FMCW与Binary-PMCW雷达波形实测对比分析

1. 车载雷达技术背景与实测意义

在智能驾驶领域，毫米波雷达作为核心传感器之一，其性能直接决定了车辆对周围环境的感知能力。传统FMCW（调频连续波）雷达经过多年发展已形成成熟方案，而新兴的Binary-PMCW（二进制相位调制连续波）技术则带来了全新的设计思路。这次我们通过实车测试对比两种波形在相同硬件平台下的表现，为工程师提供选型参考。

毫米波雷达波形设计本质上是在时频域上对电磁波能量进行编码。FMCW采用线性调频方式，通过发射频率随时间线性变化的信号，利用回波信号的时延与频移计算目标距离和速度。而Binary-PMCW则通过二进制序列控制相位跳变（0°或180°），在保持载波频率不变的情况下实现相位调制。这两种方案在抗干扰性、分辨率、算法复杂度等方面存在显著差异。

实测环境选择城市道路和高速公路场景，测试车辆配备双雷达支架，确保两种雷达的安装位置和角度完全一致。测试项目包括静态目标分辨率、动态目标跟踪精度、多目标分离能力以及抗干扰性能等核心指标。

2. 波形原理与信号处理差异

2.1 FMCW雷达的工作机制

FMCW雷达发射的线性调频信号可表示为：

matlab复制s_t(t) = A*cos(2π(f0*t + 0.5*K*t^2)) 

其中K为调频斜率（MHz/μs），f0为起始频率。当信号遇到目标反射后，接收信号会产生时延τ=2R/c。通过混频器将收发信号相乘，得到的中频信号频率与目标距离成正比：

matlab复制f_if = K*τ = (2*K*R)/c

速度测量则依靠多普勒效应，在连续多个chirp间进行相位变化检测。这种方案的优点是信号处理流程成熟，FFT运算效率高，但存在距离-速度耦合问题，需要通过特定的chirp序列设计来解耦。

2.2 Binary-PMCW的编码特性

Binary-PMCW采用伪随机二进制序列（如m序列）控制相位跳变，其发射信号可建模为：

matlab复制s_t(t) = A*cos(2πf0*t + b(t)*π)

其中b(t)∈{0,1}为调制序列。接收端通过相关运算提取目标信息，其距离分辨率取决于序列的自相关特性，速度测量则通过多个脉冲的相位差分实现。实测中我们采用127位的Gold序列，其优势在于：

• 更高的处理增益（约21dB）
• 天然的多用户抗干扰能力
• 距离-速度解耦的固有特性

3. 实测平台搭建与参数配置

3.1 硬件平台一致性控制

为保证对比实验的公平性，我们基于TI AWR2243芯片设计双通道射频前端，共用同一个DSP处理单元。关键参数配置如下：

天线阵列采用4发4收的MIMO布局，方位角分辨率理论值均为3.5°。两种模式共用相同的数字波束形成算法，仅在前端波形生成和基带处理流程上存在差异。

3.2 软件处理流水线对比

FMCW的标准处理流程包括：

1. 距离FFT（每个chirp）
2. 多普勒FFT（跨chirp）
3. CFAR检测
4. 峰值聚类
5. 目标跟踪

Binary-PMCW的处理链则更为复杂：

1. 脉冲压缩（匹配滤波）
2. 距离维相关处理
3. 多普勒维相位差分
4. 二维恒虚警检测
5. 多目标关联

实测中发现，在TI C674x DSP上，FMCW处理一帧数据约需8ms，而Binary-PMCW需要15ms，这对实时性要求高的场景需要特别注意。

4. 关键性能指标实测分析

4.1 静态目标分辨能力

在30米处放置两个角反射器，逐步缩小两者间距直至雷达无法分辨：

Binary-PMCW展现出更优的距离分辨率，尤其在多径环境下，其相关处理算法能有效抑制间接路径干扰。当人为注入同频段雷达干扰时（-20dB低于主信号），FMCW出现大量虚警，而Binary-PMCW仍保持稳定检测。

