CN113376605A - 一种基于原子范数最小化的mmwave-MIMO雷达超分辨DOA估计方法 - Google Patents
一种基于原子范数最小化的mmwave-MIMO雷达超分辨DOA估计方法 Download PDFInfo
- Publication number
- CN113376605A CN113376605A CN202110549409.9A CN202110549409A CN113376605A CN 113376605 A CN113376605 A CN 113376605A CN 202110549409 A CN202110549409 A CN 202110549409A CN 113376605 A CN113376605 A CN 113376605A
- Authority
- CN
- China
- Prior art keywords
- mmwave
- target
- mimo radar
- doa estimation
- matrix
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
Description
技术领域
本发明实施例涉及mmwave-MIMO雷达信号处理技术,尤其涉及一种基于原子范数最小化的超分辨mmwave-MIMO雷达超分辨DOA估计方法。
背景技术
随着毫米波雷达芯片集成电路和射频技术的逐渐成熟,毫米波多输入多输出(mmwave-MIMO)雷达已经成为智能交通场景下目标检测、目标探测和目标成像等领域的研究热点技术之一。与传统相控阵雷达相比,mmwave-MIMO雷达具有强抗干扰性、高分辨能力、集成度高、体积小、成本廉价等众多优点,因此使得mmwave-MIMO雷达技术的产学研一体化、民用化成为可能。
针对自动化智能交通民用技术领域,将mmwave-MIMO雷达安装至交通路口处的红绿灯杆上是行之有效的,即实现对车辆的测距、测速、波达角估计(DOA)和航迹等数据信息的智能感知。MIMO雷达按收发天线的配置可划分成单基地和双基地MIMO雷达,虽然单基地MIMO雷达和双基地MIMO雷达均能实现目标的高精度定位,但分布式MIMO雷达的设计布置复杂度和天线组件成本比共址MIMO雷达高。同时,MIMO 雷达按波形设计又可划分为时分、频分和码分MIMO雷达,值得注意的是时分方式生成的发射波形被接收天线接收后便于实现信号分离,且时分雷达对硬件要求低、有益于降低雷达造价成本,满足民用mmwave-MIMO雷达的要求。因此基于以上分析,本发明主要关注时分单基地mmwave-MIMO雷达的定位问题,即角度参数估计。
DOA估计是智能交通场景下mmwave-MIMO雷达实现车辆定位不可或缺的关键步骤。基于此,人们提出了大量有效的方法,例如西安电子科技大学在其申请的专利文献“基于雷达通道噪声功率的数字波束形成方法”(授权号CN 109932696 B)中公开了一种数字波束形成(DBF)方法。该方法可以用于解决由雷达通道接收噪声差异性导致DBF合成效率低的问题,从而提高目标检测性能,实现目标的角度定位。但是该方法对目标分辨性能受限于天线孔径,无法实现超分辨目标定位,尤其是在复杂交通堵塞场景下。此外,在文献Y.Zhang,G.Zhang and X.H.Wang,Computationally efficient DOA estimation for monostaticMIMO radar based on covariance matrix reconstruction,Electron.Lett.,49(3),(2017)111-113中提出了一种用于单基地MIMO基于协方差矩阵稀疏表示的DOA估计方法。该方法可以实现独立信源下的超分辨DOA估计,但是针对时分单基地MIMO雷达,由于接收回波信号是相干的,会导致协方差矩阵秩亏,进而错误估计目标角度。所以上述方法需要结合空间平滑算法以解相干,不可避免地,空间平滑是以牺牲孔径大小为代价,因此该方法在时分雷达上的应用必然导致目标分辨性能的降低。
发明内容
发明目的:本发明的目的是提出了一种基于原子范数最小化(ANM)的 mmwave-MIMO雷达DOA估计方法,该方法可以在不损失孔径大小的前提下,通过凸优化求解接收回波信号的原子范数最小化问题,高精度实现对多个相干信源的超分辨 DOA估计。
技术方案:本发明的一种基于原子范数最小化的mmwave-MIMO雷达DOA估计方法,包括以下步骤:
S1、假设已知mmwave-MIMO雷达发射天线个数为M,接收天线个数为N,信源个数为J,其中J<M×N;对发射天线端采用时分方式发射正交波形,依次从第1根发射天线开始到第M根发射天线结束,每间隔Tc秒发射线性调频信号,Tc为一个脉冲周期,在一个脉冲周期内,发射p个子脉冲进行脉冲积累;并且对子脉冲做距离门上的q次离散采样,最终得到p×q×(M×N)的三维数据包D;
S2:对三维数据包D先取出距离门数据d=D(p,:,M×N),对d做q点的傅里叶变换,找出相对应的I个峰值点,即为目标所在距离门单元[q1,q2,…,qI],I≤J;不妨令循环变量i=1,…,J,qi为第i个目标所在距离门单元;若每个目标均对应不同的距离门单元,则 I=J;反之,I<J;随后开始循环,初始化i=1;
S3、判断循环变量i是否小于等于I,若是,则执行步骤S4;否则,则退出循环,执行步骤S9;
S4、从三维数据包D中取出目标所在距离门单元下的二维数组Bi,其中 Bi=D(1:p,qi,1:M×N),将二维数组Bi按子脉冲进行脉冲累积得到单测量矢量bi;
S5、将单测量矢量bi等价于阵元数为M×N的均匀线阵下的DOA估计;
S6、根据原子范数理论,首先给出基于时分mmwave-MIMO雷达的超分辨DOA估计函数表达式,其次根据半正定规划理论将函数表达式转换成凸函数形式,最后通过 CVX凸优化工具包来求解原子范数最小化问题;
S8、令i=i+1,返回执行步骤S3;
S9、结束循环,此时已经遍历目标所在距离门,整合得出Θ=[Θ1,...,ΘI]及其每个距离门下的Ppower。
进一步的,步骤S1中mmwave-MIMO雷达发射天线和接收天线别采用等间距6λ和1.5λ布局,λ为60GHz毫米波的波长。
进一步的,步骤S4中得到的单测量矢量bi为:
进一步的,步骤S5具体为:
不妨假设第i个距离门单元上有x个目标,因此转换成以下带噪声的信号模型:
bi=Ais+n=zi+n (2);
其中,为由x个导向矢量张成的矩阵,和分别为第1列、第2列和第x列的导向矢量,j为单位虚数,θx为目标所在角度,上标T为转置算子,为复数集合,zi=Ais为阵元上的无噪接收信号,s为发射信号,n为阵元接收到的噪声,服从均值为0,协方差矩阵为σ2E,即:
n~N(0,σ2E) (3);
其中,σ2为高斯白噪声的功率,E表示单位矩阵。
进一步的,步骤S6具体为:
基于时分mmwave-MIMO雷达的超分辨DOA估计函数表达式为:
其中,T(μ)、y、t分别为凸优化转换生成的中间矩阵、向量和变量,分别对应为T(μ)、y、t的估计,||bi-zi||2为残差向量bi-zi的l2范数,ε为正则化参数,上标H为共轭转置算子,约束条件表明矩阵满足半正定,理论上T(μ)是稀疏的并且rank(T(μ))=x;T(μ)表示由向量决定的Hermitian Toeplitz矩阵,其中μ1为μ中第1个元素,μMN为μ中第MN个元素,为复数集合,T(μ) 具体表现形式如下:
最后通过CVX凸优化工具包来求解原子范数最小化问题。
进一步的,步骤S7具体为:
其中,目标角度参数为真实角度θ的估计,Ppower反映了导向矢量与噪声子空间的正交性,a(θ)=[1,e-j3πsinθ,...,e-j3π(MN-1)sinθ]T,a(θ)H为a(θ)的共轭转置,为的共轭转置,由于已知该距离门上有x个目标,因此最终会得到x个不同的角度,不妨定义为为第一个目标的角度,第x个目标的角度。
有益效果:与现有技术相比,本发明通过引入原子范数最小化问题,实现了目标超分辨DOA估计。以3发4收60GHz毫米波雷达为例,在微波暗室环境下,传统DBF 的角度分辨率无法突破2.86°,而本发明所提方法仍可以对角度范围差小于2.86°的两个角反射器进行目标分辨。本方法通过利用接收数据的先验稀疏性,可以实现高精度DOA 估计。本发明方法用以在保证高精度估计性能的同时,提升相干信号下角度分辨率。实测结果表明本发明所提方法确实在在一定程度上提高了角度分辨率,达到了超分辨DOA 估计的效果。
附图说明
图1是本发明法方法流程图;
图2是本发明的3发4收mmwave-MIMO雷达收发天线及其等效虚拟天线示意图;
图3是本发明的两个角反射器实际放置场景,其中,(a)为角反射器和 mmwave-MIMO雷达系统探测场景,(b)为DBF角度分辨率场景;
图4是本发明针对图3所得实测数据DBF效果图,其中(a)为距离-方位二维图;(b)为谱峰搜索图;
图5是本发明针对图3所得实测数据ANM的二维图,其中(a)为距离-方位二维图,(b)为谱峰搜索图;
