 f p f_p fp ,距离 R = f p c T B R=\frac {f_pcT}{B} R=BfpcT

    改进的FMCW

    1、使用FMCW相位测距(手机是发送方)

    传统FMCW方法在峰值估计上的错误

    直接路径的到达时间为 t 1 t_1 t1,对应解调信号的频率为 f t 1 f_{t_1} ft1;非直接路径的到达时间为 t 2 t_2 t2,对应解调信号的频率为 f t 2 f_{t_2} ft2

    ∣ f t 1 − f t 2 ∣ < 1 |f_{t_1}-f_{t_2}|<1 ft1ft2<1时,两个峰值在频域内合并成为一个峰值,近似于 ( A 2 f t 2 + A 1 f t 1 ) / ( A 2 + A 1 ) (A_2f_{t_2}+A_1f_{t_1})/(A_2+A_1) (A2ft2+A1ft1)/(A2+A1),其中A1和A2分别是直接路径的振幅和剩余非直接路径的总振幅,因此频率的错误为 ( A 2 f t 2 + A 1 f t 1 ) / ( A 2 + A 1 ) − f t 1 = ( f t 2 − f t 1 ) / ( 1 + A 1 A 2 ) (A_2f_{t_2}+A_1f_{t_1})/(A_2+A_1)-f_{t_1}=(f_{t_2} − f_{t_1})/(1 + \frac{A_1}{A_2} ) (A2ft2+A1ft1)/(A2+A1)ft1=(ft2ft1)/(1+A2A1)
    随( f t 2 − f t 1 f_{t_2} − f_{t_1} ft2ft1)线性增长,并且随着 A 1 A 2 \frac{A_1}{A_2} A2A1按比例增长

    使用FMCW相位

    方法:

    1) 在时域应用动态窄带带通滤波器来滤除大部分到达时间较远的多径,这使得我们只剩下了直接路径周围剩余的一小部分间接路径。

    2) 从瞬时FMCW相位提取距离信息(具体怎么从相位中获取距离信息论文没提)。
    在这里插入图片描述
    假设在通过滤波器后,剩余的非直接路径的振幅比直接路径的振幅低。蓝色向量:直接路径;红色向量:所有剩下的非直接路径之和;绿色向量:前两个向量之和。

    因此,最大相位错误发生在红色向量垂直于绿色向量时,相位错误为 s i n − 1 ( A 2 A 1 ) sin^{-1}(\frac{A_2}{A_1}) sin1(A1A2),在 s i n − 1 ( A 2 A 1 ) sin^{-1}(\frac{A_2}{A_1}) sin1(A1A2)处要增长得慢得多

    2、分布式FMCW(手机是接收方)

    在传统的FMCW中,发送方和接收方是在一起的并且分享同一个时钟;而在分布式FMCW中,发送方(扬声器)和接收方(麦克风)是分离的和不同步的。因此,传统FMCW中所需的传输时间对于接收方来说是未知的。

    分布式FMCW使用如下步骤解决上述问题:

    1)找到一个参考点并获知它的绝对位置

    2)当发送方移动时,估计它相对于参考点的距离变化

    3)推测出发送方和接收方的绝对距离

    此时,就无需知道信号的传输时间了,但是,分离的接收方和发送方有不同的采样率

    Step1:在接收信号上进行一次近似同步

    如上图所示,近似同步保证每个处理周期都与单个chirp对齐,每次处理一个完整的chirp。

    具体方法是将接收到的信号与原始chirp信号互相关correlation),选择检测到最高相关峰的时间作为第一个处理周期的开始时间,同步只需要在开始时执行一次。

    如上图,由于互相关通常会显示多个幅度相似的峰,因此同步是近似的。

    Step2:引入pseudo-transmission time

    由于在每个处理周期中,要将接收信号与发送信号混合,但是我们不知道发送信号开始的具体时间,因此,引入了pseudo-transmission time(接收方假设传输信号开始的时间,下图绿色虚线所示)

    在这里插入图片描述

    t0为第一个chirp中pseudo transmission time实际发送时间之差,并且对于接收方来说是一个未知的常数,因此,在每个处理周期,估计距离相对于实际距离偏移一个常数:
    R n = c T f n p B + c t 0 R_n=\frac{cTf_n^p}B+ct_0 Rn=BcTfnp+ct0
    其中, R n R_n Rn为在第n个处理周期中发送方和接收方的距离, f n p f^p_n fnp是第n个处理周期中混合信号的峰值,c是声信号的传播速度,T是chirp的周期,B是信号带宽( B = f m a x − f m i n B=f_{max}-f_{min} B=fmaxfmin)。

    根据上述等式,接着考虑两个处理周期:
    R n − R 1 = ( f n p − f 1 p ) c T B R_n-R_1=(f_n^p-f_1^p)\frac{cT}B RnR1=(fnpf1p)BcT
    由于这个常数偏移,我们仅可以测量距离的变化量。要随时获取绝对距离,我们需要知道某个点(称为参考点)的绝对距离,并使用距离变化来获取新位置的绝对距离,即:

    R n = ( f n p − f 1 p ) c T B + R 1 R_n=(f_n^p-f_1^p)\frac{cT}B+R_1 Rn=(fnpf1p)BcT+R1
    其中,R1就是参考点相对于扬声器的绝对距离

    Step3:估计参考点

    为了获得距离 R n R_n Rn,我们需要知道手机在某个点(称之为参考点)上与扬声器之间的绝对距离。

    在这里插入图片描述

    假设两个speaker分别位于(0,0)和(A,0)的位置,让移动设备沿x轴(两个扬声器之间的连线)来回移动。

    当移动设备移动向speaker2时,它在接近speaker2并且在x=A之前,经历正多普勒频移;当经过x=A后,并且远离speaker2时,经历负多普勒频移。因此,我们可以检测到多普勒频移改变其符号的时间,并且那时移动设备移动到x = A上的一个点,就是我们的参考点。

