基于深度学习增强 FMCW 雷达的距离分辨率

《Measurement》：Enhance range resolution in FMCW radar via deep learning

　　

•基于 DNN 的 FMCW 毫米波雷达超分辨频谱。
•信噪比加权损失函数克服了频谱分布稀疏的问题。
•仿真显示分辨率提升高达 8 倍。
•77 GHz 雷达实验成功分辨相邻目标。

引言

调频连续波（FMCW）雷达最近被广泛应用于各种场景，包括目标定位 [1]、跌倒检测 [2] 和生命体征监测 [3]。这些应用高度依赖于距离分辨率能力。FMCW 雷达发射线性调频（LFM）脉冲，通常称为啁啾信号。FMCW 雷达的距离分辨率与啁啾扫频带宽成正比。因此，可以通过增加啁啾信号的扫频带宽来实现更高的距离分辨率。然而，由于频谱分配法规和固有的硬件限制，雷达系统可访问的瞬时带宽受到严格限制。因此，实现超越系统带宽限制的距离分辨率具有重要意义。

为了应对这一挑战，提出了许多技术。在 [4] 中，提出了一种基于匹配滤波（MF）的带宽外推（BWE）技术，该技术将感兴趣范围深度（RDOI）扩展到雷达无模糊距离，并提高了距离分辨率。在 [5] 中，提出了多频带啁啾合成（MCS），该方法使用自回归（AR）模型对缺失的快时间数据进行插值，并将不同驻留时间下非连续的跳频 FMCW 雷达扫频拼接在一起。然而，基于 AR 的带宽扩展依赖于可用数据，随着预测长度的增加会累积误差，从而降低长期精度。

除了带宽扩展之外，信号拼接是另一种克服带宽限制和提高分辨率的常用方法。该技术通过相干组合短脉冲来增加有效观测时间，即使在可用带宽有限的情况下也能实现更高的距离分辨率。关键挑战是在脉冲相干组合过程中保持拼接点处的相位连续性。文献 [6] 利用连续啁啾信号之间的互相关来减轻拼接边界处的不连续性。文献 [7] 提出了一种频域相位补偿方法，以确保相邻啁啾信号拼接点处的相位连续性。通过获得拍频的粗略估计，并将其用作形成距离 - 多普勒图的起点，文献 [8] 实现了短拍频信号的相位匹配，并获得了高分辨率的距离 - 多普勒图。然而，文献 [6] 中描述的方法在实际操作中需要丢弃大量信号段，从而降低了信号利用率。同时，文献 [7] 中的方法需要精确的拍频估计，这在实际场景中很难获得。

近年来，深度学习在雷达信号处理方面取得了显著进展，并已被广泛应用于雷达目标参数估计 [9] 和状态预测 [10] 等任务。文献 [11] 证明了在高保真模拟毫米波雷达数据上进行训练并将训练好的模型部署在真实测量数据上的可行性。在 [12] 中，使用深度神经网络以自回归方式递归外推雷达信号，然后将生成的信号与输入信号拼接，从而延长了观测时间并提高了距离分辨率。然而，由于预测误差，神经网络只能将信号积分时间延长至多 5 倍，这极大地限制了分辨率的提升。

传统的带宽外推和信号拼接方法存在内在局限性，即它们强烈依赖于精确的参数估计，因此容易受到频谱泄漏的影响且鲁棒性较差，而现有的深度学习方法仍受限于网络架构和损失函数不匹配，从而限制了分辨率增强并降低了峰值重建精度。为解决上述分辨率增强方面的局限性，本文提出了一种基于深度学习的 FMCW 雷达超分辨率技术。主要贡献总结如下：

1. 使用合成窄带啁啾信号训练 DNN 以生成超分辨频谱。通过使用合成信号，克服了相位补偿的挑战。
2. 提出了一种信噪比（SNR）加权损失函数，该函数动态调整训练目标。通过引导训练过程更集中于高信噪比峰值区域，克服了频谱分布稀疏所带来的挑战。

章节片段

系统描述

图 1 描绘了 FMCW 雷达系统的整体硬件架构和信号传输流程。该系统由发射分支和接收分支组成。波形发生器生成线性啁啾信号，经功率放大器（PA）放大后通过 Tx 天线辐射。由目标反射的回波信号由 Rx 天线接收，经低噪声放大器（LNA）放大后，与发射参考信号混频。经过低通滤波和

