面向小型无人机的OFDM-MIMO雷达信号设计和处理方法

随着空域的逐渐开放,以小型无人机为代表的低慢小目标,其有效检测对维护安全非常重要。然而,低慢小目标具有飞行高度低、飞行速度慢及雷达散射截面积(Radar Cross Section,RCS)小的特点,加之电磁环境复杂多变,使其难以被传统低分辨雷达发现。为了提升雷达的低截获性能和成像分辨率,本文提出了一种基于步进正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)的多输入多输出(Multiple Input Multiple Output,MIMO)雷达信号设计和处理方法。该方法是将窄带OFDM信号与非线性步进方案相结合,通过非线性步进方案控制MIMO发射信号的载频,获得发射端正交波形和大射频带宽,使得雷达接收机的天线孔径获得明显扩展,从而提升雷达的低截获性能和角度分辨率,同时实现低采样速率下的高距离分辨率。在雷达接收端,利用发射波形之间的正交性分离各通道回波,然后基于改进离散傅里叶变换(Discrete FourierTransform,DFT)和解码的处理方法,校正了非线性步进方案产生的相位误差,生成目标的三维高分辨成像。本文在77 GHz载频下设计仿真,验证所提方法的有效性。仿真结果表明,所提方法相比现有方法,在低信噪比下具有较高的三维成像分辨率,而且没有明显增加信号处理的复杂度。然而,该方法减小了最大无模糊速度。此外,本文讨论了步长数对雷达性能的影响,仿真结果表明,随着步长数的增加,最大无模糊速度减小,角度分辨率提升,为实际应用场景下步进OFDM-MIMO雷达的信号设计提供理论指导。

多径条件下米波OFDM-MIMO雷达波束性能及特性分析

针对米波正交频分多路复用-多输入多输出(Orthogonal Frequency Division Multiplexing-Multiple Input Multiple Output, OFDM-MIMO)雷达波束形成问题,建立了米波条件下频分复用MIMO雷达阵列信号模型,理论导出了该体制下多径特性定量分析的理论框架、直达波和多径回波模型及其联合发射-接收双程方向图增益闭合表达式。提出了利用米波OFDM-MIMO雷达阵列双程方向图具有距离-角度二维分辨能力抑制多径算法。所提方法能够有效抑制阵列法线方向多径回波,同时有效抑制输出信干噪比周期性损失,且随频偏带宽的增大抑制能力进一步提升。

OFDM-MIMO雷达转发式主瓣干扰自适应抑制方法

转发式干扰因与雷达发射波形的高度相关性,经雷达主瓣接收后易对雷达产生严重的干扰作用。为解决主瓣干扰问题,建立正交频率分集调频多输入多输出(orthogonal frequency division multiplexing-multiple input multiple output,OFDM-MIMO)雷达主瓣接收的转发式干扰信号模型,分析了该干扰对OFDM-MIMO雷达的干扰机理;同时基于自适应方法处理理论,推导了OFDM-MIMO雷达自适应处理权向量解析式,提出了基于距离依赖波束的OFDM-MIMO雷达转发式主瓣干扰自适应抑制方法。理论研究和仿真结果表明,提出的方法提高了输出信干噪比,实现了转发式主瓣干扰的有效抑制。

分布式OFDM-MIMO雷达非相参积累目标检测方法

针对目标雷达截面积(radar cross-section,RCS)空间起伏,不易于常规雷达进行长时间积累检测的问题,结合正交频分复用(orthogonal frequency-division multiplexing,OFDM)波形与分布式多输入多输出(multiple input multiple-output,MIMO)雷达的特点,提出了一种基于分布式OFDM-MIMO雷达的非相参积累目标检测方法。该方法使获得的多路回波信号短时间内非相参并行处理,削弱了长时间积累、复杂的相位补偿以及RCS快起伏对检测性能的影响,有效实现了多个目标的积累和检测。仿真结果证实了提出方法的有效性。

分布式OFDM-MIMO雷达MTI处理

分布式频分正交复用-多输入多输出雷达(orthogonal frequency division multiplexing-multiple input multiple output,OFDM-MIMO)是一种新型雷达系统。针对该雷达的杂波抑制问题,建立了该雷达的回波模型,分析了空间分集和发射频率分集对改善因子的影响,给出了该雷达的动目标显示(meving target indication,MTI)杂波抑制方法,并分析了提出方法的性能。较之传统发射相同载频信号的MIMO雷达,分布式OFDM-MIMO雷达由于频率分集带来的处理自由度能改善多普勒频率落入MTI滤波器凹口的目标的检测能力。理论和仿真实验证实了提出方法的有效性。

