1. 毫米波雷达感知链路到底在做什么毫米波雷达这东西刚入行的时候觉得它神秘做久了发现它其实就是一个从模拟电压到数字目标列表的翻译机器。你给它供电、给它时钟它往外吐点云或者目标列表中间这条链路就是感知链路。标题里说的“从 ADC 到目标列表”恰好是这条链路里最核心、也最容易踩坑的一段——ADC 采样之后的每一步都决定了你最终拿到的目标是真目标还是鬼影。先把这条链路的大致轮廓画出来不画图用文字说清楚。射频前端把 77GHz 附近的回波信号混频到基带得到 I/Q 两路模拟信号然后 ADC 对这两路信号采样变成数字域的一串复数样本。这些样本先做距离维 FFT再做多普勒维 FFT接着做恒虚警检测CFAR最后做角度估计和聚类输出目标列表。听起来就四步但每一步都有大量细节能把人折磨到怀疑人生。我见过太多项目射频前端调得挺好天线阵列也设计得不错结果目标列表里全是杂波或者距离模糊最后查来查去发现是 ADC 采样时序和后续 FFT 处理没对齐。所以这篇文章不打算只讲概念而是把这条链路拆开讲清楚每个环节在干什么、为什么这么干、以及实际做的时候哪些地方容易翻车。适合谁看如果你刚接触毫米波雷达想搞明白从原始 ADC 数据到目标列表之间到底发生了什么这篇能给你一个完整的框架。如果你已经在做雷达信号处理但总觉得某些环节“知其然不知其所以然”比如为什么距离 FFT 之前要加窗、为什么 CFAR 的参考窗长度要那么选那这篇也能帮你把逻辑理顺。我不打算堆公式但关键参数的计算过程会写清楚让你能直接抄作业。2. 感知链路的整体设计与模块拆解2.1 为什么是“ADC 到目标列表”而不是“天线到目标列表”很多人一上来就讲天线、讲波形但真正做工程的人知道ADC 是模拟世界和数字世界的分界线。天线和射频前端决定了你能看到什么但 ADC 之后的处理决定了你能把看到的东西还原成什么。把起点定在 ADC是因为从这一刻开始数据完全在数字域里流动你可以用代码去调试、去复现、去优化。而 ADC 之前的环节更多是硬件设计和射频调试的范畴改一版硬件的成本太高了。另一个原因是ADC 采样率、位宽、通道数这些参数直接决定了后续处理的复杂度和上限。比如你用 12 位 ADC 和用 8 位 ADC动态范围差了一大截CFAR 的门限策略就得跟着变。再比如采样率决定了最大不模糊距离和多普勒范围这些参数在系统设计阶段就要算清楚不然后面怎么调都调不出来。2.2 链路的核心模块与数据流整条链路可以分成五个大模块ADC 采样与数据对齐、距离维处理、多普勒维处理、CFAR 检测、角度估计与聚类。每个模块的输出都是下一个模块的输入数据格式从最初的实数或复数样本逐步变成距离-多普勒矩阵、检测点云最后变成带距离、速度、角度的目标列表。数据流的关键在于维度变换。ADC 采样得到的是按时间排列的样本经过距离 FFT 后变成按距离排列的频谱再经过多普勒 FFT 后变成距离-多普勒二维矩阵。这个矩阵里的每个点代表一个距离和速度的组合值的大小代表回波强度。CFAR 在这个矩阵上滑动找出超过自适应门限的点这些点就是潜在目标。最后角度估计利用多个接收通道之间的相位差算出目标的方位角再通过聚类把同一个目标的多个检测点合并成一个。2.3 方案选型背后的考量在实际项目中这条链路有两种常见的实现方式FPGA 实时处理和DSP/CPU 后处理。FPGA 的优势是并行度高、延迟低适合做 FFT 和 CFAR 这种计算密集但结构规整的操作。DSP 或 CPU 的优势是灵活适合做聚类、跟踪这些逻辑复杂的环节。我见过不少项目用 FPGA 做前端 FFT 和 CFAR然后把检测点传给 DSP 做角度和聚类这样分工比较合理。还有一种选择是全 FPGA 流水线从 ADC 采样到目标列表全部在 FPGA 里完成。这种方案延迟极低但开发难度大调试周期长。如果你的项目对实时性要求极高比如车载雷达需要毫秒级响应那全 FPGA 是值得考虑的。但如果只是做原型验证或者对延迟不那么敏感用 FPGA 加 DSP 的混合方案会更稳妥。