文摘

Low-complexity-based reduced-dimension-multiple-signal分类(RD-MUSIC)提出了外推联合时间延迟的移民(TOA)和到达方向(DOA)汽车调频连续波(FMCW)雷达系统。当车辆行驶在路上,汽车FMCW雷达可以估计多个其他车辆的位置,因为它可以估计多个参数,如TOA和DOA。随着时间的推移,要求汽车FMCW雷达的准确度和分辨率参数增加。准确估计的参数多个车辆,如范围和角度,很难用一个低分辨率的算法,如二维快速傅里叶变换。改善参数估计性能,高分辨率的算法,如2 d-music,是必需的。然而,传统的高复杂性和高分辨率的方法,因此,并不适用于车辆的实时雷达系统。因此,在这项工作中,一个低RD-MUSIC与推断算法的分辨率与高分辨率算法来估计其他车辆的位置。与传统的低复杂度高分辨率相比,在实验结果,该方法有更好的性能。

1。介绍

调频连续波(FMCW)雷达系统有很多优势,包括更低的成本和复杂性,在等效脉冲雷达系统(1- - - - - -3]。FMCW雷达、时空参数,如多路径到达的时间延迟(TOA)和到达方向(DOA),被广泛研究[4]。这两个参数是有用的估计在FMCW雷达系统中移动目标的位置。尤其是基于相控阵波束形成技术车辆雷达传感器系统(5)已被用于智能巡航控制系统、交通监控、和避碰2,6,7]。FMCW雷达的特点,它随带宽对应de-chirped收到信号的频率无关的传输带宽。因此,信号处理复杂度显著低于常规超宽频雷达。通过的距离方法FMCW无线电频率(RF)模块,接收到的信号可以转换成正弦波形收购加强和到达角信息。我们可以定义这些正弦信号作为打信号。

FMCW雷达的分辨率参数估计通过各种算法,与传统的快速傅里叶变换(FFT)多重信号分类(音乐)算法,作为车辆的需求增加。一维参数估计量不能用于同时估计多个参数。由于这个原因,有必要考虑二维参数估计量。在一个二维参数估计量的情况下,传统的2 d-fft汽车需要高分辨率雷达参数、性能下降等范围和角度。改善共同范围和角度参数的估计性能,传统的二维高分辨率算法,如二维信号参数估计通过旋转不变技术(2 d-esprit)和2 d-music被用来估计参数的多个目标。许多研究代表超限分辨算法的估计精度比传统的两三次FFT算法。然而,由于高分辨率的高复杂性算法,实时汽车雷达在传统算法应用的困难。出于这个原因,各种low-complexity-based二维高分辨率算法已经提出。

在[8),提出了一种低超分辨率联合角度和时延估计算法距离-方位FMCW雷达。相位变化的时间和数组是利用该方法的时间和时空平滑技术。该方法旨在估计范围和顺序角度没有奇异值分解(计算)和特征值分解(EVD)来减少计算负担。在复杂的情况下,计算或EVD获得特征向量和特征值有许多计算负担。为了不使用这圣言或EVD,本文使用square-inverse运营商分离信号和噪声特征值。然而,这种方法降解参数估计性能。在[9),为了获得高分辨率的范围(HRRP),高分辨率算法是必需的。本文也需要低复杂度高分辨率算法,因为应用实时系统。因此,本文算法放松。然而,由于本文主要集中在一维光谱,它是不适合本文所需的二维参数估计量。另一项研究[10]介绍了集中的多输入多输出(MIMO)雷达,利用低ESPRIT-based DOA估计。降低复杂性,发送和接收的克罗内克积结果向量可以转化为其他转向使用向量。然而,这个结果有问题的DOA估计只是用于MIMO雷达。在[11),接收信号的互相关函数,可以找到一个噪声子空间没有奇异值分解(圣)或特征值分解(EVD)提出。然而,这种方法只能用于双组分均匀线性阵列(ULA)”的l型阵列。因此,传统的低二维高分辨率算法仍然很难适用于汽车雷达系统,还有只在特定条件下操作的限制,如l型的。在另一项研究[4),一个低的算法利用DFT和音乐的结合被发现缺点,很难适用于汽车环境中提高距离分辨率的趋势。因此,low-complexity-based维度RD-MUSIC与推断算法联合提出加强汽车FMCW雷达系统和新风。节2系统模型是解释说。节3传统的结构2 d-music估计量进行了分析。节4,low-complexity-based维度RD-MUSIC汽车提出了FMCW推断算法。节5进行评估的评估结果,模拟该算法描述。CPU执行时间以MATLAB是用来评估该算法的复杂性降低。节6,该方法的估计性能评估通过真实实验进行了探讨。部分7总结这项工作。

