CN110770598A - 微波雷达及其数据处理方法、无人机 - Google Patents
微波雷达及其数据处理方法、无人机 Download PDFInfo
- Publication number
- CN110770598A CN110770598A CN201880040633.1A CN201880040633A CN110770598A CN 110770598 A CN110770598 A CN 110770598A CN 201880040633 A CN201880040633 A CN 201880040633A CN 110770598 A CN110770598 A CN 110770598A
- Authority
- CN
- China
- Prior art keywords
- peak
- sampling
- curve
- frequency
- microwave radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 231
- 238000001228 spectrum Methods 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 22
- 238000009795 derivation Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007670 refining Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种微波雷达及其数据处理方法、无人机,微波雷达及其数据处理方法包括:根据微波雷达的采样数据,获取频谱曲线,其中,频谱曲线用于反映微波雷达的采样数据的幅度与采样频率之间变化关系(S101);根据频谱曲线,确定频谱曲线的波峰区域(S102);对波峰区域进行曲线拟合,获得曲线拟合后的峰值信(S103)。通过采用曲线拟合方式获得峰值信息,提升频谱估计精度,进而提升微波雷达对目标检测精度,改善微波雷达的定高、避障性能;并且,曲线拟合方式还降低了处理器开销,进而降低硬件成本。
Description
技术领域
本发明涉及微波雷达领域,尤其涉及一种微波雷达及其数据处理方法、无人机。
背景技术
雷达通过发射机发射电磁波来探测有效空间范围内的目标(如障碍物)的位置信息,具体的,发射机发射的电磁波经目标反射后,由雷达的接收机接收。处理器按照一定的采样频率对接收机接收的电磁波进行采样,获取频谱,再根据频谱上波峰区域的峰值信息来计算目标的位置信息。在实际测量时,峰值信息对应的采样数据有可能刚好不在采样时间而无法被采样,导致频谱的精度下降,从而导致目标位置估算准确度下降。
采用传统的快速傅里叶(FFT)算法只能比较粗略的计算频谱,且分辨率不高。为提高雷达频谱估计精度,目前多采用频谱细化技术对频域信号中感兴趣的局部频段进行频谱分析,如chirp-z、zoom-fft等频谱细化方式。其中,chirp-z采用线性调频Z变换算法,这种算法在无法使用离散傅里叶来表征频谱的场合比较有效,比如需要计算某一段范围内较密集采样点的频谱,非等间隔取样点的频谱,不在单位圆上而在螺旋线上的取样点的频谱。zoom-fft先对时间上连续但不重叠的等长度分段信号采样序列进行FFT,获得第一批分段粗FFT谱。然后,在分段粗FFT谱中感兴趣的粗频点上对这些分段FFT的粗频点所构成的新序列(称为时域二次采样)进行第二批次FFT处理,从而得到粗频点处的FFT细节谱。可见chirp-z和zoom-fft至少包含一次FFT(chirp-z包含了3次FFT),FFT其算法复杂度为O(NlogN)级(N为变换点数长度),运算量较大,需要耗费一定的处理器资源。
发明内容
本发明提供一种微波雷达及其数据处理方法、无人机。
具体地,本发明是通过如下技术方案实现的:
根据本发明的第一方面,提供一种微波雷达的数据处理方法,所述方法包括:
根据所述微波雷达的采样数据,获取频谱曲线,其中,所述频谱曲线用于反映所述微波雷达的采样数据的幅度与采样频率之间变化关系;
根据所述频谱曲线,确定所述频谱曲线的波峰区域;
对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息。
根据本发明的第二方面,提供一种微波雷达,所述微波雷达包括:
天线装置,用于发射微波信号以及接收微波信号;和
控制器,与所述天线装置通信连接,
其中,所述天线装置将接收到的微波信号发送给控制器,所述控制器对所述天线装置接收的所述微波信号进行采样,并且对采样数据进行如下操作:
根据所述微波雷达的采样数据,获取频谱曲线,其中,所述频谱曲线用于反映所述微波雷达的采样数据的幅度与采样频率之间变化关系;
根据所述频谱曲线,确定所述频谱曲线的波峰区域;
对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息。
根据本发明的第三方面,提供一种无人机,所述无人机包括:
机架;
设于所述机架上的微波雷达,所述微波雷达用于发射微波信号以及接收微波信号;以及
控制器,所述控制器与所述微波雷达通信连接,
其中,所述微波雷达将接收到的微波信号发送给控制器,所述控制器对所述微波雷达接收的所述微波信号进行采样,并且对采样数据进行如下操作:
根据所述微波雷达的采样数据,获取频谱曲线,其中,所述频谱曲线用于反映所述微波雷达的采样数据的幅度与采样频率之间变化关系;
根据所述频谱曲线,确定所述频谱曲线的波峰区域;
对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息。
由以上本发明实施例提供的技术方案可见,本发明通过采用曲线拟合方式获得峰值信息,提升频谱估计精度,进而提升微波雷达对目标检测精度,改善微波雷达的定高、避障性能;并且,曲线拟合方式还降低了处理器开销,进而降低硬件成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中的微波雷达的数据处理方法的方法流程图;
图2是本发明一实施例中的微波雷达采集原始时域数据的信号图;
图3是图1所示微波雷达的数据处理方法的具体流程图;
图4是图1所示的微波雷达的数据处理方法的一具体曲线拟合方式图;