    假设参考点距离两个speaker的距离分别为D1和D2,我们可以通过让两个speaker相同时间开始发送信号并且使用相同的pseudo-transmission time(此时t0是相同的),然后使用FMCW测距D1与D2之差 Δ D \Delta D ΔD
    Δ D = D 1 − D 2 = c T ( f p , 1 − f p , 2 ) B \Delta D=D1-D2=\frac{cT(f_{p,1}-f_{p,2})}B ΔD=D1D2=BcT(fp,1fp,2)
    又因为勾股定理: D 1 2 − D 2 2 = A 2 D1^2-D2^2=A^2 D12D22=A2,我们可以得到D1和D2的值。

    为了提高精度,我们可以多次扫描,让移动设备穿过参考位置多次,并将平均值用作为D1和D2的估计值。

    Step4:考虑接收方运动的影响

    为了简便,上述公式忽略了接收方运动的影响,但是不可忽略的速度会导致混合信号的峰值频率的额外频移。

    因为 f p = B R c T + f m i n v c + B v c f_p = \frac{BR}{cT} + \frac{f_{min}v}{c}+ \frac{Bv}{c} fp=cTBR+cfminv+cBv,并且由于pseudo-transmission时间 t 0 t_0 t0,这个周期中的测量值与实际值 R n R_n Rn相差 c t 0 ct_0 ct0,因此得到下式:

    • f n p = B ( R n − c t 0 ) c T + f m i n v n c + B v n c f_n^p=\frac{B(R_n-ct_0)}{cT}+\frac{f_{min}v_n}c+\frac{Bv_n}c fnp=cTB(Rnct0)+cfminvn+cBvn

    其中, v n v_n vn是接收方相对于发送方在第n个处理周期的速度,为了简单,假设在第一个处理周期中是静止的(可以作为参考点)

    • R n = ( f n p − f m i n v n c − B v n c − f 1 p ) c T B + R 1 R_n=(f_n^p-\frac{f_{min}v_n}c-\frac{Bv_n}c-f_1^p)\frac{cT}B+R_1 Rn=(fnpcfminvncBvnf1p)BcT+R1

    根据上式,绝对距离 R n R_n Rn由第1个和第n个处理周期的峰值频率 f n p 、 f 1 p f_n^p、f_1^p fnpf1p,基于多普勒频移的第n个处理周期接收方的速度 v n v_n vn,和参考点的距离 R 1 R_1 R1决定

    Step5:考虑频率偏移

    由于不完美的时钟,发送方和接收方的采样率不完全相同,也就是说发送方和接收方采样相同的点数花费不同的时间,因此也就引入的误差。

    在这里插入图片描述

    如上图,发送方传输一个由1764个采样点构成的chirp,在经历了Delay1的时间后,该chirp被接收方收到。由于接收器的时钟速率略有不同,因此接收器累积这1764个采样所需的时间稍长一些,所以Delay2不仅包括传输延迟还包括不同时钟速率造成的采样时间差。Delay3同理。

    如果发送方和接收方是静态的,并且它们的采样率偏移是恒定的,则估计的延迟将随时间线性增加。为了补偿这种影响,我们在开始时引入了一个简短的校准阶段,我们会在校准过程中固定接收器的位置。

    如果没有采样频率偏移,则FMCW检测到的峰值频率应固定,采样频率偏移将导致峰值频率随时间稳定变化,我们可以通过绘制随时间变化的峰值频率来估计偏移(对测量数据应用最小二乘拟合):

    在这里插入图片描述

    图中红虚线的斜率为k,我们按以下方式处理原始测量:
    f p a d j u s t e d = f p r a w − k t f_p^{adjusted}=f_p^{raw}-kt fpadjusted=fprawkt
    其中 f p a d j u s t e d f^{adjusted}_p fpadjusted f p r a w f_p^{raw} fpraw分别表示调整后的和原始的峰值频率,t是校准阶段经过的时间,k是拟合线的斜率

    采样频率偏移可能会随时间缓慢变化,当接收器静止时,重新校准频率偏移。

    Step6:优化框架,得到最合适的移动方坐标

    结合了多普勒频移和FMCW测量,可进行精确的运动跟踪的优化框架:
    ∑ i ∈ [ k − n + 1.. k ] ∑ j α ( ∣ z i − c j ∣ − ∣ z 0 − c j ∣ − d F M C W i , j ) 2 + ∑ i ∈ [ k − n + 2.. k ] ∑ j β ( ∣ z i − c j ∣ − ∣ z i − 1 − c j ∣ − v i − 1 , j d o p p l e r T ) 2 \sum_{i\in [k-n+1..k]}\sum_j\alpha(|z_i-c_j|-|z_0-c_j|-d_{FMCW}^{i,j})^2+\\ \sum_{i\in [k-n+2..k]}\sum_j\beta(|z_i-c_j|-|z_{i-1}-c_j|-v_{i-1,j}^{doppler}T)^2 i[kn+1..k]jα(zicjz0cjdFMCWi,j)2+i[kn+2..k]jβ(zicjzi1cjvi1,jdopplerT)2
    其中,k是当前的处理周期,n是用于该优化的周期数, z i z_i zi表示在i个周期开始的时候移动方的位置, z 0 z_0 z0表示参考点的位置, c j c_j cj表示第j个周期扬声器的位置, d F M C W i , j d_{FMCW}^{i,j} dFMCWi,j表示在第i个周期中相对于第j个扬声器的参考点距离变化, v i , j d o p p l e r v_{i,j}^{doppler} vi,jdoppler表示在第i个周期中相对于第j个扬声器的速度。

