📚 课程目录第3章仿真环境搭建

3. 仿真环境搭建

说实话，很多做雷达的同行，一开始都栽在环境搭建上。

我记得刚入行那会儿，花了两天时间装库、配路径，结果跑第一个仿真程序就报错——"No module named 'numpy'"。后来才发现是虚拟环境没激活。嗯，这种坑，踩过一次就记住了。

这一章，我就带你一步步把仿真环境搭好。咱们的目标是：一次配好，三年不坏。

3.1 Python环境配置：选对版本，省一半心

我个人习惯用 Python 3.8 到 3.10 之间的版本。为什么？因为毫米波雷达仿真常用的库，比如 scipy、matplotlib，对 3.11 以上的支持偶尔会出兼容问题。我在项目中遇到过，3.11 下某个 FFT 相关的函数跑出来结果不对，降回 3.9 就好了。

避坑指南： 我曾经因为图省事，直接在系统 Python 里装了一堆库。结果项目做到一半，另一个依赖要求降版本，整个环境崩了。从那以后，我每个项目都建独立的虚拟环境。

推荐用 conda 或 venv 管理环境。我个人更倾向 conda，因为它对科学计算库的依赖处理得更干净。

# 创建虚拟环境（Python 3.9）
conda create -n radar_sim python=3.9

# 激活环境
conda activate radar_sim

# 核心库安装
pip install numpy==1.23.5
pip install scipy==1.9.3
pip install matplotlib==3.6.2

你想想看，一个干净的环境，就像一张白纸。后面所有的仿真代码，都在这个环境里跑，互不干扰。

3.2 NumPy/SciPy基础：雷达仿真的左膀右臂

NumPy 和 SciPy 是雷达仿真的基石。说白了，没有它们，你连一个 FFT 都得自己手写。

3.2.1 NumPy：数组与矩阵运算

雷达信号处理，本质上就是跟多维数组打交道。一维是时域信号，二维是距离-多普勒图，三维是点云数据。NumPy 的 ndarray 就是为这个而生的。

import numpy as np

# 生成一个线性调频信号（Chirp）
fs = 10e6          # 采样率 10 MHz
t = np.arange(0, 100e-6, 1/fs)  # 时间轴，100微秒
f0 = 77e9          # 起始频率 77 GHz
slope = 50e12      # 调频斜率 50 MHz/us

# 生成 chirp 信号
chirp = np.exp(1j * 2 * np.pi * (f0 * t + 0.5 * slope * t**2))

# 查看信号形状
print(f"信号长度: {len(chirp)} 个采样点")

我在项目中遇到过最常用的 NumPy 操作，就是 np.fft.fft 做距离维 FFT，以及 np.meshgrid 生成二维网格。这两个函数，几乎每个雷达仿真脚本里都会出现。

小技巧： 用 np.newaxis 扩展维度，可以轻松实现矩阵广播。比如把一维的 chirp 信号复制成多通道数据，一行代码搞定。

3.2.2 SciPy：信号处理工具箱

SciPy 的 signal 模块，简直就是雷达工程师的瑞士军刀。滤波器设计、窗函数、卷积、插值……应有尽有。

from scipy import signal

# 设计一个带通滤波器，滤除雷达回波中的低频杂波
fs = 10e6
lowcut = 100e3    # 100 kHz 高通
highcut = 5e6     # 5 MHz 低通

b, a = signal.butter(4, [lowcut, highcut], btype='band', fs=fs)

# 对回波信号滤波
filtered_signal = signal.filtfilt(b, a, raw_echo)

为什么会用 filtfilt 而不是 lfilter？因为 filtfilt 是零相位滤波，不会引入群延迟。做雷达测距时，相位信息太重要了，一点点延迟都会导致距离误差。这个坑，我踩过。

3.3 Matplotlib可视化：让数据说话

雷达仿真最爽的时刻，就是看到仿真结果变成一张漂亮的图。Matplotlib 就是干这个的。

3.3.1 基础绘图：时域与频域

import matplotlib.pyplot as plt

# 绘制 chirp 信号的实部
plt.figure(figsize=(10, 4))
plt.plot(t * 1e6, chirp.real, linewidth=0.8)
plt.xlabel('时间 (μs)')
plt.ylabel('幅度')
plt.title('线性调频信号（实部）')
plt.grid(True, alpha=0.3)
plt.show()

3.3.2 二维热力图：距离-多普勒图

这是雷达仿真的核心可视化。我习惯用 plt.imshow 配合 extent 参数，把像素坐标映射到物理量纲。

# 假设 rd_map 是距离-多普勒矩阵
# 维度: [距离门数, 多普勒通道数]

plt.figure(figsize=(8, 6))
plt.imshow(20 * np.log10(np.abs(rd_map) + 1e-10), 
           aspect='auto', 
           extent=[-v_max, v_max, r_max, 0],
           cmap='jet')
plt.xlabel('速度 (m/s)')
plt.ylabel('距离 (m)')
plt.colorbar(label='幅度 (dB)')
plt.title('距离-多普勒图')
plt.show()

重要： 画图时记得加 1e-10 防止 log(0) 报错。这个细节，能让你少掉几根头发。

3.4 仿真框架设计：搭好骨架，填肉不慌

一个可复用的仿真框架，应该包含四个核心模块。我画了一张图，你看一眼就明白了。

这个框架的核心思想是：参数驱动一切。你改一个参数，比如调频斜率，整个仿真链路自动更新。我在做车载雷达项目时，就是靠这个框架，一天之内迭代了十几个参数组合，快速找到了最优波形设计。

3.4.1 参数配置模块

我习惯把所有参数写在一个字典里，或者用 dataclass 封装。这样改参数不用翻代码。

from dataclasses import dataclass

@dataclass
class RadarConfig:
    f0: float = 77e9          # 起始频率
    slope: float = 50e12      # 调频斜率
    fs: float = 10e6          # 采样率
    chirp_duration: float = 100e-6  # chirp 时长
    num_chirps: int = 128     # 一帧内的 chirp 数
    num_rx: int = 4           # 接收天线数
    
config = RadarConfig()
print(f"雷达配置: {config}")

3.4.2 信号生成与处理模块

这两个模块我通常写成函数，输入是配置参数，输出是处理结果。每个函数只做一件事，方便单元测试。

def generate_chirp(config):
    """生成发射 chirp 信号"""
    t = np.arange(0, config.chirp_duration, 1/config.fs)
    return np.exp(1j * 2 * np.pi * (config.f0 * t + 0.5 * config.slope * t**2))

def range_fft(echo_data):
    """距离维 FFT"""
    return np.fft.fft(echo_data, axis=1)

我的习惯： 每个函数都写 docstring，哪怕只有一行。三个月后回来看代码，你会感谢现在的自己。

3.4.3 可视化模块

可视化单独拎出来，是因为它经常需要调整。画图的参数（颜色、字体、坐标轴范围）和仿真逻辑无关，分开维护更清爽。

嗯，到这里，仿真环境就搭好了。框架也设计完了。你可以在这个骨架上，一砖一瓦地盖起你的雷达仿真大楼。

可可精品资料库