磨良升，晉良念,2

（1.桂林電子科技大學(xué)信息與通信學(xué)院，廣西桂林 541004；2.廣西無(wú)線寬帶通信與信號(hào)處理重點(diǎn)實(shí)驗(yàn)室，廣西桂林 541004）

0 引言

車載毫米波雷達(dá)具有探測(cè)距離遠(yuǎn)、測(cè)速精度高以及可實(shí)現(xiàn)穿透檢測(cè)等特點(diǎn)。與激光雷達(dá)、攝像頭等車載傳感器相比，其在光線環(huán)境較差和風(fēng)沙雨雪惡劣天氣下表現(xiàn)出更可靠的感知水平，是車載輔助系統(tǒng)重要的傳感器之一。現(xiàn)有的雷達(dá)體制有合成孔徑雷達(dá)（SAR）、多發(fā)多收（MIMO）雷達(dá)以及多發(fā)多收-合成孔徑雷達(dá)（MIMO-SAR）［1-3］。SAR 利用合成孔徑原理，可以實(shí)現(xiàn)高分辨的微波成像。MIMO 雷達(dá)利用多發(fā)多收的波形分集特性聯(lián)合處理多通道回波數(shù)據(jù)，可以虛擬出更大的虛擬孔徑，從而實(shí)現(xiàn)高分辨測(cè)角［4-7］。MIMO 雷達(dá)與SAR 相結(jié)合，從而形成MIMO-SAR。本文使用MIMO 雷達(dá)通過(guò)時(shí)分復(fù)用（TDM）的方式發(fā)射和接收信號(hào)，然后進(jìn)行一系列信號(hào)處理，得到目標(biāo)的距離、速度和角度三維點(diǎn)云像。為了獲得三維點(diǎn)云像，需要進(jìn)行距離像估計(jì)、多普勒像估計(jì)和角度像估計(jì)。距離像和多普勒像的估計(jì)一般使用傳統(tǒng)的快速傅里葉變換（FFT）方法，角度像的估計(jì)需要使用高分辨的測(cè)角方法才能區(qū)分角度相近的目標(biāo)。因此，為了得到目標(biāo)的高分辨成像，就需要結(jié)合高分辨的測(cè)角方法。

文獻(xiàn)［8］提出一種結(jié)合漸近最小方差稀疏迭代的高分辨點(diǎn)云成像方法。該方法根據(jù)AMV 準(zhǔn)則，利用采樣數(shù)據(jù)協(xié)方差矩陣與真實(shí)協(xié)方差矩陣的差異，對(duì)網(wǎng)格功率進(jìn)行多次迭代，從而提高角度分辨率［8］。然而，該方法需要迭代次數(shù)較高，計(jì)算量大，并且需要大量的數(shù)據(jù)快照，在數(shù)據(jù)快照較少的時(shí)候角度分辨性能急劇下降，不適合于車載場(chǎng)景。文獻(xiàn)［9］使用基于加權(quán)協(xié)方差擬合準(zhǔn)則的稀疏迭代協(xié)方差估計(jì)方法進(jìn)行角度估計(jì)。該方法能夠提供較高的角度分辨率和低旁瓣電平，但是其功率譜估計(jì)值與真實(shí)值之間存在一定的偏差，在得到功率譜估計(jì)初值之后還需要進(jìn)一步進(jìn)行迭代矯正，計(jì)算量大。文獻(xiàn)［10］提出一種迭代自適應(yīng)方法（IAA）用于MIMO 雷達(dá)成像。由于沒有迭代更新噪聲功率，因此角度分辨率有限。文獻(xiàn)［11］提出一種基于奇異值分解的正則化IAA 方法（RIAA）來(lái)提高機(jī)載前視雷達(dá)成像分辨率。RIAA 通過(guò)去除小奇異值提高了噪聲抑制性能，與傳統(tǒng)的IAA相比，該方法角度分辨率有所提高。文獻(xiàn)［12］利用GS因子分解計(jì)算IAA的數(shù)據(jù)協(xié)方差矩陣和其逆矩陣，提出了一種快速迭代自適應(yīng)方法（FIAA）應(yīng)用于車載平臺(tái)。然而，該方法僅從降低計(jì)算量的角度考慮，角度分辨率依然有限。文獻(xiàn)［13］使用迭代最小化稀疏學(xué)習(xí)（SLIM）方法用于MIMO 雷達(dá)成像。SLIM 在迭代過(guò)程中不斷更新噪聲估計(jì)值和信號(hào)功率估計(jì)值，因此具有良好的角度分辨率。SLIM 的迭代次數(shù)較少，一般不超過(guò)10 次就達(dá)到收斂條件，計(jì)算量適中。