    优化框架反映了找到最适合FMCW和Doppler方法的移动方坐标,利用了多个周期来提高准确率。

    第一项捕获基于坐标计算的距离应与从FMCW估计的距离相匹配,第二项捕获在从坐标计算的间隔内的行进距离应与从多普勒频移得出的距离相匹配。

    上述的优化问题是非凸的,意味着不保证收敛并且计算开销大。上述公式中未知项为移动方的坐标,为了简化该问题,将移动方相对于扬声器的距离作为未知项,即将上述公式中的 ∣ z i − c j ∣ |z_i-c_j| zicj替换成 D i , j D_{i,j} Di,j

    展开全文
  • FMCW雷达测速和测距原理介绍

    千次阅读 2021-06-07 21:29:31
    在与测距相关的应用中,雷达一般工作在FMCW模式,其原理是将经过调制的连续波信号以较高的载频发射出去,遇到被测目标时,将接收到的回波信号与当下发射的高频信号进行混频得到差频信号。对于线性调频来说,差频的...

    在与测距相关的应用中,雷达一般工作在FMCW模式,其原理是将经过调制的连续波信号以较高的载频发射出去,遇到被测目标时,将接收到的回波信号与当下发射的高频信号进行混频得到差频信号。对于线性调频来说,差频的频率即携带着目标的距离信息

    雷达和测量目标相对静止

    当雷达和测量目标相对静止,回波信号和发射信号相比,在时间上延迟了 τ \tau τ,可表示为:
    τ = 2 R c \tau =\frac{2R}{c} τ=c2R
    其中,R为雷达与目标物体的距离,c为光速。
    下图为发射信号与回波信号的简化模型图。其中实线部分为发射信号频率曲线 f t f_{t} ft,虚线部分为回波信号频率曲线 f r f_{r} fr,混频输出的差频信号频率 f b f_{b} fb为发射信号和回波信号的频率差.
    在这里插入图片描述
    从图中可以得到
    tan ⁡ θ = B / 2 T / 4 = f b τ \tan \theta =\frac{B/2}{T/4}=\frac{{{f}_{b}}}{\tau } tanθ=T/4B/2=τfb
    可以得到目标物体的距离值R、差频 f b f_{b} fb、调频带宽B、调制周期T之间的关系:
    R = c T 4 B f b R=\frac{cT}{4B}{{f}_{b}} R=4BcTfb
    当三角波周期T和带宽B为固定的值时,在雷达与目标相对静止时,目标距离与差频 f b f_{b} fb成正比。因此,可以通过对差频信号 f b f_{b} fb的检测来获取目标距离R。

    雷达和测量目标之间存在相对运动

    多普勒效应指出,波在波源向观察者接近时接收频率变高,而在波源远离观察者时接收频率变低。当观察者移动时也能得到同样的结论。同理,用雷达观测运动目标时也会存在多普勒效应:当目标接近雷达时,雷达的接收频率变高;当目标远离雷达时,雷达的接收频率会变低。
    假设雷达和目标接近,在回波信号中包含着由于目标的运动带来的多普勒频移 f d f_{d} fd信号。可以得出在三角波的上升沿和下降沿差频信号的频率可分别表示如下:
    f b + = f b − f d {{f}_{b+}}={{f}_{b}}-{{f}_{d}} fb+=fbfd
    f b − = f b + f d {{f}_{b-}}={{f}_{b}}+{{f}_{d}} fb=fb+fd
    其中, f b f_{b} fb为雷达和目标物体是相对静止时的差频信号的频率,而 f d f_{d} fd为目标运动带来的多普勒频移信号。根据多普勒原理,多普勒频移 f d f_{d} fd可以表示为
    f d = 2 f 0 v c {{f}_{d}}=\frac{2{{f}_{0}}v}{c} fd=c2f0v
    其中, f 0 f_{0} f0为发射信号中心频率。
    在这里插入图片描述
    上图为雷达与目标存在相对运动时的(a)发射信号与回波信号(b)差频信号
    可以得到三角波上升沿所对应的差频 f b + {{f}_{b+}} fb+和三角波下降沿所对应的差频 f b − {{f}_{b-}} fb
    f b + = 4 B R c T − 2 f 0 v c {{f}_{b+}}=\frac{4BR}{cT}-\frac{2{{f}_{0}}v}{c} fb+=cT4BRc2f0v
    f b − = 4 B R c T + 2 f 0 v c {{f}_{b-}}=\frac{4BR}{cT}+\frac{2{{f}_{0}}v}{c} fb=cT4BR+c2f0v
    则目标距离和速度的表达式为
    R = c T 8 B ( f b − + f b + ) R=\frac{cT}{8B}\left( {{f}_{b-}}+{{f}_{b+}} \right) R=8BcT(fb+fb+)
    v = c 4 f 0 ( f b − − f b + ) v=\frac{c}{4{{f}_{0}}}\left( {{f}_{b-}}-{{f}_{b+}} \right) v=4f0c(fbfb+)
    因此,可以通过 f b + {{f}_{b+}} fb+ f b − {{f}_{b-}} fb来计算距离 R R R和速度 v v v的值