1.1。符号

(.)T和()。H分别表示转置和共轭转置。操作符 克罗内克积, 是 单位矩阵。

2。系统模型

这部分地址FMCW雷达系统的系统模型。图1显示了TX FMCW雷达的信号的频率根据时间的变化。如图1,TX频率线性FMCW雷达的符号周期增加, 。让我们表示初始频率 ,一次和频率 用 和表示为2]: 在哪里 是系统的带宽。根据时间用啁啾率 ,也就是说, 。采用频率根据时间、瞬时相位 为 表达成积分项如下:


图1
TX信号的频率随时间。

因此,FMCW雷达信号 表示为:

目标在 为 组成的齿龈的目标K元素被认为是和相邻数组将之间的距离 ,在哪里 是载波频率的波长如图2。人能代表接收到的信号在一个线性定常的环境 天线元素复振幅 在以前的工作2),这样 在哪里 的复振幅是吗 目标, TOA, 定义了DOA 意味着 th天线位置的加性高斯白噪声(AWGN)。

(一)齿龈的顶视图
(一)齿龈的顶视图
(b)齿龈的结构
(b)齿龈的结构
图2
前视图和齿龈的结构。

接收器(RX)部分的距离,RX信号从目标 可以繁殖的接合TX信号 这样 在哪里 意味着 th天线阵列的输出结果的距离的方法。的打信号 th啁啾和 th数组 获得和表达的产物TOA,多普勒,和DOA条款如下:

从奈奎斯特采样的模拟/数字转换器(ADC),所需的采样频率在哪里 ,接收到的数字信号 的 可以这样的吗 在哪里

3所示。传统2 d-music估计量

音乐算法中引入[12)是一个受欢迎的超限分辨参数估计算法。音乐算法利用信号和噪声子空间的时间平均接收信号的协方差矩阵。传统的2 d-music估计算法是基于叠加,这样接收的数据向量 在哪里 ,和 参数的选择方法 。使用堆叠接收的数据矩阵,可以估计协方差矩阵为:

用协方差矩阵 ,我们应该获得的信号和噪声特征向量建立超限分辨光谱。通过EVD,一个可以获得信号子空间矩阵 和噪声子空间矩阵 通过 信号子空间矩阵在哪里 相对应的特征向量是什么 最大特征值的 ,和噪声子空间矩阵 相对应的特征向量是什么 最小的特征值 。最大的 的特征值 ,…, 对应于 特征向量的 。另一个特征值 对应的特征向量 这样 。音乐算法使用指导的特征向量 和 张成的信号子空间和指导向量正交噪声特征向量的列 这样 在哪里 和 是由

使用噪声子空间矩阵 ,2 d-music TOA和DOA频谱函数可以建立 在哪里 和 分别TOA和DOA的转向向量。在这里, 最大的山峰 是作为TOA和DOA的估计汽车的目标。2 d-music,因为需要一个巨大的二维搜索和EVD,它是低效的,因为高计算成本。在下面几节中,一个low-complexity-based RD-MUSIC与外推法提出了联合加强汽车FMCW雷达系统和新风。

4所示。提出Low-Complexity-Based RD-MUSIC联合加强和到达角的外推

该估计算法是基于叠加接收的数据矩阵的情商。8)。信号子空间矩阵 和噪声子空间矩阵 可以独立使用的EVD吗 。噪声子空间矩阵 正交于实际TOA和DOA转向向量 目标。分母 情商。11)可以写成

可以将两个维度通过降维方法,一维可分离TOA和DOA参数,利用情商。15)。加强是首先由外推的结果收到信号,在一项研究[12]。在第一天线单元,接收到的信号的指数推断估计多个目标的加强。实现外推的结果,FFT方法的需要 在哪里 是 转向向量FFT的加强,也就是说, 。然而在实践中,有限长度的数据 在FFT引起蹭脏和泄漏。

