自动驾驶汽车防撞毫米波雷达信号处理方法与流程

本发明属于信号处理领域，涉及一种雷达信号处理方法。

背景技术：

近年来，随着经济的发展，交通需求日益增加，城市交通拥堵、交通事故频发等成为当前世界各国面临的共同问题。对公路交通事故的分析显示，在司机、汽车、道路三个环节中，司机是可靠性最薄弱的环节，因此近几年来，替代司机驾驶的无人驾驶汽车孕育而生，自动驾驶汽车又称无人驾驶汽车、电脑驾驶汽车是一种通过电脑系统实现无人驾驶的智能汽车。

为提高自动驾驶汽车行驶的安全性，自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。因此自动驾驶汽车需要判断汽车行驶状况，对车辆的安全性进行预测，自动采取措施防止交通事故的发生，减小事故发生概率的系统，如车道偏离系统、前向车辆碰撞警告系统、前向避障辅助系统、驾驶员注意力监测等。其中，汽车防撞雷达是自动驾驶汽车最主要的传感器之一。主要是由于汽车防撞雷达是一种主动安全设备，可以准确的测量出周围目标的速度和距离，以及目标所在的方位角等信息，可以准确的发现无人驾驶汽车在行驶过程中的潜在危险，并且根据雷达检测到的障碍物信息，自动采取措施消除危险。

目前应用到汽车上的测距方法主要有激光测距，超声波测距，红外线测距，毫米波雷达测距等几种方法。红外、摄像头等光学技术价格低廉且技术简单，但是全天候工作效果不好，防撞性能有限；超声波受天气状态影响大，探测距离较短。而毫米波雷达克服了上述几种探测方式的缺点，具有稳定的探测性能和良好环境适用性。它不仅具有频率高、波长短、频带宽、体积小、重量轻等特点，而且与上述几种传感器相比，毫米波雷达穿透雾、烟、灰尘的能力强，抗干扰能力强，不受光线影响，探测距离远，具有全天候全天时等特点。成本也有所下降，并且雷达的外型尺寸可以做得很小，便于在汽车上安装，故作为目前国内外自动驾驶汽车防撞雷达的普遍选择方式。

综上所述：无论从安全角度还是经济角度而言，自动驾驶汽车防撞雷达的研制都极具应用价值和现实意义。自动驾驶汽车在实现过程中，需要全方位的进行防撞，所以本发明的自动驾驶汽车防撞雷达，可以安装在汽车正前方作为正向防撞雷达使用，同时可以安装在汽车前方的左边或是右边，作为汽车正前方的左边以及右边方向防撞雷达使用，同时可以安装在汽车正后面，作为后向防撞雷达使用，同时可以按照在汽车后方左边和右边作为变道辅助雷达同时作为防撞雷达使用，以及可以按照在汽车左右两侧，作为汽车左右两侧的防碰撞雷达使用。本发明所设计的自动驾驶汽车防撞雷达在以下描述中，主要是针对前向防撞雷达进行描述，但是其他按照地方的雷达可以按此方法进行同理使用。

技术实现要素：

为了解决自动驾驶汽车易发生与障碍物之间的碰撞，导致自动驾驶汽车的损坏的问题，本发明提出了一种自动驾驶汽车防撞毫米波雷达信号处理方法，以解算得到障碍物的速度、距离和角度，从而可以进行障碍物规避。

为了实现上述目的，本发明的技术方案是：

一种自动驾驶汽车防撞毫米波雷达信号处理方法，包括如下步骤：

s1.对通道1和通道2中的a/d采集到的iq数据去直流；

s2.对去直流后的通道1和通道2中a/d采集到的iq数据，进行fft变换，将时域数据转换成频率数据；

s3.将fft变换后的复数模值做cfar门限检测，输出过门限的第一个峰值点，得到通道1中上扫频频率值和下扫频对应的频率值，以及通道2中的上扫频频率值，并计算通道1和通道2中，根据各自上扫频分别计算得到相位；

