消除毫米波雷达中用于到达角估计的范围迁移误差

《IEEE Transactions on Radar Systems》：Eliminating Range Migration Error in mm-Wave Radars for Angle of Arrival Estimation

毫米波雷达通过多天线系统平均距离测量提升精度，但角度估计未受益且易受范围迁移和系统误差影响，本文分析其成因并提出解决方案。

　　

摘要：

毫米波（mm-Wave）雷达用于根据距离（R）、方位角（θ）和高度角（?）等参数确定物体相对于雷达的位置。雷达通常通过发射啁啾信号，接收环境中物体反射的信号，并在接收器（RX）处合并这些信号来工作。在具有多个天线的系统中，会为每一对发射器（TX）-接收器（RX）计算距离，从而获得多个测量值并对其进行平均以提高精度。然而，角度估计依赖于分析天线路径之间的相位差，由于这一过程需要对所有天线组件进行单独计算，因此无法通过平均来提高精度。除了随机误差外，系统误差也会影响角度估计。具体来说，物体的距离在由TX-RX组合形成的虚拟天线之间会略有变化，导致距离估计的峰值位置发生偏移。这种现象称为“距离迁移”，会引入误差。本文探讨了距离迁移的根本原因及其对到达角（AoA）估计的影响，并提出了有效的解决方案来减轻这些影响，从而提高角度估计的总体精度。

引言

在过去十年中，深度学习领域的大量研究集中在自动驾驶和高级驾驶辅助系统（ADAS）上。构建可靠的自动驾驶系统面临诸多挑战，包括物体检测、识别和分类等任务。为了实现高精度和可靠性，感知系统需要使用多种传感器，尤其是像毫米波（mm-Wave）雷达这样既可靠又响应迅速的传感器。毫米波雷达的紧凑尺寸、低功耗以及精确的距离测量能力使其非常适合这一应用。重要的是，毫米波雷达的应用范围不仅限于ADAS，还包括多种民用和军事用途，例如自动门锁[1]、卫生设备（水龙头和冲洗系统）[2]、速度监控[3]、液位测量[4]、振动检测[5]、入侵检测[6]、人体扫描[7]以及生命体征测量[8]等。