注意不管选哪种方案ADC 采样数据和后续处理之间的时序对齐都是必须解决的问题。我见过一个项目FPGA 里 FFT 的帧起始信号和 ADC 的采样起始信号差了半个时钟周期导致距离谱上出现固定的杂散查了一周才发现是时序问题。3. 核心细节解析与实操要点3.1 ADC 采样不只是“采个样”那么简单ADC 采样看起来简单实际上有几个参数直接决定了整条链路的性能上限。第一个是采样率它必须满足奈奎斯特准则但毫米波雷达里通常用的是带通采样采样率只要大于信号带宽的两倍就行。比如你的基带信号带宽是 10MHz那采样率至少 20MSPS。但实际选的时候会留一些余量比如用 25MSPS 或 30MSPS方便后续做数字滤波。第二个是位宽。12 位 ADC 的动态范围大约是 72dB8 位只有 48dB。毫米波雷达的回波信号动态范围很大近处强目标反射和远处弱目标反射可能差 60dB 以上所以 12 位是起步16 位更好。但位宽越高数据量越大后续处理的压力也越大。我一般建议在原型阶段用 14 位或 16 位量产阶段再根据实际需求权衡。第三个是通道一致性。毫米波雷达通常有多个接收通道每个通道的 ADC 增益、偏置、相位响应必须一致否则角度估计会出问题。实际调试的时候我会先给所有通道输入同一个测试信号然后比较采样后的幅度和相位把不一致的通道校准掉。这个校准系数要存在非易失存储器里每次上电后加载。// 一个简单的 ADC 采样值滤波函数用于去除突发噪声 #define FILTER_LEN 8 int16_t adc_filter(int16_t new_sample) { static int16_t buffer[FILTER_LEN] {0}; static uint8_t index 0; static int32_t sum 0; sum - buffer[index]; buffer[index] new_sample; sum new_sample; index (index 1) % FILTER_LEN; return (int16_t)(sum / FILTER_LEN); }这个滑动平均滤波在 ADC 采样后立刻做能有效抑制高频噪声。但要注意滤波会引入群延迟如果后续做 FFT这个延迟会影响相位需要在角度估计时补偿掉。3.2 距离维 FFT加窗与补零的取舍距离维 FFT 的作用是把时域采样变成距离谱。假设一个 chirp 的采样点数是 N采样率是 fs调频斜率是 S那么距离分辨率是 c/(2B)其中 B 是调频带宽。距离谱的第 k 个点对应的距离是 kcfs/(2S*N)。这些公式看起来枯燥但实际调参的时候必须算清楚不然你连目标在哪个距离档位都找不到。加窗是距离维 FFT 之前必须做的。不加窗的话强目标的旁瓣会淹没弱目标。常用的窗有汉宁窗、汉明窗、布莱克曼窗。汉宁窗的主瓣宽度是矩形窗的两倍但旁瓣衰减快很多。我一般先用汉宁窗如果发现弱目标还是被淹没再换布莱克曼窗。但窗越复杂主瓣越宽距离分辨率会下降所以要在旁瓣抑制和分辨率之间权衡。补零是另一个常见操作。比如你只有 256 个采样点但想得到 1024 点的距离谱就可以在后面补 768 个零再做 FFT。补零不会提高真实分辨率但会让谱线更密方便后续 CFAR 滑动。我通常会把 FFT 点数补到采样点数的 4 倍这样 CFAR 的参考窗有足够的滑动空间。3.3 多普勒维 FFT速度模糊与解模糊多普勒维 FFT 是在多个 chirp 之间做的。假设一帧有 M 个 chirp每个 chirp 在同一个距离单元上的采样值组成一个长度为 M 的序列对这个序列做 FFT 就得到多普勒谱。多普勒分辨率是 λ/(2MTc)其中 Tc 是 chirp 周期。最大不模糊速度是 λ/(4*Tc)。这里有个经典问题速度模糊。如果目标速度超过最大不模糊速度多普勒谱上会出现折叠你算出来的速度是错的。解决方法是发两组不同 Tc 的 chirp或者用中国剩余定理解模糊。