s4.使用步骤s3中得到的通道1中上扫频频率值和下扫频对应的频率值，计算得到无人驾驶汽车前向障碍物目标的距离；

s5.将步骤s3中得到的通道1和通道2中，根据各自上扫频分别计算得到的相位计算方位角。

进一步的，所述步骤s3中，

设通道1中上扫频段第一个过门限点的峰值坐标为p1_up，则该点对应的频率值为f1_up，对应的fft变换后的数据为a_p1_up+1j*b_p1_up，相位为

通道2中上扫频段第一个过门限点的峰值坐标为p2_up，则该点对应的频率值为f2_up，对应的fft变换后的数据为a_p2_up+1j*b_p2_up，相位为

设通道1中下扫频段第一个过门限点的峰值坐标为p1_down，则该点对应的频率值为f1_down；

其中：a表示i路的数据值，b表示q路的数据值，a_p1表示在a+j*b组成的数组中，过门限的峰值点对应的坐标为p1，a_p2表示在a+j*b组成的数组中，过门限的峰值点对应的坐标为p2，b_p1表示在a+j*b组成的数组中，过门限的峰值点对应的坐标为p1，b_p2表示在a+j*b组成的数组中，过门限的峰值点对应的坐标为p2。

进一步的，所述步骤s4，将步骤s3中得到的通道1中上扫频频率值f1_up和下扫频对应的频率值f1_down，根据公式计算得到无人驾驶汽车前向障碍物目标的距离，其中t为三角波周期，b为调频带宽，c为光速；

根据公式计算得到无人驾驶汽车前向障碍物目标的速度，其中f0为中心频率。

进一步的，所述步骤s5，将步骤3中得到的通道1和通道2中，根据各自上扫频分别计算得到的相位和根据计算公式得到相位差为δψ；根据公式计算方位角，其中d为天线间距，λ为雷达波长。

进一步的，所述步骤s1去直流的方法是：计算通道1中ad采集到的上、下扫频iq两路数据的均值，iq两路各数据点分别减掉计算得到的均值；计算通道2中ad采集到的上扫频iq两路数据的均值，iq两路各数据点分别减去计算得到的均值。

进一步的，所述步骤s2中，还包括加窗的步骤，位于去直流的步骤之后。

进一步的，所述方法还包括步骤s6.滤波跟踪，并预测下一测量时刻的距离以及速度值。

进一步的，所述滤波，使用α-β滤波器，其常增益滤波器的预测方程为

x(k+1/k)＝φx(k/k)；

其滤波方程为：

x(k+1/k+1)＝x(k+1/k)+k[z(k+1)-h(k+1/k)]；

其中，x(k/k)为k时刻的滤波值，x(k+1/k)为k时刻对下一个时刻的预测值，z(k)是k时刻的观测值；

当目标运动方程采用常速度模型时，常数增益矩阵k＝[α,β/t]^t,其状态转移矩阵此模型的量测矩阵为h＝[1，0]；

其中：0<α<1，0<β<1。

有益效果：

1、本发明首次给出了一种基于线性调频三角波实现自动驾驶汽车防撞毫米波雷达系统的波形设计；

2、本发明给出基于线性调频三角波实现的自动驾驶汽车防撞毫米波雷达信号处理分系统的处理过程，该分系统可以实现对前方障碍物的相对距离以及相对速度的检测，同时可以实现目标方向角的检测功能。

附图说明

图1线性调频三角波fmcw在一个扫频周期内的频率变化图；

图2实施例自动驾驶汽车短距离防撞系统信号处理流程图。

具体实施方式

实施例1：一种自动驾驶汽车防撞毫米波雷达信号处理方法，包括如下步骤：

s1.对通道1和通道2中的a/d采集到的iq数据去直流；所述步骤s1去直流的方法是：计算通道1中ad采集到的上、下扫频iq两路数据的均值，iq两路各数据点分别减掉计算得到的均值；计算通道2中ad采集到的上扫频iq两路数据的均值，iq两路各数据点分别减去计算得到的均值；该步骤主要是起到去直流的目的。

s2.对去直流后的通道1和通道2中a/d采集到的iq数据，进行fft变换，将时域数据转换成频率数据；所述步骤s2中，还包括加窗的步骤，位于去直流的步骤之后。去直流后的i、q数据，合并成i+jq的数据形式，然后进行加窗处理，将对通道1中的上扫频段和下扫频段、通道2中的上扫频段，各自数据进行加窗处理。可以选择汉宁窗或是海明窗等，降低旁瓣，从而提高目标的检测性能；汉宁窗会导致主瓣加宽并降低，但是旁瓣会显著减小。

