CN116027330A - 利用大型阵列天线进行高角度解析的目标物角度估测方法 - Google Patents

Abstract

本发明提供一种利用大型阵列天线进行高角度解析的目标物角度估测方法，其通过阵列天线接收输入讯号矩阵，输入讯号矩阵为至少一目标物的发射讯号或反射讯号，该方法包括：步骤S1：将输入讯号矩阵输入至第一运算模型，获得目标物数量及对应于目标物所在位置的粗估目标角度；步骤S2：将目标物数量及输入讯号矩阵输入至第二运算模型进行奇异值分解，并取得杂讯矩阵；步骤S3：通过步骤S1中所取得的粗估目标角度取得迭代角度范围；步骤S4：将迭代角度范围所对应的复数追踪矩阵及杂讯矩阵输入至第三运算模型并进行角度范围的迭代，借此得到精准目标角度。

Description

利用大型阵列天线进行高角度解析的目标物角度估测方法

技术领域

本发明有关一种估测方法，特别是指一种利用大型阵列天线进行高角度解析的目标物角度估测方法。

背景技术

天线模组在现今社会中应用广泛，例如在无线通讯、雷达检测领域中，都需要利用天线模组进行无线讯号的发射、接收，以进行讯号传递或者是位置检测。而在多天线讯号源环境中，讯号之间的相互干扰问题、如何进行最佳讯号路径的传递、如何选择最佳讯号来源等，都会是天线领域中所极力发展跟解决的议题。

举例来说，大众使用的手机通过天线与基地台的连接，进行网路讯号以及电信讯号的传递，因此，手机如何在多个远近距离不同以及传递路径不同的基地台中，选择讯号较佳的基地台进行连线，则以得到更佳的电信讯号及网路讯号，便为手机通讯领域中所亟欲解决的课题。在另一例子中，如汽车雷达检测系统，主要用于车辆周边物体的检测，借此进行障碍物的确认，而可以辅助驾驶避免发生碰撞危险，更进一步的，甚至可以主动的进行自动驾驶。而汽车的雷达系统的检测原理，在车辆行进时通过雷达天线检测车辆周围的物体与车辆之间的距离，传统的雷达解决方案是基于2到3个发射天线和3到4个接收天线，成像雷达利用数倍的多输入多输出天线阵列(MIMO)对周围环境进行高解析度测绘，提供了高精度图像品质，在任何外在环境条件下，没有多普勒的模糊感测问题，有助于实现长距离和宽视野决策，以避免车辆与物体或者车辆之间发生碰撞，防止交通事故的发生。

其中，上述举例手机与基地台的最佳讯号搜寻技术中，由于手机寻找基地台的讯号较无急迫性及危险性，因此手机雷达天线所使用的目标讯号检测方法，可使用运算时间较长的讯号检测方法来反复搜寻基地台的位置，以及判断基地台的讯号强度，以此接收到更良好的讯号。而且基地台的位置固定，所以基地台的位置也较好判断。

然而，汽车的雷达天线，是为了避免车辆在行进时，发生碰撞，所以车辆雷达系统需在短时间内精准的检测物体的数量以及位置，因此需要更精准、迅速的讯号运算方法来达到上述目的。

发明内容

本发明的主要目的，在于解决现有技术的目标讯号检测方法，无法精准的判断目标物位置，以及检测运算时间过长的问题。

为达上述目的，本发明提供一种利用大型阵列天线进行高角度解析的目标物角度估测方法，其通过一阵列天线接收一输入讯号矩阵，输入讯号矩阵为至少一目标物的发射讯号或反射讯号，利用大型多输入多输出阵列天线进行高角度解析的目标物角度估测方法包括下列步骤：步骤S1：将输入讯号矩阵输入至一第一运算模型，并输入复数与角度相关的追踪矩阵进行对比，当复数追踪矩阵满足第一运算模型的条件时，获得一目标物数量及一对应于目标物所在位置的粗估目标角度；步骤S2：将目标物数量及输入讯号矩阵输入至一第二运算模型进行奇异值分解，并取得一杂讯矩阵；步骤S3：通过步骤S1中所取得的粗估目标角度取得一迭代角度范围；步骤S4：将迭代角度范围所对应的复数追踪矩阵及杂讯矩阵输入至一第三运算模型并进行角度范围的迭代，借此得到一精准目标角度。

于本发明另一实施例中，于步骤S1中，还包括一步骤S1a，第一运算模型对比输入讯号矩阵与复数追踪矩阵有无相关性，若复数追踪矩阵的其中之一与输入讯号矩阵没有相关性，便重复步骤S1a，进行下一个复数追踪矩阵与输入讯号矩阵的相关性对比；若复数追踪矩阵的其中之一与输入讯号矩阵有相关性，进行一步骤S1b：根据有相关性的追踪矩阵及输入讯号矩阵，进行一残值的计算。