图5是采用图1所示的微波雷达的数据处理方法估计目标位置与采用现有rife频谱估计方法估计目标位置的曲线对比图;
图6是采用图1所示的微波雷达的数据处理方法估计目标位置与采用chirp-z频谱细化方法估计目标位置的曲线对比图;
图7是本发明一实施例中的微波雷达的结构框图;
图8是本发明一实施例中的无人机的结构示意图;
图9是本发明一实施例中的无人机的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图,对本发明的微波雷达及其数据处理方法、无人机进行详细说明。在不冲突的情况下,下述的实施例及实施方式中的特征可以相互组合。
本发明实施例中的雷达采样微波雷达,微波雷达通过发射300MHz~3000GHz的电磁波(即微波信号)来探测目标的位置信息。
图1是本发明一实施例中的微波雷达的数据处理方法的方法流程图。参见图1,本实施例的微波雷达的数据处理方法可包括如下步骤:
步骤S101:根据微波雷达的采样数据,获取频谱曲线,其中,频谱曲线用于反映微波雷达的采样数据的幅度与采样频率之间变化关系;
实际测量时,按照一定采样时间间隔来采样微波雷达接收到的微波信号,获得微波雷达的采样数据,此时获得的微波雷达的采样数据为时域数据,故在执行步骤101时,需将微波雷达的采样数据从时域转换至频域,获取频谱曲线。具体可采用不同的算法将微波雷达的采样数据从时域转换至频域,如基于FFT(Fast Fourier Transformation,快速傅里叶变换)将微波雷达的采样数据从时域转换至频域。
此外,在一些实施例中,在对通过微波雷达接收的微波信号进行采样时,需要进行一些筛选等处理,提高采样数据的有效性,利于后续的频谱分析。本实施例中,在根据微波雷达的采样数据,获取频谱曲线之前,对通过微波雷达接收的微波信号进行采样和处理,获得采样数据。
例如,在一实施例中,对通过微波雷达接收的微波信号进行数据截取,将明显不符合的微波信号去除或者仅获取所需数量的微波信号,从而提高后续的频谱分析的精度和效率。本实施例通过获取采样时间位于特定时间段内微波雷达所接收的微波信号来实现数据截取的目的。特定时间段可根据需要确定,如对采样获得的300个点的微波信号,获取采样时间位于中间区域的256或128个点的微波信号等,又如由于微波雷达的接收机会接收到射频泄露信号,经过高通滤波,会出现滤波器的类似阶跃信号的响应,如图2所示。图2中,横坐标为采集点序号,纵坐标为采样点对应的微波信号的幅度。为了减小这种类似阶跃响应信号对后续数据处理的影响(主要是近距离目标),需要对该部分数据进行去除,因此将采集的300个点(上升沿采集或下降沿采集)的第1点到40点舍弃。
进一步的,在根据微波雷达的采样数据,获取频谱曲线前,还需要将在时域采样获得的微波信号中的直流分量去除,这是因为直流分量的频谱泄露会严重影响低频频谱的准确性。而频谱泄露是因为周期信号非同步采样/非周期信号矩形加窗效应,将矩形窗的频谱卷积到实际信号各频率分量上,使频谱能量扩散。若将采样的微波信号中的直流分量保留,将具有直流分量的微波信号从时域转换至频域,会存在由于截断带来的频谱泄漏,使直流分量泄露到其他频谱分量上尤其是低频分量上。故本实施例中,对通过微波雷达接收的微波信号进行采样和处理,获得采样数据进一步包括:去除微波雷达所接收的微波信号中的直流分量,获得去除直流分量后的微波信号,即将微波信号的交流分量作为采样数据,有利于后续的频谱分析。直流分量的大小可采用不同的方式估算,如通过均值估计直流分量的大小,再将微波雷达所接收的每一微波信号减去直流分量的大小,获得微波雷达所接收的每一微波信号的交流分量,将微波雷达所接收的每一微波信号的交流分量作为采样数据。
上述实施例中,微波信号的截断产生了能量泄漏,而用FFT算法计算频谱又产生了栅栏效应,从原理上讲这两种误差都是不能消除的。在FFT分析中为了减少或消除频谱能量泄漏及栅栏效应,可采用不同的截取函数(即窗函数,简称为窗)对微波信号进行截短。本实施例中,对通过微波雷达接收的微波信号进行采样和处理,获得采样数据进一步包括:对微波雷达所接收的微波信号进行加窗处理,获得加窗处理后的微波信号。
步骤S102:根据频谱曲线,确定频谱曲线的波峰区域;
在该步骤中,若微波雷达当前探测的空间内进存在一个目标,则获得的频谱曲线包括一个峰值区域,根据该峰值区域的峰值信息即可确定该目标的位置信息;而若微波雷达当前探测的空间内存在多个目标,则获得的频谱曲线对应包括多个峰值区域,可根据每个峰值区域的峰值信息确定对应目标的位置信息。
步骤S103:对波峰区域进行曲线拟合,获得曲线拟合后的峰值信息。
步骤S103具体根据波峰区域中已知采样数据的坐标信息和预设的曲线模型来对波峰区域进行曲线拟合的。具体的,参见图3,步骤S103具体包括如下步骤:
步骤S301:获取波峰区域中多个采样数据的坐标信息;
可获取波峰区域任意多个采样数据的坐标信息,本实施例中,获取波峰区域中多个采样数据的坐标信息包括:确定波峰区域中幅度最大的第一采样数据;并获取第一采样数据的坐标信息以及距离第一采样数据最近的多个第二采样数据的坐标信息。
其中,确定波峰区域中幅度最大的第一采样数据的方式可根据需要选择,例如,可将波峰区域中各采样数据的幅度进行比较,获得波峰区域中幅度最大的第一采样数据的方式可根据需要选择。又如,在防撞雷达系统中,通常要求非常低且恒定的虚警率,为了达到这个目的,实际的干扰功率必须从实时的数据中进行估计,本实施例基于CFAR(恒虚警处理)确定波峰区域中幅度最大的第一采样数据。
本实施例需要获取波峰区域中至少3个采样数据的坐标信息,以通过波峰区域的曲线拟合获得峰值信息。可选的,在获取第一采样数据的坐标信息后,获取采样频率小于第一采样数据的采样频率、且距离第一采样数据的采样频率一个采样间隔的采样数据的坐标信息;并获取采样频率大于第一采样数据的采样频率、且距离第一采样数据的采样频率一个采样间隔的采样数据的坐标信息。本实施例中,采样间隔是指采样频率相邻的两个采样数据的频率间隔。如在图4所示的波峰区域,采样间隔为1,第一采样数据的坐标信息为(k0,|Y[k0]|),采样频率小于第一采样数据的采样频率、且距离第一采样数据的采样频率一个采样间隔的采样数据的坐标信息为(k0-1,|Y[k0-1]|),采样频率大于第一采样数据的采样频率、且距离第一采样数据的采样频率一个采样间隔的采样数据的坐标信息为(k0+1,|Y[k0+1]|)。
