基于时频域稀疏重建的汽车雷达干扰抑制技术

《Digital Signal Processing》：Interference mitigation for automotive radars based on sparse reconstruction in the time-frequency domain

　　李彦兵|张梦晓|杨瑞|沈燕|王汉斌|门涛|徐丹雷|侯波
北京交通大学电子与信息工程学院，北京，100044，中国

**摘要**
毫米波雷达因其全天候作战能力而在汽车雷达系统中得到广泛应用。然而，随着雷达传感器数量的增加，雷达之间的相互干扰可能性显著上升。相互干扰会提高噪声水平，导致目标检测失败或出现错误。本研究深入探讨了汽车雷达在时频域中的相互干扰问题。本文提出了一种基于自适应直方图的干扰检测和定位方法，并结合稀疏重建技术来增强变换域中的目标回波。这种组合方法有效减轻了干扰，同时保留了目标回波信号。在仿真实验和实际数据测试中，该方法均表现出出色的鲁棒性。特别是在干扰密集的场景中，其干扰抑制性能优于现有的主流方法。

**引言**
智能技术的发展极大地推动了环境感知技术的研究。在环境感知传感器中，雷达以其在不同环境条件（包括昼夜和各种天气条件）下的稳定性而闻名。传感器的环境鲁棒性对于智能交通系统和自动驾驶等应用至关重要[1]、[2]。越来越多的雷达被应用于这些领域，从而形成了雷达密集部署的区域。在这种情况下，雷达容易受到严重的相互干扰[3]。相互干扰会影响雷达性能并引入安全风险。具体而言，干扰事件可能表现为虚假目标或增加噪声水平，从而降低信噪比（SNR），影响目标检测[4]。因此，在毫米波雷达应用领域，迫切需要有效的干扰抑制策略。

多项研究探讨了雷达相互干扰现象。有研究对干扰概率密度函数进行了全面分析，并指出干扰与白噪声之间的相似性[5]。研究结果表明，干扰主要表现为类似噪声的信号，从而增加了噪声水平。此外，还有研究对雷达相互干扰现象进行了深入分析，涵盖了各种雷达波形的时域、频域和时频域特性[6]、[7]、[8]、[9]、[10]、[11]。这些研究为我们提供了关于雷达相互干扰特性的宝贵见解，为后续的干扰抑制策略研究奠定了基础。

研究信号处理算法以减轻干扰效应至关重要。一种直接的方法是在时域中消除干扰区域[12]，但这会导致信号不连续。为了解决这个问题，有人在干扰区域引入了余弦窗[12]来消除不连续性。然而，这种方法可能会导致干扰信号段中的目标回波丢失。为了在干扰区域内保留目标信息，小波技术被用来将接收到的雷达信号分解为不同分辨率的层次[13]。尽管小波方法可以在无干扰层中保留目标细节，但其能力受到预定义分解基础的限制，无法适应信号变化。由于时域中可用于信号恢复的信息有限，一些研究转向了利用稀疏重建技术来抑制干扰和恢复信号[14]、[15]、[16]、[17]。此外，还利用二维时域中的信号稀疏性来抑制干扰[18]。最近的研究表明，在时频域中区分干扰和目标是可行的[19]、[20]。因此，在时频域中提取干扰信息是一个有前景的研究方向。[21]中采用了一种基于短时傅里叶变换（STFT）的干扰抑制技术。检测到干扰后，使用信号重建技术在时频域中恢复感兴趣的成分。[22]中描述了另一种基于时频分析的方法，通过恒定误报率（CFAR）检测机制进行干扰定位，然后通过信号外推进行重建。