上述高分辨測(cè)角方法都是基于網(wǎng)格劃分來(lái)估計(jì)角度方向，角度估計(jì)結(jié)果只在劃分好的網(wǎng)格點(diǎn)上。然而，在車載場(chǎng)景中，目標(biāo)點(diǎn)不一定出現(xiàn)在劃分好的網(wǎng)格點(diǎn)上，當(dāng)目標(biāo)點(diǎn)出現(xiàn)在網(wǎng)格點(diǎn)之外的角度時(shí)，估計(jì)的角度值與實(shí)際角度方向存在誤差，這種誤差稱為離網(wǎng)誤差，離網(wǎng)誤差會(huì)導(dǎo)致估計(jì)精度下降。當(dāng)前方目標(biāo)距離較近的時(shí)候，精度下降不會(huì)對(duì)定位產(chǎn)生較大影響；但隨著目標(biāo)距離的加大，精度下降產(chǎn)生的定位不準(zhǔn)確問(wèn)題對(duì)后續(xù)的聚類、跟蹤等信號(hào)處理帶來(lái)巨大影響，因此必須解決離網(wǎng)誤差問(wèn)題。為了獲得更加精準(zhǔn)的目標(biāo)來(lái)波方向，往往是通過(guò)將網(wǎng)格間距化分得更小來(lái)實(shí)現(xiàn)。然而過(guò)于密集的網(wǎng)格劃分不僅會(huì)增強(qiáng)傳感器陣列之間的相干性從而不滿足有限等距性質(zhì)條件，而且將大大增加方法的運(yùn)算量［14］。為了獲得更加精準(zhǔn)的目標(biāo)來(lái)波方向，同時(shí)避免密集網(wǎng)格劃分帶來(lái)的陣列相干性和運(yùn)算量大的問(wèn)題，本文利用ML 準(zhǔn)則的統(tǒng)計(jì)特性，提出了一種SLIM 和ML 估計(jì)相結(jié)合的高精度測(cè)角方法用于點(diǎn)云成像。首先使用SLIM 方法對(duì)多個(gè)虛擬接收陣元的數(shù)據(jù)進(jìn)行角度估計(jì)，然后最小化ML 成本函數(shù)來(lái)細(xì)化方向網(wǎng)格，經(jīng)過(guò)較少次數(shù)的循環(huán)迭代，解決了離網(wǎng)誤差問(wèn)題，從而獲得高分辨、高精度的測(cè)角結(jié)果。通過(guò)將本文提出的高精度測(cè)角方法用于角度像的估計(jì)，能夠獲得高精度的點(diǎn)云像，角度精度能夠達(dá)到0.1°。

1 信號(hào)模型

圖1 MIMO雷達(dá)陣元分布

兩個(gè)發(fā)射天線的間距是4d，以第一個(gè)Rx1 為參考，則各個(gè)接收陣元會(huì)出現(xiàn)[0w2w3w]的相位延時(shí)，Tx2發(fā)射的信號(hào)相較Tx1要多經(jīng)過(guò)4dsinθh的路程，因此各個(gè)接收陣元會(huì)出現(xiàn)[4w5w6w7w]的相位延時(shí)。通過(guò)TDM 發(fā)射方式，共構(gòu)成8 個(gè)等效虛擬陣元，虛擬陣元如圖2所示。

