3. 雷达信号处理链
各位同学，今天我们来啃一块硬骨头——毫米波雷达的信号处理链。说实话，我刚入行那会儿，看着这一串缩写（ADC、FFT、CFAR、DOA）也是头皮发麻。但后来我发现，只要把这条链上的每个环节拆开来看，其实没那么玄乎。
这条链说白了就是：把天线收到的模拟回波，变成我们能用来定位的数字信息。我习惯把它分成五个步骤，每一步都有它的脾气。
核心逻辑： 原始模拟信号 → 数字离散化 → 距离维分析 → 速度维分析 → 目标检测 → 角度估计
3.1 ADC采样：从模拟世界到数字世界的第一步
ADC（模数转换）是整个信号处理链的入口。天线接收到的回波是连续的模拟信号，但我们的处理器只认0和1。ADC的作用，就是按照一定的速率对这个连续信号「拍照」，拍成一个个离散的数字点。
采样率怎么定？ 这里有个硬规矩——奈奎斯特定理。采样率至少要是信号最高频率的两倍。我见过有人为了省成本把采样率压得很低，结果目标距离模糊得一塌糊涂。嗯，省下来的钱全花在调试上了。
我的经验： 实际项目中，我一般会把采样率留出20%~30%的余量。比如理论需要2MHz，我会设到2.5MHz。多出来的这点余量，能帮你挡住不少高频噪声的混叠问题。
ADC的另一个关键参数是量化位数。12位还是14位？这取决于你的动态范围需求。如果场景里既有近处的大目标（比如卡车），又有远处的小目标（比如行人），位数低了，小目标就被量化噪声淹没了。
3.2 1D-FFT：把时间信号变成距离信息
ADC采样完，我们得到的是时域信号。但雷达想要的是「距离」。怎么从时间到距离？靠傅里叶变换。
1D-FFT（一维快速傅里叶变换）是对每个chirp（调频脉冲）的采样点做FFT。为什么能测距？因为发射信号和回波信号之间存在频率差，这个差值和距离成正比。FFT能把不同频率的成分分离开，每个频率bin就对应一个距离门。
// 伪代码示例：1D-FFT处理
for each chirp in frame:
// 对每个chirp的ADC采样数据做FFT
range_fft_result = FFT(adc_samples, N_fft);
// 取模得到幅度谱
range_magnitude = abs(range_fft_result);
// 存储到距离-脉冲矩阵
range_doppler_matrix[:, chirp_idx] = range_magnitude;
这里有个细节：窗函数。直接做FFT会有频谱泄露，旁瓣会干扰相邻距离门的目标检测。我习惯加一个汉宁窗或者布莱克曼窗。代价是主瓣稍微变宽一点，但旁瓣能压下去20~30dB，值了。
3.3 2D-FFT：把距离信息变成速度信息
1D-FFT做完，我们有了距离信息。但目标在动，怎么测速？
2D-FFT的思路是这样的：对同一个距离门，在不同chirp之间再做一次FFT。因为运动目标的多普勒频移会体现在chirp之间的相位变化上。第二次FFT就把这个相位变化提取出来了，每个多普勒bin对应一个速度。
为什么会这样？你想想看，一个静止目标，每个chirp的回波相位是一样的。但运动目标不一样，它在每个chirp之间移动了一点点距离，导致相位在累积变化。这个变化率就是速度。
| 维度 | 第一次FFT（1D） | 第二次FFT（2D） |
|---|---|---|
| 输入 | 单个chirp的ADC采样点 | 同一距离门的所有chirp |
| 输出 | 距离-幅度谱 | 距离-多普勒图（RD图） |
| 物理意义 | 目标距离 | 目标速度 |
| 分辨率 | c/(2*B)，B为带宽 | λ/(2*T_frame)，T_frame为帧周期 |