因此,有必要过程推断算法的下一步使用自回归(AR)。外推,每个线性调频信号的AR参数估计,估计和线性预测参数可以实现。估计AR参数,基于模型的技术取决于接收信号建模 与 在第一个天线作为理性的一个线性系统的输出系统形式如下:

这个数学模型来表示给定pole-zero接收信号的线性模型(17)被称为autoregressive-moving平均(ARMA)模型。这个模型归类为ARMA模型AR模型和移动平均(MA)模型的价值 和 。在这三个线性模型中,AR模型 是应用最广泛的方法,非白人随机过程模型,因为非常简单的AR模型结果AR参数的线性方程(13]。

使用AR模型图3在第一天线,接收到的信号可以建模为元素

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图3
外推过程:(a)收到信号,(b)估计AR过程的脉冲响应,(c)推断的信号,(d)的FFT信号外推。

在这种情况下,功率谱 的 阶AR过程定义如下: 在哪里 和 可以从数据和估计谱估计的准确性, 将取决于准确的模型参数估计,然后呢 是建模错误,它被认为是一种随机噪声。由于AR谱估计需要整机全极模型是一个发现的过程,各种各样的技术可用于整机全极参数估计 (14]。典型的方法来估计AR参数估计协方差方法[距离信息14]。找到 阶AR参数 ,协方差方法需要一组线性方程,

自相关序列 被定义为

利用AR模型谱估计的距离,基于“增大化现实”技术的顺序的过程 应该取决于目标的数量 。当订单 小于的数量目标 ,距离谱的结果将是平滑和低分辨率。当订单 的数量大于目标 ,距离谱的结果会有虚假的峰值。另一种方法确定模型的秩序 涉及使用Akaike信息准则(AIC)和最小描述长度(MDL) [15,16]。最优建模顺序可以通过改变模型选择顺序,直到MDL或者AIC值最小化。

评估范围,1 d-fft [2)是进行外推啁啾信号啁啾指数。1 d-fft外推的结果在第一阵列接收信号 表示为 在哪里 ,和 表示推测样品的数量。1 d-fft建立之后,距离谱之间的峰值 发现,峰值指数意味着距离目标的结果。

在第一个天线元素推断后完成多个目标,TOA指数向量, ,在哪里 表示 。因此,TOA方向向量的估计数据 th目标可以写成:

为每个目标DOA,通过替换above-estimated向量在情商。15),一个正常的音乐估计量 目标是获得这样 在哪里 在音乐的估计 目标和峰值检测处理,通过DOA指标矩阵 多个目标的DOA 目标是通过 在哪里 正弦函数的逆算子。

因此,该算法TOA和DOA信息车辆FMCW雷达概述图4。该算法的主要步骤如下。

步骤1。构建时空协方差矩阵 。

步骤2。通过EVD ,获取信号子空间矩阵 和噪声子空间矩阵 ,分别。

步骤3。通过情商。15),单独的加强的方向向量和新风,分别使用减少维度。

步骤4。搜索 通过外推结果的外推和峰值检测,因此可以获得 估计TOA的多个目标,即 为 。

第5步。替代TOA估计方向向量的情商。23在情商。15)。

步骤6。搜索 通过音乐情商的估计量。24)和峰值检测,可以找到 估计DOA的多个目标,即 为 。


图4
该算法的步骤。

5。仿真结果和复杂性分析

进行MATLAB仿真验证该算法的估计结果与常规2 d-music。在本节中,该算法和2 d-music只是分析,因为其他算法并不基于频谱。的快照时间延迟角地图表示的一个目标,两个目标。在本节中,参数设置如表所示1。假设一个24-GHz FMCW雷达的射频模块和一个传输通道和两个接收通道用于获得仿真结果。

