一种毫米波雷达目标加速度精确实时估计方法及其系统与流程

1.本发明涉及自动驾驶安全辅助技术领域，具体涉及一种毫米波雷达目标加速度精确实时估计方法以及应用该方法的系统。


背景技术：

2.随着私家汽车在中国的普及、城市交通拥堵越来越严重和普通工薪人群在日常生活中驾驶车辆的时间越来越长，自动驾驶已经逐渐成为未来汽车驾驶的必然选择。自动驾驶包括感知、认知、规划和控制四个核心环节，但核心技术中的核心关是感知技术，因为获取完整和实时驾驶环境和其它目标的感知信息是自动驾驶成功的必要条件。如果感知有严重缺陷，即使有完美的认知、规划和控制技术，自动驾驶也会丧失自动功能。自动驾驶感知主要图像采集器、毫米波雷达和激光雷达等传感器等实现的。其中，毫米波雷达主要用于运动目标的检测和测量，运动目标加速度信息在自动驾驶路径规划中的有着重要意义。
3.在自动驾驶感知技术中，毫米波雷达主要用于运动目标的检测和测量，并用于后续的自动驾驶行驶路径规划。需要测量重要运动目标的参数包括目标距离，位置，多普勒频率或速度，甚至是目标加速度。但现有的自动驾驶毫米波雷达基本上不测量目标的加速度，或者说现有毫米波雷达系统都认为目标的加速度是零，所以无法给出目标的加速度信息。
4.因此，现有技术存在的问题包括以下几点：
5.1、目前基本上所有最好的汽车毫米波雷达都只能测量目标和环境的四维信息，即是三维位置和速度，无法给出目标瞬时加速度的测量值。有证据表明最近很多的自动驾驶撞车事故都和无法预测其它加速启动车辆的位置有关。
6.2、很多自动驾驶环境中的运动目标如启动或加速中的车辆虽然本身速度不高，但加速度很大，给自动驾驶在复杂环境下目标车辆的位置预测带来很大偏差，从而会在自动驾驶后面的路径规划带来安全隐患，为了准确估计和预测其它附近运动车辆的位置，自动驾驶需要实时精确估计运动车辆的瞬时加速度。
7.3、现在的自动驾驶系统毫米波雷达无法提供目标加速度，不是因为加速度不重要，主要是没有好的测量方法。理论上加速度可以通过速度变换率测出来，但由于测量时间太长，获得的加速度值不但不准确，而且由于时间太长而毫无意义。所以，现代自动驾驶毫米波雷达必须有一种新的能准确和实时测量目标瞬时加速度的方法。


技术实现要素：

8.为了克服现有技术的不足，本发明的目的在于提供一种毫米波雷达目标加速度精确实时估计方法及其系统，该方法和系统能够准确和实时测量自动驾驶毫米波雷达目标瞬时加速度，从而解决自动驾驶路径规划过程中对加速目标的位置预测不准确的问题。
9.为解决上述问题，本发明所采用的技术方案如下：
10.一种毫米波雷达目标加速度精确实时估计方法，包括以下步骤：使用毫米波雷达连续发射多个线性调频信号，并通过其接收端采集相应的目标回波信号；对接收到的目标
回波信号与发射参考信号进行混频、低通滤波以及距离fft处理；把同一距离的不同周期的目标回波信号进行时频信号变换，获取信号的多普勒变换率，以及根据自适应多目标瞬时加速度提取算法获取多个目标信号速度或加速度的实时值，即可准确预测加速或减速的运动目标信号。
11.进一步的方案是，所述使用毫米波雷达连续发射多个线性调频信号，并通过其接收端采集相应的目标回波信号，包括：在毫米波雷达工作周期内，通过毫米波雷达连续发射m个线性调频信号，其发射波形定义为公式(1)：
12.x1(t)＝sin[2π(fc+kt)t+φ1][u(t)-u(t-t)]
ꢀꢀꢀꢀ
(1)
[0013]
其中，fc是发射载波调制频率，k是线性调频信号的调频斜率，u(t)是单位阶跃函数；
[0014]
假设在距离r位置有一个目标，则产生的目标回波信号表示为公式(2)：
[0015]
x2(t)＝asin[2π(fc+kt-kτ)(t-τ)+φ1][u(t-τ)-u(t-t)]