汉宁窗计算公式为

s3.将fft变换后的复数模值做cfar门限检测，输出过门限的第一个峰值点，得到通道1中上扫频频率值和下扫频对应的频率值，以及通道2中的上扫频频率值，并计算通道1和通道2中，根据各自上扫频分别计算得到相位；

作为一种实施例，所述步骤s3中，主要是考虑到对无人驾驶汽车飞机危险程度最大的为距离无人驾驶汽车最近的物体，所以并不是找所有过门限的最大值，而是选择第一个过门限的峰值。设通道1中上扫频段第一个过门限点的峰值坐标为p1_up，则该点对应的频率值为f1_up，对应的fft变换后的数据为a_p1_up+1j*b_p1_up，相位为通道2中上扫频段第一个过门限点的峰值坐标为p2_up，则该点对应的频率值为f2_up，对应的fft变换后的数据为a_p2_up+1j*b_p2_up，相位为设通道1中下扫频段第一个过门限点的峰值坐标为p1_down，则该点对应的频率值为f1_down；其中：a表示i路的数据值，b表示q路的数据值，a_p1表示在a+j*b组成的数组中，过门限的峰值点对应的坐标为p1，a_p2表示在a+j*b组成的数组中，过门限的峰值点对应的坐标为p2，b_p1表示在a+j*b组成的数组中，过门限的峰值点对应的坐标为p1，b_p2表示在a+j*b组成的数组中，过门限的峰值点对应的坐标为p2。

s4.使用步骤s3中得到的通道1中上扫频频率值和下扫频对应的频率值，计算得到无人驾驶汽车前向障碍物目标的距离；

作为一种实施例：所述步骤s4，将步骤s3中得到的通道1中上扫频频率值f1_up和下扫频对应的频率值f1_down，根据公式计算得到无人驾驶汽车前向障碍物目标的距离，其中，t为三角波周期，t＝20ms，b为调频带宽，b＝200mhz，c为光速，c＝3.0×10⁸；

根据公式计算得到无人驾驶汽车前向障碍物目标的速度，其中f0为中心频率，f0＝24.125ghz；

s5.将步骤s3中得到的通道1和通道2中，根据各自上扫频分别计算得到的相位计算方位角。

作为一种实施例：所述步骤s5，将步骤3中得到的通道1和通道2中，根据各自上扫频分别计算得到的相位和根据计算公式得到相位差为δψ；根据公式计算方位角，其中，d为天线间距。

作为一种实施例，还包括步骤：s6.滤波跟踪，并预测下一测量时刻的距离以及速度值。

进一步的，由上述步骤则完成基于锯齿波和恒频波的组和波形实现的无人驾驶汽车短距离防撞毫米波雷达系统的信号处理，对于单一目标的相对速度、相对距离以及相应的方位角的解算过程。

当无人驾驶汽车短距离防撞毫米波雷达系统完成对目标的相对速度、相对距离以及相应的方位角的解算过程后，需要进行滤波跟踪模块。由于系统输出数据刷新率快，在很短时间内距离以及速度等变化量很小，可以近似看作为匀速运动，可以通过一定的算法来估计高度的变化率，预测下一测量时刻的距离以及速度值等。跟踪与预测方法是自适应跟踪跟踪滤波的前提和基础。主要方法目前有，线性自回归滤波，维纳滤波，加权最小二乘滤波，α-β与α-β-γ滤波，卡尔曼滤波和简化的卡尔曼滤波等。