圖2 等效虛擬陣元分布

假設(shè)t時(shí)刻第i個(gè)發(fā)射陣元的發(fā)射信號(hào)為

假設(shè)雷達(dá)照射區(qū)域內(nèi)存在H個(gè)目標(biāo)，則第j個(gè)接收陣元接收第i個(gè)發(fā)射陣元所發(fā)射信號(hào)到目標(biāo)并返回的回波信號(hào)表達(dá)式為

式中，c代表光速，vh代表速度，rh代表距離。將回波信號(hào)與發(fā)射信號(hào)進(jìn)行混頻并經(jīng)過(guò)低通濾波器進(jìn)行濾波，得到的中頻信號(hào)表達(dá)式為

對(duì)中頻信號(hào)以采樣頻率fs進(jìn)行K點(diǎn)采樣得到離散采樣序列，其表達(dá)式為

式中，k=0,1,2,…,K-1為采樣頻點(diǎn)。

2 方法描述

2.1 距離像估計(jì)

式中，n=0,1,2,…,N-1 為距離索引點(diǎn)。經(jīng)過(guò)距離維FFT，可以獲得目標(biāo)距離像。

2.2 多普勒像估計(jì)

相鄰周期的Chirp在距離維FFT譜中的峰值位置幾乎沒有發(fā)生變化，但是目標(biāo)在Chirp 間的微小距離變化會(huì)引起中頻信號(hào)的初相的變化。由傅里葉變換特性可知，信號(hào)的初相體現(xiàn)在峰值處對(duì)應(yīng)的相位，因此計(jì)算相鄰周期Chirp 相位差，即可得到目標(biāo)的速度。相鄰周期Chirp 相位差可以通過(guò)FFT 獲取，這個(gè)過(guò)程稱為多普勒維FFT［4］。相鄰周期Chirp的相位差表達(dá)式為

式中，Δr=vhT是目標(biāo)在相鄰Chirp 間的微小距離變化。對(duì)相同距離頻點(diǎn)下的M個(gè)Chirp 進(jìn)行M點(diǎn)FFT，則式（7）變?yōu)?/p>

式中，m=0,1,2,…,M-1 為多普勒頻率索引點(diǎn)。經(jīng)過(guò)多普勒維FFT，可以獲得目標(biāo)多普勒像。

2.3 CFAR目標(biāo)檢測(cè)器

CFAR 目標(biāo)檢測(cè)器能夠根據(jù)雷達(dá)雜波數(shù)據(jù)動(dòng)態(tài)調(diào)整檢測(cè)門限，在虛警概率保持不變的情況下實(shí)現(xiàn)目標(biāo)檢測(cè)概率最大化，CFAR 目標(biāo)檢測(cè)器如圖3所示。

圖3 CFAR目標(biāo)檢測(cè)器

2.4 相位矯正

目標(biāo)的運(yùn)動(dòng)會(huì)產(chǎn)生多普勒相偏，這會(huì)導(dǎo)致無(wú)法正確進(jìn)行角度估計(jì)，因此必須對(duì)目標(biāo)運(yùn)動(dòng)引起的相位變化進(jìn)行補(bǔ)償矯正［15］。根據(jù)文獻(xiàn)［15］提出的相位補(bǔ)償方法進(jìn)行補(bǔ)償之后的信號(hào)表達(dá)式變?yōu)?/p>

2.5 角度估計(jì)

為了產(chǎn)生稀疏性，將來(lái)波方向進(jìn)行網(wǎng)格劃分，將式（13）改寫為

式中，K為劃分的網(wǎng)格數(shù)，且K?H。

進(jìn)一步，將多個(gè)虛擬陣元的數(shù)據(jù)進(jìn)行堆疊，上式寫成矩陣形式:

測(cè)量數(shù)據(jù)y的理論協(xié)方差矩陣表示為

在實(shí)際中，理論協(xié)方差矩陣通常是通過(guò)樣本協(xié)方差矩陣進(jìn)行估計(jì):