针对密集干扰场景，本文研究了基于时频域中干扰与目标差异的有效干扰检测技术。此外，利用时频图中目标回波的稀疏性，通过稀疏重建恢复干扰抑制后的时频图，以实现目标信息的恢复。基于这些动机，我们提出了一种基于时频域的干扰检测和稀疏重建技术，以减轻相互干扰对雷达检测性能的影响。具体贡献如下：
1. 提出了一种专用的频率调制连续波（FMCW）雷达目标信号变换域，对其稀疏特性进行了完整的理论证明。该变换域是通过在STFT时频图的频率切片上进行二次离散傅里叶变换（DFT）构建的，特别适用于汽车FMCW雷达目标回波的特性。这种变换实现了目标回波的理想稀疏性，同时使干扰呈现出类似噪声的特性，这是该方法的核心理论基础，也为雷达信号处理提供了新的稀疏域。
2. 提出了一种基于统计模式的自适应干扰检测估计器。与依赖局部训练单元估计噪声水平的传统CFAR检测器不同，该估计器利用整个频率切片幅度的统计模式来估计噪声基线，从根本上避免了局部训练单元中密集干扰导致的噪声水平过高问题。这种估计器解决了传统CFAR检测器在密集干扰场景中的核心缺陷，推动了时频域干扰检测技术的进步。
3. 构建了一个基于时频域检测和变换域稀疏重建的集成干扰抑制框架，突破了现有方法在大量干扰场景中的性能瓶颈。该框架通过专用变换域设计，实现了变换域中目标和干扰的有效分离，并通过稀疏重建在干扰消除区域准确恢复了目标回波。这一框架推动了汽车雷达干扰抑制技术的进步，也为其他线性频率调制雷达系统的干扰抑制提供了新的技术途径。

本文的后续部分组织如下：第2节介绍了本文的动机。第3节描述了存在相互干扰时毫米波雷达的信号建模。第4节描述了基于稀疏重建的干扰抑制方法。第5节和第6节提供了基于仿真和实测数据的验证结果。第7节给出了结论。

**关于时频域干扰检测的动机**
当一个雷达受到另一个雷达的干扰时，干扰信号和目标回波会在受害雷达的天线上叠加。随后进行信号解扰处理。解扰完成后，通过低通滤波器（LPF）过滤掉 beat-frequency 信号中的混频成分，以避免后续模数转换阶段的信号混叠。因此，beat-frequency 信号中的干扰特性会发生变化。

**雷达信号模型**
LFM信号（啁啾信号）是FMCW雷达系统常用的波形[3]、[23]。通常，雷达天线会传输一系列LFM信号以实现环境感知。每个传输的LFM信号可以表示为\[st(t)=A_t\cos[2π(fc+1/2γt)\]，其中t表示时间变量，fc表示载波频率，A_t表示发射功率，γ表示啁啾率。

**干扰检测和抑制方法**
在雷达接收到的信号中，目标回波呈现为单频分量，而干扰表现为宽带信号。因此，在接收信号的时频图中，目标回波是一个位于时间轴平行频率上的能量分布，而干扰是一个宽带能量分布。根据这些特性，在沿时间轴进行傅里叶变换形成的变换域中，目标回波的能量分布位于特定频率上。

**仿真实验**
进行了多目标仿真实验以评估所提出技术的有效性。仿真包括四个具有不同距离、速度和方位角的目标。模拟目标的具体参数详见表1。在这种情况下，目标1和目标4具有相似的距离、速度和角度，用于验证不同算法在干扰抑制后对目标参数估计的影响。

**实际实验评估**
在本实验中，收集了实际场景数据以验证所提方法的有效性。使用了三个77 GHz毫米波雷达进行数据收集。其中一个雷达作为受害雷达，另外两个雷达作为干扰雷达。记录了受害雷达的实验数据。场景中的设备位置如图14（a）所示。干扰雷达分别位于受害雷达的左侧和右侧。

**结论**
本文分析了汽车雷达在时频域中的相互干扰现象。由于在时频域中可以区分干扰和目标回波，因此实现了基于自适应直方图的干扰检测和定位。然后通过结合所提出的变换域对目标回波进行稀疏重建，实现了干扰抑制和目标回波增强效果。

**作者声明**
李彦兵：概念化、方法论、撰写 - 原始草案、项目管理。
张梦晓：调查、数据整理、验证（仿真实验）。
杨瑞：调查、数据整理、验证（实际实验）。
沈燕*：监督、撰写 - 审稿与编辑、资金获取。
王汉斌*：监督、方法论改进、撰写 - 审稿与编辑。
门涛：资源准备、实验设置、数据收集。
徐丹雷*：监督、理论研究

本研究得到了中央高校基本科研业务费2024YJS141、国家雷达信号处理实验室（项目编号JKW202402）、教育部设备预研联合基金8091B022121、山东省自然科学基金（ZR2024QF121）、河北省先进激光技术及设备重点实验室项目（HBKL-ALTE2024008）以及数字图形工程研究中心项目的支持。

**利益冲突声明**
作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。