《Sensors》：High-Resolution Forward-Looking Imaging Method for FMCW Radar Based on Sparse Sampling
编辑推荐：
平台诱导合成孔径是提高前视雷达成像方位分辨率的一种有效方法。然而，对于汽车和无人机等小型平台，连续采样所需的大量回波数据以及多普勒模糊（Doppler ambiguity）的存在，对高分辨率成像构成了重大挑战。为了解决这些问题，研究人员提出了一种基于稀疏采样间
平台诱导合成孔径是提高前视雷达成像方位分辨率的一种有效方法。然而，对于汽车和无人机等小型平台，连续采样所需的大量回波数据以及多普勒模糊（Doppler ambiguity）的存在，对高分辨率成像构成了重大挑战。为了解决这些问题，研究人员提出了一种基于稀疏采样间隔的前视FMCW（调频连续波，Frequency Modulated Continuous Wave）雷达成像方法。首先采用均匀线性阵列（ULA）在不同平台位置获取测量值，并为每个通道获得初始距离-角度图像。然后应用自适应波束形成对虚警区域（包括栅瓣和左右模糊）施加零陷。最后，跨通道的相干积累产生高分辨率距离-角度图像。仿真和实验结果表明，所提出的方法在显著减少回波数据量的同时实现了高分辨率前视成像。
**论文解读文章**
**研究背景**
前视雷达成像在军事监视、自动驾驶和医疗设备等领域展现出重要应用潜力，但面临角分辨率受限于天线孔径、多普勒模糊导致对称假目标、以及连续采样产生海量回波数据等核心挑战。传统方法中，阵列天线技术（如CBF、MUSIC、ESPRIT）受限于平台物理尺寸，难以实现高分辨率；合成孔径雷达（SAR）和多普勒波束锐化（DBS）虽能合成虚拟孔径，但在前视构型下存在盲区且无法完全消除多普勒模糊。此外，连续采样模式下数据量巨大，严重制约小型平台（如汽车、无人机）的实时处理能力。现有压缩感知（CS）方法依赖随机采样和迭代优化，计算复杂度高。针对上述问题，研究人员提出一种基于稀疏采样间隔的前视FMCW雷达成像方法，旨在同时实现高角分辨率、多普勒模糊抑制和低数据量成像。该研究发表在《Sensors》。
**关键技术方法（不超过250字）**
研究人员采用均匀稀疏慢时间采样策略，在平台运动过程中以大于奈奎斯特间隔的慢时间步长采集回波，从而大幅降低数据量。利用FFT（快速傅里叶变换）沿快时间维实现距离聚焦，再通过常规波束形成（CBF）对每个通道的慢时间数据进行角度粗估计，得到初始距离-角度图像。基于理论推导的栅瓣和左右模糊假目标角度位置，采用线性约束最小方差（LCMV）准则设计自适应波束形成器，在这些假目标方向施加精确零陷。最后，跨通道相干积累得到无模糊、无栅瓣的高分辨率距离-角度图像。实验使用TI IWR1443雷达搭载于线性滑块平台，在两种场景（三个点目标组合、点目标与扩展目标组合）中进行验证。
**研究结果**
**4.1 仿真**
- **距离徙动校正结果**：平台运动导致距离走动超过一个分辨率单元，经Keystone变换校正后，目标距离稳定在19.95 m，验证了校正算法的有效性。
- **算法处理前后对比**：未处理的距离-角度图像中存在多个假目标（栅瓣和左右模糊），角度维切片显示四个峰值（-45°、-15°、15°、45°），其中仅45°为真实目标。经所提算法处理后，假目标被抑制超过30 dB，真实目标得以保留，验证了算法对多普勒模糊和栅瓣的消除能力。
- **多目标场景对比**：当两个目标位于45°和47°时，CBF算法无法分辨，DBS算法仍存在模糊且无法分离；所提算法估计角度为44.9°和46.9°，成功分辨。当目标位于45°和-47°时，所提算法估计角度为44.9°和-46.9°，证实其对两侧目标的有效性。
- **不同采样数与SNR性能**：随着采样数增加（25~30），主瓣变窄，旁瓣降低，角分辨率提升；在SNR低至-5 dB时仍能有效抑制假目标，表现出强鲁棒性。
- **不同采样间隔性能**：保持总采样数固定（N=30），增大采样间隔因子（i=2~6），主瓣进一步变窄，旁瓣降低，表明稀疏间隔越大角分辨率越高。
**4.2 实验**
- **实验A**：三个目标（两个角反射器、一个金属球）位于前视区域。处理前成像结果包含真实目标、栅瓣和左右模糊假目标；经所提算法处理后，所有假目标被有效抑制，验证了算法在实际场景中的有效性。
- **实验B**：一个角反射器（点目标）与一辆汽车（扩展目标，距离约6~7.8 m，角度约-35°~-15°）。处理前成像结果含汽车多个散射点和假目标；处理后假目标被抑制，真实目标轮廓清晰，证实算法对点目标和扩展目标均适用。
**讨论与结论**
讨论部分强调了所提算法相比CS方法、DBS及常规空间自适应处理的适用条件：在平台运动平稳、目标非剧烈机动时，采用FFT+LCMV框架比迭代CS快两三数量级，适合实时车载/无人机应用；但低SNR（<-10 dB）或目标密度超阵列自由度时，CS更鲁棒。与DBS相比，所提方法需多通道阵列校正，若校准良好可完全消除左右模糊并获更高角分辨率；若存在严重通道失配，DBS更稳健。与常规波束形成相比，LCMV需准确协方差矩阵估计，在快拍足够时性能优越，快拍不足时建议采用对角加载DBF。研究结论翻译如下：本文针对小型平台（如车辆和无人机）前视成像中的关键挑战（角分辨率有限、实时处理约束、多普勒模糊），提出了一种基于稀疏采样间隔的前视FMCW雷达成像方法。通过采用稀疏平台运动合成大虚拟孔径，该方法在物理阵列孔径受限下提高了角分辨率。与传统SAR和DBS方法相比，所提方法显著减少了所需回波数据量，从而降低了平台计算负担。此外，应用自适应波束形成抑制假目标，使得重建出无多普勒模糊和栅瓣的高分辨率距离-角度图像。仿真和实验结果均验证了所提方法的有效性。未来工作将深入分析平台运动误差的影响及相应补偿策略。