    单个静止目标回波信号的时域-频域分析

    对于同一时刻,在三角波的上升沿,回波信号的频率低于发射信号的频率。在三角波的下降沿,雷达回波信号的频率则会高于发射信号频率。所以,单个目标的差频信号会围绕着三角波的峰顶和峰谷处呈现对称形式。整个差频信号则是一个周期性信号,周期等于三角波的调制周期T。
    x ( t ) x\left( t \right) x(t)为差频时域信号, s ( t ) s\left( t \right) s(t)为三角波上升沿所对应的差频时域信号,则三角波下降沿所对应的差频时域信号为 s ( T − t ) s\left( T-t \right) s(Tt)。对差频信号进行时域数学建模,即
    x ( t ) = { s ( t ) ,             t ∈ [ 0 , T 2 ] + n T , n = 0 , 1 , 2... s ( T − t )   ,    t   ∈ [ T 2 , T ]   + n T , n = 0 , 1 , 2... x\left( t \right)=\left\{ \begin{aligned} & s\left( t \right),\ \ \ \ \ \ \ \ \ \ \ t\in \left[ 0,\frac{T}{2} \right]+nT,n=0,1,2... \\ & s\left( T-t \right)\ ,\ \ t\ \in \left[ \frac{T}{2},T \right]\ +nT,n=0,1,2... \\ \end{aligned} \right. x(t)=s(t),           t[0,2T]+nT,n=0,1,2...s(Tt) ,  t [2T,T] +nT,n=0,1,2...
    由于差频信号是周期信号,周期信号可以展开成傅里叶级数的形式
    x ( t ) = ∑ k = - ∞ ∞ A k e j k Ω T t x\left( t \right)=\sum\limits_{k=\text{-}\infty }^{\infty }{{{A}_{k}}}{{e}^{jk{{\Omega }_{T}}t}} x(t)=k=-AkejkΩTt
    其中, Ω T = 2 π T {{\Omega }_{T}}=\frac{2\pi }{T} ΩT=T2π A k {{A}_{k}} Ak为傅里叶级数的系数。
    系数 A k {{A}_{k}} Ak可以通过如下公式来求解
    A k = 1 T ∫ 0 T x ( t ) e − j k Ω T t d t = 1 T ∫ 0 T 2 s ( t ) e − j k Ω T t d t + 1 T ∫ T 2 T s ( T − t ) e − j k Ω T t d t {{A}_{k}}=\frac{1}{T}\int_{0}^{T}{x\left( t \right)}{{e}^{-jk{{\Omega }_{T}}t}}dt=\frac{1}{T}\int_{0}^{\frac{T}{2}}{s\left( t \right)}{{e}^{-jk{{\Omega }_{T}}t}}dt+\frac{1}{T}\int_{\frac{T}{2}}^{T}{s\left( T-t \right)}{{e}^{-jk{{\Omega }_{T}}t}}dt Ak=T10Tx(t)ejkΩTtdt=T102Ts(t)ejkΩTtdt+T12TTs(Tt)ejkΩTtdt
    对上式的第二项进行变量替换
    1 T ∫ T 2 T s ( T − t ) e − j k Ω T t d t = t ′ = T − t   − 1 T e − j k Ω T T ∫ T 2 0 s ( t ′ ) e j k Ω T t ′ d t ′ = t = t ′   − 1 T ∫ T 2 0 s ( t ) e j k Ω T t d t = 1 T ∫ 0 T 2 s ( t ) e j k Ω T t d t \begin{aligned} & \frac{1}{T}\int_{\frac{T}{2}}^{T}{s\left( T-t \right)}{{e}^{-jk{{\Omega }_{T}}t}}dt\overset{t'=T-t}{\mathop{=}}\,-\frac{1}{T}{{e}^{-jk{{\Omega }_{T}}T}}\int_{\frac{T}{2}}^{0}{s\left( t' \right)}{{e}^{jk{{\Omega }_{T}}t'}}dt' \\ & \overset{t=t'}{\mathop{=}}\,-\frac{1}{T}\int_{\frac{T}{2}}^{0}{s\left( t \right)}{{e}^{jk{{\Omega }_{T}}t}}dt=\frac{1}{T}\int_{0}^{\frac{T}{2}}{s\left( t \right)}{{e}^{jk{{\Omega }_{T}}t}}dt \\ \end{aligned} T12TTs(Tt)ejkΩTtdt=t=TtT1ejkΩTT2T0s(t)ejkΩTtdt=t=tT12T0s(t)ejkΩTtdt=T102Ts(t)ejkΩTtdt

