用Arduino+树莓派DIY FMCW雷达：低成本搭建你的第一套测距系统

用Arduino+树莓派DIY FMCW雷达：低成本搭建你的第一套测距系统

当创客精神遇上雷达技术，会碰撞出怎样的火花？想象一下，用不到一顿高级餐厅的费用，就能在自家工作台上搭建一套能探测距离、速度的FMCW雷达系统。这不是科幻场景，而是开源硬件赋予我们的可能性。本文将带你从零开始，用Arduino和树莓派这对黄金组合，构建一套完整的2.4GHz ISM频段FMCW雷达系统。

1. FMCW雷达核心原理与开源方案优势

FMCW（调频连续波）雷达与传统脉冲雷达的最大区别，就像比较小提琴协奏曲与打击乐独奏。前者通过连续变化的频率波形携带信息，后者依赖离散的脉冲信号。这种工作方式带来三大独特优势：

• 无距离盲区：连续发射特性使其能探测最近几厘米的物体
• 抗干扰能力强：独特的频率调制方式可有效滤除环境噪声
• 硬件要求低：不需要高功率发射器或超快开关电路

开源硬件的加入更让这项技术变得触手可及。树莓派4B的4核Cortex-A72处理器完全能胜任实时信号处理，而Arduino Nano的PWM输出精度足以控制VCO产生线性调频波。整套系统的BOM成本可控制在500元以内，主要花费包括：

提示：选择2.4GHz ISM频段可避免无线电许可问题，但需注意发射功率不超过100mW

2. 硬件搭建：从电路焊接到天线设计

硬件组装就像搭积木，关键在于各模块的精准配合。核心电路需要完成三个关键任务：

1. 信号生成：用Arduino控制ADF4351 VCO模块产生2.4-2.48GHz线性调频波
2. 信号混频：ZX05-14混频器将发射与回波信号转换为中频信号
3. 信号采集：树莓派通过ADS1115 ADC模块(16位精度)捕获中频信号

关键焊接要点：

• 使用烙铁温度控制在300°C左右，避免损坏射频元件
• 保持所有RF走线尽可能短（<3cm）
• 电源去耦电容（0.1μF）尽量靠近芯片引脚

天线设计决定系统性能上限。这里推荐3D打印的喇叭天线，其增益可达12dBi。用FreeCAD设计的外壳模型包含以下特征：

# 喇叭天线参数计算示例 import math def horn_antenna(freq=2.45e9): c = 3e8 # 光速 wavelength = c/freq aperture = 5*wavelength # 开口直径 flare_length = 3*wavelength # 喇叭长度 return {"aperture": aperture, "length": flare_length}

打印时选择PLA+材料，内壁可贴铝箔胶带增强反射效果。实测这种设计在5米范围内测距误差<3cm。

3. 信号处理：Python实现实时FFT分析

树莓派上的Python代码需要完成信号处理的完整流水线：

import numpy as np from scipy.fft import fft import matplotlib.pyplot as plt class FMCWProcessor: def __init__(self, fs=100e3, sweep_time=0.02, bw=80e6): self.fs = fs # 采样率 self.samples = int(fs * sweep_time) self.range_resolution = 3e8/(2*bw) # 距离分辨率 def process_frame(self, if_signal): # 加汉宁窗减少频谱泄漏 window = np.hanning(len(if_signal)) spectrum = fft(if_signal * window) # 转换为距离信息 freq_bins = np.fft.fftfreq(len(spectrum), 1/self.fs) range_bins = freq_bins * 3e8/(2 * 80e6/sweep_time) return 20*np.log10(np.abs(spectrum)), range_bins

实际测试中，对静止目标的距离测量可采用以下校准技巧：

• 在已知距离（如1m）放置金属板
• 记录峰值对应的bin索引
• 建立bin索引与实际距离的线性映射关系

运动目标检测则需要结合多普勒分析。通过连续多帧的相位变化计算速度：

速度 = (波长 × 相位差) / (4π × 帧间隔时间)

4. 可视化与实战应用：OpenCV打造雷达界面

将原始数据转化为直观显示需要经过三个处理阶段：

1. 距离-幅度显示：用matplotlib生成实时更新的距离-信号强度曲线
2. 瀑布图显示：通过OpenCV累积多帧数据形成时间维度视图
3. 目标跟踪：简单的峰值检测算法标记多个目标

import cv2 def create_waterfall(spectrums, colormap=cv2.COLORMAP_JET): # 归一化频谱数据 norm_data = cv2.normalize(spectrums, None, 0, 255, cv2.NORM_MINMAX) # 应用伪彩色 colored = cv2.applyColorMap(norm_data.astype(np.uint8), colormap) # 时间轴方向拼接 return cv2.vconcat([colored, waterfall[:-1]])

实际项目中遇到的典型问题及解决方案：

• 问题1：近距离测量出现振荡

  • 原因：天线隔离度不足导致直耦信号过强
  • 解决：在天线间添加吸波材料，或采用时分收发方案

• 问题2：测量结果随机跳变

  • 原因：电源噪声引入ADC
  • 解决：为模拟电路增加LC滤波，改用线性稳压电源

一个有趣的扩展应用是手势识别系统。当雷达安装在桌面时，不同手势会形成独特的距离-多普勒特征。通过机器学习分类（如scikit-learn的SVM），可以识别常见的5种手势，准确率可达85%以上。

5. 合规性设计与进阶优化

在2.4GHz ISM频段工作虽免许可，但仍需注意：

• 发射功率：确保EIRP < 100mW（20dBm）
• 谐波抑制：添加低通滤波器抑制二次谐波（>3GHz）
• 占空比：保持100%连续发射不违反规定

性能优化方向：

1. 多天线设计：增加接收天线数量可实现角度测量

   • 2天线：±60°探测范围
   • 4天线阵列：角度分辨率可达15°

2. 软件升级：

   • 改用Cython加速FFT计算
   • 引入卡尔曼滤波平滑跟踪轨迹
   • 添加CFAR（恒虚警率）检测算法

3. 硬件改进：

   • 改用ADF5355 VCO提升调频线性度
   • 采用I/Q解调方案获取相位信息
   • 添加LNA放大器提升接收灵敏度

最终系统的实测性能指标：

这个项目最令人兴奋的不只是结果本身，而是过程中对射频、信号处理、嵌入式编程等技术的融会贯通。当第一次看到自己制作的雷达准确显示出房间内各物体的距离时，那种成就感远超购买现成产品。