图6是针对单个角反射器实测数据所得的三维效果图,其中(a)为基于DBF的距离-方位-正交性三维效果图;(b)为基于ANM的距离-方位-正交性三维效果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1所示,本发明的一种基于原子范数最小化(ANM)的mmwave-MIMO雷达DOA 估计方法,包括以下步骤:
S1、假设已知mmwave-MIMO雷达发射天线个数为M,接收天线个数为N,信源个数为J,其中J<M×N。MIMO发射天线和接收天线别采用等间距6λ和1.5λ布局,λ为60GHz毫米波的波长。本发明对发射天线端采用时分方式发射正交波形,依次从第1 根发射天线开始到第M根发射天线结束,每间隔Tc秒(一个脉冲周期)发射线性调频信号。采用每次仅开启一个天线的目的是保证发射波形在时域正交。在一个脉冲周期内,发射p个子脉冲进行脉冲积累。同时,N个接收天线会依次接收M根发射天线发出的电磁波信号,最终获取到M×N个虚拟天线的回波信号。以M=3,N=4为例,图2为 mmwave-MIMO雷达收发天线及其等效虚拟天线示意图。若对子脉冲做距离门上的q次离散采样,最终得到p×q×(M×N)的三维数据包D。
S2、对三维数据包D先取出距离门数据d=D(p,:,M×N),对d做q点的傅里叶变换(FFT),找出相对应的I个峰值点,即为目标所在距离门单元[q1,q2,…,qI],I≤J。不妨令循环变量i=1,…,J,qi为第i个目标所在距离门单元。若每个目标均对应不同的距离门单元,则I=J;反之,I<J。随后开始循环,初始化i=1。
S3、判断循环变量i是否小于等于I,若是,则执行步骤S4;否则,则退出循环,执行步骤S9;
S4、从三维数据包D中取出目标所在距离门单元下的二维数组Bi,其中 Bi=D(1:p,qi,1:M×N)。为了提高系统的抗噪性,将二维数组Bi按子脉冲进行脉冲累积得到单测量矢量bi:
并且将数据的从二维转换成一维,降低了计算复杂度,便于硬件系统实时迅速处理信号,快速实现自动化目标定位。
S5、根据阵列信号处理相关理论知识,将单测量矢量bi等价于阵元数为M×N的均匀线阵下的DOA估计。不妨假设第i个距离门单元上有x个目标,因此转换成以下带噪声的信号模型:
bi=Ais+n=zi+n (2);
其中,为由x个导向矢量张成的矩阵,和分别为第1列、第2列和第x列的导向矢量,j为单位虚数,θx为目标所在角度,上标T为转置算子,为复数集合,zi=Ais为阵元上的无噪接收信号,s为发射信号,n为阵元接收到的噪声,服从均值为0,协方差矩阵为σ2E,即:
n~N(0,σ2E) (3);
其中,σ2为高斯白噪声的功率,E表示单位矩阵。
S6、借助文献(B.N.Bhaskar,G.Tang,B.Recht.Atomic norm denoising withapplications to line spectral estimation.IEEE Trans.Signal Process.,2013,61(23):5987-5999) 中所提的原子范数理论,首先给出基于时分mmwave-MIMO雷达的超分辨DOA估计函数表达式:
其中,T(μ)、y、t分别为凸优化转换生成的中间矩阵、向量和变量,分别对应为T(μ)、y、t的估计,||bi-zi||2为残差向量bi-zi的l2范数,ε为正则化参数,上标H为共轭转置算子,约束条件表明矩阵满足半正定,理论上T(μ)是稀疏的并且rank(T(μ))=x;T(μ)表示由向量决定的Hermitian Toeplitz矩阵,其中μ1为μ中第1个元素,μMN为μ中第MN个元素,为复数集合, T(μ)具体表现形式如下:
本实施例通过CVX凸优化工具包(M.Grant and S.Boyd,“CVX:Matlab softwarefor disciplined convex programming,version 2.0beta,”Available online athttp://cvxr.com/cvx, Sep.2013.)来求解原子范数最小化问题。
其中,目标角度参数为真实角度θ(目标所在真实方位)的估计,Ppower反映了导向矢量与噪声子空间的正交性,a(θ)=[1,e-j3πsinθ,...,e-j3π(MN-1)sinθ]T,a(θ)H为a(θ)的共轭转置,为的共轭转置,一般的,从-90°到90°的方位范围内平均选取900个方位网格,即每隔0.2°进行谱峰搜索。由于已知该距离门上有x个目标,因此最终会得到x个不同的角度,为了方便书写,不妨定义为 为第一个目标的角度,第x个目标的角度。图5(b)绘出了在目标所在距离门单元上的谱峰搜索图,可以明显看出该距离门上有两个亮点,即表示目标所在距离和角度信息。