    A k = 1 T ∫ 0 T 2 s ( t ) e − j k Ω T t d t + 1 T ∫ 0 T 2 s ( t ) e j k Ω T t d t = 1 T ∫ 0 T 2 s ( t ) e − j k Ω T t d t + 1 T ∫ 0 T 2 s ( t ) e − j ( − k Ω T ) t d t \begin{aligned} & {{A}_{k}}=\frac{1}{T}\int_{0}^{\frac{T}{2}}{s\left( t \right)}{{e}^{-jk{{\Omega }_{T}}t}}dt+\frac{1}{T}\int_{0}^{\frac{T}{2}}{s\left( t \right)}{{e}^{jk{{\Omega }_{T}}t}}dt \\ & =\frac{1}{T}\int_{0}^{\frac{T}{2}}{s\left( t \right)}{{e}^{-jk{{\Omega }_{T}}t}}dt+\frac{1}{T}\int_{0}^{\frac{T}{2}}{s\left( t \right)}{{e}^{-j\left( -k{{\Omega }_{T}} \right)t}}dt \\ \end{aligned} Ak=T102Ts(t)ejkΩTtdt+T102Ts(t)ejkΩTtdt=T102Ts(t)ejkΩTtdt+T102Ts(t)ej(kΩT)tdt
    其中,第一项是信号 s ( t ) s\left( t \right) s(t)被时间窗口函数 R T / 2 = { 1      t ∈ [ 0 , T 2 ] 0      t ∈ o t h e r {{R}_{T/2}}=\left\{ \begin{aligned} & 1\ \ \ \ t\in \left[ 0,\frac{T}{2} \right] \\ & 0\ \ \ \ t\in other\\ \end{aligned} \right. RT/2=1    t[0,2T]0    tother,然后信号做傅里叶变换在 Ω = k Ω T \Omega =k{{\Omega }_{T}} Ω=kΩT处取值的结果。第二项则是在 Ω = − k Ω T \Omega =-k{{\Omega }_{T}} Ω=kΩT处取值的结果。
    上式可以进一步表示为
    A k = 1 T ∫ 0 T 2 s ( t ) e − j k Ω T t d t + 1 T ∫ 0 T 2 s ( t ) e j k Ω T t d t = 2 T ∫ 0 T 2 s ( t ) cos ⁡ ( k Ω T t ) d t \begin{aligned} & {{A}_{k}}=\frac{1}{T}\int_{0}^{\frac{T}{2}}{s\left( t \right)}{{e}^{-jk{{\Omega }_{T}}t}}dt+\frac{1}{T}\int_{0}^{\frac{T}{2}}{s\left( t \right)}{{e}^{jk{{\Omega }_{T}}t}}dt \\ & =\frac{2}{T}\int_{0}^{\frac{T}{2}}{s\left( t \right)}\cos \left( k{{\Omega }_{T}}t \right)dt \\ \end{aligned} Ak=T102Ts(t)ejkΩTtdt+T102Ts(t)ejkΩTtdt=T202Ts(t)cos(kΩTt)dt
    对于单个检测目标,设差频信号为单一频率的信号,则上升沿所对应的差频时域信号可表示为:
    s ( t ) = cos ⁡ ( 2 π f b t + φ ) = cos ⁡ ( Ω b t + φ ) s\left( t \right)=\cos \left( 2\pi {{f}_{b}}t+\varphi \right)=\cos \left( {{\Omega }_{b}}t+\varphi \right) s(t)=cos(2πfbt+φ)=cos(Ωbt+φ)
    其中, φ \varphi φ是相位, Ω b {{\Omega }_{b}} Ωb为差频信号 f b f_{b} fb所对应的模拟角频率。那么
    A k = 2 T ∫ 0 T 2 cos ⁡ ( k Ω T t ) cos ⁡ ( Ω b t + φ ) d t = 1 T ∫ 0 T 2 cos ⁡ [ ( k Ω T + Ω b ) t + φ ] d t + 1 T ∫ 0 T 2 cos ⁡ [ ( k Ω T − Ω b ) t − φ ] d t = 1 T ( k Ω T + Ω b ) [ sin ⁡ [ ( k Ω T + Ω b ) T 2 + φ ] − sin ⁡ φ ] + 1 T ( k Ω T − Ω b ) [ sin ⁡ [ ( k Ω T − Ω b ) T 2 − φ ] + sin ⁡ φ ] \begin{aligned} & {{A}_{k}}=\frac{2}{T}\int_{0}^{\frac{T}{2}}{\cos \left( k{{\Omega }_{T}}t \right)\cos \left( {{\Omega }_{b}}t+\varphi \right)}dt \\ & =\frac{1}{T}\int_{0}^{\frac{T}{2}}{\cos \left[ \left( k{{\Omega }_{T}}+{{\Omega }_{b}} \right)t+\varphi \right]}dt+\frac{1}{T}\int_{0}^{\frac{T}{2}}{\cos \left[ \left( k{{\Omega }_{T}}-{{\Omega }_{b}} \right)t-\varphi \right]}dt \\ & \text{=}\frac{1}{T\left( k{{\Omega }_{T}}+{{\Omega }_{b}} \right)}\left[ \sin \left[ \left( k{{\Omega }_{T}}+{{\Omega }_{b}} \right)\frac{T}{2}+\varphi \right]-\sin \varphi \right] \\ & +\frac{1}{T\left( k{{\Omega }_{T}}-{{\Omega }_{b}} \right)}\left[ \sin \left[ \left( k{{\Omega }_{T}}-{{\Omega }_{b}} \right)\frac{T}{2}-\varphi \right]+\sin \varphi \right] \\ \end{aligned} Ak=T202Tcos(kΩTt)cos(Ωbt+φ)dt=T102Tcos[(kΩT+Ωb)t+φ]dt+T102Tcos[(kΩTΩb)tφ]dt=T(kΩT+Ωb)1[sin[(kΩT+Ωb)2T+φ]sinφ]+T(kΩTΩb)1[sin[(kΩTΩb)2Tφ]+sinφ]
    不妨设 φ = 0 \varphi \text{=}0 φ=0,则
    A k = 1 2 sin ⁡ [ ( k Ω T + Ω b ) T 2 ] ( k Ω T + Ω b ) T 2 + 1 2 sin ⁡ [ ( k Ω T − Ω b ) T 2 ] ( k Ω T − Ω b ) T 2 = 1 2 sin ⁡ [ ( Ω + Ω b ) T 2 ] ( Ω + Ω b ) T 2 ∣ Ω = k Ω T + 1 2 sin ⁡ [ ( Ω − Ω b ) T 2 ] ( Ω − Ω b ) T 2 ∣ Ω = k Ω T \begin{aligned} & {{A}_{k}}=\frac{1}{2}\frac{\sin \left[ \left( k{{\Omega }_{T}}+{{\Omega }_{b}} \right)\frac{T}{2} \right]}{\left( k{{\Omega }_{T}}+{{\Omega }_{b}} \right)\frac{T}{2}}+\frac{1}{2}\frac{\sin \left[ \left( k{{\Omega }_{T}}-{{\Omega }_{b}} \right)\frac{T}{2} \right]}{\left( k{{\Omega }_{T}}-{{\Omega }_{b}} \right)\frac{T}{2}} \\ & ={{\left. \frac{1}{2}\frac{\sin \left[ \left( \Omega +{{\Omega }_{b}} \right)\frac{T}{2} \right]}{\left( \Omega +{{\Omega }_{b}} \right)\frac{T}{2}} \right|}_{\Omega =k{{\Omega }_{T}}}}+{{\left. \frac{1}{2}\frac{\sin \left[ \left( \Omega -{{\Omega }_{b}} \right)\frac{T}{2} \right]}{\left( \Omega -{{\Omega }_{b}} \right)\frac{T}{2}} \right|}_{\Omega =k{{\Omega }_{T}}}} \\ \end{aligned} Ak=21(kΩT+Ωb)2Tsin[(kΩT+Ωb)2T]+21(kΩTΩb)2Tsin[(kΩTΩb)2T]=21(Ω+Ωb)2Tsin[(Ω+Ωb)2T]Ω=kΩT+21(ΩΩb)2Tsin[(ΩΩb)2T]Ω=kΩT
    可以看出,系数 A k {{A}_{k}} Ak呈现出辛格函数的包络形式。当 ( k Ω T − Ω b ) ⋅ T / 2 = m π , m = 0 , 1 , 2... \left( k{{\Omega }_{T}}-{{\Omega }_{b}} \right)\cdot T/2=m\pi ,m=0,1,2... (kΩTΩb)T/2=mπ,m=0,1,2...时,或者 ( k Ω T + Ω b ) ⋅ T / 2 = m π , m = 0 , 1 , 2... \left( k{{\Omega }_{T}}+{{\Omega }_{b}} \right)\cdot T/2=m\pi ,m=0,1,2... (kΩT+Ωb)T/2=mπ,m=0,1,2...时, A k = 0 {{A}_{k}}=0 Ak=0
    可以解得 Ω b = ( k − m ) Ω T {{\Omega }_{b}}=\left( k-m \right){{\Omega }_{T}} Ωb=(km)ΩT Ω b = ( m − k ) Ω T {{\Omega }_{b}}=\left( m-k \right){{\Omega }_{T}} Ωb=(mk)ΩT时, A k = 0 {{A}_{k}}=0 Ak=0。当 Ω b > > Ω T {{\Omega }_{b}}>>{{\Omega }_{T}} Ωb>>ΩT时候, A k {{A}_{k}} Ak的数值大小的分布如下图所示
    在这里插入图片描述
    Ω b = k ⋅ Ω T {{\Omega }_{b}}=k\cdot {{\Omega }_{T}} Ωb=kΩT时, A k {{A}_{k}} Ak的大小分布如图中的黑色实线所示, Ω b {{\Omega }_{b}} Ωb恰好落在离散的整数频点上,其所对应的 A k {{A}_{k}} Ak为最大值。如果 Ω b {{\Omega }_{b}} Ωb落在两个离散的整数频点中间,如图中的红色虚线所示,相当于辛格函数的峰值落在了两个离散整数频点中间,且距离信号实际频率越近的频点 A k {{A}_{k}} Ak越大。
    可以看出 A k {{A}_{k}} Ak的值的分布随着 Ω b {{\Omega }_{b}} Ωb的变化而变化,且包络呈现辛格函数的形状。因此,FMCW体制雷达的差频信号的傅里叶变换是一个傅里叶级数的形式,频谱上呈现离散状态,且可以通过找寻 A k {{A}_{k}} Ak的最大值来确定或者近似确定 Ω b {{\Omega }_{b}} Ωb的值。