本发明推荐采用α-β滤波器。由于α-β滤波器适用于跟踪误差变化速率相对较均匀的情况，所以基本适合无人驾驶汽车场景。

α-β滤波器中，其常增益滤波器的预测方程为x(k+1/k)＝φx(k/k)，其滤波方程为x(k+1/k+1)＝x(k+1/k)+k[z(k+1)-h(k+1/k)]，其中，x(k/k)为k时刻的滤波值，x(k+1/k)为k时刻对下一个时刻的预测值，z(k)是k时刻的观测值。

当目标运动方程采用常速度模型时，常数增益矩阵k＝[α,β/t]^t,其状态转移矩阵此模型的量测矩阵为h＝[1，0]。α-β滤波器就是满足长增益矩阵k，状态转移矩阵φ以及量测矩阵h分别为上述表达式描述的常增益滤波器，即

α-β滤波器中的参数α和β的选择对于跟踪的响应、收敛速度以及跟踪稳定性都有关系。一般要求0<α<1，0<β<1。工程中，可以根据公式计算得到α和β的取值，即和其中k为次数，α和β随着k的变化取不同的值，实际在使用中，这两个参数会趋于定值。

经过α-β滤波器对单次结算的目标速度、距离就可以实现滤波跟踪以及预测。可以更好地实现目标的跟踪，同时使得输出的数据更加平滑，减少异常值的出现，有效的提高系统的稳定性。

实施例2：作为实施例1的补充，本实施例主要是完成自动驾驶汽车对其前方环境障碍物的距离、速度以及方位进行测量。前方障碍物主要针对人，树、墙、网以及高压线等目标。

本实施例所设计的毫米波雷达的工作频率在24ghz或77ghz，采用fmcw连续波体制，采用线性调频其距离分辨率高。波形采用线性调频三角波fmcw，主要是因为本实施例要实现对目标距离以及速度的计算。通过三角波的上扫频和下扫频可以实现目标距离以及速度解算。本实施例设计的自动驾驶汽车的最大速度为250km/h，无人驾驶汽车防撞的最大测距为200m。

本实施例主要是给出无人驾驶汽车防撞毫米波雷达信号处理部分的设计以及信号处理方法。

本实施例设计的雷达中心频率f为24.125ghz。发射波形选择三角波，周期为20ms，带宽为200mhz。发射波形如图1所示。

本实施例通过单路iq数据实现对目标距离速度的解算，由于本实施例实现目标方位角的计算，所以本实施例采用双接收天线的方式，即双通道iq数据，通过对双通道各自上扫频段的计算实现该目标的测角功能。

自动驾驶汽车防撞毫米波雷达信号处理流程图，如图2所示，具体实现步骤如下：

1.计算通道1中ad采集到的上、下扫频iq两路数据的均值，iq两路各数据点分别减掉计算得到的均值；计算通道2中ad采集到的上扫频iq两路数据的均值，iq两路各数据点分别减去计算得到的均值。该步骤主要是起到去直流的目的。

2.对去直流后的通到1和通道2中a/d采集到的iq数据，进行fft变换，将时域数据转换成频率数据。

3.实施例将fft变换后的复数模值做cfar门限检测，输出过门限的第一个峰值点，主要是考虑到对无人驾驶汽车飞机危险程度最大的为距离无人驾驶汽车最近的物体，所以并不是找所有过门限的最大值，而是选择第一个过门限的峰值。

设通道1中上扫频段第一个过门限点的峰值坐标为p1_up，则该点对应的频率值为f1_up，对应的fft后的数据为a_p1_up+1j*b_p1_up，相位通道2中上扫频段第一个过门限点的峰值坐标为p2_up，则该点对应的频率值为f2_up，对应的fft后的数据为a_p2_up+1j*b_p2_up，相位设通道1中下扫频段第一个过门限点的峰值坐标为p1_down，则该点对应的频率值为f1_down。

4.将步骤三中得到的通道一中上扫频频率值f1_up和下扫频对应的频率值f1_down，根据公式其中，t为三角波周期，t＝20ms，b为调频带宽，b＝200mhz，c为光速，c＝3.0×10⁸；根据公式其中f0为中心频率，f0＝24.125ghz。根据这两个公式，得到无人驾驶汽车前向障碍物目标的距离和速度。