S8、令i=i+1,返回执行步骤S3。
S9、结束循环,此时已经遍历目标所在距离门,整合得出Θ=[Θ1,...,ΘI]及其每个距离门下的Ppower,绘出如图5(a)所示的基于ANM的实测数据二维图,横坐标表示角度网格数,纵坐标表示距离门单元,像素大小(0-1之间)表示导向矢量与噪声子空间的正交性。
本发明提出的一种基于原子范数最小化的mmwave-MIMO雷达超分辨DOA估计方法,针对图3所示的实际场景,本发明验证了所提方法的有效性,同时图4和图5分别画出了基于DBF和ANM的二维图和谱峰搜索图,其中图4中(a)和图5中(a)均为距离- 方位二维图,横坐标为方位网格,纵坐标为距离门单元,所在点的亮度表示是否存在目标,若亮度为0即黑色表示此处无目标,反之亦然;图4中(b)和图5中(b)均为谱峰搜索图,横坐标表示方位网格,纵坐标为正交性,曲线的峰值表示目标所在方位;对比基于DBF的二维图无法分辨距离较近(角度差小于2.86°)的两个角反射器,而本发明所提出的ANM可以分辨两个相距近的目标,实现了超分辨目标定位。图6绘出了针对单个角反射器的DOA估计对比图,其中图6中(a)为基于DBF的距离-方位-正交性三维效果图,x轴为方位网格,y轴为距离门单元,z轴为正交性,三维图的峰值所在点表示目标所在距离和方位信息;图6中(b)为基于ANM的距离-方位-正交性三维效果图,定义参照基于DBF的距离-方位-正交性三维效果图;虽然本发明所提方法和DBF所估计的目标角度一致,但是本发明利用了先验稀疏性,所以主瓣更窄,几乎没有副瓣,而DBF 主瓣很宽,受到了地杂波的干扰出现了多个副瓣。
Claims (6)
1.一种基于原子范数最小化的mmwave-MIMO雷达DOA估计方法,其特征在于,包括以下步骤:
S1、假设已知mmwave-MIMO雷达发射天线个数为M,接收天线个数为N,信源个数为J,其中J<M×N;对发射天线端采用时分方式发射正交波形,依次从第1根发射天线开始到第M根发射天线结束,每间隔Tc秒发射线性调频信号,Tc为一个脉冲周期,在一个脉冲周期内,发射p个子脉冲进行脉冲积累;并且对子脉冲做距离门上的q次离散采样,最终得到p×q×(M×N)的三维数据包D;
S2:对三维数据包D先取出距离门数据d=D(p,:,M×N),对d做q点的傅里叶变换,找出相对应的I个峰值点,即为目标所在距离门单元[q1,q2,…,qI],I≤J;不妨令循环变量i=1,…,J,qi为第i个目标所在距离门单元;若每个目标均对应不同的距离门单元,则I=J;反之,I<J;随后开始循环,初始化i=1;
S3、判断循环变量i是否小于等于I,若是,则执行步骤S4;否则,则退出循环,执行步骤S9;
S4、从三维数据包D中取出目标所在距离门单元下的二维数组Bi,其中Bi=D(1:p,qi,1:M×N),将二维数组Bi按子脉冲进行脉冲累积得到单测量矢量bi;
S5、将单测量矢量bi等价于阵元数为M×N的均匀线阵下的DOA估计;
S6、根据原子范数理论,首先给出基于时分mmwave-MIMO雷达的超分辨DOA估计函数表达式,其次根据半正定规划理论将函数表达式转换成凸函数形式,最后通过CVX凸优化工具包来求解原子范数最小化问题;
S8、令i=i+1,返回执行步骤S3;
S9、结束循环,此时已经遍历目标所在距离门,整合得出Θ=[Θ1,...,ΘI]及其每个距离门下的Ppower。
2.根据权利要求1所述的基于原子范数最小化的mmwave-MIMO雷达DOA估计方法,其特征在于,步骤S1中mmwave-MIMO雷达发射天线和接收天线别采用等间距6λ和1.5λ布局,λ为60GHz毫米波的波长。
5.根据权利要求1所述的基于原子范数最小化的mmwave-MIMO雷达DOA估计方法,其特征在于,步骤S6具体为:
基于时分mmwave-MIMO雷达的超分辨DOA估计函数表达式为:
其中,T(μ)、y、t分别为凸优化转换生成的中间矩阵、向量和变量,分别对应为T(μ)、y、t的估计,||bi-zi||2为残差向量bi-zi的l2范数,ε为正则化参数,上标H为共轭转置算子,约束条件表明矩阵满足半正定,理论上T(μ)是稀疏的并且rank(T(μ))=x;T(μ)表示由向量决定的Hermitian Toeplitz矩阵,其中μ1为μ中第1个元素,μMN为μ中第MN个元素,为复数集合,T(μ)具体表现形式如下:
最后通过CVX凸优化工具包来求解原子范数最小化问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110549409.9A CN113376605B (zh) | 2021-05-20 | 2021-05-20 | 一种基于原子范数最小化的mmwave-MIMO雷达超分辨DOA估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110549409.9A CN113376605B (zh) | 2021-05-20 | 2021-05-20 | 一种基于原子范数最小化的mmwave-MIMO雷达超分辨DOA估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113376605A true CN113376605A (zh) | 2021-09-10 |
CN113376605B CN113376605B (zh) | 2022-07-26 |
Family
ID=77571338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110549409.9A Active CN113376605B (zh) | 2021-05-20 | 2021-05-20 | 一种基于原子范数最小化的mmwave-MIMO雷达超分辨DOA估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113376605B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107817465A (zh) * | 2017-10-12 | 2018-03-20 | 中国人民解放军陆军工程大学 | 超高斯噪声背景下的基于无网格压缩感知的doa估计方法 |
CN109917328A (zh) * | 2019-04-15 | 2019-06-21 | 南京邮电大学 | 一种基于原子范数最小化的l型阵列波达方向估计方法 |
CN110213185A (zh) * | 2019-06-04 | 2019-09-06 | 北京交通大学 | 一种基于原子范数最小化的三维信道参数估计方法 |
CN110413939A (zh) * | 2019-06-18 | 2019-11-05 | 东南大学 | 一种基于原子范数的到达角估计方法 |
-
2021
- 2021-05-20 CN CN202110549409.9A patent/CN113376605B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107817465A (zh) * | 2017-10-12 | 2018-03-20 | 中国人民解放军陆军工程大学 | 超高斯噪声背景下的基于无网格压缩感知的doa估计方法 |
CN109917328A (zh) * | 2019-04-15 | 2019-06-21 | 南京邮电大学 | 一种基于原子范数最小化的l型阵列波达方向估计方法 |
CN110213185A (zh) * | 2019-06-04 | 2019-09-06 | 北京交通大学 | 一种基于原子范数最小化的三维信道参数估计方法 |
CN110413939A (zh) * | 2019-06-18 | 2019-11-05 | 东南大学 | 一种基于原子范数的到达角估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113376605B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gamba | Radar signal processing for autonomous driving | |
Zhang et al. | Fast inverse-scattering reconstruction for airborne high-squint radar imagery based on Doppler centroid compensation | |
CN109581352B (zh) | 一种基于毫米波雷达的超分辨测角系统 | |
US7567201B2 (en) | Vehicle-installation direction detection apparatus enabling accurate detection of target body directions irrespective of vehicle speed | |