实际项目中我一般会先用一组 chirp 做粗测如果发现速度接近边界再发第二组确认。多普勒维 FFT 之前也要加窗但窗的类型可以和距离维不同。距离维更关注旁瓣抑制多普勒维更关注速度分辨率所以多普勒维可以用主瓣更窄的窗比如汉明窗。3.4 CFAR 检测门限怎么定才不虚不漏CFAR 是整条链路里最需要经验的一步。它的核心思想是用待检测单元周围的参考单元估计噪声功率然后根据虚警概率设定门限。参考单元不能包含待检测单元本身也不能包含可能的目标所以通常会在待检测单元两侧各留几个保护单元。参考窗的长度和虚警概率有关。虚警概率越低门限越高漏检越多虚警概率越高门限越低虚警越多。我一般先用 1e-6 的虚警概率试如果发现虚警太多再降到 1e-7 或 1e-8。但虚警概率不能无限降因为噪声估计本身有方差参考单元太少的话门限会抖动。CFAR 还有几种变体CA-CFAR单元平均、OS-CFAR有序统计、GO-CFAR最大选择、SO-CFAR最小选择。CA-CFAR 在均匀噪声环境下性能最好但在多目标环境下强目标的旁瓣会抬高门限导致弱目标漏检。OS-CFAR 对多目标更鲁棒但计算量大。我一般会在 FPGA 里实现 CA-CFAR然后在 DSP 里做二次筛选把明显不合理的检测点去掉。CFAR 类型适用场景优点缺点CA-CFAR均匀噪声虚警控制好多目标环境下性能下降OS-CFAR多目标鲁棒性强计算量大需要排序GO-CFAR杂波边缘抗杂波边缘多目标环境下漏检SO-CFAR多目标抗遮蔽杂波边缘虚警高3.5 角度估计与聚类从点云到目标列表角度估计利用多个接收通道之间的相位差。假设两个接收天线间距为 d回波到达角为 θ那么相位差是 2πdsin(θ)/λ。通过测量相位差就能反算出 θ。但相位差测量有模糊当 d 大于半波长时会出现角度模糊。所以天线间距通常设计为半波长或者用多组不同间距的天线解模糊。角度估计的方法有FFT 法、MUSIC、ESPRIT等。FFT 法最简单适合均匀线阵但分辨率受限于阵列长度。MUSIC 和 ESPRIT 分辨率高但计算量大适合在 DSP 里做。我一般会在 FPGA 里做 FFT 角度估计得到粗角度然后在 DSP 里用 MUSIC 做精估计。聚类是把同一个目标的多个检测点合并成一个。常用的聚类算法有DBSCAN、K-means、层次聚类。DBSCAN 不需要预先指定簇的数量适合雷达点云这种密度不均的数据。聚类的参数如邻域半径、最小点数需要根据实际场景调我一般会先用一个保守的参数然后根据目标列表的稳定性慢慢调。4. 实操过程与核心环节实现4.1 从 ADC 原始数据到距离-多普勒矩阵的完整流程假设你手头有一块毫米波雷达板ADC 采样数据已经通过 FPGA 或采集卡传到了电脑上数据格式是每个 chirp 的 I/Q 两路每个采样点 16 位有符号整数。下面是从原始数据到距离-多普勒矩阵的完整步骤。第一步数据解析与通道分离。把原始数据按帧、chirp、采样点、通道的维度重新排列。通常一帧有 M 个 chirp每个 chirp 有 N 个采样点有 R 个接收通道。数据量是 MNR*2I 和 Q。解析的时候要注意字节序FPGA 传过来的数据可能是大端也可能是小端搞错了就全是乱码。第二步直流偏置去除。ADC 采样值通常有直流偏置尤其是零中频架构。去除的方法是每个通道的每个 chirp 减去该 chirp 的均值。这个操作在距离 FFT 之前做否则直流分量会在距离谱的零距离处形成强峰。第三步距离维加窗与 FFT。对每个 chirp 的每个通道先加汉宁窗然后做 N 点 FFT补零到 4N。得到的结果是复数取模值得到距离谱。这时候数据维度是 M4NR。第四步多普勒维加窗与 FFT。对每个距离单元取所有 chirp 的对应值加汉明窗做 M 点 FFT补零到 4M。得到距离-多普勒矩阵维度是 4N4MR。取模值后这个矩阵就是 CFAR 的输入。