步骤S302:根据多个采样数据的坐标信息和预设的曲线模型,对波峰区域进行曲线拟合,获得曲线拟合后的峰值信息。
本实施例的峰值信息包括峰值幅度和峰值频率。
在执行步骤S302时,具体的,根据多个采样数据的坐标信息和预设的曲线模型,对波峰区域进行曲线拟合,获得曲线拟合后的曲线函数;确定曲线函数的峰值信息。本实施例根据多个采样数据的坐标信息和预设的曲线模型,确定预设的曲线模型中每一项的系数大小;根据预设的曲线模型和每一项的系数大小,获得曲线拟合后的曲线函数。
本实施例中,预设的曲线模型所对应的曲线函数具有波峰。可选的,预设的曲线模型为多项式模型,如抛物线模型、3次多项式、4次多项式等等。为简化计算量,并降低曲线拟合的难度,本实施例中,预设的曲线模型为抛物线模型,如图4所示。
具体的,本实施例的抛物线模型可为:
|Y[k]|=a0+a1k+k2 (1)
在公式(1)中,k为采样频率,|Y[k]|为采样数据的幅度,a0、a1和a2为系数。
对于(k0-1,|Y[k0-1]|)、(k0,|Y[k0]|)和(k0+1,|Y[k0+1]|),如果公式(1)成立,则(k0-1,|Y[k0-1]|)、(k0,|Y[k0]|)和(k0+1,|Y[k0+1]|)需满足如下方程组:
公式(2)的系数矩阵具有范德蒙矩阵结构,其行列式为:
由公式3可知,由于公式(2)的系数矩阵的行列式非零,故a0、a1和a2可以保证有唯一解。在确定出a0、a1和a2后,将a0、a1和a2代入公式(1),即可获得上述抛物线模型对应的抛物线函数。
获得曲线函数后,曲线函数的峰值信息就可以很容易计算出来,如可对曲线函数求微分,并令结果等于0,从而就可以解出此曲线函数的峰值频率,并进而得到此曲线函数的峰值幅度。本实施例中,基于拉格朗日插值确定曲线函数的峰值信息。
而在基于拉格朗日插值确定曲线函数的峰值信息时,
首先将曲线函数转换成拉格朗日模型,再对拉格朗日模型进行求导处理并令求导结果为0,确定偏移量;接着,根据偏移量和峰值区域中幅度最大的第一采样数据的采样频率,确定峰值频率;并根据峰值频率和拉格朗日模型,确定峰值幅度。其中,拉格朗日模型用于反映峰值幅度与多个采样数据的幅度、峰值频率与峰值区域中幅度最大的第一采样数据的采样频率的偏移量之间的函数关系。
本实施例中,峰值频率为峰值区域中幅度最大的第一采样数据的采样频率和偏移量之和。
下述实施例将以抛物线为例来说明基于拉格朗日插值确定抛物线的峰值信息的过程:
如图4所示,将峰值频率k′写成k′=k0+Δk,Δk为抛物线的峰值频率相对于k0(波峰区域中幅度最大的第一采样数据的采样频率)的偏移量,基于现有的拉格朗日公式进行推导,将公式(1)转换为:
求此公式(4)的对Δk的导数并令其结果为零,由此解出Δk:
将k0和Δk代入k′=k0+Δk,即可计算出峰值频率k′。再将峰值频率k′代入抛物线公式或者将Δk代入公式(4),即可计算出抛物线的峰值幅度A′=Y[k′]=Y[k0+Δk]。
通过上述实施例的分析可以看出,步骤S103曲线插值方式获得的峰值位置可能为波峰区域中幅度最大的第一采样数据的位置,也可能为距离波峰区域中幅度最大的第一采样数据一定偏移量的位置。
本实施例的抛物线拟合过程简单,抛物线拟合运算量大约是chirp-z运算量的1/1000,大大降低了处理器的开销,进而降低硬件成本。
另外,在对波峰区域进行曲线拟合,获得曲线拟合后的峰值信息之后,根据峰值频率,确定峰值区域对应的目标的位置信息。其中,目标的位置信息包括如下至少一种:目标相对特定物体(如微波雷达,也可为用于搭载微波雷达的可移动平台如无人机)的距离信息、目标相对特定物体的角度信息等。
此外需要说明的是,本发明实施例采用采用FMCW(调频连续波)体制微波雷达,通过测得发射与接收混频得到的中频信号的频率,估计目标的位置信息。
图5是采用图1所示的微波雷达的数据处理方法估计目标位置与采用现有rife频谱估计方法估计目标位置的曲线对比图。图5中,横坐标为采样时间,纵坐标为目标的距离信息,在通过微波雷达检测目标的距离信息时,微波雷达是先靠近目标再远离目标,在获得微波雷达的采样数据后,采用本实施例微波雷达的数据处理方法估计目标位置,获得曲线1;并且,采用现有rife频谱估计方法估计目标位置,获得曲线2。由图5可以看出,曲线1相比曲线2更加平滑,可见采用本实施例微波雷达的数据处理方法估计目标位置远远优于采用现有rife频谱方法估计目标位置。
图6是采用图1所示的微波雷达的数据处理方法估计目标位置与采用chirp-z频谱细化方法估计目标位置的曲线对比图。图6中,横坐标为采样时间,纵坐标为目标的距离信息。采用本实施例微波雷达的数据处理方法估计目标位置,获得曲线1;并且,采用现有chirp-z频谱细化方法估计目标位置,获得曲线2。由图6可以看出,曲线1和曲线2大致重合,可见,采用本实施例的曲线拟合方式估计目标位置与采用现有chirp-z频谱细化方法估计目标位置两者的估算精度不相上下,但相比于,chirp-z频谱细化方法,本实施例的曲线拟合方式计算过程简单,降低了处理器开销,进而降低硬件成本。
本发明实施例的微波雷达的数据处理方法,通过采用曲线拟合方式获得峰值信息,对波峰区域进行峰值差值,提升频谱估计精度,进而提升微波雷达对目标检测精度,改善微波雷达的定高、避障性能;并且,曲线拟合方式还降低了处理器开销,进而降低硬件成本。
参见图7,本发明实施例还提供一种微波雷达,该微波雷达200可包括天线装置210和第一控制器220,其中,天线装置210用于发射微波信号以及接收微波信号,第一控制器220与天线装置210通信连接。
在本实施例中,天线装置210将接收到的微波信号发送给控制器,第一控制器220对天线装置210接收的微波信号进行采样,并且对采样数据进行如下操作:根据微波雷达200的采样数据,获取频谱曲线,其中,频谱曲线用于反映微波雷达200的采样数据的幅度与采样频率之间变化关系;根据频谱曲线,确定频谱曲线的波峰区域;对波峰区域进行曲线拟合,获得曲线拟合后的峰值信息。
第一控制器220对采样数据进行如图1和图3所示的微波雷达200的数据处理方法的操作,具体可参见上述实施例的微波雷达200的数据处理方法的描述,此处不再赘述。
