一文看懂 FMCW 毫米波雷达的底层逻辑

3GPP仿真实验室
4 阅读3分钟

大家好，这里是 3GPP 仿真实验室。

平时我们聊了太多 5G/6G、空天基网络和信道编解码。今天我们稍微跨个界，来拆解一个在自动驾驶、无人机甚至是智能家居里杀疯了的物理层传感器——毫米波雷达。

你可能会嘀咕，现在满大街都是高清摄像头和动辄上百线的激光雷达（LiDAR），毫米波雷达还有什么戏份？原因很简单：摄像头一到黑夜和雨雪天就容易“致盲”，激光雷达成本高昂且同样怕大雾。而毫米波雷达就像个不挑环境的“全天候战士”，穿透力强、测速极准，更重要的是，硬件成本已经被打下来了。

在当今的毫米波雷达界，绝对的统治者只有一种技术体制：FMCW（Frequency Modulated Continuous Wave，调频连续波）。

今天，我们就撇开那些封装好的 API，直接下沉到信号处理的最底层，硬核拆解 FMCW 雷达是如何利用电磁波，把真实世界的 3D 坐标精准还原出来的。

打破“一问一答”：为什么是 FMCW？

老派的脉冲雷达（Pulse Radar）原理很直白：大吼一声（发射极短的高功率脉冲），然后掐着秒表等回音。算出一来一回的时间差，距离就有了。但这就带来两个致命伤：一是盲区大，吼的时候听不见，离得太近就瞎了；二是瞬时峰值功率极其恐怖，射频前端成本压不住。

FMCW 换了一种极其优雅的降维打击思路。

它不吼，而是像吹滑音笛一样，持续不断地发射一种频率随时间线性攀升的信号——也就是大家常听说的 Chirp（啁啾信号）。

正因为发射频率在均匀增加，当这个信号打到目标弹回来时，我们只要拿“此刻正在发射的频率”去减“刚刚接收到的回波频率”，就能算出这个信号在空中飞了多久，进而推断出距离。

测距：混频器里的降维魔法

我们把这个过程翻译成数学语言。假设发射的一个 Chirp 信号，其频率的爬升斜率为 SS：

S=BTcS = \frac{B}{T_c}

这里面 BB 是扫频带宽，TcT_c 是一个 Chirp 的持续时间。

雷达发出去的波，飞到目标再弹回来，飞行时间设为 τ\tau。很显然：

τ=2Rc\tau = \frac{2R}{c}

（RR 是目标距离，cc 是光速）。

此时，雷达射频链路里的核心器件——混频器（Mixer）登场了。它在模拟域直接把发射信号和接收回波“相乘”，经过低通滤波后，直接拍出了一个差频信号（中频信号 IF）。这个中频信号的频率 fbf_b 就是两者的频率差。

既然频率是线性增加的，那时间差 τ\tau 对应的也就是频率差：

fb=S⋅τ=S⋅2Rcf_b = S \cdot \tau = \frac{S \cdot 2R}{c}

稍微挪一下位置，FMCW 最底层的测距公式就出来了：

R=c⋅fb2SR = \frac{c \cdot f_b}{2S}

在数字信号处理（DSP）流水线中这意味着什么？ 意味着距离 RR 和中频频率 fbf_b 是严格绑定的。我们只需要对 ADC 采样后的中频数据跑一次 1D FFT（Range FFT），频谱上哪个频点冒了尖（峰值），目标就在那个距离上！

测速：捕捉相位的微小涟漪

测距搞定了，那速度怎么算？如果只发一个 Chirp，你其实是测不出速度的。

FMCW 的聪明之处在于，它会密集地连发一串（比如 128 或 256 个）一模一样的 Chirp，这就构成了一帧（Frame）。

想象一下，如果目标在动，那么在相邻两个 Chirp 之间，目标的距离 RR 会发生极其微小的位移（通常是毫米级）。这点位移，在刚才的 1D FFT 频谱上根本看不出频偏（频率分辨率不够），但是！它会剧烈地改变回波信号的相位（Phase）。

物理常识告诉我们，微小的距离变化 ΔR\Delta R 对应着多大的相位差 Δϕ\Delta \phi 呢？

Δϕ=4πΔRλ\Delta \phi = \frac{4\pi \Delta R}{\lambda}

而 ΔR\Delta R 不就是速度 vv 乘以两个 Chirp 之间的间隔时间 TcT_c 吗？代入进去，速度 vv 就呼之欲出了：

v=λ⋅Δϕ4πTcv = \frac{\lambda \cdot \Delta \phi}{4\pi T_c}

在算法实现上，这步操作丝滑得让人拍案叫绝：我们在做完 1D FFT 的基础上，沿着 Chirp 索引的维度，再跑一次 2D FFT（Doppler FFT）。

算完之后，你就会得到一张经典的距离-多普勒热力图（Range-Doppler Heatmap）。图上的高亮像素点，直接同时锁死了目标的两个维度：离我多远，以及相对我跑得多快。

测角：天线阵列的几何学

有了距离和速度，最后一块拼图就是角度（方位角与俯仰角）。这就不是单根天线能搞定的了，我们需要请出 MIMO 天线阵列。

测角的底层逻辑依然是“玩弄”相位。

当回波以某个角度 θ\theta 拍到天线阵列时，到达相邻两根接收天线（间距设为 dd）的路径长度会有微小的波程差，大小为 dsin⁡θd \sin\theta。

这个多跑的路程，同样会造成两根天线接收信号之间的相位差 Δω\Delta \omega：

Δω=2πdsin⁡θλ\Delta \omega = \frac{2\pi d \sin\theta}{\lambda}

反解一下，角度 θ\theta 就拿到手了：

θ=arcsin⁡(λ⋅Δω2πd)\theta = \arcsin\left(\frac{\lambda \cdot \Delta \omega}{2\pi d}\right)

在基带处理代码里，我们在 2D FFT 找到目标峰值后，沿着天线维度（Antenna Index）再抡一次 3D FFT（Angle FFT）。至此，FMCW 雷达经典的 3D FFT 处理链路就彻底闭环了。

写在最后：从公式到代码变现的距离

复盘一下，FMCW 雷达的物理机制其实充满了一种对仗的数学美感：

  • 距离，映射到了单个 Chirp 内的中频频率上。
  • 速度，映射到了多个 Chirp 间的多普勒相位上。
  • 角度，映射到了多根天线间的空间相位上。 而这所有的一切，最后都被伟大的 FFT 统一在了矩阵运算里。

不过，推导公式只是键盘侠的狂欢，真正的工程落地才刚刚开始。在实际的物理层仿真和基带芯片开发中，你马上就会被一堆现实问题糊一脸：

  • 底噪太高怎么办？怎么手写 CFAR（恒虚警率） 算法从杂波里抠出真实目标？
  • 目标跑得太快，相位转了一圈以上，**速度模糊（Velocity Ambiguity）**怎么解？
  • 天线阵列太少，角度分辨率不够，怎么利用 MIMO 体制做虚拟孔径合成？

这才是真正拉开算法工程师段位的地方。

avatar
文章
阅读
粉丝