4.2 动态目标跟踪精度

选取三种典型测试车辆进行跟踪：

• 轿车（RCS约10m²）
• 摩托车（RCS约2m²）
• 行人（RCS约0.5m²）

速度测量误差对比：

Binary-PMCW在低速目标检测上优势明显，这得益于其更高的速度分辨率（0.1m/s vs FMCW的0.15m/s）。但在120km/h以上的高速目标跟踪中，两者性能相当。

5. 工程应用中的取舍建议

根据实测数据，两种波形各有最佳适用场景：

优先选择FMCW的情况：

• 需要快速部署的成熟方案
• 处理资源受限的嵌入式平台
• 对实时性要求极高的场景（如自动紧急制动）
• 环境干扰源较少的区域

Binary-PMCW更具优势的场景：

• 多雷达协同工作的车路协同系统
• 城市复杂电磁环境
• 需要检测弱小目标的应用（如自行车识别）
• 高密度交通流中的多目标分离

在实际项目中，我们尝试过混合波形方案：主雷达采用Binary-PMCW保证检测性能，角雷达使用FMCW降低成本。这种架构在L2+级自动驾驶系统中取得了良好平衡。

6. 信号处理优化实践经验

6.1 FMCW的调频非线性补偿

实测发现，即便使用高性能VCO，快速调频仍会引入非线性。我们在DSP中实现了基于多项式拟合的预失真补偿：

c复制void compensateChirpNonlinearity(float* chirp, int len) {
    // 基于标定数据的5阶多项式补偿
    const float a0 = 0.012f, a1 = -0.003f, a2 = 0.0007f;
    for(int i=0; i<len; i++) {
        float t = (float)i/len;
        float phaseError = a0 + a1*t + a2*t*t;
        chirp[i] *= cos(phaseError);
    }
}

这使距离测量精度提升了约30%。

6.2 Binary-PMCW的相关峰优化

二进制序列的自相关特性直接影响距离分辨率。通过实验对比了不同序列类型：

最终选择Gold序列的平衡方案，并通过加窗处理进一步抑制副瓣：

matlab复制% 加窗处理示例
corr_output = xcorr(rx_signal, tx_code);
window = hann(length(corr_output));
optimized_output = corr_output .* window';

该方法使近距离小目标检测率提升40%，但会轻微展宽主瓣（约15%）。

7. 实测中的典型问题与解决方案

7.1 通道间串扰处理

在MIMO工作模式下，发现Binary-PMCW的TX通道间存在-35dB的串扰。通过以下措施改善：

1. 在射频前端增加隔离器
2. 数字域实现串扰抵消算法：

python复制def cancel_crosstalk(rx_signal, tx_leakage):
    # 自适应滤波器估计串扰路径
    n_taps = 5
    h_est = lms_filter(tx_leakage, rx_signal, n_taps)
    return rx_signal - convolve(tx_leakage, h_est)

3. 优化PCB布局，将不同TX通道的供电线路分离

7.2 多普勒模糊处理

Binary-PMCW在高速场景下会出现多普勒模糊。我们改进的方案包括：

• 增加辅助速度估计器（基于目标跟踪）
• 采用多PRF波形切换
• 在数据处理链中增加模糊解析模块：

c复制int resolveDopplerAmbiguity(float meas_dopp, float pred_speed) {
    float lambda = 0.0039; // 波长(m)
    float ambiguity = lambda/(2*T_pri);
    int N = round((pred_speed - meas_dopp)/ambiguity);
    return meas_dopp + N*ambiguity;
}

8. 未来演进方向

从实测数据看，Binary-PMCW在性能上有明显优势，但要完全取代FMCW还需解决：

1. 计算复杂度问题：需要更高效的相关运算加速器
2. 标准化进程：当前缺乏统一的波形定义规范
3. 芯片支持度：现有MMIC芯片对二进制调制的支持有限

我们在原型系统中尝试用FPGA实现实时相关处理，将处理延时压缩到5ms以内。下一步计划研究稀疏序列设计，在保持性能的同时降低计算负荷。