用于扩展目标检测的OFDM-MIMO雷达波形设计

为了检测扩展目标,该文提出一种已知统计特性的杂波和噪声背景下提高正交频率分集复用-多输入多输出(OFDM-MIMO)雷达检测性能的波形设计方法。利用扩展目标一维距离像的频率特性,基于匹配照射理论给出了雷达回波向量模型,在此基础上建立最大化检测信杂噪比的目标函数;通过交替迭代搜索获得优化发射波形和最优接收滤波器。仿真结果表明,经调制的OFDM-MIMO雷达发射波形具有稳健的抗杂波性能,可提高检测信杂噪比,改善OFDM-MIMO雷达检测性能。

OFDM-MIMO雷达运动目标回波相参积累方法

针对传统相控阵雷达长时间回波积累存在的距离走动难题,提出了一种基于正交频分调制(OFDM)波形多输入多输出(MIMO)相控阵雷达的回波相参方法,通过对OFDM-MIMO雷达多个相位中心短时间接收回波的移频、脉压和相参积累,避免了传统相控阵雷达回波长时间相参积累难题。仿真结果证实了所提方法的有效性。

集中式OFDM-MIMO雷达自适应检测算法

针对频率分集条件下,集中式OFDM-MIMO雷达在未知杂波环境中的目标检测问题,首先分析了OFDM-MIMO雷达回波数据模型,由于OFDM-MIMO雷达的频率分集特性,不同频率通道回波数据相互独立,在此基础上,分别基于一步和两步广义最大似然比准则,给出了集中式OFDM-MIMO雷达GLRT和OFDM-MIMO雷达AMF两种检测器,并分析了这两种检测器的恒虚警特性。两种检测器有效利用集中式OFDM-MIMO雷达频率分集特性,提升目标检测性能,同时降低了矩阵求逆维数,以及参考单元数目的要求,并且具有恒虚警性能。计算机仿真验证了算法的有效性。

基于雷达自动目标识别技术的反无人机雷达

面对“低慢小”(Low Slow Small, LSS)无人机威胁挑战,反无人机雷达的关键作用日益凸显。在反无人机系统(Countering-Unmanned Aerial Systems, C-UAS)技术中,反无人机雷达作为C-UAS的核心传感器,承担着关键任务,包括探测和导引等。尽管其重要性显而易见,反无人机雷达设计仍然存在概念上的不清晰,例如如何定义LSS无人机目标,以及为何众多反无人机雷达难以探测无人机等问题。通过探讨雷达自动目标识别(Automatic Target Recognition, ATR)技术在反无人机雷达中的应用,从目标特性和探测技术2个方面明确了关键问题。强调了雷达探测的独立过程,将其分为“信号检测”和“目标识别”,并指出反无人机雷达的主要探测对象是LSS无人机目标。ATR性能等级被明确定义,涵盖了“Detection探测”“Classification分类”“Identification识别”“Description描述”4个等级。整合ATR功能显著提升了无人机的探测距离和识别能力,推动了反无人机雷达系统的性能升级。

基于衍射透镜接收的激光雷达特性分析及测试

在激光雷达系统设计中,光学系统的优化与设计是一个重要的研究方向,本文利用衍射光学元件(DOE)的设计自由度高和色散大等优势,将DOE用于激光雷达接收端,同时实现聚焦和滤光作用,降低了光学系统复杂度。本文基于DOE的原理,仿真分析了DOE的光学特性,并且以DOE作为激光雷达的光学接收端,完成了激光雷达测距实验,证明了DOE同时具有聚焦作用和窄带滤光作用,实验结果与仿真基本一致。本文利用DOE在激光雷达中的优势,实现激光雷达的轻量化、集成化和高效化。