根據(jù)文獻(xiàn)［13］，考慮以下用于稀疏信號(hào)恢復(fù)的正則化最小化方法:

其中，

x和σ2的初始估計(jì)值通過(guò)延時(shí)求和（DAS）方法進(jìn)行初始化，結(jié)合循環(huán)優(yōu)化迭代，可以得到x和σ2的新估計(jì)值。迭代過(guò)程分為兩部分，估計(jì)x的時(shí)候保持σ2不變，估計(jì)σ2的時(shí)候保持x不變。SLIM的迭代更新公式求解如下:

如圖4所示，假設(shè)方向網(wǎng)格的間隔為1°，在距離均為100 m、角度分別為1°和2°的兩個(gè)網(wǎng)格點(diǎn)的橫向距離x1和x2分別為1.74 m 和3.48 m，格點(diǎn)間的橫向距離誤差能夠達(dá)到1.74 m，這樣的離網(wǎng)誤差會(huì)導(dǎo)致目標(biāo)定位出現(xiàn)巨大偏差，如果不加以糾正，提供給ADAS 系統(tǒng)的點(diǎn)云數(shù)據(jù)將是不可靠、不準(zhǔn)確的，無(wú)法與其他傳感器數(shù)據(jù)進(jìn)行融合，因此必須解決離網(wǎng)誤差問(wèn)題。

圖4 離網(wǎng)誤差示意圖

為了解決離網(wǎng)誤差問(wèn)題，我們利用ML 準(zhǔn)則的統(tǒng)計(jì)特性，將SLIM 方法的角度估計(jì)結(jié)果通過(guò)最小化ML 成本函數(shù)來(lái)細(xì)化方向網(wǎng)格，使得細(xì)化的方向網(wǎng)格與實(shí)際來(lái)波方向不斷接近，以此來(lái)消除網(wǎng)格誤差。

根據(jù)文獻(xiàn)［16］，x的隨機(jī)負(fù)對(duì)數(shù)似然函數(shù)可以表示為

定義干擾協(xié)方差矩陣為

將矩陣求逆引理(A+BCD)-1=A-1-A-1B·(C-1+DA-1B)-1DA-1應(yīng)用于式（24），可得

將式（27）和式（28）代入式（23）得到

式中，

ML 代價(jià)函數(shù)分解為兩部分:不包含θk的邊緣似然函數(shù)L(θ-k)和與θk有關(guān)的函數(shù)l(θk)。因此，關(guān)于θk的ML 代價(jià)函數(shù)的最小化問(wèn)題與關(guān)于θk的函數(shù)l(θk)的最小化問(wèn)題等價(jià)，所以θk的細(xì)化過(guò)程可以通過(guò)最小化式（30）得到。在本文中，l(θk)的最小化問(wèn)題使用Nelder-Mead 算法求解，在MATLAB中使用的是“fminsearch”函數(shù)。

本節(jié)提出的高精度測(cè)角方法的流程總結(jié)如表1所示。

表1 方法流程

從前面的分析可以知道，本節(jié)提出的測(cè)角方法主要包含SLIM 和ML兩部分。SLIM 的主要計(jì)算量來(lái)自于矩陣R的求逆，其復(fù)雜度為O(L2K)。ML的主要計(jì)算量來(lái)自于矩陣Qk的求逆和ML 代價(jià)函數(shù)最小化的求解，計(jì)算量分別為O(L2K)和O(K3)，因此本節(jié)方法的計(jì)算復(fù)雜度為O(2L2K+K3)。可以看出，本節(jié)方法是在犧牲一定計(jì)算量的情況下對(duì)測(cè)角的精度進(jìn)行提升。