所提方法

尽管上述相位补偿方法在实际场景中不可行，但对于合成信号，我们可以控制参数，包括拍频 fi、初始相位θi 和目标数量 M。这种能力使得能够在仿真环境中生成完美相位补偿的信号及其对应的高分辨率频谱，从而为神经网络提供最佳训练标签。因此，合成数据可用于训练神经网络以

仿真结果

本小节首先基于合成 FMCW 信号进行数值模拟实验，以分析所提方法的性能。我们合成了一份包含 40 000 个模拟 FMCW 信号的数据集来训练神经网络。这些信号的参数如表 1 所示。在这种情况下，信号的距离分辨率为ΔR=1.56m，每个信号最多包含 30 个目标，包括两个相邻的强反射目标，其间距满足ΔR/8≤Δd<δr。此外，

结论

本研究利用神经网络在不增加占用带宽的情况下提高拍频信号的距离分辨率。仿真结果表明，所提方法显著提高了雷达距离分辨率。此外，在 77 ghz fmcw 雷达系统上的实验验证证实，该方法也能有效提高实际信号的距离分辨率。所提方法缓解了实际应用中硬件带宽和相位估计所施加的限制。

credit 作者贡献声明

xuxu ma：撰写 – 初稿，验证，软件，方法论。zhen luo：撰写 – 审阅与编辑，资源，项目管理，资金获取。

竞争利益声明

作者声明，他们没有已知的竞争财务利益或个人关系可能影响本论文报告的工作。

致谢

本研究部分得到了西南大学研究基金 [资助号 swu-kr23004] 的支持，部分得到了重庆市自然科学基金项目 [资助号 cstb2022nscq-msx0990] 的支持，部分得到了中央高校基本科研业务费 [资助号 swu-xdjh202312] 的支持，部分得到了西南大学研究生科研创新项目 [资助号 swus24187] 的支持。

xuxu ma|tingkai hu|jiaze shi|yuqi yang|chuandong li|zhen luo 结论 本研究利用神经网络在不增加占用带宽的情况下提高拍频信号的距离分辨率。仿真结果表明，所提方法显著提高了雷达距离分辨率。此外，在 77 ghz fmcw 雷达系统上的实验验证证实，该方法也能有效提高实际信号的距离分辨率。所提方法缓解了实际应用中硬件带宽和相位估计所施加的限制。 credit 作者贡献声明 xuxu ma：撰写 – 初稿，验证，软件，方法论。zhen luo：撰写 – 审阅与编辑，资源，项目管理，资金获取。 竞争利益声明 作者声明，他们没有已知的竞争财务利益或个人关系可能影响本论文报告的工作。 致谢 本研究部分得到了西南大学研究基金 [资助号 swu-kr23004] 的支持，部分得到了重庆市自然科学基金项目 [资助号 cstb2022nscq-msx0990] 的支持，部分得到了中央高校基本科研业务费 [资助号 swu-xdjh202312] 的支持，部分得到了西南大学研究生科研创新项目 [资助号 swus24187] 的支持。 xuxu ma|tingkai hu|jiaze shi|yuqi yang|chuandong li|zhen>
结论

本研究利用神经网络在不增加占用带宽的情况下提高拍频信号的距离分辨率。仿真结果表明，所提方法显著提高了雷达距离分辨率。此外，在 77 ghz fmcw 雷达系统上的实验验证证实，该方法也能有效提高实际信号的距离分辨率。所提方法缓解了实际应用中硬件带宽和相位估计所施加的限制。

credit 作者贡献声明

xuxu ma：撰写 – 初稿，验证，软件，方法论。zhen luo：撰写 – 审阅与编辑，资源，项目管理，资金获取。

竞争利益声明

作者声明，他们没有已知的竞争财务利益或个人关系可能影响本论文报告的工作。

致谢

本研究部分得到了西南大学研究基金 [资助号 swu-kr23004] 的支持，部分得到了重庆市自然科学基金项目 [资助号 cstb2022nscq-msx0990] 的支持，部分得到了中央高校基本科研业务费 [资助号 swu-xdjh202312] 的支持，部分得到了西南大学研究生科研创新项目 [资助号 swus24187] 的支持。

xuxu ma|tingkai hu|jiaze shi|yuqi yang|chuandong li|zhen luo>