本实施例的第一控制器220可以是中央处理器(central processing unit,CPU)。第一控制器220还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmablelogic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complexprogrammable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gatearray,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。
结合图8和图9,本发明实施例还提供一种无人机,该无人机可包括机架100、微波雷达200以及第二控制器300。其中,微波雷达200设于机架100上,并且,微波雷达200用于发射微波信号以及接收微波信号,第二控制器300与微波雷达200通信连接。
在本实施例中,微波雷达200将接收到的微波信号发送给控制器,控制器对微波雷达200接收的微波信号进行采样,并且对采样数据进行如下操作:根据微波雷达200的采样数据,获取频谱曲线,其中,频谱曲线用于反映微波雷达200的采样数据的幅度与采样频率之间变化关系;根据频谱曲线,确定频谱曲线的波峰区域;对波峰区域进行曲线拟合,获得曲线拟合后的峰值信息。
第二控制器300对采样数据进行如图1和图3所示的微波雷达200的数据处理方法的操作,具体可参见上述实施例的微波雷达200的数据处理方法的描述,此处不再赘述。
第二控制器300可为飞行控制器,也可为微波雷达200的第一控制器220,还可以飞行控制器与第一控制器220的组合。
本实施例的第二控制器300可以是中央处理器(central processing unit,CPU)。第二控制器300还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmablelogic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complexprogrammable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gatearray,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。
机架100可包括机身110和连接在机身110底部两侧的脚架120。进一步地,机架100还可包括连接在机身110两侧的机臂130。可选地,微波雷达200固定连接在脚架120上。当然,微波雷达200也可固定连接在机身110或机臂130上。
此外,本实施例的无人机可固定翼无人机,也可以为多旋翼无人机。
本实施例的无人机可为航拍无人机,也可为植保无人机。
本发明通过在无人机下方设置微波雷达200,实时测得无人机飞行时相对地面或下方障碍物的相对距离,通过采用本发明的微波雷达200的数据处理方法改善频谱估计精度,进而改善距离等参数的估计精度,提高了无人机仿地飞行效果,并改善对障碍物目标检测准确性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明实施例所提供的微波雷达及其数据处理方法、无人机进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (57)
1.一种微波雷达的数据处理方法,其特征在于,所述方法包括:
根据所述微波雷达的采样数据,获取频谱曲线,其中,所述频谱曲线用于反映所述微波雷达的采样数据的幅度与采样频率之间变化关系;
根据所述频谱曲线,确定所述频谱曲线的波峰区域;
对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息。
2.根据权利要求1所述的方法,其特征在于,所述对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息,包括:
获取所述波峰区域中多个采样数据的坐标信息;
根据所述多个采样数据的坐标信息和预设的曲线模型,对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息。
3.根据权利要求2所述的方法,其特征在于,所述获取所述波峰区域中多个采样数据的坐标信息,包括:
确定所述波峰区域中幅度最大的第一采样数据;
获取所述第一采样数据的坐标信息以及距离所述第一采样数据最近的多个第二采样数据的坐标信息。
4.根据权利要求3所述的方法,其特征在于,所述确定所述波峰区域中幅度最大的第一采样数据,包括:
基于CFAR确定所述波峰区域中幅度最大的第一采样数据。
5.根据权利要求3所述的方法,其特征在于,获取距离所述第一采样数据最近的多个第二采样数据的坐标信息,包括:
获取采样频率小于所述第一采样数据的采样频率、且距离所述第一采样数据的采样频率一个采样间隔的采样数据的坐标信息;
获取采样频率大于所述第一采样数据的采样频率、且距离所述第一采样数据的采样频率一个采样间隔的采样数据的坐标信息;
其中,所述采样间隔是指采样频率相邻的两个采样数据的频率间隔。
6.根据权利要求2所述的方法,其特征在于,所述预设的曲线模型为抛物线模型。
7.根据权利要求2或6所述的方法,其特征在于,所述根据所述多个采样数据的坐标信息和预设的曲线模型,对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息,包括:
根据所述多个采样数据的坐标信息和预设的曲线模型,对所述波峰区域进行曲线拟合,获得曲线拟合后的曲线函数;
确定所述曲线函数的峰值信息。
8.根据权利要求7所述的方法,其特征在于,所述根据所述多个采样数据的坐标信息和预设的曲线模型,对所述波峰区域进行曲线拟合,获得曲线拟合后的曲线函数,包括:
根据所述多个采样数据的坐标信息和预设的曲线模型,确定所述预设的曲线模型中每一项的系数大小;
根据所述预设的曲线模型和所述每一项的系数大小,获得曲线拟合后的曲线函数。
9.根据权利要求7所述的方法,其特征在于,所述确定所述曲线函数的峰值信息,包括:
基于拉格朗日插值确定所述曲线函数的峰值信息。
10.根据权利要求9所述的方法,其特征在于,所述峰值信息包括峰值幅度和峰值频率;
所述基于拉格朗日插值确定所述曲线函数的峰值信息,包括:
将所述曲线函数转换成拉格朗日模型,其中,所述拉格朗日模型用于反映所述峰值幅度与所述多个采样数据的幅度、所述峰值频率与所述峰值区域中幅度最大的第一采样数据的采样频率的偏移量、之间的函数关系;
对所述拉格朗日模型进行求导处理并令求导结果为0,确定所述偏移量;
根据所述偏移量和所述峰值区域中幅度最大的第一采样数据的采样频率,确定所述峰值频率;
根据所述峰值频率和所述拉格朗日模型,确定所述峰值幅度。
11.根据权利要求10所述的方法,其特征在于,所述峰值频率为所述峰值区域中幅度最大的第一采样数据的采样频率和所述偏移量之和。
12.根据权利要求1所述的方法,其特征在于,所述峰值坐标包括峰值频率;
所述对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息之后,还包括:
根据所述峰值频率,确定所述峰值区域对应的目标的位置信息。
13.根据权利要求12所述的方法,其特征在于,所述目标的位置信息包括如下至少一种:所述目标相对特定物体的距离信息、所述目标相对特定物体的角度信息。
14.根据权利要求1所述的方法,其特征在于,所述根据所述微波雷达的采样数据,获取频谱曲线,还包括:
将所述微波雷达的采样数据从时域转换至频域,获取频谱曲线。
15.根据权利要求14所述的方法,其特征在于,所述将所述微波雷达的采样数据从时域转换至频域,获取频谱曲线,包括:
基于FFT将所述微波雷达的采样数据从时域转换至频域,获取频谱曲线。
16.根据权利要求1所述的方法,其特征在于,所述根据所述微波雷达的采样数据,获取频谱曲线之前,还包括:
对通过所述微波雷达接收的微波信号进行采样和处理,获得采样数据。
17.根据权利要求16所述的方法,其特征在于,所述对通过所述微波雷达接收的微波信号进行采样和处理,获得采样数据,包括:
获取采样时间位于特定时间段内所述微波雷达所接收的微波信号。
18.根据权利要求16或17所述的方法,其特征在于,所述对通过所述微波雷达接收的微波信号进行采样和处理,获得采样数据,进一步包括:
去除所述微波雷达所接收的微波信号中的直流分量,获得去除直流分量后的微波信号。
19.根据权利要求16或17所述的方法,其特征在于,所述对通过所述微波雷达接收的微波信号进行采样和处理,获得采样数据,进一步包括:
对所述微波雷达所接收的微波信号进行加窗处理,获得加窗处理后的微波信号。
20.一种微波雷达,其特征在于,所述微波雷达包括:
天线装置,用于发射微波信号以及接收微波信号;和
控制器,与所述天线装置通信连接,
其中,所述天线装置将接收到的微波信号发送给控制器,所述控制器对所述天线装置接收的所述微波信号进行采样,并且对采样数据进行如下操作:
根据所述微波雷达的采样数据,获取频谱曲线,其中,所述频谱曲线用于反映所述微波雷达的采样数据的幅度与采样频率之间变化关系;
根据所述频谱曲线,确定所述频谱曲线的波峰区域;
对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息。
21.根据权利要求20所述的微波雷达,其特征在于,所述控制器具体进行如下操作:
获取所述波峰区域中多个采样数据的坐标信息;
根据所述多个采样数据的坐标信息和预设的曲线模型,对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息。
22.根据权利要求21所述的微波雷达,其特征在于,所述控制器具体进行如下操作:
确定所述波峰区域中幅度最大的第一采样数据;
获取所述第一采样数据的坐标信息以及距离所述第一采样数据最近的多个第二采样数据的坐标信息。
23.根据权利要求22所述的微波雷达,其特征在于,所述控制器具体进行如下操作:
基于CFAR确定所述波峰区域中幅度最大的第一采样数据。
24.根据权利要求22所述的微波雷达,其特征在于,所述控制器具体进行如下操作:
获取采样频率小于所述第一采样数据的采样频率、且距离所述第一采样数据的采样频率一个采样间隔的采样数据的坐标信息;
获取采样频率大于所述第一采样数据的采样频率、且距离所述第一采样数据的采样频率一个采样间隔的采样数据的坐标信息;
其中,所述采样间隔是指采样频率相邻的两个采样数据的频率间隔。
25.根据权利要求21所述的微波雷达,其特征在于,所述预设的曲线模型为抛物线模型。
26.根据权利要求21或25所述的微波雷达,其特征在于,所所述控制器具体进行如下操作:
根据所述多个采样数据的坐标信息和预设的曲线模型,对所述波峰区域进行曲线拟合,获得曲线拟合后的曲线函数;
确定所述曲线函数的峰值信息。
27.根据权利要求26所述的微波雷达,其特征在于,所所述控制器具体进行如下操作:
根据所述多个采样数据的坐标信息和预设的曲线模型,确定所述预设的曲线模型中每一项的系数大小;
根据所述预设的曲线模型和所述每一项的系数大小,获得曲线拟合后的曲线函数。
28.根据权利要求26所述的微波雷达,其特征在于,所述确定所述曲线函数的峰值信息,包括:
基于拉格朗日插值确定所述曲线函数的峰值信息。
29.根据权利要求28所述的微波雷达,其特征在于,所述峰值信息包括峰值幅度和峰值频率;
所述控制器具体进行如下操作:
将所述曲线函数转换成拉格朗日模型,其中,所述拉格朗日模型用于反映所述峰值幅度与所述多个采样数据的幅度、所述峰值频率与所述峰值区域中幅度最大的第一采样数据的采样频率的偏移量、之间的函数关系;
对所述拉格朗日模型进行求导处理并令求导结果为0,确定所述偏移量;
根据所述偏移量和所述峰值区域中幅度最大的第一采样数据的采样频率,确定所述峰值频率;
根据所述峰值频率和所述拉格朗日模型,确定所述峰值幅度。
30.根据权利要求29所述的微波雷达,其特征在于,所述峰值频率为所述峰值区域中幅度最大的第一采样数据的采样频率和所述偏移量之和。
31.根据权利要求20所述的微波雷达,其特征在于,所述峰值坐标包括峰值频率;
所述控制器对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息之后,还执行如下操作:
根据所述峰值频率,确定所述峰值区域对应的目标的位置信息。
32.根据权利要求31所述的微波雷达,其特征在于,所述目标的位置信息包括如下至少一种:所述目标相对特定物体的距离信息、所述目标相对特定物体的角度信息。