2.6 點(diǎn)云成像信號(hào)處理流程

綜上，基于本文提出的高精度測(cè)角方法的點(diǎn)云成像信號(hào)處理流程如圖5所示。

圖5 本文成像方法的信號(hào)處理流程框圖

3 仿真和實(shí)驗(yàn)結(jié)果分析

3.1 仿真數(shù)據(jù)處理結(jié)果分析

本文仿真的運(yùn)行平臺(tái)為聯(lián)想筆記本電腦Y7000P，CPU 型號(hào)為i5-12500H，仿真軟件為MATLAB2020a。根據(jù)控制變量法思想，我們?cè)O(shè)置點(diǎn)目標(biāo)的距離和速度相同、角度不同，從而驗(yàn)證基于不同測(cè)角方法的成像性能。仿真系統(tǒng)參數(shù)設(shè)置如表2所示，目標(biāo)參數(shù)設(shè)置如表3所示。

表2 系統(tǒng)參數(shù)

表3 目標(biāo)參數(shù)

圖6 為經(jīng)過(guò)距離FFT 和多普勒FFT 之后生成的距離-多普勒?qǐng)D，圖中紅色圓圈為經(jīng)過(guò)CFAR 目標(biāo)檢測(cè)器之后的目標(biāo)檢測(cè)點(diǎn)，檢測(cè)到的距離為8.02 m，速度為5.07 m/s，與實(shí)際設(shè)置參數(shù)基本一致。因此，使用FFT 方法進(jìn)行距離像和多普勒像估計(jì)，經(jīng)過(guò)CFAR 目標(biāo)檢測(cè)器，能夠得到正確的目標(biāo)點(diǎn)距離和速度。

圖6 距離-多普勒?qǐng)D生成及目標(biāo)檢測(cè)結(jié)果

為了驗(yàn)證本文的成像方法具有高精度的特點(diǎn)，接下來(lái)，我們利用目標(biāo)索引點(diǎn)對(duì)應(yīng)的多個(gè)虛擬陣元數(shù)據(jù)使用不同測(cè)角方法進(jìn)行距離-角度二維點(diǎn)云成像，這些測(cè)角方法包括文獻(xiàn)［11］提出的RIAA方法、文獻(xiàn)［13］提出的SLIM 方法以及本文提出的方法。圖7 給出了基于不同測(cè)角方法的點(diǎn)云成像圖，圖中相鄰虛線網(wǎng)格間隔為1°?？梢钥闯鑫墨I(xiàn)［11］提出的方法分辨率較低，無(wú)法分辨角度相近的兩個(gè)目標(biāo)，經(jīng)過(guò)CFAR 目標(biāo)檢測(cè)器之后會(huì)產(chǎn)生虛假目標(biāo)點(diǎn)。文獻(xiàn)［13］提出的方法可以有效抑制功率泄露，能夠分辨角度相近的兩個(gè)目標(biāo)，相比文獻(xiàn)［11］提出的方法，其分辨率更高，旁瓣更低，經(jīng)過(guò)CFAR 目標(biāo)檢測(cè)器之后沒有產(chǎn)生虛假目標(biāo)點(diǎn)。因?yàn)槲覀冊(cè)O(shè)定的點(diǎn)目標(biāo)其方位向并不在劃分的網(wǎng)格點(diǎn)上面，所以我們發(fā)現(xiàn)基于這些測(cè)角方法的成像結(jié)果都存在離網(wǎng)誤差，只有本文提出的成像方法能夠準(zhǔn)確估計(jì)目標(biāo)來(lái)波方向，消除了離網(wǎng)誤差，精度達(dá)到了0.1°。

圖7 距離-角度二維點(diǎn)云成像

為了進(jìn)一步說(shuō)明本文方法的測(cè)角精度性能，我們進(jìn)行了500 次的蒙特卡洛實(shí)驗(yàn)。定義均方根誤差（RMSE）為

圖8 不同測(cè)角方法的RMSE隨SNR變化曲線

從圖8 可以看出，所有測(cè)角方法的RMSE 均隨著信噪比的增加而減小，其中本文提出的高精度測(cè)角方法的RMSE 始終保持在一個(gè)較低的值。因此，根據(jù)RMSE 曲線可知，本文方法估計(jì)值更接近信源的真實(shí)值，算法更加穩(wěn)健。

