TI FMCW毫米波雷达进阶：多普勒FFT与速度解模糊实战
1. 多普勒FFT：从原理到实战的关键跳板
第一次接触毫米波雷达信号处理时，很多人会被各种FFT变换绕晕。距离FFT还算直观，毕竟对应着实际物理空间，但到了多普勒FFT这里，事情就开始变得抽象。我在调试交通测速雷达项目时，曾花了整整两周才搞明白为什么同一个距离单元里会有多个速度峰值。其实关键在于理解：多普勒FFT本质是在分析相位变化。
想象你在路边观察车流。当救护车呼啸而过时，除了声音频率的变化（经典多普勒效应），如果你用雷达照射它，反射信号的相位也会随时间呈现规律性变化。这个相位变化率直接对应目标速度。具体到FMCW雷达，每个chirp周期采集到的中频信号，在经过距离FFT后，某个特定距离单元（比如对应50米处）的信号序列，其相位变化就携带了速度信息。
这里有个容易踩坑的地方：相位变化超过π时会出现相位缠绕（phase wrapping）。就像钟表指针从12点转到1点，虽然实际转动了30度，但看起来却像倒退了330度。这直接导致速度测量的模糊性，也是为什么我们需要专门讨论"解模糊"技术。
2. 交通测速雷达的完整信号链
2.1 发射参数设计实战
以TI的AWR1843雷达为例，假设我们需要检测100米内车速范围0-200km/h的车辆。首先得确定关键参数：
- Chirp持续时间（Tc）：设置为40μs时，理论最大无模糊速度v_max=λ/(4Tc)=24.8m/s≈89km/h
- 帧周期（Tf）：包含256个chirp的帧，总时长约10.24ms
这个配置有个明显问题：当车辆超速（>89km/h）时会出现速度模糊。我在高速收费站测试时就遇到过——显示60km/h的卡车实际是150km/h。这就是典型的模糊现象，因为速度差（90km/h）正好是2v_max。
2.2 距离-多普勒处理流水线
具体到代码实现，TI的mmWave SDK提供了完整处理链参考。关键步骤包括：
// 示例：距离-多普勒矩阵生成 for (int chirp = 0; chirp < numChirpsPerFrame; chirp++) { rangeFFT(adcData[chirp], rangeProfile); // 单chirp距离FFT rdMatrix[chirp] = rangeProfile; // 填充到矩阵行 } dopplerFFT_2D(rdMatrix); // 对矩阵列做多普勒FFT处理后的矩阵中，每个峰值点对应一个（距离，速度）二元组。但要注意：速度轴的实际量程由v_max决定，超过这个值的速度会"折返"显示。这就是为什么你会看到逆向行驶的车辆显示为正速度。
3. 速度模糊的工程解决方案
3.1 参数调整法：重新设计波形
最直接的解模糊方法是调整Tc。将Tc缩短到20μs，v_max就提升到178km/h。但代价是：
- 距离分辨率δR=c/(2B)不变（由带宽B决定）
- 速度分辨率δv=λ/(2Tf)会变差，因为Tf=numChirpsTc减小
实测中发现，在城市道路场景中，采用双帧配置更实用：
- 第一帧：长Tc（40μs）用于精确测量低速车辆
- 第二帧：短Tc（15μs）用于捕获超速目标
3.2 相位差分法：无需修改硬件
在固定Tc的情况下，可以通过相位连续体跟踪解模糊。具体操作：
- 选择强反射目标（如卡车）的距离单元
- 计算相邻chirp间相位差Δφ
- 真实速度v=(Δφ±2πn)*λ/(4πTc)，其中n为模糊阶数
这种方法依赖目标在连续帧间的持续性。我们在停车场车辆计数系统中成功应用，通过卡尔曼滤波器跟踪相位变化，即使初始速度模糊也能收敛到真实值。
4. 多目标场景下的挑战与技巧
当同距离单元存在多个运动目标时（比如并行的两辆车），事情变得复杂。此时多普勒FFT会出现多个峰值，但存在三个典型问题：
- 速度分辨率不足：两车速度差小于δv时无法分离
- 强目标遮蔽：卡车反射可能掩盖旁边摩托车的峰值
- 虚假峰值：由FFT栅栏效应导致
我们的解决方案组合使用了以下技术：
- 加窗处理：对多普勒FFT采用Blackman-Harris窗，抑制旁瓣
- CFAR检测：基于有序统计的OS-CFAR比传统CA-CFAR更适合多目标
- 峰值聚类：DBSCAN算法区分真实目标与噪声
在实测中，对于间距1.5米、速度差10km/h的两辆并行汽车，系统成功分离率达92%。关键配置参数如下表：
| 参数 | 优化值 | 原默认值 | 效果提升 |
|---|---|---|---|
| 多普勒FFT点数 | 512 | 256 | 速度分辨率提高2倍 |
| 加窗类型 | Blackman | Hamming | 旁瓣降低8dB |
| CFAR保护单元 | 4 | 2 | 虚警率下降60% |
5. 实际部署中的隐藏细节
实验室环境下的完美数据与真实道路情况相差甚远。我们遇到过几个意料之外的问题：
雨水干扰：暴雨天气会导致多普勒频谱展宽。解决方法是在信号链前端增加基于熵值的雨雾检测模块，当环境噪声超过阈值时自动切换到大带宽模式，利用距离分辨率优势分离雨滴与车辆。
多径效应：高架桥下的雷达可能接收到车辆直接反射和桥面反射两种信号。这会导致多普勒FFT出现"鬼影"。后来我们引入MUSIC算法进行空间谱估计，有效抑制了多径干扰。
温度漂移：毫米波雷达的VCO对温度敏感。夏季正午时，实测发现中心频率偏移可达5MHz，导致速度计算误差。最终方案是增加温度传感器，动态校准chirp斜率。
这些经验让我深刻体会到，理论上的v_max计算只是起点。真正的工程实践需要考虑时钟抖动、天线耦合、电源噪声等各种非理想因素。建议大家在设计阶段就预留至少30%的速度余量，并且一定要做高低温循环测试。