于本发明另一实施例中，于步骤S1b中，定义与输入讯号矩阵有相关性的追踪矩阵为一第一追踪矩阵，用第一追踪矩阵及输入讯号矩阵进行残值的计算。

于本发明另一实施例中，于步骤S1中，还包括一步骤S1c，将残值与一残留阈值进行对比，若残值呈一次性的大幅减少，并低于或等于残留阈值时，第一运算模型便取得目标物数量及粗估目标角度；若残值大于残留阈值时，进行一步骤S1d：进行残值的减少幅度对比。

于本发明另一实施例中，于步骤S1d中，若残值的减少幅度大于一显著阈值时，进行一步骤S1e：储存第一追踪矩阵，并将输入讯号矩阵转换为一与第一追踪矩阵无关的第二输入讯号矩阵，回到步骤S1a，进行第二输入讯号矩阵与其他复数追踪矩阵的相关性对比；若残值的减少幅度小于显著阈值时，直接回到步骤S1a，进行输入讯号矩阵与其他复数追踪矩阵的相关性对比。

于本发明另一实施例中，于步骤S1a中，复数追踪矩阵的角度范围从-90度至90度，并以一第一间隔角度为单位依序将对应的复数追踪矩阵与输入讯号矩阵进行相关性对比。

于本发明另一实施例中，第一间隔角度为复数追踪矩阵的角度范围的1/180至1/18之间。

于本发明另一实施例中，于步骤S1b中，第一运算模型通过最小平方法进行残值的运算。

于本发明另一实施例中，于步骤S2中，输入讯号矩阵先转换为一共异变数矩阵，再与目标物数量进行奇异值分解。

于本发明另一实施例中，于步骤S3中，取粗估目标角度相加及相减一容许角度为迭代角度范围。

于本发明另一实施例中，容许角度小于第一间隔角度。

于本发明另一实施例中，于步骤S4中，将迭代角度范围以一第二间隔角度为单位依序输入至第三运算模型，并与杂讯矩阵进行角度范围的迭代。

于本发明另一实施例中，第二间隔角度为迭代角度范围的1/100至1/10之间。

于本发明另一实施例中，第三运算模型通过正交运算方式，进行迭代角度范围与杂讯矩阵的迭代。

于本发明另一实施例中，于步骤S4中，经过第三运算模型迭代后可取得一角度与功率的曲线，而曲线上的最高峰值所对应的角度为精准目标角度。

于本发明另一实施例中，输入讯号矩阵由设置于车体的雷达阵列天线经过目标物的反射讯号而得。

借此，本发明通过第一运算模型、第二运算模型及第三运算模型的结合，以此便可更精准的得到目标物的数量以及角度的相关资讯，且可提高运算的速率，使本发明可运用于更多不同类别的设备上。

附图说明

图1是本发明实施例的利用大型阵列天线进行高角度解析的目标物角度估测方法的流程示意图；

图2是本发明实施例的步骤S1的细部流程示意图；

图3是本发明第一实施例的实施状态示意图，用于表示目标物只有一个的情况；

图4是本发明第二实施例的实施状态示意图，用于表示目标物有两个以上的情况；

图5是本发明第二实施例的曲线图，用于表示目标物分别在角度为-12度及角度为21度的位置；

图6是本发明其他实施例的曲线图，用于表示目标物分别在角度为-1度及角度为1度的位置。

附图标记说明

100:利用大型阵列天线进行高角度解析的目标物角度估测方法

S1～S4:步骤       S1a～S1e:步骤

1:车用雷达        2:物体

3a:第一物体       3b:第二物体

L：检测基准线。

具体实施方式

为便于说明本发明于上述发明内容一栏中所表示的中心思想，现以具体实施例表达。实施例中各种不同物件按适于列举说明的比例，而非按实际元件的比例予以绘制。

雷达阵列天线拥有多种用途，例如检测物体、观测天气、追踪物体等等。而运用于检测物体的雷达阵列天线也通过许多不同的演算法，例如正交匹配追踪(OrthogonalMatching Pursuit,OMP)、多讯号分类(MUltiple SIgnal Classification,MUSIC)、迭代稀疏渐近最小方差算法(SAMV)等等，以进行讯号的判断以及运算。

正交匹配追踪(Orthogonal Matching Pursuit,OMP)的物体检测方法，先进行输入讯号矩阵(雷达阵列天线所接收到的目标物的反射讯号)，以及与角度相关的导引向量(steering vector)之间的相关性对比，并根据输入讯号矩阵以及导引向量之间的相关性，通过回归分析中的残差分析(residue analysis)进行残值的计算，以此得到物体的数量以及物体所在的角度。正交匹配追踪(OMP)具有快速计算的能力，然而为了实现快速计算的能力，正交匹配追踪(OMP)的检测精度并不高，正交匹配追踪(OMP)并无法得到目标物的精准角度资讯，仅能知道目标物位于一个角度范围内。