    雷达距离分辨率

    当两个目标位于同一方位角,但与雷达的距离不同时,二者被雷达区分出来的最小距离称为距离分辨率。通常定义为:当较近目标回波脉冲的后沿(下降沿)与较远目标回波的前沿(上升沿)刚好重合时,作为可分辨的极限。此时两目标间的距离就是距离分辨率,常用 △ R \vartriangle R R表示
    Δ R = c T 4 B Δ f b \Delta R=\frac{cT}{4B}\Delta {{f}_{b}} ΔR=4BcTΔfb
    其中, Δ f b \Delta {{f}_{b}} Δfb为差频分辨率。一般情况下,差频信号的周期应该小于三角波周期的一半,即
    f b ≥ 2 T {{f}_{b}}\ge \frac{2}{T} fbT2
    那么
    Δ R ≥ c T 4 B ⋅ 2 T = c 2 B \Delta R\ge \frac{cT}{4B}\cdot \frac{2}{T}=\frac{c}{2B} ΔR4BcTT2=2Bc
    距离分辨率和系统的带宽B有关

    雷达差频信号仿真

    给出雷达差频信号的仿真,参数设置如下:

    参数名称参数值
    三角板周期1KHz
    采样频率1MHz
    中心频率20KHz
    调制带宽2KHz

    可以得到三角波信号如下:
    在这里插入图片描述
    调制后的信号(发射信号为):
    在这里插入图片描述
    回波信号为:
    在这里插入图片描述
    那么相应的差频信号,即实际低通滤波后的信号,可以表示为:
    在这里插入图片描述
    从仿真的结果也可以看出与上面的分析一致。

    展开全文
  • 本章摘要:介绍什么是调频连续波(FMCW),它是如何进行测距的,测距分辨率分析,测距范围分析。

    无人驾驶传感器融合系列(四)——毫米波雷达测距原理(77GHz FMCW)

    本章摘要:介绍什么是调频连续波(FMCW),它是如何进行测距的,测距分辨率分析,测距范围分析。

    调频连续波测距的基本原理
    1、发射波TX为高频连续波,其频率随时间按一定规律规律变化。
    2、发射波TX遇到物体之后反射,接收器接收到反射波RX
    3、信号的发射到接收,产生一定的时间间隔 t。由这个时间间隔,得到频率差值信号IF signal
    4、对频率差值信号,进行FFT变换,得到对应的频谱。频谱的峰值处对应的频率 f 和距离 d 具有对应关系,进而得到距离d
    5、测距分辨率的分析。
    6、测距范围的分析。