33.根据权利要求20所述的微波雷达,其特征在于,所述控制器根据所述微波雷达的采样数据,获取频谱曲线,还执行如下操作:
将所述微波雷达的采样数据从时域转换至频域,获取频谱曲线。
34.根据权利要求33所述的微波雷达,其特征在于,所述控制器具体进行如下操作:
基于FFT将所述微波雷达的采样数据从时域转换至频域,获取频谱曲线。
35.根据权利要求20所述的微波雷达,其特征在于,所述控制器根据所述微波雷达的采样数据,获取频谱曲线之前,还执行如下操作:
对通过所述微波雷达接收的微波信号进行采样和处理,获得采样数据。
36.根据权利要求35所述的微波雷达,其特征在于,所述控制器具体进行如下操作:
获取采样时间位于特定时间段内所述微波雷达所接收的微波信号。
37.根据权利要求35或36所述的微波雷达,其特征在于,所述控制器具体进行如下操作:
去除所述微波雷达所接收的微波信号中的直流分量,获得去除直流分量后的微波信号。
38.根据权利要求35或36所述的微波雷达,其特征在于,所述控制器具体进行如下操作:
对所述微波雷达所接收的微波信号进行加窗处理,获得加窗处理后的微波信号。
39.一种无人机,其特征在于,所述无人机包括:
机架;
设于所述机架上的微波雷达,所述微波雷达用于发射微波信号以及接收微波信号;以及
控制器,所述控制器与所述微波雷达通信连接,
其中,所述微波雷达将接收到的微波信号发送给控制器,所述控制器对所述微波雷达接收的所述微波信号进行采样,并且对采样数据进行如下操作:
根据所述微波雷达的采样数据,获取频谱曲线,其中,所述频谱曲线用于反映所述微波雷达的采样数据的幅度与采样频率之间变化关系;
根据所述频谱曲线,确定所述频谱曲线的波峰区域;
对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息。
40.根据权利要求39所述的无人机,其特征在于,所述控制器具体进行如下操作:
获取所述波峰区域中多个采样数据的坐标信息;
根据所述多个采样数据的坐标信息和预设的曲线模型,对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息。
41.根据权利要求39所述的无人机,其特征在于,所述控制器具体进行如下操作:
确定所述波峰区域中幅度最大的第一采样数据;
获取所述第一采样数据的坐标信息以及距离所述第一采样数据最近的多个第二采样数据的坐标信息。
42.根据权利要求41所述的无人机,其特征在于,所述控制器具体进行如下操作:
基于CFAR确定所述波峰区域中幅度最大的第一采样数据。
43.根据权利要求41所述的无人机,其特征在于,所述控制器具体进行如下操作:
获取采样频率小于所述第一采样数据的采样频率、且距离所述第一采样数据的采样频率一个采样间隔的采样数据的坐标信息;
获取采样频率大于所述第一采样数据的采样频率、且距离所述第一采样数据的采样频率一个采样间隔的采样数据的坐标信息;
其中,所述采样间隔是指采样频率相邻的两个采样数据的频率间隔。
44.根据权利要求40所述的无人机,其特征在于,所述预设的曲线模型为抛物线模型。
45.根据权利要求40或44所述的无人机,其特征在于,所述控制器具体进行如下操作:
根据所述多个采样数据的坐标信息和预设的曲线模型,对所述波峰区域进行曲线拟合,获得曲线拟合后的曲线函数;
确定所述曲线函数的峰值信息。
46.根据权利要求45所述的无人机,其特征在于,所述控制器具体进行如下操作:
根据所述多个采样数据的坐标信息和预设的曲线模型,确定所述预设的曲线模型中每一项的系数大小;
根据所述预设的曲线模型和所述每一项的系数大小,获得曲线拟合后的曲线函数。
47.根据权利要求45所述的无人机,其特征在于,所述控制器具体进行如下操作:
基于拉格朗日插值确定所述曲线函数的峰值信息。
48.根据权利要求47所述的无人机,其特征在于,所述峰值信息包括峰值幅度和峰值频率;
所述控制器具体进行如下操作:
将所述曲线函数转换成拉格朗日模型,其中,所述拉格朗日模型用于反映所述峰值幅度与所述多个采样数据的幅度、所述峰值频率与所述峰值区域中幅度最大的第一采样数据的采样频率的偏移量、之间的函数关系;
对所述拉格朗日模型进行求导处理并令求导结果为0,确定所述偏移量;
根据所述偏移量和所述峰值区域中幅度最大的第一采样数据的采样频率,确定所述峰值频率;
根据所述峰值频率和所述拉格朗日模型,确定所述峰值幅度。
49.根据权利要求48所述的无人机,其特征在于,所述峰值频率为所述峰值区域中幅度最大的第一采样数据的采样频率和所述偏移量之和。
50.根据权利要求39所述的无人机,其特征在于,所述峰值坐标包括峰值频率;
所述控制器对所述波峰区域进行曲线拟合,获得曲线拟合后的峰值信息之后,还执行如下操作:
根据所述峰值频率,确定所述峰值区域对应的目标的位置信息。
51.根据权利要求50所述的无人机,其特征在于,所述目标的位置信息包括如下至少一种:所述目标相对特定物体的距离信息、所述目标相对特定物体的角度信息。
52.根据权利要求39所述的无人机,其特征在于,所述控制器根据所述微波雷达的采样数据,获取频谱曲线,还执行如下操作:
将所述微波雷达的采样数据从时域转换至频域,获取频谱曲线。
53.根据权利要求52所述的无人机,其特征在于,所述控制器具体进行如下操作:
基于FFT将所述微波雷达的采样数据从时域转换至频域,获取频谱曲线。
54.根据权利要求39所述的无人机,其特征在于,所述控制器根据所述微波雷达的采样数据,获取频谱曲线之前,还执行如下操作:
对通过所述微波雷达接收的微波信号进行采样和处理,获得采样数据。
55.根据权利要求54所述的无人机,其特征在于,所述控制器具体进行如下操作:
获取采样时间位于特定时间段内所述微波雷达所接收的微波信号。
56.根据权利要求54或55所述的无人机,其特征在于,所述控制器具体进行如下操作:
去除所述微波雷达所接收的微波信号中的直流分量,获得去除直流分量后的微波信号。
57.根据权利要求54或55所述的无人机,其特征在于,所述控制器具体进行如下操作:
对所述微波雷达所接收的微波信号进行加窗处理,获得加窗处理后的微波信号。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/116364 WO2020102962A1 (zh) | 2018-11-20 | 2018-11-20 | 微波雷达及其数据处理方法、无人机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110770598A true CN110770598A (zh) | 2020-02-07 |