融合毫米波与激光雷达的障碍物检测与跟踪方法

在园区环境中,无人车装载单一毫米波雷达或激光雷达传感器进行障碍物检测跟踪时存在探测范围有限、准确率低及稳定性差等问题。为此,提出一种基于毫米波雷达与激光雷达融合的多障碍物检测跟踪方法。利用改进欧氏聚类算法对道路内激光点云目标进行提取,基于信息筛选策略获得毫米波雷达数据中的有效目标;基于目标检测交并比与可靠性分析,对2种目标进行自适应融合,并利用跟踪门与联合概率数据关联(JPDA)算法完成前后帧数据匹配;应用多运动模型交互与无迹卡尔曼滤波实现障碍物跟踪。实车实验表明:相比单一毫米波雷达与激光雷达障碍物检测跟踪,所提方法有更好的准确性与稳定性。

基于激光雷达扫描的料仓原料储料量测量方法

为提高仓内原料储料量测量自动化和智能化水平,设计了一种基于二维激光雷达扫描的储料量测量装置与系统。本系统采用RPLIDARS1型二维激光雷达扫描获取不同储料量物料的原始点云数据,通过坐标变换、重叠点提取、滤波、分割等方法对原始点云进行预处理,采用贪婪投影三角化算法将预处理后的点云进行三维重建,获得仓内原料的三维模型,结合物料三维模型和物料的容重获得仓内原料的储料量,从而实现储料量的自动测量。以玉米为试验对象,测量小型储料塔内玉米储料量并对玉米不同储料量进行扫描测量,验证模型的准确性,结果显示:测量结果的平均绝对误差为8.05kg,平均相对误差为1.52%。研究结果表明,基于二维激光雷达扫描的储料量测量方法是可行的,具有较好的稳定性和测量精度,能够满足实际生产需求。

基于语义引导层次化分类的雷达地面目标HRRP识别方法

高分辨距离像(HRRP)反映了目标空间散射结构在雷达视线方向的投影,近年来被认为是地面目标识别的重要途径。现有的HRRP识别方法采用手工特征加传统机器学习分类器,均属于平面分类方法,即采用统一标准不加区别的优选特征并单次决策最终类别。然而该方法在实际应用中面临种类繁杂、数据不平衡、HRRP姿态敏感性等诸多问题,难以获取最佳的应用效果。层次化方法采取分而治之思想,将一个复杂的细粒度识别任务拆解为多个简单的识别子任务。本文采用层次化识别的思路,提出了一种基于语义引导层次化分类的雷达地面目标识别方法。该方法以联合语义和数据构建的树形结构将一个复杂的细粒度识别任务拆解为多个简单的识别子任务,并针对每一个识别子任务匹配一套优选特征集和一个局部分类器。本方法在仿真数据和实测数据上完成了验证。实验结果表明了本文方法处理地面目标识别任务的有效性。

合成孔径雷达快速后向投影算法综述

后向投影(BP)算法是合成孔径雷达成像算法发展的重要方向之一。然而,由于BP算法具有较大的计算量,阻碍了其在工程应用上的发展。因此,近年来如何有效地提高BP算法的运算效率受到了广泛的重视。该文讨论了基于多种成像面坐标系的快速BP算法,包括距离-方位平面坐标系、地平面坐标系和非欧氏坐标系。该文首先简要介绍了原始BP算法的原理和不同坐标系对加速BP算法的影响,并对BP算法的发展历程进行梳理。然后讨论了基于不同成像面坐标系的快速BP算法的研究进展,并重点介绍了作者所在研究团队近年来在快速BP成像方面完成的研究工作。最后介绍了快速BP算法在工程上的应用,并展望了未来快速BP成像算法的研究发展趋势。

雷达信号与遥感地图融合的深度学习低慢小目标检测算法

雷达复杂环境低慢小目标检测是一项具有挑战性的任务,而利用深度学习以及数据特征融合等方法是解决这一难题的有效手段。本文在雷达地图融合检测网络(Radar Map fusion Detection Network,RMDN)的基础上进行了优化,主要优化方向为将雷达与地图信息在检测过程中进行重要性程度区分,具体优化内容为减少地图特征提取模块的网络深度,加入通道注意力机制,让神经网络自主学习雷达信息与地图信息特征的权重,使神经网能够更好地利用地图信息对雷达目标进行辅助检测。在此优化基础上,本文重新设计出了雷达地图融合检测网络RMDN-V2。算法的主要思想为利用卫星遥感地图来提供背景环境信息,作为雷达信号检测的辅助,通过将目标背景中的特征信息融入检测决策中,提高目标检测的准确性和鲁棒性,减少对强杂波和移动物体的干扰敏感性,改善目标检测算法在复杂环境下的表现。最后的无人机雷达实测数据实验结果表明,本文所做的针对性优化是有效的,RMDN-V2的检测性能优于原始的RMDN,同时本文算法检测性能远超传统的雷达检测算法,同时也优于目前主流的一些深度学习雷达目标检测算法。本文为解决当下低慢小目标检测的难题提出了新的算法。