5.将步骤3中得到的通道1和通道2中，根据各自上扫频分别计算得到的相位和计算根据计算公式得到相位差为δψ。

根据公式计算方位角，其中，d为天线间距。

由上述步骤则完成自动驾驶汽车防撞毫米波雷达对无人驾驶汽车运行前方障碍物距离、速度以及方位角等信息的的解算功能。

实施例3：对于上述各方案中，峰值处理，本实施例提供一种应用于无人驾驶汽车信号的峰值处理方法：

设置一个峰值点阈值因子α，其用于限制检测出的过门限最大峰值点与上一周期出现的最大峰值点的差值绝对值，使得该差值绝对值不得大于该峰值点阈值因子α：

表达式如下：

|l_max(k)-l_max(k-1)|≤α；

其中：l_max(k)为k周期的过门限最大峰值点坐标，l_max(k-1)为上一周期的最大峰值点坐标，k表示第k时刻；vmax为无人驾驶汽车最大速度，λ为毫米波雷达波长，fs为采样率，n为fft的点数；

如果k时刻，过门限最大峰值点与k-1时刻过门限最大峰值点的绝对值差值在所设置的峰值点阈值因子α范围内，则认为第k周期的峰值点有效；如果k时刻，过门限最大峰值点超过所设置的峰值点阈值因子α，则k时刻输出的峰值点用k-1时刻的峰值点进行替换。

作为上述技术手段的解释，在相邻周期的一个时间单元内，当前周期解算出的峰值点，与上个周期的峰值点，如果在相邻周期内，速度没有发生变化，则峰值点在相邻周期内也会保持不变，但是如果在相邻周期时间内，无人驾驶汽车速度发生变化，会导致当前周期的峰值点在上一周期的峰值点发生一定的变化，如果目标是远离无人驾驶汽车，则当前周期的点数会大于上一周期的点数，如果目标是靠近无人驾驶汽车，则当前周期的点数会小于上一周期的点数，该峰值点的变化范围即是所设计的峰值点阈值因子α，该因子选取的取值范围，主要取决于在相邻周期内，无人驾驶汽车的最大速度，即公式其中vmax为无人驾驶汽车最大速度，λ为毫米波雷达波长，fs为采样率，n为fft的点数。

但是如果无人驾驶汽车环境发生突变后，对应的过门限的峰值点数也可能会连续发生超出所设计的阈值因子。如果不进行修正，发生突变后，每个周期检测到的过门限最大峰值点都会超过设置的阈值因子，每次过门限最大峰值点坐标都会被修正为上一时刻的峰值点坐标，即同理值也会保持突变前的值，不能适应突变后的值。为了提高无人驾驶汽车雷达表对各种环境的适应能力，为此引入一个峰值点突变累计因子φ。

设置一个峰值点突变累计因子φ，该峰值点突变累计因子φ的定义为，如果从k时刻开始，连续b个周期，b的取值范围为5～10，过门限最大峰值点与前一周期的过门限最大峰值点相比，都超过阈值门限因子a，则第k+b时刻，将当前时刻解算出的过门限最大峰值点作为当前时刻的过门限最大峰值点。为了保证跟踪的实时性，建议b的取值为5～10个。

通过上一步得出过门限最大峰值点后，为了提高系统值测量的精度，提出提高测距精度的谱最大估计算法。

理想情况下，回波差频信号的频谱只有一个谱线，但是实际在使用过程中，由于采样存在栅栏效应，离散频谱最大幅值谱线必然会发生偏移谱峰位置，从而通过峰值点计算出的距离值与实际距离将会存在一定的误差。当谱峰发生偏移的时候，相对于主瓣峰值所对应的中央谱线将会两种情况，即左偏或是右偏。如果过门限最大值峰值点的左右峰值中，左边峰值大于右边峰值，则中央谱线所在的位置，在最大峰值点与左边峰值点之间，反之，则在最大峰值点与右边峰值点之间。

