1. 毫米波雷达基础：FMCW原理、距离-多普勒-角度估计、点云生成

大家好，欢迎来到《毫米波雷达目标关联技术详解》的第一章。我是你们这门课的主讲。说实话，每次讲雷达基础，我都觉得特别亲切。记得我刚入行那会儿，第一次看到FMCW雷达的波形图，感觉就像在看天书。后来亲手调过几块板子，踩过不少坑，才慢慢摸透了里面的门道。

这一章，咱们就聊聊毫米波雷达最核心的几个概念：FMCW是怎么工作的？距离、速度、角度怎么算出来的？最后又是怎么变成点云的？嗯，内容不少，但我会尽量讲得接地气一些。

1.1 FMCW原理：说白了就是“调频连续波”

FMCW，全称是Frequency Modulated Continuous Wave，中文叫调频连续波。你想想看，雷达要测距，最直接的办法就是发射一个信号，等它碰到目标反射回来，算一下时间差。但问题来了——电磁波跑得太快了，300米/微秒。你要测一个100米外的目标，来回也就0.67微秒。这个时间差，用普通的计时器很难精确测量。

那怎么办？FMCW的思路很巧妙：它不直接测时间，而是测频率差。

具体来说，雷达发射的信号频率是随时间线性变化的。比如从77GHz开始，每微秒增加10MHz。发射信号碰到目标反射回来，接收到的信号就比发射信号晚了一段时间。这段时间里，发射信号的频率已经变了，所以接收信号和发射信号之间就产生了一个频率差。这个频率差，就叫做“差频”或“中频频率”。

我个人习惯把FMCW的工作过程分成三步：

1. 发射：产生一个频率线性变化的连续波，叫chirp。
2. 混频：把发射信号和接收信号混在一起，得到差频信号。
3. 采样与FFT：对差频信号做模数转换，然后做傅里叶变换，提取频率信息。

我在项目中遇到过一个问题：差频信号的信噪比很低，导致测距不准。后来发现是发射和接收之间的隔离度不够，发射信号直接泄漏到了接收端。嗯，这里要注意，FMCW雷达的收发隔离设计非常关键，尤其是单天线方案。

1.2 距离估计：一维FFT就够了

距离估计，说白了就是找差频信号的频率。怎么做？最常用的方法就是FFT（快速傅里叶变换）。

假设我们发射了一个chirp，采样了N个点。对这N个点做FFT，得到N个频率分量。每个频率分量对应一个距离门（range bin）。峰值所在的频率，就是目标的差频频率。

举个例子：

// 伪代码：一维FFT测距
采样点数 N = 256
采样率 fs = 10 MHz
调频斜率 S = 50 MHz/μs

对采样数据做FFT
找到峰值索引 k_peak
差频频率 f_b = k_peak * fs / N
距离 R = c * f_b / (2 * S)

这里有个细节：距离分辨率是多少？它取决于带宽B和调频时间T_c。公式是：

ΔR = c / (2 × B)

比如带宽B=4GHz，那么距离分辨率就是3.75厘米。嗯，这个分辨率相当不错了，能区分两个相距不到4厘米的目标。

1.3 速度估计：二维FFT与多普勒效应

距离搞定了，那速度呢？这就得靠多普勒效应了。

你想想看，如果目标在运动，反射信号的频率会发生偏移。这个偏移量就叫多普勒频移。对于FMCW雷达，我们通常发射一串chirp（比如128个），然后对每个chirp做一维FFT得到距离，再对同一距离门上的多个chirp做二维FFT，就能提取出多普勒频率。

多普勒频率f_d和速度v的关系是：

v = (λ × f_d) / 2

其中λ是波长。对于77GHz雷达，波长大约是3.9毫米。

速度分辨率取决于chirp的个数和chirp周期：

Δv = λ / (2 × N_chirp × T_c)

比如N_chirp=128，T_c=40μs，那么速度分辨率大约是0.38 m/s。够用了吧？

1.4 角度估计：MIMO与波束成形

距离和速度都有了，还差角度。角度估计靠的是天线阵列。

基本原理很简单：目标到不同天线的距离不同，导致接收信号的相位不同。通过比较这些相位差，就能算出目标的角度。

常用的方法有两种：

• 数字波束成形（DBF）：对多个天线的信号做加权求和，形成指向不同方向的波束。哪个方向能量最强，目标就在哪。
• MIMO（多输入多输出）：用多个发射天线和多个接收天线，虚拟出更多的天线通道。比如2发4收，可以虚拟出8个通道，角度分辨率翻倍。

角度分辨率取决于天线孔径：

Δθ = λ / (N × d × cosθ)

其中N是天线数量，d是天线间距。通常d取λ/2。

1.5 点云生成：从原始数据到三维空间

好了，距离、速度、角度都算出来了。接下来就是把这些信息整合起来，生成点云。

点云，说白了就是一堆三维坐标点，每个点代表一个目标。每个点包含：

• 距离R
• 方位角θ
• 俯仰角φ（如果有俯仰天线）
• 速度v
• 信号强度（RCS相关）

生成点云的流程大致如下：

1. CFAR检测：在距离-多普勒图上找峰值，剔除噪声。
2. 角度估计：对每个检测到的峰值，用DBF或MIMO算角度。
3. 坐标转换：把极坐标（R, θ, φ）转成笛卡尔坐标（x, y, z）。
4. 聚类与过滤：把相近的点合并，剔除孤立点。

下面我用一张流程图来展示整个点云生成的逻辑：

你看，从原始ADC数据到最终的点云，中间要经过好几步处理。每一步都有它的门道。我个人习惯在CFAR检测这一步多花点心思，因为检测的好坏直接影响后续所有结果。

1.6 本章小结

好了，这一章的内容就到这里。我们聊了FMCW的基本原理，知道了距离、速度、角度是怎么估计出来的，最后又看了点云生成的完整流程。

说实话，这些内容看起来多，但核心思想就一个：用频率换距离，用相位换速度，用阵列换角度。你把这个逻辑理清了，后面的内容就好理解了。

下一章我们会深入目标关联技术，到时候会用到这一章的基础知识。嗯，先消化消化吧。