3. 雷达感知基础
在无人机雷达视觉融合感知系统中，毫米波雷达承担着“全天候测距测速”的核心角色。它不依赖光照，能穿透雨雾烟尘，在视觉退化时仍提供稳定的目标距离与径向速度。理解毫米波雷达的工作原理，是后续做雷达与视觉时空对齐、点云融合、目标级融合的前提。本节从FMCW调制机理出发，串联距离、速度、角度三大测量维度，再落到点云生成与雷达数据特性，形成一条完整的认知链路。
一、核心原理：FMCW调制与差频测距
毫米波雷达常用调频连续波（FMCW）体制。发射端产生一个频率随时间线性上升的“啁啾”信号，遇到目标后反射回来，接收信号相对发射信号有一个时间延迟。将收发信号混频，得到频率等于两者频率差的差频信号（中频信号）。差频频率与目标距离成正比，这就是FMCW测距的基本原理。
单个啁啾可测距离，但无法直接分离速度。工程上采用“快时间—慢时间”二维处理：快时间维度是单个啁啾内的采样，做距离FFT得到距离维；慢时间维度是多个啁啾之间的采样，做多普勒FFT得到速度维。二者共同构成距离—多普勒矩阵（Range-Doppler Map），是雷达信号处理的中心数据结构。
二、距离、速度、角度三大测量维度
距离测量：由差频频率换算得到。距离分辨率取决于扫频带宽，例如77GHz雷达在1GHz带宽下理论距离分辨率约0.15m。最大不模糊距离受采样率与啁啾周期约束。
速度测量：利用多普勒效应。目标相对雷达运动会使相邻啁啾间的相位发生旋转，通过多普勒FFT提取相位变化率得到径向速度。速度分辨率取决于帧内啁啾总时长：Δv = λ/(2·N_c·T_c)。注意雷达只能测径向速度，切向运动需靠角度维或视觉补充。
角度测量：采用多接收天线阵列，目标回波到达不同天线的相位差与入射角相关。通过角度FFT或超分辨算法（如MUSIC、Capon）估计方位角，进而得到目标的横向位置。角度分辨率与阵列孔径成正比，孔径越大分辨力越强。
三、点云生成流程
雷达原始数据经过上述三维FFT后，得到距离、速度、角度及信噪比信息。点云生成通常包含以下步骤：
- CFAR检测：恒虚警率检测在距离—多普勒平面上自适应设定阈值，从噪声中提取目标峰值，避免固定阈值在杂波区失效。
- 角度估计：对检测到的峰值在阵列维做角度FFT或超分辨处理，得到方位角与俯仰角。
- 坐标转换：将球坐标（R, θ, φ）转换为笛卡尔坐标（x, y, z），形成三维点云。
- 点云属性：每个点携带距离、径向速度、角度、信噪比、时间戳等属性，供后续融合使用。
# 典型雷达点云单帧数据结构（示意）
frame_id: 1024
timestamp: 1698765432.123
points:
- {x: 12.4, y: -3.2, z: 0.8, range: 12.8, velocity: -2.1, azimuth: -14.5, snr: 22.3}
- {x: 25.1, y: 1.7, z: 1.2, range: 25.2, velocity: 0.5, azimuth: 3.9, snr: 18.7}
- {x: 8.6, y: 5.4, z: 0.3, range: 10.2, velocity: -1.8, azimuth: 32.1, snr: 15.2}
四、雷达数据特性与工程影响
雷达点云与激光、视觉数据有显著差异，理解这些特性对融合算法设计至关重要。
| 特性 | 表现 | 对融合的影响 |
|---|---|---|
| 点云稀疏 | 单帧仅数百至数千点，远少于激光雷达 | 需与视觉密集信息互补，不宜单独做精细轮廓 |
| 径向速度直接可测 | 每个点自带多普勒速度 | 可辅助视觉做运动目标分割与跟踪 |
| 角度分辨率有限 | 阵列孔径受限，横向精度低于距离精度 | 横向定位需视觉或激光辅助校正 |
| 多径与杂波 | 地面、建筑反射产生虚假点 | 需CFAR与聚类滤波，融合前做点云清洗 |
| 全天候鲁棒 | 雨雾烟尘下仍可工作 | 作为视觉退化时的冗余感知源 |
五、案例与误区复盘
案例：某无人机在夜间巡检时，视觉因低照度失效，毫米波雷达检测到前方12m处有障碍物，径向速度-2.1m/s，方位角-14.5°。融合系统据此触发避障，验证了雷达作为冗余源的价值。
常见误区：
- 误以为雷达点云可直接替代激光点云做建图——雷达点稀疏且角度精度低，单独建图效果差。
- 忽略径向速度的局限性——切向运动目标的多普勒速度接近零，易被误判为静止。
- 不做CFAR与聚类直接融合——杂波点会污染视觉融合结果，导致虚警。
- 忽略坐标外参标定——雷达与相机外参不准，融合后目标位置偏移严重。