Family
ID=69328589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880040633.1A Pending CN110770598A (zh) | 2018-11-20 | 2018-11-20 | 微波雷达及其数据处理方法、无人机 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110770598A (zh) |
WO (1) | WO2020102962A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051564A (zh) * | 2020-08-25 | 2020-12-08 | 西安电子工程研究所 | 一种提高雷达测距精度的两点抛物线插值方法 |
CN113064444A (zh) * | 2021-03-15 | 2021-07-02 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 无人机下一飞行位置的预测方法、装置、设备和存储介质 |
CN114441004A (zh) * | 2021-12-27 | 2022-05-06 | 重庆川仪自动化股份有限公司 | 一种基于实复转换及拉格朗日插值的频率估计方法和系统 |
CN115825914A (zh) * | 2023-02-14 | 2023-03-21 | 北京七星华创微波电子技术有限公司 | 一种雷达微波功率合成数据信息处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090257311A1 (en) * | 2008-04-15 | 2009-10-15 | Frank Daigle | Method of processing echo pulses, and pulse-echo ranging system using the method |
JP2010197178A (ja) * | 2009-02-24 | 2010-09-09 | Nec Corp | パルス圧縮装置 |
CN102313901A (zh) * | 2010-06-29 | 2012-01-11 | 中国石油天然气集团公司 | 一种初至波迭代拾取的方法 |
CN102819022A (zh) * | 2012-08-03 | 2012-12-12 | 中国科学技术大学 | 一种基于实时色散傅立叶变换的飞秒测距激光雷达和方法 |
CN103576155A (zh) * | 2013-11-12 | 2014-02-12 | 河海大学 | 一种微波雷达式汽车防撞预警系统 |
CN103823215A (zh) * | 2014-03-03 | 2014-05-28 | 中国科学院电子学研究所 | 线性调频连续波雷达测距方法 |
CN108072868A (zh) * | 2016-11-11 | 2018-05-25 | 中国科学院沈阳自动化研究所 | 一种基于fmcw雷达信号频率细化的高精度测距方法 |
CN108521792A (zh) * | 2017-04-27 | 2018-09-11 | 深圳市大疆创新科技有限公司 | 微波雷达的测距方法、微波雷达、计算机存储介质、无人飞行器及其控制方法 |
CN108801398A (zh) * | 2018-06-27 | 2018-11-13 | 福州盛博电子有限公司 | 一种120GHz调频连续波雷达物位计及测距方法 |
-
2018
- 2018-11-20 CN CN201880040633.1A patent/CN110770598A/zh active Pending
- 2018-11-20 WO PCT/CN2018/116364 patent/WO2020102962A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090257311A1 (en) * | 2008-04-15 | 2009-10-15 | Frank Daigle | Method of processing echo pulses, and pulse-echo ranging system using the method |
JP2010197178A (ja) * | 2009-02-24 | 2010-09-09 | Nec Corp | パルス圧縮装置 |
CN102313901A (zh) * | 2010-06-29 | 2012-01-11 | 中国石油天然气集团公司 | 一种初至波迭代拾取的方法 |
CN102819022A (zh) * | 2012-08-03 | 2012-12-12 | 中国科学技术大学 | 一种基于实时色散傅立叶变换的飞秒测距激光雷达和方法 |
CN103576155A (zh) * | 2013-11-12 | 2014-02-12 | 河海大学 | 一种微波雷达式汽车防撞预警系统 |
CN103823215A (zh) * | 2014-03-03 | 2014-05-28 | 中国科学院电子学研究所 | 线性调频连续波雷达测距方法 |
CN108072868A (zh) * | 2016-11-11 | 2018-05-25 | 中国科学院沈阳自动化研究所 | 一种基于fmcw雷达信号频率细化的高精度测距方法 |
CN108521792A (zh) * | 2017-04-27 | 2018-09-11 | 深圳市大疆创新科技有限公司 | 微波雷达的测距方法、微波雷达、计算机存储介质、无人飞行器及其控制方法 |
CN108801398A (zh) * | 2018-06-27 | 2018-11-13 | 福州盛博电子有限公司 | 一种120GHz调频连续波雷达物位计及测距方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051564A (zh) * | 2020-08-25 | 2020-12-08 | 西安电子工程研究所 | 一种提高雷达测距精度的两点抛物线插值方法 |