多讯号分类(MUltiple SIgnal Classification,MUSIC)的物体检测方法，先将雷达阵列天线所接收到的目标物的反射讯号所转换的共变异数矩阵，再根据目标物的数量以及共变异数矩阵，进行奇异值分解(Singular Value Decomposition,SVD)以得到一个杂讯矩阵，最后将杂讯矩阵及一个与角度相关的导引向量，进行迭代，以得到目标物的角度资讯。多讯号分类(MUSIC)可得到高精度的角度资讯，但为了得到高精度的角度资讯，多讯号分类(MUSIC)所需处理的计算量非常庞大，导致多讯号分类(MUSIC)的计算速度非常慢，而且多讯号分类(MUSIC)需先知道目标物的数量才能进行运算，导致多讯号分类(MUSIC)所能运用的范围有限。

请参阅图1至图2所示，公开本发明实施例的利用大型阵列天线进行高角度解析的目标物角度估测方法100，也就是一种利用多输入多输出大型阵列天线进行高角度解析的目标物角度估测方法，其通过一阵列天线接收一输入讯号矩阵，所述输入讯号矩阵为至少一目标物的发射讯号或反射讯号，其中，于本发明的实施例，所述阵列天线为多输入多输出(Multi-input Multi-output,MIMO)阵列天线，其可利用发射端的多个天线各自独立发送讯号，并同时利用接收端的多个天线接收并恢复原资讯；所述输入讯号矩阵由设置于车体的雷达阵列天线接收所述目标物的反射讯号而得，借此作为车体的先进驾驶辅助统(Advanced Driver Assistance Systems,ADAS)，例如：前车防撞警示(Forward CollisionWarning,FCW)、盲点检测(Blind Spot Detection,BSD)等，但不以此为限，举凡需要进行目标物数量、位置及角度检测的部分都可以运用本发明的方法进行，另外地举例也可为手机与基地台的连线判断，手机因为连线讯号的关系，需要进行多个基地台的连线检测，以判断最佳基地台来进行连线，因此也适用于本发明的方法。本发明包括下列步骤：

步骤S1：将所述输入讯号矩阵输入至一第一运算模型(如Orthogonal MatchingPursuit,OMP)，并输入复数与角度相关的追踪矩阵进行对比，当所述复数追踪矩阵满足所述第一运算模型的条件时，便可获得一目标物数量及一对应于所述目标物所在位置的粗估目标角度。其中，所述复数追踪矩阵由与角度相关的导引向量(steering vector)所组成，导引向量可由式(1)表示。

其中，v(k)为导引向量。

于本发明实施例中，利用一步骤S1a、一步骤S1b、一步骤S1c、一步骤S1d及一步骤S1e判断所述复数追踪矩阵是否满足所述第一运算模型的条件，以下说明步骤S1a、步骤S1b、步骤S1c、步骤S1d及步骤S1e的内容：

步骤S1a：所述第一运算模型对比所述输入讯号矩阵与所述复数追踪矩阵有无相关性，若所述复数追踪矩阵的其中之一与所述输入讯号矩阵没有相关性，便重复步骤S1a，进行下一个所述复数追踪矩阵与所述输入讯号矩阵的相关性对比；若所述复数追踪矩阵的其中之一与所述输入讯号矩阵有相关性时，进行步骤S1b。

更进一步的，所述复数追踪矩阵的角度范围从-90度至90度，并以一第一间隔角度为单位，依序将对应的所述复数追踪矩阵与所述输入讯号矩阵进行相关性对比。其中，相关性的对比，对比所述复数追踪矩阵与所述输入讯号矩阵之间的角度相关性。所述第一间隔角度的值为所述复数追踪矩阵的角度范围的1/180至1/18(1度至10度)之间，使用者可根据需求，进行所述第一间隔角度的设定。

步骤S1b：定义与所述输入讯号矩阵有相关性的所述追踪矩阵，为一第一追踪矩阵，并以所述第一追踪矩阵及所述输入讯号矩阵进行一残值的计算。其中，于本实施例中，所述第一运算模型通过最小平方法进行所述残值的运算。

步骤S1c：将所述残值与一残留阈值进行对比，若所述残值呈一次性的大幅减少，且低于或等于所述残留阈值时(表示所述第一追踪矩阵满足所述第一运算模型的条件)，所述第一运算模型便可取得所述目标物数量及所述粗估目标角度；若所述残值大于所述残留阈值时，便进行步骤S1d。其中，若所述残值大于所述残留阈值，代表所述目标物数量可能为多个，或是所述第一追踪矩阵与所述输入讯号矩阵有相关性，但相关性低。