天气雷达站电磁环境影响监测研究

天气雷达站产生的超标电磁辐射会对人体造成严重的损伤。为此,提出天气雷达站电磁环境影响监测与分析。分析天气雷达站电磁影响因素,结合发射天线的方向函数,构建雷达功率密度模型。测试结果表明,对于S波、C波段、X波段,真实值与计算值呈现随距离增加而降低的趋势。对于三个波的频段,当接近天线的远场区时,计算值与真实值逐渐接近,相对误差均较小,说明模型在远场区的适用性更强;研究算法与实测值的拟合程度较高;在模型的应用中,真实反映了某市区的电磁辐射情况。

道路地下空洞探地雷达波场和时频特性

根据城市道路地下介质的分布特征和电性参数设计模型,采用时域有限差分法和广义S变换,对道路地下存在的充气空洞、充水空洞、回填不密实、埋藏金属物状态进行探地雷达正演模拟和时频特征提取。结果表明,地下空洞顶界面的反射波同相轴均呈弧形反射形态,但充气空洞的反射波能量强于充水空洞;地下空洞发育区域的中心频率集中在某个低频区间,其余频率成分分布较均匀;埋藏金属物区域出现两簇高幅值能量团,频率分布较分散;回填不密实区域频率未能显示出较明显的规律。最后,通过工程实测验证了数值模拟的可靠性。

空天目标雷达智能识别仿真系统设计与实现

雷达智能识别方法训练、测试与评估通常需要构建大样本的数据集,如何快速获得有效的数据集是亟待解决的问题。分析了空天目标雷达智能识别系统应用场景,并结合应用需求给出了空天目标雷达智能识别仿真系统建设思路;采用组件化、模块化设计方法,设计空天目标雷达智能识别仿真系统框架,构建空天目标智能识别仿真系统,快速准确模拟空天目标电磁特性和动态回波,具有可扩展、可重构能力。仿真结果和初步应用表明,该系统可用于不同应用场景下空天目标雷达智能识别方法的测试与评估。

AF-CenterNet:基于交叉注意力机制的毫米波雷达和相机融合的目标检测

对于自动驾驶领域而言,确保在各种天气和光照条件下精确检测其他车辆目标是至关重要的。针对单个传感器获取信息的局限性,提出一种基于cross-attention注意力机制的融合方法(AF),用于在特征层面上融合毫米波雷达和相机信息。首先,将毫米波雷达和相机进行空间对齐,并将对齐后的点云信息投影成点云图像。然后,将点云图像在高度和宽度方向上进行扩展,以提高相机图像和点云图像之间的匹配度。最后,将点云图像和相机图像送入包含AF结构的CenterNet目标检测网络中进行训练,并生成一个空间注意力权重,以增强相机中的关键特征。实验结果表明,AF结构可以提高原网络检测各种大小目标的性能,特别是对小目标的检测提升更为明显,且对系统的实时性影响不大,是提高车辆在多种场景下检测精度的理想选择。

车载雷达间干扰抑制方法研究

随着自动驾驶技术的发展,毫米波雷达成为了自动驾驶的一个关键传感器,由于车载雷达数量的增加,雷达间相互干扰是不可避免的,干扰可能会导致雷达检测性能降低,产生漏检和虚警的情况。为了解决干扰带来的问题,文中采用了一种在时-频域中使用经验模态分解和卡尔曼滤波相结合的干扰抑制方法。首先将时域干扰信号通过短时傅里叶变换转换到时-频域;然后将时-频域信号进行经验模态分解,将干扰主导的本征模态函数中的干扰部分置零,并将干扰置零后的本征模态和目标信号主导的本征模态进行相加;最后通过卡尔曼滤波对信号进行重构。实验结果显示,该方法不仅能够降低频域中噪声,而且能够提高目标的信噪比,增加了目标被检测概率。