1. 课程导入与车载毫米波雷达系统概览

欢迎进入《TI毫米波雷达目标检测与车载感知工程》。本课程围绕德州仪器（TI）AWR/AWR2x 系列毫米波雷达芯片与配套的 mmWave SDK、Radar Toolbox，从信号发射、回波接收、距离/速度/角度估计，一直讲到点云生成、目标聚类跟踪与车载场景下的工程落地。学完本课程，你应当能够独立完成一套毫米波雷达感知链路的参数设计、数据采集、算法实现与结果评估，而不是停留在"知道雷达能测距测速"的层面。

本节学习目标

• 理解 FMCW（调频连续波）体制为什么成为车载雷达的主流选择，掌握其相对脉冲体制的核心优势。
• 建立车载毫米波雷达系统的整体框图认知：从射频前端、天线阵列到基带处理与上层感知输出。
• 明确毫米波雷达在 ADAS 与自动驾驶感知栈中的角色定位，以及它与摄像头、激光雷达的分工与互补关系。
• 了解本课程实战项目的整体形态：硬件平台、数据链路、算法模块与最终交付的感知结果。

为什么车载感知选择毫米波雷达

车载感知传感器主要有三类：摄像头、激光雷达和毫米波雷达。摄像头分辨率高、成本低，但受光照和天气影响大，且单目测距精度有限；激光雷达点云密集、测距精度高，但成本高、雨雾衰减明显、远距离探测能力受限。毫米波雷达工作在 76–81 GHz 频段，波长约 3.9 mm，具备三个难以替代的特性：全天候工作能力（穿透雨雾、烟尘、黑暗）、直接测速能力（利用多普勒效应，单帧即可获得径向速度，无需多帧关联）、以及较远的探测距离（长距模式下可达 200 m 以上）。

这些特性决定了毫米波雷达在 AEB（自动紧急制动）、ACC（自适应巡航）、BSD（盲区监测）、LCA（变道辅助）等安全相关功能中承担"主传感器"或"关键冗余"的角色。即便在强调多传感器融合的自动驾驶方案中，雷达通常也是唯一能在恶劣天气下保持稳定输出的传感器。

FMCW 体制的核心优势

FMCW 通过发射频率随时间线性变化的连续波（Chirp），将目标的距离信息编码到回波与发射信号的差频上。相比脉冲体制，FMCW 有三个直接好处：第一，发射峰值功率低，通常仅十几 dBm，对器件耐压和电磁兼容要求低，适合车载大规模部署；第二，不存在脉冲体制的最小探测距离盲区问题，近距离目标同样可测；第三，通过多 Chirp 组合，可以同时解出距离和速度，硬件结构简单、成本可控。

下面这张图给出了一个典型的车载 FMCW 雷达信号链与处理流程，从波形生成到最终点云输出，帮助你在进入后续章节前建立整体印象。

毫米波雷达在感知栈中的角色

在典型的 L2+ 自动驾驶感知栈中，毫米波雷达通常以"前向长距 + 四角短距"的布局出现。前向雷达负责 150–250 m 范围内的车辆、行人检测，为 ACC 和 AEB 提供目标距离与相对速度；角雷达覆盖 30–80 m 的盲区与侧后方，支撑 BSD、LCA 和后方碰撞预警。雷达输出的目标航迹（距离、方位角、径向速度、RCS）会与摄像头目标、激光雷达点云在融合层做时空对齐与关联。

需要特别强调的是，雷达的径向速度测量精度远高于摄像头，在目标运动状态判断上具有天然优势；但雷达的角分辨率受天线孔径限制，横向定位精度通常弱于激光雷达。理解这种"强项—弱项"的互补关系，是后续做多传感器融合设计的前提。

课程实战项目总览

本课程的实战项目以 TI AWR1843/AWR1642 评估板为硬件平台，配合 DCA1000 数据采集卡，完成以下完整链路：

1. 波形设计：根据探测距离、速度范围、分辨率需求，计算并配置 Chirp 参数（斜率、空闲时间、采样率、Chirp 数）。
2. 原始数据采集：通过 mmWave Studio 或 SDK 的 Capture Demo 获取 ADC 原始数据（.bin 格式），理解数据帧结构。
3. 信号处理实现：在 MATLAB 或 Python 中实现 1D/2D FFT、CFAR 检测、角度估计，生成点云。
4. 点云后处理：DBSCAN 聚类、卡尔曼滤波跟踪，输出目标航迹。
5. 结果评估：用已知场景（如静止角反、匀速移动目标）验证距离、速度、角度估计精度。

关键参数速览

为了让你对后续章节中反复出现的参数有直观印象，下表列出典型车载雷达的示例配置范围（具体数值需根据实际场景调整，此处仅为教学示例）：

这些参数之间并非独立，而是通过雷达方程和 FFT 分辨率公式相互制约。例如，增大带宽可以提高距离分辨率，但会压缩最大无模糊测距范围；增加 Chirp 数可以提高速度分辨率，但会延长帧时间、降低更新率。后续章节会逐一展开这些权衡关系的推导与工程取舍方法。