步骤S1d：进行所述残值的减少幅度对比。若所述残值的减少幅度大于一显著阈值时，代表所述第一追踪矩阵与所述输入讯号矩阵有高相关性，并继续进行步骤S1e；若所述残值的减少幅度小于所述显著阈值时，直接回到步骤S1a，继续进行所述输入讯号矩阵与其他所述复数追踪矩阵的相关性对比，直到所述残值低于或等于所述残留阈值，使所述第一运算模型可取得所述目标物数量及所述粗估目标角度。其中，所述残值的减少幅度小于所述显著阈值，代表所述第一追踪矩阵与所述输入讯号矩阵有相关性，但相关性低。

步骤S1e：储存所述第一追踪矩阵，并将所述输入讯号矩阵转换为一与所述第一追踪矩阵无关的第二输入讯号矩阵，并回到步骤S1a，进行所述第二输入讯号矩阵与其他所述复数追踪矩阵的相关性对比，直到所述残值低于或等于所述残留阈值，使所述第一运算模型可取得所述目标物数量及所述粗估目标角度。

步骤S2：将所述输入讯号矩阵转换为一共变异数矩阵，并将所述共变异数矩阵以及所述第一运算模型取得的所述目标物数量，输入至一第二运算模型进行奇异值分解，并取得一杂讯矩阵。其中，所述输入讯号矩阵通过式(2)转换为所述共变异数矩阵。

R＝E{yy^H}…(2)，其中，R为所述共变异数矩阵；y为所述输入讯号矩阵。

步骤S3：通过步骤S1中所取得的所述粗估目标角度取得一迭代角度范围，其中，取所述粗估目标角度相加及相减一容许角度为所述迭代角度范围，且所述容许角度小于所述第一间隔角度。

步骤S4：将所述迭代角度范围所对应的所述复数追踪矩阵，以及所述杂讯矩阵输入至一第三运算模型(如MUltiple SIgnal Classification,MUSIC)，并进行角度范围的迭代，借此得到一精准目标角度。其中，所述迭代角度范围以一第二间隔角度为单位，依序输入至所述第三运算模型，并与所述杂讯矩阵进行角度范围的迭代。

更进一步的，所述第二间隔角度为所述迭代角度范围的1/100至1/10之间；所述第三运算模型通过正交运算方式，进行所述迭代角度范围与所述杂讯矩阵的迭代，且经过所述第三运算模型迭代后，可取得一角度与功率的曲线，而所述曲线上具有明显峰值所对应的角度即为所述精准目标角度。

请配合图3及图4所示，有一车用雷达1，其具有一检测基准线L，检测基准线L与车用雷达1呈相互垂直，检测基准线L向上为负方向，检测基准线L向下为正方向。其中，如图3所示，为本发明的第一实施例，假设有一物体2，并以检测基准线L为基准，物体2所在的角度为-12度；如图4所示，为本发明的第二实施例，假设有一第一物体3a及一第二物体3b，并以检测基准线L为基准，第一物体3a所在的角度为-12度；第二物体3b所在的角度为21度。以下先说明本发明于第一实施例中，实际的检测步骤：

请配合图1至图3所示，于步骤S1中，将所述输入讯号矩阵输入至所述第一运算模型，并输入所述复数追踪矩阵进行对比，当所述复数追踪矩阵满足所述第一运算模型的条件时，便可获得所述目标物数量及所述粗估目标角度。其中，所述输入讯号矩阵由车用雷达1接收物体2的反射讯号而得；所述复数追踪矩阵由与角度相关的导引向量(steeringvector)所组成，且所述复数追踪矩阵的范围从-90度至90度；步骤S1通过步骤S1a至步骤S1e，判断所述复数追踪矩阵是否满足所述第一运算模型的条件。

于步骤S1a中，所述第一运算模型将所述复数追踪矩阵，以所述第一间隔角度为单位，依序从-90度至90度，与所述输入讯号矩阵进行相关性对比。若所述复数追踪矩阵的其中之一与所述输入讯号矩阵没有相关性，便重复步骤S1a。

以第一实施例为例，设定所述第一间隔角度为5度。举例来说，当所述第一运算模型进行角度为-40度的所述追踪矩阵，与所述输入讯号矩阵的相关性对比时，由于物体2所在的角度(-12度)，与所述追踪矩阵的角度(-40度)差距极大，所以所述第一运算模型便判定，角度为-40度的所述追踪矩阵与所述输入讯号矩阵没有相关性，因此所述第一运算模型便重复步骤S1a，依序进行下个角度的所述复数追踪矩阵与所述输入讯号矩阵的相关性对比。