隨著信噪比的進(jìn)一步下降，對(duì)文獻(xiàn)［11］方法的影響最大，因?yàn)樵谛旁氡容^低時(shí)小奇異值會(huì)與大奇異值相當(dāng)，從而導(dǎo)致該方法的噪聲抑制性能變?nèi)?，角度分辨率進(jìn)一步降低，最終的成像結(jié)果會(huì)出現(xiàn)更多的雜波點(diǎn)。文獻(xiàn)［13］方法由于是基于上一次的值進(jìn)行更新迭代噪聲值，所以噪聲抑制性能相比來(lái)說(shuō)更強(qiáng)，成像結(jié)果會(huì)出現(xiàn)更少的雜波點(diǎn)。本文方法是在文獻(xiàn)［13］方法的基礎(chǔ)上增加了ML 估計(jì)，因此噪聲抑制性能相對(duì)來(lái)說(shuō)沒有損失，并且在最小化ML 成本函數(shù)的過(guò)程中依然不斷更新迭代噪聲值，所以在提高噪聲抑制性能的同時(shí)能夠進(jìn)一步提高測(cè)角精度，從成像結(jié)果來(lái)看仍然能夠使得點(diǎn)云出現(xiàn)在偏離網(wǎng)格點(diǎn)的位置。

3.2 實(shí)測(cè)數(shù)據(jù)處理結(jié)果分析

為了測(cè)試本文方法在實(shí)際場(chǎng)景中的表現(xiàn)，本文設(shè)計(jì)了兩個(gè)不同的場(chǎng)景分別對(duì)靜止目標(biāo)和運(yùn)動(dòng)目標(biāo)進(jìn)行成像。靜態(tài)場(chǎng)景是為了驗(yàn)證不同測(cè)角方法在實(shí)際場(chǎng)景中的角度分辨率，動(dòng)態(tài)場(chǎng)景是為了驗(yàn)證不同成像方法在實(shí)際動(dòng)態(tài)場(chǎng)景中的成像效果。

實(shí)驗(yàn)所使用雷達(dá)系統(tǒng)由德州儀器公司的汽車?yán)走_(dá)傳感器評(píng)估模塊AWR1843 和數(shù)據(jù)采集卡DCA1000 組成。通過(guò)配套的mmWave Studio 軟件對(duì)AWR1843 的發(fā)射波形參數(shù)進(jìn)行配置并啟動(dòng)發(fā)射信號(hào)，數(shù)據(jù)采集卡DCA1000 將AWR1843 處理后的中頻數(shù)據(jù)進(jìn)行打包并通過(guò)網(wǎng)口將數(shù)據(jù)傳輸給PC機(jī)，在PC機(jī)上面對(duì)中頻數(shù)據(jù)進(jìn)行信號(hào)處理。

3.2.1 靜態(tài)場(chǎng)景

靜態(tài)實(shí)驗(yàn)場(chǎng)景如圖9所示。在雷達(dá)正前方的13 m 左右的地方靜止站立兩個(gè)人體目標(biāo)，兩目標(biāo)的間隔角度大約5°。

圖9 靜態(tài)場(chǎng)景

圖10 為距離-多普勒?qǐng)D，圖中紅色圓圈為經(jīng)過(guò)CFAR 目標(biāo)檢測(cè)器之后的目標(biāo)檢測(cè)點(diǎn)。從圖中可以看出檢測(cè)到速度相同、距離相同的一個(gè)點(diǎn)目標(biāo)。該點(diǎn)目標(biāo)的距離為12.83 m、速度為0 m/s，和實(shí)際目標(biāo)參數(shù)一致。