ꢀꢀꢀꢀꢀ
(2)
[0016]
其中，
[0017]
更进一步的方案是，所述对接收到的目标回波信号与发射参考信号进行混频、低通滤波以及距离fft处理，包括：当接收到目标回波信号后，将其与发射调频参考信号进行混频，输出低通滤波后，得出与目标距离相关的频率信号，表示为公式(4)：
[0018]
x(t)＝asin(2πf0t+φ0)[u(t-τ)-u(t-t)]
ꢀꢀꢀꢀꢀ
(4)
[0019]
其中，输出信号的频率是f0＝kτ，对其进行fft处理，其输出频率和目标距离成正比。
[0020]
更进一步的方案是，所述对接收到的目标回波信号与发射参考信号进行混频、低通滤波以及距离fft处理，包括：判断运动目标是否有加速度b，如是，则运动目标的瞬时速度则为公式(9)：
[0021]
v(t)＝v0+bt
ꢀꢀꢀꢀ
(9)
[0022]
相应目标的距离函数为公式(10)：
[0023][0024]
因此，将含有加速度b的运动目标信号进行混频，输出低通滤波后，与目标距离相关的频率信号输出为公式(11)：
[0025][0026]
其中，h是线性多普勒变换率，表示为公式(12)：
[0027][0028]
更进一步的方案是，所述把同一距离的不同周期的目标回波信号进行时频信号变换，包括：当对信号进行混频、低通滤波以及距离fft处理后，采样选定距离的输出数据点；选择输出数据点时频信号变换的时间以及频率二维网格点；计算出所有频率二维网格点的威格纳分布函数值；选择二维时频低通函数，并计算其在所有频率二维网格点的二维函数
值；将计算出来的威格纳分布函数值、频率二维网格点的二维函数值做二维非周期卷积，输出回波信号在该选定距离点的时频变换结果，并生成雷达目标信号时频分布图。
[0029]
更进一步的方案是，所述把同一距离的不同周期的目标回波信号进行时频信号变换，包括：把同一距离的不同周期的目标回波信号选用修正的威格纳分布变换进行时频信号变换，假设输入回波信号是x(t)，其威格纳分布变换定义为公式(13)：
[0030][0031]
更进一步的方案是，使用以下修正的威格纳分布变换进行雷达目标信号分析，表示为公式(14)：
[0032][0033]
其中，φ(t,f)是核函数。
[0034]
更进一步的方案是，所述根据自适应多目标瞬时加速度提取算法获取多个目标信号速度或加速度的实时值，包括：在获取到的雷达目标信号时频分布图上任意选择一个时间点t1，并在该时间点上搜索所有时频图像的极大值点；在雷达目标信号时频分布图上选择一个不同的时间点t2，并在该时间点上搜索所有时频图像的极大值点；选择t1和t2的极大值点拟合成以下线性曲线，表示为公式(17)：
[0035]
f-k0t＝f0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0036]
其中，k0,f0是曲线参数，由选定的两个极大值点唯一确定；将拟合所得的线性曲线在时频图像中所在位置像素清零，同时将每个曲线像素附件的两个像素全部清零，并计算清理后时频图像的信息熵。
[0037]
更进一步的方案是，在所有两个极大值点组合形成的曲线中，选择其中两个极大值点能让清理后时频图像的信息熵最小，若最后得到的曲线参数值是k0和f0，则雷达运动目标的起始多普勒频率是f0，目标的多普勒变化率是k0，其加速度是k0λ；应用清理后的时频图像重复上述步骤，直到获得其它所有运动目标的多普勒变化率和加速度，并且清理后的信息熵不再下降为止。
[0038]
由此可见，本发明通过数据获取、实时高速时频变换和自适应多目标瞬时加速度提取等处理，可以实时测量多个目标的瞬时加速度值，达到瞬时跟踪加速度的变换；测量的目标加速度值准确度高，可以提供实时加速度供自动驾驶路径规划使用；应用本方法对雷达本身硬件环境没有特殊要求，主要由信号处理算法软件实现，实施成本低。