由于fft计算得到的频谱对连续距离普等间距采样，其频谱幅值最大点必定位于其曲线的主瓣内，主瓣内有且仅有两个采样点。设过门限最大峰值点a1的坐标为(a1,k1)，其中，a1表示过门限最大峰值点的值，k1表示过门限峰值点对应的幅度值；最大峰值点左右两边，次峰值点坐标为a3(a3，k3)，设所求的中央峰值点a为(amax，kmax)，则e＝amax-a1，则a1点，关于a点对称点a2坐标为(a2,k1)＝(a1+2e,k1)，复包络的零点a4为(a4,k1)＝(a3+e,0)；

其中：a2、a3、a4是对应点的过门限最大峰值点的值，k3、k4是对应点的过门限峰值点对应的幅度值；

a2、a3和a4近似为一条直线，其线性关系为：

令则

设定误差e与偏差e进行比对，如果|e|<e，则此时的过门限峰值点的值则为所要求的中央峰值点的值，如果偏差e大于所设定的误差e时，β为修正因子，取值范围为1.5～1.9，该修正因子的选取理由是：由于初始的时候a点对称点a2坐标为(a2,k1)＝(a1+2e,k1)，初始条件时a点横轴坐标点与a2横轴坐标是关于最大峰值点对称的，即a2的坐标点是a1+2e，如果偏差e大于所设定的误差e时，说明a2的坐标选取过大，也即是最大峰值点在a1+2e之间，2倍的偏差e需要进行取小，本发明采用的修正方法是，通过改变修正因子β的大小从而改变l值，然后进行e的不断迭代，直到e小于设定的误差e为止。修正因子β的取值原则可以根据所需求达到的e值进行选取，如果e需求精度不高，修正因子β可以选择1.9进行修正，如果e需求精度很高，可能需要多次迭代达到要求，则需要修正因子β尽量选择小一点，可以选择1.5进行修正，本发明给出了一个快速解算出最大峰值点的修正因子的区间范围值，即修正因子β＝1.5～1.9。改变修正因子计算出e的值，以计算得到中央峰值点的值amax＝a1+e。

作为另一种实施例，还包括步骤：距离跟踪：设置一个阈值因子ε，其用于限制当前数据h(k)与上一周期出现的数据h(k-1)的差值绝对值，使得该差值绝对值不得大于该阈值因子ε；

表达式如下：

|h(k)-h(k-1)|≤ε，ε取值范围为0.8～1.3；

如果k时刻的数据与k-1时刻的绝对值差值，在所设置的阈值因子ε范围内，则认为第k周期的峰值点有效；如果k时刻，数据超过所设置的阈值因子ε，则k时刻输出的数据用k-1时刻的数据进行替换。

设置一个突变累计因子θ，该突变累计因子θ的定义为，如果从k时刻开始，连续b个周期，数据与前一周期的数据相比，都超过阈值门限因子θ，则第k+b时刻，将当前时刻解算出的数据作为当前时刻的数据。

作为一种实施例，具体到本实施例中，对于上述未执行距离跟踪或执行了距离跟踪的，输出时，对于单次输出的数据，采用滑窗算法进行值的输出；

第k时刻的数据等于滑窗中的nc个值去掉最大值和最小值后的均值，作为最后的数据输出，其计算公式为

其中nc表示滑窗所采用的数据点数。

采用峰值跟踪算法和跟踪算法，可以有效避免由于单次或是多次峰值搜索的错误而导致一次或是多次数据解算的异常现象，如在单次峰值搜索过程中，发生峰值跳变，相邻周期之间的峰值差值很大，同时由与峰值的跳变，而引起的发生很大的跳变，即该周期内，峰值跳变引起的的跳变范围，已经远远大于由无人驾驶汽车速度引起的一个周期所产生的距离变化范围。由此峰值跟踪以及跟踪可以有效避免这种异常峰值导致的异常值，从而有效地的提高跟踪的数据的稳定度。

以上所述，仅为本发明创造较佳的具体实施方式，但本发明创造的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内，根据本发明创造的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明创造的保护范围之内。