1. Bosch雷达系统工程导论

毫米波雷达是 Bosch 在 ADAS 与自动驾驶（AD）感知栈中的核心传感器之一。与摄像头相比，它对光照、雨雾和夜间条件更稳健；与激光雷达相比，它在成本、体积和全天候可用性上更具量产优势。Bosch 的雷达产品线覆盖从 24 GHz 到 77/79 GHz 的多个平台，典型代表包括用于盲区监测与后方交叉预警的 24 GHz 系列，以及面向 AEB、ACC、LKA 等功能的 77 GHz 前向与角雷达系列。理解这些产品在整车中的布置位置、探测覆盖与信号处理链路，是后续学习目标跟踪与数据关联的前提。

从工程视角看，Bosch 雷达系统可以拆成三个层次：射频前端与波形、信号处理与点云/目标生成、目标跟踪与输出接口。射频前端负责发射 FMCW 波形并接收差频信号；信号处理完成距离 FFT、多普勒 FFT、CFAR 检测、角度估计，输出距离、速度、角度和 RCS 等测量量；目标跟踪则把这些测量量关联到航迹，维护目标状态并输出给 ADAS 域控制器。本节的核心任务，是建立这条链路的整体认知，并搭建可复现的工程实践环境。

上图的链路顺序是理解 Bosch 雷达系统的骨架。实际工程中，每一级都有明确的输入输出与可观测指标。例如，射频前端输出的差频信号经过距离 FFT 后，峰值位置对应目标距离；再做多普勒 FFT，峰值位置对应径向速度；CFAR 用于在噪声与杂波背景中确定检测门限；角度估计则利用多通道相位差解算方位角。跟踪级接收这些测量量，通过门限关联与卡尔曼滤波更新航迹状态。若关联失败或航迹丢失，系统会进入航迹管理逻辑，决定新建、维持或删除航迹。

在 ADAS/AD 中，雷达的角色并非孤立存在。AEB 需要雷达提供稳定的距离与相对速度，ACC 需要纵向目标跟踪，LKA 与变道辅助依赖角雷达的侧后方覆盖。雷达输出通常与摄像头、激光雷达在域控制器中做前融合或后融合。因此，学习雷达信号处理与目标跟踪，不仅要理解单传感器算法，还要理解输出接口、时间同步与坐标系约定。本课程统一采用 ISO 8855 车辆坐标系：x 轴向前，y 轴向左，z 轴向上；角度以 x 轴为基准逆时针为正。后续所有距离、速度、角度的正负号均以此为准。

为了让后续章节可复现，这里给出一个最小工程实践环境。硬件上，一台具备 16 GB 内存的普通开发机即可；软件上，建议使用 Python 3.10 与 NumPy、SciPy、Matplotlib。数据方面，可以使用公开的雷达原始数据回放，也可以使用课程提供的仿真数据生成脚本。下面是一个环境检查与数据加载的示例，用于确认基础链路可用：

# 环境检查示例（示例参数，非实测结果）
import numpy as np
import scipy.fft as fft

# 模拟一个 chirp 差频信号：距离 30 m，速度 5 m/s
c = 3e8
fc = 77e9
bw = 1e9
t_chirp = 50e-6
fs = 10e6
n_samples = int(t_chirp * fs)

t = np.arange(n_samples) / fs
f_beat = 2 * bw * 30 / (c * t_chirp)  # 距离引起的差频
signal = np.exp(1j * 2 * np.pi * f_beat * t)

range_fft = fft.fft(signal)
peak_bin = np.argmax(np.abs(range_fft[:n_samples // 2]))
range_res = c / (2 * bw)
print("峰值 bin:", peak_bin, "距离分辨率:", range_res, "m")

运行后应观察到峰值 bin 与理论距离对应的频率一致，距离分辨率约为 0.15 m（对应 1 GHz 带宽）。这个示例说明：信号处理链路的每一级都可以用可观测的数值来验证，而不是停留在概念层面。后续章节会逐步展开 CFAR、角度估计、数据关联与卡尔曼滤波的实现细节。

课程整体路线图分为四个阶段。第一阶段建立雷达系统与信号处理基础，包括波形、FFT、CFAR 与角度估计；第二阶段进入目标跟踪，覆盖数据关联、卡尔曼滤波与航迹管理；第三阶段讨论多传感器融合与 ADAS 功能集成；第四阶段通过综合案例完成从原始数据到目标输出的完整链路。每个阶段都配有可运行的示例与检查点，确保学习过程可验证、可复现。