import numpy as np def range_doppler_processing(adc_data, num_chirps, num_samples, num_rx): # adc_data shape: (num_chirps, num_samples, num_rx, 2) # 分离 I/Q i_data adc_data[:, :, :, 0].astype(np.float32) q_data adc_data[:, :, :, 1].astype(np.float32) complex_data i_data 1j * q_data # 去除直流偏置 complex_data complex_data - np.mean(complex_data, axis1, keepdimsTrue) # 距离维加窗与 FFT range_window np.hanning(num_samples) complex_data complex_data * range_window[np.newaxis, :, np.newaxis] range_fft np.fft.fft(complex_data, n4*num_samples, axis1) # 多普勒维加窗与 FFT doppler_window np.hamming(num_chirps) range_fft range_fft * doppler_window[:, np.newaxis, np.newaxis] doppler_fft np.fft.fft(range_fft, n4*num_chirps, axis0) # 取模值 rd_matrix np.abs(doppler_fft) return rd_matrix这段代码可以直接跑但要注意几个细节。np.fft.fft默认是对最后一个轴做 FFT所以用axis参数指定维度。加窗的时候要广播到正确的维度不然会出错。取模值之后通常还会做对数变换把动态范围压缩到 60dB 左右方便可视化。4.2 CFAR 的 FPGA 实现要点如果你要在 FPGA 里实现 CFAR有几个坑必须提前避开。第一个是参考窗的滑动方式。CFAR 是在距离-多普勒矩阵上二维滑动的但 FPGA 的资源有限通常先做距离维 CFAR再做多普勒维 CFAR或者只做距离维 CFAR。我一般建议先做距离维因为距离维的参考单元更容易对齐。第二个是噪声估计的数值精度。FPGA 里做除法很耗资源所以通常用乘法代替除法。比如门限因子 α 可以预先算好然后乘以噪声估计值。α 的计算公式是 α N*(Pfa^(-1/N) - 1)其中 N 是参考单元数Pfa 是虚警概率。这个公式在 MATLAB 里算好直接存成定点数。第三个是流水线设计。CFAR 需要同时访问多个参考单元所以要用移位寄存器或 BRAM 做缓存。我一般会用两个 FIFO一个存距离维的参考单元一个存多普勒维的参考单元。流水线的深度要匹配 FFT 的输出速率不然会丢数据。提示FPGA 里做 CFAR 的时候建议先用 MATLAB 或 Python 生成测试向量然后在仿真里对比 FPGA 输出和软件输出。我见过一个项目FPGA 的 CFAR 门限因子定点化之后精度不够导致虚警率比预期高了一个数量级后来把定点位宽从 16 位加到 24 位才解决。4.3 角度估计的校准与实现角度估计的精度很大程度上取决于通道校准。校准分两步幅度校准和相位校准。幅度校准是给每个通道乘一个系数让所有通道对同一个信号的响应幅度一致。相位校准是给每个通道加一个相位偏移让所有通道的相位对齐。校准的方法很简单在雷达前方放置一个强反射目标比如角反射器采集数据然后计算每个通道相对于参考通道的幅度比和相位差。这些比值和差值就是校准系数。实际使用的时候把校准系数应用到每个通道的采样数据上。