CN112051564B (zh) * | 2020-08-25 | 2023-07-11 | 西安电子工程研究所 | 一种提高雷达测距精度的两点抛物线插值方法 |
CN113064444A (zh) * | 2021-03-15 | 2021-07-02 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 无人机下一飞行位置的预测方法、装置、设备和存储介质 |
CN113064444B (zh) * | 2021-03-15 | 2022-09-09 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 无人机下一飞行位置的预测方法、装置、设备和存储介质 |
CN114441004A (zh) * | 2021-12-27 | 2022-05-06 | 重庆川仪自动化股份有限公司 | 一种基于实复转换及拉格朗日插值的频率估计方法和系统 |
CN115825914A (zh) * | 2023-02-14 | 2023-03-21 | 北京七星华创微波电子技术有限公司 | 一种雷达微波功率合成数据信息处理方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020102962A1 (zh) | 2020-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110770598A (zh) | 微波雷达及其数据处理方法、无人机 | |
EP2697666B1 (en) | Method and system for target detection | |
CN114488109A (zh) | 用于调频连续波雷达中的对象检测的低复杂度超分辨率技术 | |
US20160252607A1 (en) | Gesture Recognition using Frequency Modulated Continuous Wave (FMCW) Radar with Low Angle Resolution | |
JP2020067455A (ja) | 妨害信号抑圧を行うfmcwレーダー | |
WO2014106907A1 (ja) | レーダ装置 | |
Middleton | Dechirp-on-receive linearly frequency modulated radar as a matched-filter detector | |
CN112764036A (zh) | 一种自适应多模式车载雷达系统及设计方法 | |
CN112462336B (zh) | 一种fmcw异物检测雷达泄漏信号的自适应消除方法 | |
Kim et al. | Extrapolation-RELAX estimator based on spectrum partitioning for DOA estimation of FMCW radar | |
CN108020834B (zh) | 基于改进edpca的运动目标检测方法、装置及电子设备 | |
KR101908455B1 (ko) | 저전력 주파수 변조 연속파 레이더 시스템 및 그 제어 방법 | |
CN114217301B (zh) | 一种高精度边坡监测雷达目标检测及测距方法 | |
CN109541579B (zh) | 基于Bezier模型的霍夫变换的多普勒穿墙雷达定位方法 | |
Lu et al. | MTD processing based on Keystone transform for LFMCW radar | |
Hyun et al. | Method to improve range and velocity error using de-interleaving and frequency interpolation for automotive FMCW radars | |
CN109085568B (zh) | 一种基于二次混频的调频连续波多目标检测方法 | |
US8339305B2 (en) | Method for detecting an object with a frequency modulated continuous wave (FMCW) ranging system | |
CN112444786A (zh) | 获取参考噪声基底的方法及装置、目标检测方法、目标检测装置、雷达系统 | |
CN109100713B (zh) | 具有杂波抑制功能的协作式微波测量装置、系统及方法 | |
CN111025254A (zh) | 基于数字滤波器的车载毫米波雷达近距虚假目标消除方法 | |
Yamaguchi et al. | A 24 GHz band FM-CW radar system for detecting closed multiple targets with small displacement | |
CN108196237B (zh) | 一种抑制fmcw雷达回波信号中寄生调幅的方法 | |
Ahmad et al. | Selection of window for inter-pulse analysis of simple pulsed radar signal using the short time Fourier transform | |
Laurukevich et al. | Estimation of energy, spectral and polarimetric characteristics of meteorological echoes in DMRL-C |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200207 |
|
WD01 | Invention patent application deemed withdrawn after publication |