[0039]
此外，本发明提出了一种全新的毫米波雷达目标加速度准确实时测量方法，除可以用于自动驾驶毫米波雷达以外，也适用于机载雷达地面动目标加速度估计、无人机地面动目标加速度估计、舰载雷达海面或水面目标加速度估计、和基于毫米波雷达传感器的物联网监测目标的加速度估计。
[0040]
一种毫米波雷达目标加速度精确实时估计系统，该系统应用于上述的毫米波雷达目标加速度精确实时估计方法实现运动目标检测和干扰抑制，该系统包括；信号收发单元，使用毫米波雷达连续发射多个线性调频信号，并通过其接收端采集相应的目标回波信号；处理单元，用于对接收到的目标回波信号与发射参考信号进行混频、低通滤波以及距离fft处理；输出结果单元，用于把同一距离的不同周期的目标回波信号进行时频信号变换，获取
信号的多普勒变换率，以及根据自适应多目标瞬时加速度提取算法获取多个目标信号速度或加速度的实时值，即可准确预测加速或减速的运动目标信号。
[0041]
由此可见，本发明通过由信号收发单元、处理单元、输出结果单元所组成的目标加速度实时估计系统来实现运动目标加速度的精确估计，可以计算出实时规划加速度，实现低延时高准确度的加速度估计，从而实现自动驾驶路径与加速度的耦合规划，能够满足对复杂工况的处理，同时提升了功能的平台适应性和安全性能。
[0042]
下面结合附图和具体实施方式对本发明作进一步详细说明。
附图说明
[0043]
图1是本发明一种毫米波雷达目标加速度精确实时估计方法实施例的流程框图。
[0044]
图2是本发明一种毫米波雷达目标加速度精确实时估计方法实施例中毫米波雷达发射m个线性调频信号的波形示意图。
[0045]
图3是本发明一种毫米波雷达目标加速度精确实时估计方法实施例中目标回波信号进行混频、低通滤波后的输出信号的示意图。
[0046]
图4是本发明一种毫米波雷达目标加速度精确实时估计方法实施例中目标距离和多普勒/速度信息提取的原理图。
[0047]
图5是本发明一种毫米波雷达目标加速度精确实时估计方法实施例中同一距离的不同周期回波信号进行时频信号变换并获取多普勒变换率的原理图。
[0048]
图6是本发明一种毫米波雷达目标加速度精确实时估计方法实施例中极大值点识别方法的原理示意图。
[0049]
图7是本发明一种毫米波雷达目标加速度精确实时估计方法实施例中通过毫米波雷达采集的运动目标信号的波形示意图。
[0050]
图8是本发明一种毫米波雷达目标加速度精确实时估计方法实施例中毫米波雷达采集的运动目标信号经过fft处理的结果示意图。
[0051]
图9是本发明一种毫米波雷达目标加速度精确实时估计方法实施例中使用修正的威格纳分布变换实现的雷达信号时频分析的结果示意图。
[0052]
图10是本发明一种毫米波雷达目标加速度精确实时估计方法实施例中清除掉匀速运动目标信号后的雷达信号时频分布图像的示意图。
[0053]
图11是本发明一种毫米波雷达目标加速度精确实时估计方法实施例中清除掉匀速运动目标和减速目标信号后的雷达信号时频分布图像的示意图。
[0054]
图12是本发明一种毫米波雷达目标加速度精确实时估计方法实施例中通过毫米波雷达进行数据采集及预处理的流程图。
[0055]
图13是本发明一种毫米波雷达目标加速度精确实时估计方法实施例中雷达目标信号时频变换的流程图。
[0056]
图14是本发明一种毫米波雷达目标加速度精确实时估计方法实施例中自适应多目标瞬时加速度提取算法的流程图。
具体实施方式
[0057]
一种毫米波雷达目标加速度精确实时估计方法实施例：
[0058]
参见图1，一种毫米波雷达目标加速度精确实时估计方法，在对运动目标进行速度或加速度预测时，执行以下步骤：