def calibrate_channels(adc_data, calib_amp, calib_phase): # adc_data shape: (num_chirps, num_samples, num_rx, 2) # calib_amp shape: (num_rx,) # calib_phase shape: (num_rx,) i_data adc_data[:, :, :, 0].astype(np.float32) q_data adc_data[:, :, :, 1].astype(np.float32) complex_data i_data 1j * q_data # 应用幅度和相位校准 calib_complex calib_amp * np.exp(1j * calib_phase) complex_data complex_data * calib_complex[np.newaxis, np.newaxis, :] return complex_data校准之后角度估计的流程是对每个检测点取所有接收通道在对应距离-多普勒单元的值组成一个向量然后做角度 FFT 或 MUSIC。角度 FFT 的点数通常补到 64 或 128角度分辨率大约是 λ/(d*N_fft)其中 d 是天线间距N_fft 是 FFT 点数。4.4 聚类与目标列表生成聚类是在检测点云上做的。每个检测点有距离、速度、角度、幅度四个属性。DBSCAN 的邻域半径通常根据距离分辨率、速度分辨率和角度分辨率来定。比如距离分辨率是 0.1m速度分辨率是 0.2m/s角度分辨率是 5 度那邻域半径可以设为 (0.2m, 0.4m/s, 10度)。最小点数一般设为 3 到 5太少容易把噪声聚成目标太多会漏掉弱目标。聚类之后每个簇的中心就是目标的位置簇内点的幅度加权平均就是目标的幅度。如果簇内点的速度差异很大说明这个簇可能包含多个目标需要进一步拆分。我一般会用速度的方差来判断如果方差超过阈值就用 K-means 再分一次。from sklearn.cluster import DBSCAN def cluster_detections(detections, eps, min_samples): # detections shape: (num_points, 3) - (range, velocity, angle) clustering DBSCAN(epseps, min_samplesmin_samples).fit(detections) labels clustering.labels_ targets [] for label in set(labels): if label -1: continue # 噪声点 cluster_points detections[labels label] target_range np.mean(cluster_points[:, 0]) target_velocity np.mean(cluster_points[:, 1]) target_angle np.mean(cluster_points[:, 2]) targets.append((target_range, target_velocity, target_angle)) return targets这段代码用了 sklearn 的 DBSCAN实际在 DSP 里实现的时候需要自己写但逻辑是一样的。注意 eps 参数是距离、速度、角度的联合距离所以需要先归一化不然量纲不一样会导致聚类偏向某个维度。5. 常见问题与排查技巧实录5.1 距离谱上出现固定杂散这是最常见的问题之一。距离谱上出现不随目标移动的固定峰通常有几个原因ADC 采样时钟和 chirp 起始信号不同步、直流偏置去除不干净、电源纹波耦合到模拟前端。排查的时候先把 ADC 输入短接到地看距离谱上还有没有峰。如果有说明是数字域的问题检查时钟和时序。如果没有说明是模拟域的问题检查电源和射频前端。我遇到过一次距离谱上每隔 16 个点就有一个杂散后来发现是 FPGA 里 FFT 的旋转因子表地址位宽不够导致高位溢出。