相反的，若所述复数追踪矩阵的其中之一与所述输入讯号矩阵有相关性，进行步骤S1b。以第一实施例为例，当所述第一运算模型进行角度为-10度的所述追踪矩阵，与所述输入讯号矩阵的相关性对比时，由于物体2所在的角度(-12度)，与所述追踪矩阵的角度(-10度)差距极小，所以所述第一运算模型便判定，角度为-10度的所述追踪矩阵与所述输入讯号矩阵有相关性，继续进行步骤S1b。

于步骤S1b中，定义与所述输入讯号矩阵有相关性的所述追踪矩阵为所述第一追踪矩阵，而所述第一运算模型便根据所述第一追踪矩阵及所述输入讯号矩阵，通过最小平方法进行所述残值的运算。

以第一实施例为例，所述第一运算模型定义角度为-10度的所述追踪矩阵，为所述第一追踪矩阵，并进行所述残值的运算。其中，所述残值的初始值为100％。

于步骤S1c中，对所述残值及所述残留阈值进行对比，若所述残值呈一次性的大幅减少，且低于或等于所述残留阈值，即表示所述第一追踪矩阵满足所述第一运算模型的条件，所述第一运算模型便可取得所述目标物数量及所述粗估目标角度；若所述残值大于所述残留阈值时，便进行步骤S1d。

以第一实施例为例，设定所述残留阈值为10％，所述残值经计算过后为5％。由于物体2仅有1个，且所在的角度(-12度)与所述第一追踪矩阵的角度(-10度)差距极小，所以所述残值会呈一次性的大幅减少，且低于所述残留阈值(5％<10％)，因此所述第一运算模型便可取得所述粗估目标角度为-10度。并且，由于所述残值仅呈一次性的大幅减少，就低于所述残留阈值(5％<10％)，因此所述第一运算模型便可取得所述目标物数量为1个。

由于第一实施例已在步骤S1c取得所述目标物数量(1个)以及所述粗估目标角度(-10度)，即表示已达成步骤S1的目的(取得所述目标物数量以及所述粗估目标角度)，因此便不须再进行步骤S1d及步骤S1e，即可继续进行步骤S2。

于步骤S2中，将所述输入讯号矩阵转换为所述共变异数矩阵，并将所述共变异数矩阵及所述目标物数量，输入至所述第二运算模型进行奇异值分解(Singular ValueDecomposition,SVD)，以取得所述杂讯矩阵。以第一实施例为例，将所述共变异数矩阵及所述目标物数量(1个)，输入至所述第二运算模型进行奇异值分解，以取得所述杂讯矩阵。

于步骤S3中，取所述粗估目标角度相加及相减所述容许角度为所述迭代角度范围，且所述容许角度小于所述第一间隔角度。以第一实施例为例，将所述容许角度设定为3度，以此将所述粗估目标角度(-10度)相加及相减所述容许角度(3度)，并取得所述迭代角度范围为-7度至-13度。其中，所述容许角度(3度)小于所述第一间隔角度(5度)。

于步骤S4中，将对应所述迭代角度范围的所述复数追踪矩阵，以及所述杂讯矩阵输入至所述第三运算模型，使所述第三运算模型通过正交运算方式，进行所述复数追踪矩阵与所述杂讯矩阵的角度迭代，以得到所述精准目标角度。其中，所述迭代角度范围以所述第二间隔角度为单位，依序将对应的所述复数追踪矩阵，输入至所述第三运算模型。

以第一实施例为例，设定所述第二间隔角度为0.1度。对应所述迭代角度范围(-7度至-13度)的所述复数追踪矩阵，以所述第二间隔角度(0.1度)为单位，依序与所述杂讯矩阵输入至所述第三运算模型(如MUltiple SIgnal Classification,MUSIC)，使所述第三运算摸型通过正交运算方式，依序进行对应所述迭代角度范围(-7度至-13度)的所述复数追踪矩阵，与所述杂讯矩阵的角度迭代，以得到所述精准目标角度(-12度)。

其中，经过所述第三运算模型迭代后，可取得所述角度与功率的曲线，由于物体2的所在角度为-12度，因此所述曲线仅会在-12度的位置，有一个明显的最高峰值表示-12度为所述精准目标角度。

如上所述，如图3所示，于第一实施例中，车用雷达1可通过本发明的步骤S1至步骤S4，检测到有一个所在角度为-12度的物体2，且其余角度并无其他物体。

以下继续说明本发明于第二实施例中，实际的检测步骤：

请配合图1至图4所示，于步骤S1中，将所述输入讯号矩阵输入至所述第一运算模型，并输入所述复数追踪矩阵进行对比，当所述复数追踪矩阵满足所述第一运算模型的条件时，便可获得所述目标物数量及所述粗估目标角度。其中，所述输入讯号矩阵由车用雷达1，接收第一物体3a及第二物体3b的反射讯号而得；所述复数追踪矩阵由与角度相关的导引向量(steering vector)所组成，且所述复数追踪矩阵的范围从-90度至90度；步骤S1通过步骤S1a至步骤S1e，判断所述复数追踪矩阵是否满足所述第一运算模型的条件。

