2. 毫米波雷达基础

说实话，做传感器融合这些年，我接触最多的就是毫米波雷达和激光雷达。很多人一上来就问我：“老师，毫米波雷达到底怎么工作的？为什么它能在雨雾天正常工作？”

嗯，今天我们就来聊聊这个话题。我会从最基础的FMCW原理讲起，再到信号处理、点云生成，最后带你读懂那些让人头疼的参数表。

2.1 FMCW工作原理

毫米波雷达的核心技术，说白了就是FMCW——调频连续波。我刚开始接触时也觉得这名字挺唬人，其实原理很简单。

想象一下，你对着山谷喊一声，听到回声。你喊的声音频率不变，那只能通过时间差算距离。但FMCW不一样——它发射的信号频率是随时间变化的，就像警笛声由低到高那样。

具体来说，雷达发射一个频率随时间线性增加的信号，同时接收目标反射回来的信号。发射信号和接收信号之间会有一个频率差，这个差值就叫“差频”。

为什么会这样？因为信号往返需要时间。在这段时间里，发射信号的频率已经变了。所以，差频的大小直接反映了目标的距离。

我在项目中遇到过一个问题：差频信号里不仅有距离信息，还有速度信息。怎么区分？这就引出了多普勒效应。目标运动时，反射信号的频率会额外偏移，这个偏移量就是多普勒频移。通过它，我们能算出目标的速度。

2.2 信号处理流程

拿到原始的差频信号后，我们需要做一系列处理才能得到有用的信息。我习惯把这个流程分成三步走：

1. 距离FFT：对每个chirp做一次FFT，得到距离维度的信息
2. 多普勒FFT：对多个chirp在慢时间维度做FFT，得到速度信息
3. CFAR检测：从噪声中提取真实目标

你想想看，原始数据是一个二维矩阵——行代表距离采样点，列代表chirp序号。先对每行做FFT，得到距离-慢时间矩阵。再对每列做FFT，就得到了距离-多普勒图。

2.2.1 距离-多普勒FFT代码示例

import numpy as np

def range_doppler_fft(data, fs, num_chirps, num_samples):
    """
    data: 原始差频信号，形状 (num_chirps, num_samples)
    fs: 采样率
    """
    # 距离FFT
    range_fft = np.fft.fft(data, axis=1)
    range_fft = range_fft[:, :num_samples//2]  # 取单边谱
    
    # 多普勒FFT
    doppler_fft = np.fft.fft(range_fft, axis=0)
    doppler_fft = np.fft.fftshift(doppler_fft, axes=0)  # 零频移到中间
    
    return doppler_fft

2.3 点云生成

距离-多普勒图出来后，我们得到了目标的距离和速度。但还缺一个关键信息——角度。这就需要用到多根接收天线了。

我记得第一次做角度估计时，用了最简单的波束成形方法。后来发现，MIMO技术能大幅提升角度分辨率。说白了，就是通过多根发射天线和多根接收天线，虚拟出更多的天线阵元。

点云生成的核心步骤：

• 对每个检测到的目标，提取距离、速度、角度信息
• 将极坐标转换为笛卡尔坐标
• 根据信噪比给每个点分配置信度
• 输出点云数据，通常包含x, y, z, v, snr等字段

2.4 常见参数解读

拿到一份雷达规格书，你可能会被一堆参数搞晕。我挑几个最关键的说说：

参数	含义	我的理解
最大探测距离	能检测到目标的最远距离	受发射功率和噪声系数限制，别太信理论值
距离分辨率	能区分两个目标的最小距离差	由带宽决定，带宽越大分辨率越高
最大不模糊速度	能测量的最大速度	受chirp周期限制，周期越短测速范围越大
角度分辨率	能区分两个目标的最小角度差	由天线孔径决定，MIMO可以等效增大孔径
帧率	每秒输出点云的次数	一般10-20Hz，太高了处理不过来

2.5 本章知识体系

为了让你更直观地理解毫米波雷达的整个工作流程，我画了一张图：

这张图把整个流程串起来了。从发射FMCW信号开始，到最终输出点云数据，每一步都环环相扣。我个人觉得，理解了这个流程，你就掌握了毫米波雷达的八成精髓。