表1
AWGN信道的仿真参数。

仿真,呈现在图5,放置在一个目标 和 。如图5,该算法估计类似的角度和时间延迟的结果与传统算法。

(一)
(一)
(b)
(b)
图5
Time-angle映射结果 针对单一目标:(一)传统2 d-music和(b)拟议中的RD-MUSIC外推。

图6显示了一个模拟快照在AWGN信道的两个目标。被放置在两个不同的目标 和 。因为这个结果是类似于图5,该算法和传统算法获得类似的角度和时间延迟的结果正确。

(一)
(一)
(b)
(b)
图6
Time-angle映射结果 有两个目标:(一)常规2 d-music和(b)拟议中的RD-MUSIC外推。

在根均方误差(RMSE),分析了该算法的RMSE TOA和DOA估计比其他算法。我们比较理想的RMSE放松和ESPRIT算法提出了估计量的RMSE TOA和DOA。在数据7(一)和7 (b),放在两个目标 和 。两个不同的目标是位于距离间隔大于距离分辨率。因为距离间隔大于距离分辨率,RMSE结果的算法也有类似的结果。在数据7 (c)和7 (d),放在两个目标 和 。两个不同的目标是位于距离间隔比距离分辨率低。由于距离间隔低于距离分辨率,RMSE结果的音乐,放松,该算法也有类似的结果时,FFT的低性能。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图7
TOA, RMSE仿真结果(a) (b) DOA 和 ,(c) TOA和(d) DOA 和

的复杂性,该算法2 d-music和2 d-fft进行了分析。算法的计算复杂度是由主乘法操作。2 d-music和2 d-fft使用完整的搜索范围和角度来检测目标,而该算法要求节约内存搜索多个参数估计。2 d-fft方法, 次 - - - - - -点FFT距离估计和 次 - - - - - -点FFT角度评估完成。所需数量的乘法操作2 d-fft描述(28)。算法部分,不需要计算FFT。2 d-music算法的复杂性是由自相关矩阵,EVD,谱一代的正交性(27)。在该算法中,1 d-extrapolation RD-MUSIC范围和角度(执行26)。在这里, 表示音乐算法的光谱样本的数量。当提出结构的复杂性(26)(2 d-music的价格相比27),该结构的复杂性 ,而2 d-music组成的 。

验证了该算法的复杂性通过测量在MATLAB CPU执行时间。图8显示了CPU时间测量基于时间样本的数量 。与 ,该方法的复杂性至少50倍低于常规2 d-music算法。通过应用该方法大大减少了复杂性负担降低维度的方法与传统的2 d-music算法,同时提供类似的性能的2 d算法的音乐。2 d-fft不分析,因为2 d-fft复杂度远低于其他算法。


图8
MATLAB CPU执行时间的常规2 d-music和该算法 。

6。实验

在各种实验中,该方法的评估结果进行评估的消声室位于大邱韩国庆北科技研究所(DGIST)在韩国。使用一个TX通道和两个收到(RX)频道,一个FMCW射频模块是用24-GHz载波频率。涉及的发射机的振荡器26 MHz,频率合成器和压控振荡器。从频率合成器,FMCW TX信号产生的200 - mhz带宽范围24.05 - -24.25 GHz。接收者由两个高通滤波器,两个低通滤波器,低噪声放大器(恢复),两个和两个搅拌机。接收机的噪声数据,采用8和14 dB,分别。增益设置为2.5 dB。混合器,射频信号改变了打信号的中频信号。发达24-GHz FMCW射频模块如图9(2]。


图9
实现FMCW射频模块(2]。

为了避免不理想的反射信号,实验是在一个消声室进行。的实验中,放置在一个目标 和 。time-angle地图估计的实验结果,如在图10。如图10,该方法和传统的方法估计类似的正确角度和时间延迟,但该算法有较低的复杂度比2 d-music负载。

(一)
(一)
(b)
(b)
图10
实验结果(一)常规2 d-music和(b)拟议中的RD-MUSIC外推。

7所示。结论

一个low-complexity-based RD-MUSIC与外推联合加强和DOAs汽车提出了FMCW雷达系统。该方法大大减少了使用的复杂性RD-MUSIC减少维度从二维到一维的汽车FMCW雷达系统。该方法不仅解决了低问题,使用外推法代替1 d-music估计范围。

仿真结果表明2 d-music和该算法也有类似的估计性能,同时该方法的复杂性至少50倍低于传统2 d-music算法 。实验分析表明,该算法提供了一个类似的性能与2 d-music相比。因此,该方法适用于汽车雷达因为其低复杂度的参数估计。

数据可用性

限制访问数据:数据支持本研究的发现没有要求从我们的机构。数据没有公开由于限制,例如,包含信息,以便研究成果的商业化。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Sangdong金和金Bongseok cofirst作者。

确认

这项工作得到了DGIST科技部的研发项目,ICT和未来规划,韩国(20-IT-02和19-02-HRHR-03)。