圖10 距離-多普勒?qǐng)D生成及目標(biāo)檢測(cè)結(jié)果

圖11 給出了基于不同測(cè)角方法的點(diǎn)云成像圖，圖中相鄰虛線網(wǎng)格間隔為1°。與仿真結(jié)果一樣，文獻(xiàn)［11］方法由于分辨率較低無(wú)法分辨角度相近的兩個(gè)目標(biāo)，產(chǎn)生了許多虛假目標(biāo)點(diǎn)。文獻(xiàn)［13］方法相比文獻(xiàn)［11］方法，其分辨率更高、旁瓣更低，經(jīng)過(guò)CFAR 目標(biāo)檢測(cè)器之后沒有產(chǎn)生虛假目標(biāo)點(diǎn)。我們可以看出，基于這些方法產(chǎn)生的點(diǎn)云都出現(xiàn)在固定角度網(wǎng)格上面，但是本文提出的成像方法能夠使得點(diǎn)云出現(xiàn)在偏離網(wǎng)格點(diǎn)的位置，更加準(zhǔn)確地估計(jì)目標(biāo)方向，得到更加精準(zhǔn)的點(diǎn)云數(shù)據(jù)，這為后面的聚類、跟蹤等信號(hào)處理提供了精準(zhǔn)、可靠的點(diǎn)云數(shù)據(jù)。

3.2.2 動(dòng)態(tài)場(chǎng)景

動(dòng)態(tài)實(shí)驗(yàn)場(chǎng)景如圖12所示。在雷達(dá)的左前方有一個(gè)人體目標(biāo)在遠(yuǎn)離雷達(dá)方向運(yùn)動(dòng)，右前方有一輛電動(dòng)車也在遠(yuǎn)離雷達(dá)方向運(yùn)動(dòng)。

圖12 動(dòng)態(tài)場(chǎng)景

圖13 為距離-多普勒?qǐng)D，圖中紅色圓圈為經(jīng)過(guò)CFAR 目標(biāo)檢測(cè)器之后的目標(biāo)檢測(cè)點(diǎn)。從圖中可以看出根據(jù)距離-多普勒?qǐng)D能夠檢測(cè)出運(yùn)動(dòng)的人體和車輛目標(biāo)。通過(guò)數(shù)據(jù)比對(duì)，發(fā)現(xiàn)檢測(cè)到的距離和速度參數(shù)與實(shí)際運(yùn)動(dòng)參數(shù)一致。

圖13 距離-多普勒?qǐng)D生成及目標(biāo)檢測(cè)結(jié)果

圖14給出了基于不同測(cè)角方法的點(diǎn)云成像圖，圖中相鄰虛線網(wǎng)格間隔為1°。我們將電動(dòng)車的點(diǎn)云像進(jìn)行局部放大，可以發(fā)現(xiàn)，和靜態(tài)成像場(chǎng)景類似，只有本文提出的成像方法產(chǎn)生的點(diǎn)云會(huì)出現(xiàn)在偏離固定角度網(wǎng)格的位置，得到更加精準(zhǔn)的點(diǎn)云數(shù)據(jù)。

經(jīng)過(guò)靜態(tài)場(chǎng)景和動(dòng)態(tài)場(chǎng)景的實(shí)驗(yàn)，驗(yàn)證了本文提出的成像方法不管對(duì)靜止目標(biāo)還是動(dòng)態(tài)目標(biāo)進(jìn)行成像，都能夠得到更加精準(zhǔn)的點(diǎn)云數(shù)據(jù)。

4 結(jié)束語(yǔ)

針對(duì)現(xiàn)有的車載毫米波雷達(dá)高分辨成像方法因存在離網(wǎng)誤差導(dǎo)致精度低的問(wèn)題，通過(guò)利用ML準(zhǔn)則的統(tǒng)計(jì)特性，本文提出了一種SLIM 和ML 估計(jì)相結(jié)合的高精度測(cè)角方法用于點(diǎn)云成像。仿真和實(shí)驗(yàn)結(jié)果表明:相比于其他成像方法，本文提出的成像方法得到的點(diǎn)云像在角度維精度更高，精度能夠達(dá)到0.1°，具有高精度的特點(diǎn)，解決了由于離網(wǎng)誤差導(dǎo)致目標(biāo)定位出現(xiàn)巨大偏差的問(wèn)題。將本文提出的成像方法用于車載場(chǎng)景中，能夠?yàn)锳DAS系統(tǒng)提供精準(zhǔn)、可靠的點(diǎn)云數(shù)據(jù)。