[0059]
首先，执行步骤s1，使用毫米波雷达连续发射多个线性调频信号，并通过其接收端采集相应的目标回波信号。
[0060]
接着，执行步骤s2，对接收到的目标回波信号与发射参考信号进行混频、低通滤波以及距离fft处理。
[0061]
然后，执行步骤s3，把同一距离的不同周期的目标回波信号进行时频信号变换，获取信号的多普勒变换率，以及根据自适应多目标瞬时加速度提取算法获取多个目标信号速度或加速度的实时值，即可准确预测加速或减速的运动目标信号。
[0062]
在上述步骤s1中，本实施例的自动驾驶雷达为普通的调频连续波(fmcw)雷达，在毫米波雷达工作周期内，如图12所示，通过毫米波雷达连续发射m个线性调频信号(如图2所示)(也叫chirp信号，单个信号时宽是t，带宽是b)，其发射波形定义为公式(1)：
[0063]
x1(t)＝sin[2π(fc+kt)t+φ1][u(t)-u(t-t)]
ꢀꢀꢀꢀ
(1)
[0064]
其中，fc是发射载波调制频率，k是线性调频信号的调频斜率，u(t)是单位阶跃函数。
[0065]
然后，假设在距离r位置有一个目标，则产生的目标回波信号表示为公式(2)：
[0066]
x2(t)＝asin[2π(fc+kt-kτ)(t-τ)+φ1][u(t-τ)-u(t-t)]
ꢀꢀꢀꢀꢀ
(2)
[0067]
其中，
[0068]
在上述步骤s2中，当接收到目标回波信号后，将其与发射调频参考信号进行混频，输出低通滤波后，得出与目标距离相关的频率信号，如图3所示。
[0069]
因此，混频、低通滤波后的输出信号表示为公式(4)：
[0070]
x(t)＝asin(2πf0t+φ0)[u(t-τ)-u(t-t)]
ꢀꢀꢀꢀ
(4)
[0071]
其中，f0＝kτ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0072]
其中，
[0073]
其中，公式(4)输出信号的频率是f0＝kτ，对其进行傅里叶变换(fft)处理，其输出频率和目标距离成正比，如果有多目标存在，多个延时的回波信号，同样可以通过fft输出的频谱成分反映出来。
[0074]
在本实施例中，如果考虑目标以匀速运动速度v相对雷达运动，雷达和目标的距离也不断变换，公式(6)中的相位也就随时间不断变换，也就是运动目标的多普勒频率，如公式(7)所示：
[0075][0076]
对于匀速运动目标而言，混频和滤波以后的输出(4)变成公式(8)：
[0077]
x(t)＝asin(2π(f0+fd)t+φ0'),τ≤t≤t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0078]
如果这个线性调频信号回波收到混频和滤波处理以后，采样n个点进行fft处理得目标的距离信息，再对同一距离点的m个周期数据点进行fft获取在该距离点目标的的多普勒信息，如图4所示。
[0079]
在上述步骤s2中，判断运动目标是否有加速度b，如是，则运动目标的瞬时速度则为公式(9)：
[0080]
v(t)＝v0+bt
ꢀꢀꢀ
(9)
[0081]
相应目标的距离函数为公式(10)：
[0082][0083]
因此，将含有加速度b的运动目标信号进行混频，输出低通滤波后，与目标距离相关的频率信号输出为公式(11)：
[0084][0085]
其中，h是线性多普勒变换率，表示为公式(12)：
[0086][0087]
如果可以实时估计出信号的多普勒变换率h，就可以测量出目标的加速度b。在本实施例中，采用一种实时-频变换实现对多普勒变换率的估计，具体的，可以采用类似雷达目标多普勒速度的估计，将经过混频和滤波以及距离fft处理后的基础上，把同一距离的不同周期回波信号进行时频信号变换并最后获取多普勒变换率，如图5所示。
