论文速览 TRS 2024 | Sub-Aperture Polar Format Algorithm for Curved Trajectory Millimeter Wave Radar Imag

无线感知/雷达成像部分【最新进展

论文综述：TRS 2024

南航毛教授团队

1 引言

随着智能驾驶技术的不断进步,毫米波雷达逐渐成为不可或缺的技术手段。然而,受限于车辆尺寸的物理限制,毫米波雷达的天线长度通常未能达到理想成像效果。这便衍生出一个亟待解决的技术难题。

合成孔径雷达(SAR) 在某种程度上能够解决这一定位难题。该技术通过配置一个小型天线装置，在空间中模拟出多个等效的大天线单元以达到高方位分辨率。然而，在空载或卫星式SAR系统中，则不存在这种限制性因素。然而，在汽车类毫米波雷达系统中不可避免地会遇到近场效应以及车辆行驶导致的曲线轨迹问题。这给汽车类毫米波雷达算法带来了新的挑战。

针对这一关键问题,本文对一种基于子孔径极格式算法(PFA)的曲线轨迹成像方法进行了深入研究。该研究方法能够有效地生成汽车毫米波雷达所需的高分辨率成像数据。

2 动机

相比于传统的SAR系统,汽车毫米波雷达成像面临如下难题:

近场成像 : 汽车雷达主要关注与车辆相邻的目标区域，在距离方面通常局限于100米以内。这使得基于平面波前假设的方法在算法设计中不再适用。

实时成像需求 :车辆运行时必须实时采集周围环境数据,对其处理时效性提出了更高标准。相比之下,基于频域的方法如RDA等需完整采集所有数据后才能生成图像;基于时域的方法如BP运算效率偏低。

在汽车雷达系统中,为了克服长天线空载SAR系统中的局限性,通常采用具有更大宽度的大天线束来适应车辆尺寸的限制要求。这种设计选择将导致方位校准在不同空间位置上的准确性出现显著差异，并使基于固定空间假设的传统自适应聚焦算法难以取得理想的效果。

曲线轨迹成像 :汽车难以保证笔直的行驶轨迹,需要考虑曲线轨迹情况。

车辆运行速度的变化：当汽车进行加速或减速操作时，会导致车辆运行速度的变化；这种变化会违背SAR信号的均匀采样要求。
需要引入自适应对焦技术以实现运动补偿。

针对这一关键问题,本文提出了完整的解决方案,其显著特点在于

提出天线窄束化预处理 技术,降低系统对PRF的要求,提高计算效率。

将整个全孔径划分为多个子孔径段，在这些子孔径段中可以被视为点目标模式，并且适用于PFA算法的快速成像技术。

开发空间变化滤波技术 以及几何畸变校正算法 ，能够消除相位曲率残差并优化图像质量。

设计子图像拼接方法 ,实现曲线轨迹的全景成像。

下面具体解释该方案的技术原理和实现过程。

3 方法

3.1 天线窄束化预处理

汽车毫米波雷达因为安装空间受限而无法实现紧凑设计。这种设计选择带来了方位带宽的问题，并对系统的脉冲重复频率（PRF）要求以及成像算法效率提出了更高要求。

因此,本文提出先对信号进行方位滤波 ,通过滤波来窄化天线束宽。窄束化预处理原理如下图所示。

基于此，在原始信号方位带宽为B_d的前提下，在经过滤波处理后得到的新信号带宽为B_d'的情况下，则系统所允许的最大脉冲重复频率（PRF）应满足以下关系式：

PRF \geq \frac{B_d'+B_d}{2}

即使扩大带宽10倍, 也只需略微扩大PRF至大约5倍。这一方法显著减少了数据收集与处理的复杂性。

3.2 子孔径极格式算法

经典的点目标模式SAR成像算法是极坐标法（PFA）。该算法采用极坐标数据存储格式，在处理场景中心区域时表现出良好的抗移性能。然而，在汽车SAR系统中，则需要采用条状成像模式以实时捕捉车辆周围的环境信息。为了适应PFA算法的需求，在本文中我们提出了一种分段处理策略：将整体孔径划分为多个子区域，在每个子区域独立完成成像过程。

只要选择合适的子孔径大小,大部分子场景可以满足点目标模式,如图2所示。然后在每个子孔径内应用PFA进行高效成像。最后,将所有子图像拼接,形成完整场景的图像。

3.3 波前曲率误差分析与补偿

基于所述子孔径的PFA算法遵循平面波前假设 ，但在近场环境中可能导致误差。为了解决这一问题,该文引入了空间变化滤波技术 以及针对几何畸变的校正方法。

具体而言,平面波前理论假设将会导致距离表达式中的高阶项被忽略更多,从而使得真实距离与算法计算出的距离之间存在偏差.这种现象主要造成两类错误：

造成图像的几何畸变 ,不同目标的位置发生偏移。

目标位于场景中心向外扩展的过程中,出现了不同程度的模糊现象。这种现象被称为位置偏移导致的画面在焦点附近出现不同程度的模糊

为解决这一问题,本文采用以下技术:

空间变化滤波 :基于目标位置配置方位滤波器的变化,用于校正各目标的模糊程度。

几何畸变校正 :计算各目标在图像中的真实坐标,重新映射到正确位置上。

经过上述两步处理,可以获得质量高的子孔径图像。

3.4 曲线轨迹子图像拼接

随着非直线路径的运动方向持续变化，在曲线轨迹上形成的子图像之间不仅存在方位偏差，并且会产生距离偏差与旋转偏差。为了达成准确对接的目的，在本文中详细阐述了相应的处理方法

定义全局坐标系,确定各子图像的场景中心坐标。

根据子孔径中心的速度方向,对子图像进行旋转校正。

根据场景中心坐标,将子图像拼接生成全景图像。

下图给出了子图像拼接的示意图。

此外,文中还分析了影响拼接质量的两个关键因素:

• 子孔径大小 :像分辨率这样的参数直接由子孔径决定。当子孔径过小时,可能导致拼接后的图像分辨率下降。
  • 车速误差 :较高的车速精度则有助于提高各子图像之间的匹配精度。

4 实验和结果

4.1 模拟数据试验

为了验证该算法的有效性,文中进行了系统的仿真实验。随后，在子孔径范围内构建了一个包含9个目标点的复杂场景。

仅进行子孔径PFA成像时,由于平面波前假设,场景边缘目标出现严重失焦和几何畸变。如下图所示:

通过空间变化滤波处理后各目标均达到聚焦状态，但仍存在定位偏差。在完成几何畸变矫正后，所有目标的位置及聚焦效果全部获得矫正，并验证了该补偿方案的有效性。

通过空间变化滤波处理后各目标均达到聚焦状态，但仍存在定位偏差。在完成几何畸变矫正后，所有目标的位置及聚焦效果全部获得矫正，并验证了该补偿方案的有效性。

另外，在本文中对完整的曲线运动轨迹进行了精准仿真，并与现有主流算法展开比较分析。研究结果表明，在图像处理方面本方法能够取得显著成果；即使在处理速度存在偏差的情况下，在图像配准方面依然表现出较高的准确性

4.2 实测数据结果

在真实数据试验中,该文分别进行了两组数据的实测:

开阔道路的曲线轨迹实验。

室外停车场的成像。

研究表明,所开发的方法能够清晰地成像周围车辆、电动自行车以及行人等目标。通过在多个实际场景中进行测试,验证了该方法的有效性。

5 不足和未来展望

尽管文中方法取得了不错的成像效果,但仍有一些可优化的空间:

• 在曲率较大的轨迹中,子图像之间的间距可能会相对较大,因此需要适当增加数量以确保覆盖效果。
• 当前的子图像拼接方法较为基础,值得探索更高阶的图像融合技术。
• 该方法与目标检测、分类算法相结合,有助于实现各类目标的自动识别。

未来的研究可在上述领域进行深化探索,使其在工程应用中的效能得到进一步优化。展望汽车感知技术的持续进步,基于SAR的高分辨率成像方法有望展现出更为广阔的前景。

6 总结

本研究致力于探索曲线运动轨迹条件下汽车毫米波SAR成像方法的优化与改进；其创新技术核心内容主要集中在：

通过天线窄束化优化过程降低系统对PRF的需求。
采用子孔径型PFA算法以实现其在条状模式下的适用性。
针对波前曲率误差的补偿策略实现有效的误差修正。
基于曲线轨迹的子图像拼接方法提升图像重建精度。

通过模拟与实测实验结果表明, 该方法能够有效生成高质量的汽车环境感知图像. 本研究在推动汽车毫米波雷达技术发展方面具有重要价值. 未来工作将重点针对图像融合技术和目标识别技术进行优化改进.