于步骤S1a中，所述第一运算模型将所述复数追踪矩阵，以所述第一间隔角度为单位，依序从-90度至90度，与所述输入讯号矩阵进行相关性对比。若所述复数追踪矩阵的其中之一与所述输入讯号矩阵没有相关性，便重复步骤S1a。

以第二实施例为例，设定所述第一间隔角度为5度。举例来说，当所述第一运算模型进行角度为-40度的所述追踪矩阵，与所述输入讯号矩阵的相关性对比时，由于第一物体3a所在的角度(-12度)以及第二物体3b所在的角度(21度)，与所述追踪矩阵的角度(-40度)差距极大，所以所述第一运算模型便判定，角度为-40度的所述追踪矩阵与所述输入讯号矩阵没有相关性，因此所述第一运算模型便重复步骤S1a，依序进行下个角度的所述复数追踪矩阵与所述输入讯号矩阵的相关性对比。

相反的，若所述复数追踪矩阵的其中之一与所述输入讯号矩阵有相关性，进行步骤S1b。以第二实施例为例，当所述第一运算模型进行角度为-15度的所述追踪矩阵，与所述输入讯号矩阵的相关性对比时，由于第一物体3a所在的角度(-12度)，与所述追踪矩阵的角度(-15度)的差距小，所以所述第一运算模型便判定，角度为-15度的所述追踪矩阵与所述输入讯号矩阵有相关性，继续进行步骤S1b。

于步骤S1b中，定义与所述输入讯号矩阵有相关性的所述追踪矩阵为所述第一追踪矩阵，而所述第一运算模型便根据所述第一追踪矩阵及所述输入讯号矩阵，通过最小平方法进行所述残值的运算。

以第二实施例为例，所述第一运算模型定义，角度为-15度的所述追踪矩阵为所述第一追踪矩阵，并进行所述残值的运算。其中，所述残值的初始值为100％。

于步骤S1c中，对所述残值及所述残留阈值进行对比，若所述残值呈一次性的大幅减少，且低于或等于所述残留阈值，即表示所述第一追踪矩阵满足所述第一运算模型的条件，所述第一运算模型便可取得所述目标物数量及所述粗估目标角度；若所述残值大于所述残留阈值，便进行步骤S1d。

以第二实施例为例，设定所述残留阈值为10％，所述残值经计算过后为90％。所述残值仍大于所述残留阈值(90％>10％)，因此须进行下一个步骤(步骤S1d)。

于步骤S1d中，进行所述残值的减少幅度对比。若所述残值的减少幅度小于所述显著阈值时，直接回到步骤S1a，继续进行所述输入讯号矩阵与其他所述复数追踪矩阵的相关性对比，直到所述残值低于所述残留阈值；若所述残值的减少幅度大于所述显著阈值时，进行步骤S1e。

以第二实施例为例，设定所述显著阈值为35％。所述残值经计算过后为90％，但是所述残值的减少幅度(减少10％)小于所述显著阈值(35％)，代表所述第一追踪矩阵(角度为-15度)与所述输入讯号矩阵有相关性，但并非高相关性，因此所述第一运算模型便会回到步骤S1a，进行下个所述追踪矩阵(角度为-10度)与所述输入讯号矩阵的相关性对比。

接续上述，所述第一运算模型便重复步骤S1a至步骤S1d。于步骤S1a中，由于第一物体3a所在的角度(-12度)与所述追踪矩阵的角度(-10度)的差距小，所以所述第一运算模型便判定，角度为-10度的所述追踪矩阵与所述输入讯号矩阵有相关性。于步骤S1b中，定义角度为-10度的所述追踪矩阵为所述第一追踪矩阵，并进行所述残值的运算。此时，所述残值的起始值为90％。于步骤S1c中，所述残值经计算过后为50％，所述残值仍大于所述残留阈值(50％>10％)，因此须进行步骤S1d。于步骤S1d中，所述残值的减少幅度(从90％减少至50％，减少了40％)大于所述显著阈值(35％)，因此继续进行步骤S1e。其中，所述残值的减少幅度(减少40％)大于所述显著阈值，代表所述第一追踪矩阵(角度为-10度)与所述输入讯号矩阵有高相关性。