    上面只是调频连续波测距的整体逻辑,不太清楚没关系,下面逐步进行详细的分析:

    一、调频连续波的发射信号TX

    发射波为高频连续波,其频率随时间规律变化。一般为锯齿形,三角形,这里介绍锯齿形,其基本组成称为chirp,下面为其性质。
    在这里插入图片描述

    二、接收信号RX

    1、合成器生成chirp信号。2、发射天线发射信号TX。3、接收天线接收反射回来的信号RX。4、经过mixer,得到发射信号TX与接收信号RX之间的差值信号IF signal。过程如下:
    在这里插入图片描述

    三、时间差值 t,以及差值信号 IF signal

    • 由于雷达到障碍物之间有一定的距离,从信号发射,到返回接收,有一定的距离,这个距离就产生了接收时间差值 t =2d/c,其中d 为雷达到障碍物的距离,c 为光速。
    • 将发射/接收信号放在一个图里面,就得到如下的图。从图中可以看出,接收信号与发射信号一样,只是延迟了时间 t。
    • 它俩经过mixer得到差值信号 IF signal ,其频率为 f= s*t,s为chirp的斜率,s = B/Tc。
    • 由 t =2d/c,f= s*t,s = B/Tc 可以得出障碍物的距离 d 与 IF signal 信号频率 f 之间的关系式: d = f * c * Tc / (2B)。所以分析出了频率f,就可以得到距离d。
      在这里插入图片描述

    四、对IF signal 进行FFT变换,得到对应的频率 f,然后求得距离d

    傅里叶变换后,得到对应的频率 f,然后根据公式 d = f * c * Tc / (2B),就可以得到距离d 了。至此就完成了毫米波雷达测距的任务。关于FFT变换可以参考我的另一篇文章快速傅里叶变换FFT进行频谱分析(matlab)
    在这里插入图片描述

    五、测距分辨率

    当雷达前面有多个物体的时候,每个物体都会返回信号,所以此时 IF signal 就会有不同的频率成分。和上面一样就行频谱分析,可以得到不同的频率值 f1, f2, f3, 然后的到多个物体的距离d1, d2, d3。
    在这里插入图片描述
    当d1、d2 很接近的时候,那么频率f1, f2也将非常接近,接近到傅里叶变换无法分析出来。如下图所示:
    在这里插入图片描述分辨条件:
    对时阈信号进行傅里叶变换,得到频域信息。为了能够通过傅里叶变换区分出来时域信号中的不同频率成分,需要满足下面的条件:在采样周期 T 内,信号分量1 与信号分量2 至少错开1个周期。所以两信号分量频率差值满足 Δf >= 1/T
    在这里插入图片描述

    根据上面的分辨条件,可以得到雷达的测距分辨率为:

    在这里插入图片描述

    六、测距范围分析

    雷达发射的信号能量向外发散,随着距离d的增加,能量平方倍的缩小。

    在这里插入图片描述
    对发射信号强度进行增益,提高信号强度,同时发射面也更加窄。
    在这里插入图片描述
    物体反射信号,然后被接收天线接收。
    在这里插入图片描述
    计算信号/噪声比SNR,根据最小信噪比求得测距范围dmax.
    在这里插入图片描述

    后续

    从上面的分析可知,当两个物体到雷达的距离相等的时候,采用测距的方式是不能将这两个物体区分开来的。此时就需要考虑物体的速度了,根据物体的速度来进行区分不同的物体。关于雷达测速原理,在下一章毫米波雷达测速原理进行介绍。

    参考文献mmWave系列培训,视频讲的非常好,建议看看视频加深理解。

    展开全文
  • 多普勒原理

    2013-08-12 17:41:11
    多普勒雷达就是利用多普勒效应进行定位,测速,测距等工作的雷达。所谓多普勒效应就是,当声音,光和无线电波等振动源与观测者以相对速度V相对运动时,观测者所收到的振动频率与振动源所发出的频率有所不同。因为这...
  • 车载激光雷达测距测速原理,陈雷,岳迎春,本文在分析了激光雷达测距、测速原理的基础上,推导了连续激光脉冲数字测距多普勒频移测速的方法,给出车载激光雷达基本原理
  • 毫米波雷达测距、测角、测速 (原理梳理)

    万次阅读 多人点赞 2021-07-09 21:14:26
    文章目录(1) 毫米波雷达测距原理)1. 几个基本概念2. 原理说明3. 两个重要指标(2) 毫米波雷达测速(原理)1. 多普勒效应2. 测速原理3. 两个重要指标(3)毫米波雷达测角(原理)1. MIMO雷达2. 测角原理3. 两个重要...
  • 多普勒测速公式推导

    千次阅读 2021-08-02 16:05:06
    多普勒公式推导过程 1、计算距离 在多普勒测速的过程中按波长来计数的话位移(因为测速的过程包含一来一回所以需要×2): 因为一个周期的相位是2 π\piπ,所以m等于总的相位除以2 π\piπ: 所以: => 2、...
  • DSP多普勒雷达测速测距 MTD

    千次阅读 2021-04-23 07:03:30
    根据最佳线性滤波理论,在杂波背景下检测运动目标回波,除了杂波抑制滤波器外,还应串接有对脉冲串信号匹配的滤波器,实际工作中,多普勒频移不能预知,需要采用一组相邻且部分重叠的滤波器组覆盖整个多普勒频率范围...
  • 【毫米波雷达】LFMCW测距/测速原理

    万次阅读 2019-10-21 08:45:27
    以三角波调频连续波为例来简单介绍雷达的测距/测速原理。如下图,红色为发射信号频率,绿色为接收信号频率,扫频周期为T,扫频带宽为B,发射信号经过目标发射,回波信号会有延时,在三角形的频率变化中,可以在上升...
  • 我们对MIT研究生实验的S-band测距测速成像雷达进行了改进,制作了PCB,并通过软硬件测试,请放心参考!
  • 多普勒雷达探测原理

    千次阅读 2016-08-14 10:57:00
    8.1.1 多普勒效应多普勒效应是奥地利物理学家J.Doppler 1842年首先从运动着的发声源中发现的现象,定义为"当接收者或接收器与能量源处于相对运动状态时,能量到达接收者(器)时频率的变化"。一个例子是:当一辆紧急...
  • 雷达原理笔记之LFMCW雷达测距测速 ——南京理工大学许志勇老师的《雷达原理课程》浅析 文章目录雷达原理笔记之LFMCW雷达测距测速@[toc]1.单边扫频锯齿波1.1静止目标回波分析1.2运动目标回波分析1.3优缺点分析2.双边...
  • 脉冲多普勒雷达简介

    2018-09-07 09:55:25
    脉冲多普勒雷达学习资源,介绍了PD雷达的地杂波谱以及不同的PRF对测速测距的影响。
  • 调频连续波雷达(FMCW)测距/测速原理

    万次阅读 多人点赞 2018-09-14 20:57:31
    雷达按照发射信号种类分成脉冲雷达和连续波雷达两大类,常规脉冲雷达...其中,单频连续波雷达仅可用于测速,无法测距,而FMCW雷达既可测距又可测速,并且在近距离测量上的优势日益明显。 FMCW雷达在扫频周期内...
  • 本文内容转载自《激光与红外》...针对远程激光测速测距中回波信号微弱难以检测的现实情况,提出了一种新的双频激光测速测距方法,采用脉冲压缩技术实现信号检测。通过实验,本文对该方法的原理进行了分析与验证。结...
  • 根据星间链路特性,结合现有激光通信、测距技术提出了一种采用相干探测与数据帧相结方式的测通体制,给出了复合系统组成原理及工作流程。考虑实际导航卫星星座,应用STK 软件完成可通率、链路距离、多普勒频移等链路...
  • 0. 前言 雷达主要分为多普勒雷达、脉冲雷达、频率调制连续波FMCW雷达。...手头上的HB100微波传感器的原理多普勒测距雷达。规格书上[1]有本模块的方框图。 设发送信号为T(t),则其函数为: 是发送...
  • 一、国内外知名激光雷达公司盘点 国外激光雷达公司产品概况   ...就目前市面上的主流激光雷达产品而言,用于环境探测和地图构建的雷达,按技术路线大体可以分为两类,一类是三角测距激光...
  • FMCW 雷达基本原理

    万次阅读 2018-10-18 16:23:24
    引言: 最近Infineon和TI都出了FMCW...博主了解到北醒的TFMINI这款LIDAR,200RMB的价位,可用于10米内的测距。但是由于技术限制,无法测速。而24G雷达,可测距测速,有代表性的是Infineon的distance2go开发板。目...
  • 一种微波探测器的基本方案,可以实现产品话的方案,值得借鉴。
  • 雷达原理 丁鹭飞

    2018-09-27 21:21:37
    后者包括经典的测距、测角和测速的基本原理和各种实现途径,并相应地讨论了多种雷达体制的基本工作原理,如连续波、三坐标、精密跟踪等。对日益受到重视的相控阵雷达也有详尽的阐述。运动目标检测部分对强杂波中提取...
  • 多普勒 由于目标速度的多普勒效应, 接收到的信号频率会有一个频移fd,多普勒频移与目标的速度成正比, f d = 2 v r / λ fd = 2vr/λ fd=2vr/λ 通过测量多普勒引起的频率偏移, 雷达可以确定速度. 综上, 拍频由两个...
  • 后者包括经典的测距、测角和测速的基本原理和各种实现途径,并相应地讨论了多种雷达体制的基本工作原理,如连续波、三坐标、精密跟踪等。对日益受到重视的相控阵雷达也有详尽的阐述。运动目标检测部分对强杂波中提取...
  • 回波3DFFT处理(测距、测速、测角)

    万次阅读 多人点赞 2019-05-31 17:07:48
    欢迎加入毫米波雷达技术交流群,qq群号码:732821012 ... 本文主要针对TI 毫米波雷达的测距、测速、测角的基本方法——3DFFT处理进行简单介绍,并提供MATLAB处理程序,分析3DFFT处理结果。 1、测距、测速 ...
  • 雷达的工作原理是什么?

    千次阅读 2020-12-23 11:48:37
    展开全部雷达e68a8462616964757a686964616f31333365633961的工作原理是:雷达测距原理是利用发射脉冲与接收脉冲之间的时间差,乘以电磁波的传播速度(光速),从而得到雷达与目标之间的精确距离。目标角位置的测量...
  • FMCW被认为是LiDAR规则的改变者——但是这项技术真的有潜力改变这个行业吗...1 飞行时间原理:激光脉冲测距 飞行时间原理通过发射激光脉冲来测量传感器到物体的距离。激光脉冲是指在短时间间隔内一个接一个地发射多..
  • 激光雷达:飞行时间原理VS FMCW原理

    千次阅读 2020-12-31 10:14:20
    文章目录激光雷达:飞行时间原理VS FMCW原理飞行时间原理:激光脉冲测距替代脉冲激光测距法:频率调制测量速度相干探测器与同轴传感器设计飞行时间原理仍然是可靠的测量技术 激光雷达:飞行时间原理VS FMCW原理 FMCW...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 516
精华内容 206
关键字:

多普勒测距原理