注意： 2D-FFT做完后，我们得到的是距离-多普勒图（RD图）。这张图是后续所有检测的基础。我曾经在调试时发现RD图上有一条亮线贯穿所有距离门，排查了半天才发现是电源纹波耦合进了ADC参考电压。所以，RD图的质量直接反映了硬件底噪水平。
3.4 CFAR检测：从噪声中揪出真正的目标
RD图出来了，上面有山峰有低谷。哪些是目标？哪些是噪声？
CFAR（恒虚警率检测）就是干这个的。它的核心思想是：动态计算每个检测单元周围的噪声水平，然后设定一个自适应阈值。超过阈值的，判为目标；没超过的，判为噪声。
CFAR有几种常见变体：
- CA-CFAR（单元平均）：取检测单元两侧的参考窗，计算平均噪声功率。简单，但多目标场景下容易互相遮蔽。
- OS-CFAR（有序统计）：对参考窗内的功率排序，取第k个值作为噪声估计。抗干扰能力强，但计算量大。
- SO-CFAR/GO-CFAR：分别取两侧参考窗的最小值/最大值。用于处理边缘场景。
我个人习惯用OS-CFAR。为什么？因为自动驾驶场景里经常出现多个目标挨得很近的情况，CA-CFAR会把旁边的目标也算进噪声里，导致漏检。OS-CFAR虽然慢一点，但鲁棒性好很多。
避坑指南： 我曾经在高速场景下用CA-CFAR，结果两个并排行驶的卡车互相遮蔽，系统只检测到一个。后来换成OS-CFAR，问题解决。另外，参考窗的大小也要根据场景调整——城区场景目标密集，参考窗可以小一点；高速场景目标稀疏，参考窗可以大一点。
3.5 DOA估计：确定目标的方向
CFAR检测告诉我们「哪里有目标」，但没告诉我们「目标在哪个方向」。DOA（波达方向估计）就是来解决这个问题的。
DOA估计依赖多根接收天线。不同天线接收到的同一个目标的回波，存在相位差。这个相位差和目标的到达角（AoA）直接相关。通过比较天线间的相位差，就能算出角度。
常用的DOA方法有：
- 数字波束形成（DBF）：对多天线数据做FFT，每个角度bin对应一个波束指向。简单，但角度分辨率受限于天线数量。
- MUSIC算法：基于子空间分解，能突破天线数量的分辨率限制。但计算量大，且需要精确的天线校准。
- ESPRIT算法：利用天线阵列的旋转不变性，不需要精确的阵列流型。比MUSIC快，但精度略低。
在嵌入式平台上，我一般用DBF。为什么？因为MUSIC和ESPRIT虽然精度高，但实时性很难保证。TI的AWR系列芯片内部集成了硬件加速器，做DBF几乎不占CPU时间。如果你用FPGA，可以考虑MUSIC，但要做好资源规划。
// DOA估计的简化流程（DBF方法）
// 假设有M根接收天线，CFAR检测到了K个目标
for each target k:
// 提取该目标在M根天线上的复数值
complex signal[M] = extract_signal(rd_map, target_k, antenna_indices);
// 对M个复数值做FFT（角度FFT）
complex angle_spectrum = FFT(signal, M);
// 找到峰值对应的角度bin
int peak_bin = find_peak(angle_spectrum);
// 将bin索引映射到实际角度
float angle = bin_to_angle(peak_bin, M);
关键点： DOA估计的精度受天线间距影响。标准做法是天线间距取半波长（λ/2）。间距大了会有栅瓣（角度模糊），间距小了角度分辨率不够。我见过有人为了省天线面积把间距缩小到λ/4，结果角度分辨率直接砍半，远距离目标的角度误差大到没法用。
好了，以上就是雷达信号处理链的五个核心环节。从ADC采样到DOA估计，每一步都有它的物理意义和工程陷阱。做自动驾驶定位，这条链上的任何一个环节出问题，最终都会反映在定位精度上。所以，别嫌麻烦，每个环节都要吃透。