于步骤S1e中，储存所述第一追踪矩阵，并将所述输入讯号矩阵转换为与所述第一追踪矩阵无关的所述第二输入讯号矩阵，并回到步骤S1a，进行所述第二输入讯号矩阵与其他所述复数追踪矩阵的相关性对比，直到所述残值低于或等于所述残留阈值，使所述第一运算模型可取得所述目标物数量及所述粗估目标角度。

以第二实施例为例，储存所述第一追踪矩阵(角度为-10度)，并将所述输入讯号矩阵转换为与所述第一追踪矩阵(角度为-10度)无关的所述第二输入讯号矩阵(与-10度无关)，并回到步骤S1a，进行下个所述追踪矩阵(角度为-5度)与所述第二输入讯号矩阵的相关性对比，直到所述残值低于或等于所述残留阈值(10％)。其中，储存所述第一追踪矩阵(角度为-10度)，代表所述粗估目标角度的其中的一个为-10度。

如上所述，于第二实施例中，所述第一运算模型通过步骤S1a至步骤S1e，最后可取得所述目标物数量为2个(第一物体3a及第二物体3b)，以及所述粗估目标角度为-10度及20度。

于步骤S2中，将所述输入讯号矩阵转换为所述共变异数矩阵，并将所述共变异数矩阵及所述目标物数量，输入至所述第二运算模型进行奇异值分解(Singular ValueDecomposition,SVD)，以取得所述杂讯矩阵。以第二实施例为例，将所述共变异数矩阵及所述目标物数量(2个)，输入至所述第二运算模型进行奇异值分解，以取得所述杂讯矩阵。

于步骤S3中，取所述粗估目标角度相加及相减所述容许角度为所述迭代角度范围，且所述容许角度小于所述第一间隔角度。以第二实施例为例，将所述容许角度设定为3度，以此将所述粗估目标角度(-10度及20度)相加及相减所述容许角度(3度)，并取得所述迭代角度范围为-7度至-13度以及17度至23度。其中，所述容许角度(3度)小于所述第一间隔角度(5度)。

于步骤S4中，将对应所述迭代角度范围的所述复数追踪矩阵，以及所述杂讯矩阵输入至所述第三运算模型，使所述第三运算模型通过正交运算方式，进行所述复数追踪矩阵与所述杂讯矩阵的角度迭代，以得到所述精准目标角度。其中，所述迭代角度范围以所述第二间隔角度为单位，依序将对应的所述复数追踪矩阵，输入至所述第三运算模型。

以第二实施例为例，设定所述第二间隔角度为0.1度。对应所述迭代角度范围(-7度至-13度以及17度至23度)的所述复数追踪矩阵，以所述第二间隔角度(0.1度)为单位，依序与所述杂讯矩阵输入至所述第三运算模型，使所述第三运算摸型通过正交运算方式，依序进行对应所述迭代角度范围(-7度至-13度以及17度至23度)的所述复数追踪矩阵，与所述杂讯矩阵的角度迭代，以得到所述精准目标角度(-12度及21度)。

其中，请参阅图5，经过所述第三运算模型迭代后，可取得所述角度与功率的曲线，由于第一物体3a的所在角度为-12度及第二物体3b的所在角度为21度，因此所述曲线仅会在-12度及21度的位置，有明显的最高峰值表示-12度及21度为所述精准目标角度。

如上所述，如图4所示，于第二实施例中，车用雷达1可通过本发明的步骤S1至步骤S4，检测到有一个所在的角度为-12度的第一物体3a以及所在的角度为21度的第二物体3b，且其余角度并无其他物体。

更进一步的，请参阅图6，于本发明其他实施例中，经过本发明的步骤S1至步骤S4的计算后，得到所述曲线在角度为-1度及1度的位置，有明显的最高峰值，代表角度为-1度及1度的位置各别有一个所述目标物。更详而言之，如图6所示，代表利用本发明的方法，即使所述目标物之间的角度非常相近(角度为-1度及1度)，所述曲线仍可以精准的在对应的角度位置(角度为-1度及1度)，呈现有明显的最高峰值，因此使用者可直接通过所述曲线，快速且明确的得知在角度为-1度及1度的位置各别有一个所述目标物。

借此，本发明具有以下优点：

1.本发明通过所述第一运算模型，先进行初步较大范围的运算，将大部分与所述输入讯号矩阵无关的角度进行排除，并以此得到所述目标物数量以及所述粗估目标角度，使得本发明的运算速度可进一步的提升。

2.本发明通过所述第二运算模组及所述第三运算模组的组合，将所述粗估目标角度进行更细部的分解，并经过角度迭代，得到所述精准目标角度。使得本发明可达到更精准的判断所述目标物的位置的目的。

3.本发明运用奇异值分解(SVD)所计算出来的所述杂讯矩阵，以及运用正交运算方式进行角度迭代，使所述第三运算模所取得的所述曲线，仅会在所述精准目标角度有明显的最高峰值，以此使使用者可更清楚的知道所述目标物的角度资讯。