[0088]
在上述步骤s3中，当对信号进行混频、低通滤波以及距离fft处理后，采样选定距离的输出数据点；选择输出数据点时频信号变换的时间以及频率二维网格点；计算出所有频率二维网格点的威格纳分布函数值；选择二维时频低通函数，并计算其在所有频率二维网格点的二维函数值；将计算出来的威格纳分布函数值、频率二维网格点的二维函数值做二维非周期卷积，输出回波信号在该选定距离点的时频变换结果，并生成雷达目标信号时频分布图。
[0089]
具体的，如图13所示，本实施例的雷达目标信号的时频变换实现加速度信息分析的具体步骤如下：
[0090]
步骤1：选定要测量雷达目标的距离位置。
[0091]
步骤2：通过毫米波雷达顺序发射m个顺序发射的线性调频波信号(固定周期是t)，由回波信号与参考信号进行混频、低通滤波，并经过数模转换和fft处理后，采样选定距离的输出数据点。
[0092]
步骤3：选择数据时频变换的时间和频率二维网格点。
[0093]
步骤4：按照公式(13)计算一个频率二维网格点的威格纳分布函数值。
[0094]
步骤5：重复步骤4直到所有二维网格点的威格纳分布函数值都计算出来。
[0095]
步骤6：选择二维时频低通函数，并计算其在所有二维网格点的函数值。
[0096]
步骤7：将步骤5和步骤6计算出来的两个二维函数做二维非周期卷积，最后的结果就是雷达信号在该距离点的时频变换结果。
[0097]
在上述步骤s3中，把同一距离的不同周期的目标回波信号选用修正的威格纳分布变换进行时频信号变换，假设输入回波信号是x(t)，其威格纳分布变换定义为公式(13)：
[0098][0099]
在本实施例中，现有多种时频变换方法如短时傅里叶变换(stft)、小波变换、gabor变换、小波包变化和离散余弦变换等。但这些正交变换虽然易于重建，但分辨力差，很难实时提取目标加速度信息。所以本发明选用修正的威格纳分布(modified wigner distribution)变换。
[0100]
具体的，威格纳分布变换类似一个时变功率谱分析，是非正交变换或信号分解，也就是说从在公式(13)威格纳分布的系数无法重建原信号x(t),但是在分析信号成分却是很有效，特别是信号中含有时变信号，即信号频谱随时间变化。线性调频信号的频率随时间变化而线性增加，所以线性调频信号是典型的时变信号。所以可以用威格纳分布来分析线性调频信号，但基本威格纳分布是非线性变换，如果输入信号中含有多个时变信号，分析结果会出现多个信号之间相互干扰的问题。这个在毫米波雷达工作环境中是完全可能发生的，典型的情况是多目标同时加速的情况下，输入信号便可能包含多个线性调频信号，有可能在信号分析时产生相互干扰的结果，所以本发明提出使用以下的修正的威格纳分布变换进行雷达目标信号分析，如在上述步骤s3中，使用以下修正的威格纳分布变换进行雷达目标信号分析，表示为公式(14)：
[0101][0102]
其中，φ(t,f)是核函数，一般是二维低通滤波器，一种可能选择是以下的衰减指数函数，如公式(15)：
[0103]
φ(t,f)＝exp(-αt2f2),α＞0
ꢀꢀꢀ
(15)
[0104]
另外一种可能的核函数形式如公式(16)：
[0105]
φ(t,f)＝q(t)q(f)
ꢀꢀꢀꢀꢀ
(16)
[0106]
其中，q(t)是低通滤波窗函数，q(f)是其傅里叶变换。
[0107]
在上述步骤s3中，根据自适应多目标瞬时加速度提取算法获取多个目标信号速度或加速度的实时值，包括：
[0108]
在获取到的雷达目标信号时频分布图上任意选择一个时间点t1，并在该时间点上搜索所有时频图像的极大值点。
