眠子子子1. 论文核心思路解析
这篇论文提出了一种创新的FMCW雷达参数估计算法，通过"减小搜索区域+缩减输入数据"的双重策略，在保持2D MUSIC算法高分辨率优势的同时，大幅降低了计算复杂度。下面我将从技术背景、核心创新和实现路径三个维度进行详细解析。
1.1 FMCW雷达参数估计的技术挑战
在毫米波雷达系统中，距离和角度（Range-DOA）的联合估计是一个核心问题。传统方法面临两个关键矛盾：
-
FFT方法的局限性：计算速度快但分辨率有限，难以区分距离/角度接近的目标。例如，在24GHz频段、100MHz带宽的典型配置下，距离分辨率约为1.5米，这在实际应用中往往不够精确。
-
MUSIC算法的瓶颈：虽然能提供超分辨率性能，但其计算复杂度随着参数空间的扩大呈指数增长。具体表现在：
- 需要构建高维协方差矩阵（维度与天线数×采样点数成正比）
- 伪谱扫描需要在二维参数空间进行密集网格搜索
- SVD分解的计算复杂度为O(N³)量级
1.2 论文的核心创新点
作者提出的解决方案可以概括为"两步走"策略：
第一步：粗定位
- 使用2D FFT对原始雷达数据进行快速处理
- 通过CFAR检测获取目标的初步距离和角度估计
- 建立目标可能存在的局部区域（搜索窗口）
第二步：精估计
- 数据缩减：根据粗估结果截取有效数据段
- 距离维：仅保留覆盖目标可能距离的采样点
- 天线维：通过阵元抽稀减少数据维度
- 区域缩减：仅在粗估位置附近进行精细伪谱扫描
- 采用改进的MUSIC算法进行最终参数估计
这种方法的巧妙之处在于，将FFT不是作为MUSIC的替代，而是作为其"前导处理器"，为后续计算提供先验信息。
1.3 技术实现路径详解
1.3.1 信号预处理流程
原始雷达数据经过以下处理步骤：
- 解调：通过混频获得拍频信号
- 采样：按照最大探测距离需求确定采样率
- 数据重组：形成三维数据立方体（采样点×天线数×chirp数）
关键细节：在24GHz频段、100MHz带宽配置下，典型采样率为0.67MHz，每个chirp采样66点。这种参数设置需要在分辨率和计算量之间仔细权衡。
1.3.2 2D FFT粗定位实现
粗定位阶段包含