虽然本发明是以一个最佳实施例作说明，本领域技术人员能在不脱离本发明精神与范畴下作各种不同形式的改变。以上所举实施例仅用以说明本发明而已，非用以限制本发明的范围。举凡不违本发明精神所从事的种种修改或改变，均属本发明申请专利范围。

Claims (16)

1.一种利用大型阵列天线进行高角度解析的目标物角度估测方法，其通过一阵列天线接收一输入讯号矩阵，该输入讯号矩阵为至少一目标物的发射讯号或反射讯号，其特征在于，该方法包括下列步骤：

步骤S1：将该输入讯号矩阵输入至一第一运算模型，并输入复数与角度相关的追踪矩阵进行对比，当该复数追踪矩阵满足该第一运算模型的条件时，获得一目标物数量及一对应于目标物所在位置的粗估目标角度；

步骤S2：将该目标物数量及该输入讯号矩阵输入至一第二运算模型进行奇异值分解，并取得一杂讯矩阵；

步骤S3：通过该步骤S1中所取得的该粗估目标角度取得一迭代角度范围；以及

步骤S4：将该迭代角度范围所对应的该复数追踪矩阵及该杂讯矩阵输入至一第三运算模型并进行角度范围的迭代，借此得到一精准目标角度。

2.根据权利要求1所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，于该步骤S1中，还包括一步骤S1a，该第一运算模型对比该输入讯号矩阵与该复数追踪矩阵有无相关性，若该复数追踪矩阵的其中之一与该输入讯号矩阵没有相关性，便重复该步骤S1a，进行下一个该复数追踪矩阵与该输入讯号矩阵的相关性对比；若该复数追踪矩阵的其中之一与该输入讯号矩阵有相关性，进行一步骤S1b：根据有相关性的该追踪矩阵及该输入讯号矩阵，进行一残值的计算。

3.根据权利要求2所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，于该步骤S1b中，定义与该输入讯号矩阵有相关性的该追踪矩阵为一第一追踪矩阵，用该第一追踪矩阵及该输入讯号矩阵进行该残值的计算。

4.根据权利要求3所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，于该步骤S1中，还包括一步骤S1c，将该残值与一残留阈值进行对比，若该残值呈一次性的大幅减少，并低于或等于该残留阈值时，该第一运算模型便取得该目标物数量及该粗估目标角度；若该残值大于该残留阈值时，进行一步骤S1d：进行该残值的减少幅度对比。

5.根据权利要求4所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，于该步骤S1d中，若该残值的减少幅度大于一显著阈值时，进行一步骤S1e：储存该第一追踪矩阵，并将该输入讯号矩阵转换为一与该第一追踪矩阵无关的第二输入讯号矩阵，回到该步骤S1a，进行该第二输入讯号矩阵与其他该复数追踪矩阵的相关性对比；若该残值的减少幅度小于该显著阈值时，直接回到该步骤S1a，进行该输入讯号矩阵与其他该复数追踪矩阵的相关性对比。

6.根据权利要求2所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，于该步骤S1a中，该复数追踪矩阵的角度范围从-90度至90度，并以一第一间隔角度为单位依序将对应的该复数追踪矩阵与该输入讯号矩阵进行相关性对比。

7.根据权利要求6所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，该第一间隔角度为该复数追踪矩阵的角度范围的1/180至1/18之间。

8.根据权利要求3所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，于该步骤S1b中，该第一运算模型通过最小平方法进行该残值的运算。

9.根据权利要求1所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，于该步骤S2中，该输入讯号矩阵先转换为一共变异数矩阵，再与该目标物数量进行奇异值分解。

10.根据权利要求6所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，于该步骤S3中，取该粗估目标角度相加及相减一容许角度为该迭代角度范围。

11.根据权利要求10所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，该容许角度小于该第一间隔角度。

12.根据权利要求10所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，于该步骤S4中，将该迭代角度范围以一第二间隔角度为单位依序输入至该第三运算模型，并与该杂讯矩阵进行角度范围的迭代。

13.根据权利要求12所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，该第二间隔角度为该迭代角度范围的1/100至1/10之间。

14.根据权利要求1所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，于该步骤S4中，该第三运算模型通过正交运算方式，进行该迭代角度范围与该杂讯矩阵的迭代。

15.根据权利要求1所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，于该步骤S4中，经过该第三运算模型迭代后可取得一角度与功率的曲线，而该曲线上的最高峰值所对应的角度为该精准目标角度。

16.根据权利要求1所述的利用大型阵列天线进行高角度解析的目标物角度估测方法，其特征在于，该输入讯号矩阵由设置于车体的雷达阵列天线经过目标物的反射讯号而得。

Images