这种问题很隐蔽因为杂散的位置和 FFT 点数有关换一个点数杂散位置就变了。5.2 速度模糊导致目标速度跳变速度模糊的表现是目标速度在最大不模糊速度附近跳变。比如最大不模糊速度是 10m/s目标实际速度是 12m/s你算出来可能是 -8m/s。解决方法是发两组不同 Tc 的 chirp然后用中国剩余定理解模糊。但中国剩余定理对噪声敏感Tc 的比值最好选互质的数比如 3:4 或 4:5。还有一种方法是多帧跟踪。如果目标在连续几帧里的速度跳变很大但距离变化平滑那很可能是速度模糊。可以用卡尔曼滤波预测速度然后和解模糊的结果对比选最接近预测值的那个。5.3 CFAR 虚警太多或漏检太多虚警太多通常是门限太低或者噪声估计不准。先检查参考单元里有没有目标如果有换 OS-CFAR 或者增大保护单元。漏检太多通常是门限太高或者目标太弱。先检查目标的信噪比如果信噪比低于 10dB可能需要降低虚警概率或者增加积累时间。我一般会用一个自适应门限在 CFAR 之后统计检测点的数量如果太多就提高门限如果太少就降低门限。这个自适应过程可以在 DSP 里做每帧调整一次调整步长不要太大不然会震荡。问题现象可能原因排查方法解决方案距离谱固定杂散时钟不同步短接 ADC 输入检查时序重新同步速度跳变速度模糊对比多帧速度发两组 chirp 解模糊虚警太多门限太低统计检测点数量提高门限或换 OS-CFAR漏检太多门限太高检查信噪比降低门限或增加积累角度估计偏差通道不一致对比通道响应重新校准通道5.4 角度估计出现镜像目标角度估计出现镜像目标通常是通道间相位不一致或者天线间距误差导致的。排查的时候先看校准系数是否过期然后检查天线间距是否和设计值一致。如果天线是 PCB 天线加工误差可能导致间距偏差需要用实测值修正。还有一种可能是角度模糊。如果天线间距大于半波长就会出现角度模糊一个目标会在两个角度上同时出现。解决方法是减小天线间距或者用多组不同间距的天线解模糊。5.5 聚类把多个目标合并成一个聚类把多个目标合并成一个通常是邻域半径太大或者最小点数太小。先减小邻域半径看看能不能分开。如果还是分不开可能是两个目标在距离-速度-角度上太接近这时候需要提高分辨率比如增加 chirp 数或者增加天线数。我遇到过一次两个目标在距离上差 0.5m但聚类半径设了 1m结果合并了。后来把半径降到 0.3m就分开了。但半径太小又会导致同一个目标被拆成多个簇所以需要根据实际场景调。注意聚类参数没有万能值必须根据你的雷达参数和场景来调。我一般会先用一个保守的参数然后根据目标列表的稳定性慢慢调。如果目标列表在连续几帧里跳变很大说明聚类参数不合适。6. 一些实操心得与后续扩展做毫米波雷达感知链路最深的体会是ADC 之后的每一步都是环环相扣的任何一个环节的参数没调好都会在最终的目标列表上体现出来。我见过太多项目射频前端做得很好但目标列表就是不稳定最后查来查去发现是 CFAR 的门限因子定点化精度不够或者聚类半径设得太大。另一个体会是仿真和实测的差距往往在细节里。仿真的时候噪声是高斯白噪声目标是理想点目标但实测的时候噪声有色目标有扩展还有多径和杂波。所以仿真通过的参数实测不一定通过。我一般会在仿真里把参数调到一个比较宽松的范围然后在实测里慢慢收紧。后续如果想进一步扩展可以考虑几个方向。一是多帧跟踪把连续几帧的目标列表关联起来用卡尔曼滤波做平滑和预测这样目标列表会更稳定。二是自适应波形根据场景动态调整 chirp 参数比如在远处用长 chirp 提高信噪比在近处用短 chirp 提高刷新率。三是机器学习用神经网络做 CFAR 或者聚类替代传统的阈值方法但需要大量标注数据。最后分享一个小技巧在 ADC 采样之后立刻做一次简单的滑动平均滤波能有效抑制高频噪声而且计算量很小适合在 FPGA 里做。但滤波的窗口长度不要太大不然会引入太大的群延迟影响后续的相位测量。我一般用 4 到 8 个点的滑动平均效果就很好。