[0109]
在雷达目标信号时频分布图上选择一个不同的时间点t2，并在该时间点上搜索所有时频图像的极大值点。
[0110]
选择t1和t2的极大值点拟合成以下线性曲线，表示为公式(17)：
[0111]
f-k0t＝f0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0112]
其中，k0,f0是曲线参数，由选定的两个极大值点唯一确定。
[0113]
将拟合所得的线性曲线在时频图像中所在位置像素清零，同时将每个曲线像素附件的两个像素全部清零，并计算清理后时频图像的信息熵。
[0114]
在所有两个极大值点组合形成的曲线中，选择其中两个极大值点能让清理后时频图像的信息熵最小，若最后得到的曲线参数值是k0和f0，则雷达运动目标的起始多普勒频率是f0，目标的多普勒变化率是k0，其加速度是k0λ；应用清理后的时频图像重复上述步骤，直到获得其它所有运动目标的多普勒变化率和加速度，并且清理后的信息熵不再下降为止。
[0115]
具体的，雷达数据的时频变换仅仅给出目标加速度的部分信息，准确估计多目标加速度的实时值需要另外的自适应多目标瞬时加速度提取算法实现。如图14所示，该算法实现在已完成的时频变换图上搜索到可能目标信号源如单频信号或线性调频信号数学表达形式，进而估计目标信号的速度或加速度值，具体算法步骤如下：
[0116]
步骤1：在已经获取的雷达目标信号时频分布图上任意选择一个时间点t1，并在该时间点上搜索所有极大值点，也就是要求该点的函数倒数必须是零，或者说该点左边三个函数值(包括极大值点)依次增加，右边三个函数值(包括极大值点)依次减少(如图6所示)。按照此方法发现的极大值点从大到小依次是：p
11
(t1,f
11
),p
12
(t1,f
12
),
…
,p
1r
(t1,f
1r
)，其中，r是极大点数量，小括号内的极值点在时间-频率二维平面上的坐标。
[0117]
步骤2：在雷达目标信号时频分布图上选择一个不同的时间点t2,t2≠t1，并在该时间点上搜索所有时频图像的极大值点，按照步骤1的方法发现的极大值点从大到小依次是：p
21
(t2,f
21
),p
22
(t2,f
22
),
…
,p
2s
(t2,f
2s
)，其中，s是极大点数量，由于噪声影响，s和r不一定相同。
[0118]
步骤3：选择p
11
(t1,f
11
)和步骤2的一个极大值点拟合成以下线性曲线，如公式(17)。
[0119]
步骤4：将拟合所得曲线在时频图像中所在位置像素清零，同时将每个曲线像素附件的两个像素也全部清零，按照以下公式计算清理后时频图像的是信息熵，如公式(18)：
[0120][0121]
在本实施例中，如果把图像像素最大和最小值之间量化成l个均匀间隔，pi代表像素幅度值处于量化区间i的像素数量占所有图像像素数量的比例。
[0122]
在所有两点可能组合形成的曲线中，选择其中两个极大值点能让清理后的图像信息熵最小，如果最后得到的曲线参数值是k0和f0，雷达运动目标的起始多普勒频率是f0，目标的多普勒变化率是k0和其加速度是k0λ。
[0123]
然后，应用清理后的时频图像重复步骤3-4，直到获得其它所有运动目标的多普勒变化率和加速度，并且清理后的信息熵不再下降为止。
[0124]
在实际应用中，雷达目标数据采样试验结果如下：
[0125]
在本实施例中，时间域同一个距离内输出的多周期雷达目标回波波形采样数据(1ms时段)，其中包括三个运动目标，一个匀速运动目标，一个加速目标和一个减速目标(信号是在混频和滤波以及距离fft以后的采集数据)。其中，信噪比snr是12db。
[0126]
如图7所示，图7中的信号如果由fft直接变换，结果如图8所示，可以识别到匀速运动目标的多普勒频率，但无法识别出加速或减速的运动目标信号。
[0127]
在实际应用中，实时频变换处理试验结果如下：
[0128]
在本实施例中，因为按照常规的fft无法识别和测量由加速目标产生的线性调频目标信号，但通过时频变换就可以加速目标的回波信号。本发明采用的时频变换是修正的威格纳分布变换，结果如图9所示，可以清晰看到三个目标而产生的三条时频曲线。威格纳分布的特点是分辨力高，数据不需要很大，但其是非线性变换，变换结果无法直接产生目标参数，因此需要应用另外的目标参数提取算法处理。
[0129]
在实际应用中，自适应多目标瞬时加速度提取算法试验结果如下：
[0130]
在本实施例中，根据本发明提出的自适应多目标瞬时加速度提取算法，首先试探估计一个最强目标的信号参数，如果估计正确，将这个经过识别和参数提取后的目标信号从图像中去除，清理正确目标信号后的图像信息熵应该减少了。其中，第一个被选择从图像中清楚的信号是均匀运动的目标，清理后的时频图像如图10所示，仅剩两个加速/减速运动目标信号。
[0131]
然后，采用同样方法，从目标信号时频图像中清除点下一个最强雷达目标信号，最后的结果如图11所示。识别减速运动的线性调频信号是目标信号，提取信号参数后，该信号同样也从时频图像中被去除。最后的结果只有一个加速目标信号。该目标信号参数也能被正确识别和估计出来。所有三个运动目标信号参数估计结果列于表1中，这些目标参数估计都是准确的(当然表中显示是目标的多普勒和多普勒变换率参数，目标的速度和加速度需要根据雷达的发射信号波长由之进行转换)，这个试验结果也证明了本发明提出的高速实时估计目标加速度方法的正确性。
[0132]
表1：高速实时估计的雷达目标参数值
[0133][0134]
由此可见，本发明通过数据获取、实时高速时频变换和自适应多目标瞬时加速度提取等处理，可以实时测量多个目标的瞬时加速度值，达到瞬时跟踪加速度的变换；测量的目标加速度值准确度高，可以提供实时加速度供自动驾驶路径规划使用；应用本方法对雷达本身硬件环境没有特殊要求，主要由信号处理算法软件实现，实施成本低。
[0135]
此外，本发明提出了一种全新的毫米波雷达目标加速度准确实时测量方法，除可以用于自动驾驶毫米波雷达以外，也适用于机载雷达地面动目标加速度估计、无人机地面动目标加速度估计、舰载雷达海面或水面目标加速度估计、和基于毫米波雷达传感器的物联网监测目标的加速度估计。
[0136]
一种毫米波雷达目标加速度精确实时估计系统实施例：
[0137]
一种毫米波雷达目标加速度精确实时估计系统，该系统应用于上述的一种毫米波雷达目标加速度精确实时估计方法实现运动目标检测和干扰抑制，如图14所示，该系统包括；
[0138]
信号收发单元，使用毫米波雷达连续发射多个线性调频信号，并通过其接收端采集相应的目标回波信号。
[0139]
处理单元，用于对接收到的目标回波信号与发射参考信号进行混频、低通滤波以
及距离fft处理。
[0140]
输出结果单元，用于把同一距离的不同周期的目标回波信号进行时频信号变换，获取信号的多普勒变换率，以及根据自适应多目标瞬时加速度提取算法获取多个目标信号速度或加速度的实时值，即可准确预测加速或减速的运动目标信号。
[0141]
由此可见，本发明通过由信号收发单元、处理单元、输出结果单元所组成的目标加速度实时估计系统来实现运动目标加速度的精确估计，可以计算出实时规划加速度，实现低延时高准确度的加速度估计，从而实现自动驾驶路径与加速度的耦合规划，能够满足对复杂工况的处理，同时提升了功能的平台适应性和安全性能。
[0142]
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。