Yoon et al. | MVDR beamforming for through-the-wall radar imaging | |
Choi et al. | High angular resolution estimation methods for vehicle FMCW radar | |
Hu et al. | Adaptive waveform optimization for MIMO radar imaging based on sparse recovery | |
Kim et al. | Extrapolation-RELAX estimator based on spectrum partitioning for DOA estimation of FMCW radar | |
Hiemstra | Robust implementations of the multistage Wiener filter | |
Xi et al. | Joint range and angle estimation for wideband forward-looking imaging radar | |
CN114895261A (zh) | 基于多频子脉冲编码阵列的杂波抑制方法 | |
Benitz | High-definition vector imaging for synthetic aperture radar | |
Li et al. | Enhanced beamspace MUSIC for cost‐effective FMCW automotive radar | |
CN113376605B (zh) | 一种基于原子范数最小化的mmwave-MIMO雷达超分辨DOA估计方法 | |
Hong et al. | Radar signal decomposition in steering vector space for multi-target classification | |
Lynch | Low latency digital beamforming radar using aperture coding | |
CN112666558B (zh) | 一种适用于汽车fmcw雷达的低复杂度music测向方法及装置 | |
Mahamuni | Space-Time Adaptive Processing (STAP) Techniques for Mitigation of Jammer Interference and Clutter Suppression in Airborne Radar Systems: A MATLAB Implementation-Based Study | |
Schurwanz et al. | Compressive sensing techniques applied to a semi-circular mmWave MIMO array | |
Xue et al. | An applied frequency scaling algorithm based on local stretch factor for near-field miniature millimeter-wave radar imaging | |
Meinl | Signal processing architectures for automotive high-resolution mimo radar systems | |
Li et al. | A coarray based MIMO array design method for UWB imaging | |
Kim et al. | Low‐Complexity‐Based RD‐MUSIC with Extrapolation for Joint TOA and DOA at Automotive FMCW Radar Systems | |
Ding et al. | Off-the-grid sparse imaging by one-dimensional sparse MIMO array | |
Yoon et al. | High resolution through-the-wall radar image based on beamspace eigenstructure subspace methods |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |