每周学术论文，阅读习惯养成！这是《毫米波雷达 | 论文品读专栏》的第51篇文章，全文0.4W字，专栏合集已达49.8W字。每期的论文原文在文末给出查看方式，便于读者查找阅读。按照第 4节中介绍的程序校准系统后，进行了测量活动，结果如本节所示。使用时分复用 (TDM) 进行测量，波形特征如表 I 所示，其中 Fstart 表示起始频率，BW 是带宽，Nsamples 是样本数，PRI 是脉冲重复间隔。使用基于快速傅立叶变换 (FFT) 的标准汽车雷达技术处理数据。具体来说，应用了三种 FFT：距离 FFT、多普勒 FFT 和角度 FFT，以获得距离-多普勒图和 DoA 估计[34]。使用泡利分解（一种用于确定检测到的散射的物理性质的相干分解）来组合检索到的极化信息。目标是将散射向量分解为泡利矩阵集，得到泡利向量 k 如下[8]：![]()
对于单基地雷达，SHV 和 SVH 分量相等，从而将 Pauli 矢量简化为三个分量：a = SHH + SVV、b = SHH − SVV 和 c = SHV + SVH = 2SHV。Pauli 矢量的三个元素具有特定的物理含义。复数和 SHH + SVV 表示球体的镜面散射，或者更一般地，表示信号在被雷达接收之前经过奇数次反射的同极散射。SHH − SVV 项与二面角的散射机制有关，或者更一般地，表示信号经过两次或偶数次反射的同极散射。SHV +SVH 项也与二面角的散射机制有关，但在这种情况下，它是由交叉极化目标产生的 [7]。测量活动旨在展示通过极化测量来改进目标分类和多径检测。第一个结果是通过室内测量获得的。二面角反射器放置在微波暗室中，距离雷达约 9 m。与校准阶段不同，它相对于雷达旋转翻滚角 2 = 0°，以充当纯同极目标。通过此设置，获得了初始测量结果。随后，拆除了微波暗室地面上的吸波材料，并在暗室中心的地面上、雷达和目标之间放置了一面镜子，如图18所示，以引入多径的存在。然后进行新的测量。 ![]()
图 18. 暗室从地板上拆除，地板上有一面镜子，位于雷达和二面角反射器之间。图 19 显示了每个子阵列的检测和结果。具体而言，图19（a）对应于第一次测量（防止多路径的吸收器），而图19（b）示出了第二次测量的结果。从这些数字中，可以清楚地区分目标的同极性质。目标的检测在同极性分量中非常强，而在交叉极性分量中则不存在。然而，没有差异表明多径的存在或不存在。 ![]()
![]()
图 19. 不同极化组合下暗室中二面角观测的距离-角度图。 (a) 测量地面上带有吸收器的暗室，防止多径的存在。 (b) 测量地面上没有吸收器的暗室，从而实现多路径的存在。图 20 显示了通过对先前显示的数据应用泡利分解而获得的结果。图20（a）示出了第一次测量的结果，其中仅在SHH-SVV分量中检测到目标，表明辐射在被雷达接收之前经历了双重反射。考虑到二面体几何形状，该结果与理论非常吻合，并且表明仅存在直接信号。图20(b)显示了第二次测量的结果。在这种情况下，在 SHH - SVV 和 SHH + SVV 分量中均检测到目标，这表明部分接收到的辐射经历了第三次反射。除了直接信号之外，镜子的存在还引入了多路径，从而导致了这种类型的检测。![]()
![]()
图 20. 暗室中二面角观测的泡利分解元的距离-角度图。 (a) 测量地面上带有吸收器的暗室，防止多径的存在。 (b) 测量地面上没有吸收器的暗室，从而实现多路径的存在。
直接信号和多径的检测落在相同的距离分辨率单元中。这两种不同的情况只能通过利用极化法，特别是泡利分解来区分。特别是，它导致图20（a）中包含目标的距离-角度单元中的分量SHH+SVV和SHH−SVV之间存在30 dB的差异，而图20（b）中仅存在7 dB的差异 ）。在这两种情况下，在分量 2|SHV| 中均未检测到目标。因为无论如何它的特性都是纯粹的同极目标。然而，通过区分奇数和偶数反射，只能区分直接信号和一些多径。如果直接信号和多径都受到奇数或偶数次反射，情况仍然会很模糊，因此无法识别。所描述的多路径场景特别代表了护栏反射引起的幻影目标检测。实际上，对于典型的单极化汽车雷达系统，其特点是角度分辨率较低，真实目标和幻影目标的检测将在同一角度估计中合并。随着时间的推移，幻影目标和真实目标的组合将表现为在护栏上移动的目标。如果发生这种情况，主车辆可能会检测到前方的自由空间，并且自动紧急制动 (AEB) 等功能可能无法及时启动，从而可能导致车祸。然而，在全极化系统中，不仅可以看到和识别幻影目标和真实目标，而且通过利用泡利分解的不同分量，还可以无偏差地检测正确位置的目标以及侧面假想车道中的幻影目标。![]()
图 21. 安装在货运自行车上用于室外测量的雷达。位于雷达上方的摄像机用于拍摄观察到的场景，以便进行比较。
在室外场景中进行了进一步的测量，观察了两个不同的场景。为了将雷达带到户外，它被安装在一辆货运自行车上，如图 21 所示。经过标准处理后，三个泡利分解分量组合起来形成描述观察到的场景的红-绿-蓝 (RGB) 图 。特别是，表 II 描述了颜色如何与泡利成分相关联。![]()
在第一次室外测量中，将三面角反射器和旋转 45° 的二面角反射器放置在场地上进行观察。目标被放置在不同的距离和角度：右侧的二面体距离约 16 m，而左侧的三面体距离约 19 m。在这种情况下，二面角的旋转使其表现为纯交叉极目标。 ![]()
图 22. 来自雷达不同距离和角度的两个不同目标观测数据的泡利分解的三个分量的幅度，数据以笛卡尔坐标绘制。图 22 显示了与在笛卡尔坐标中绘制的三个泡利分解分量相对应的幅度。三面角反射器由描述共极散射的两个分量检测：SHH + SVV 和 SHH - SVV。以奇数次反射为特征的直接信号导致 SHH + SVV 分量中的较强特征，而多径由 SHH - SVV 中较弱的特征描述。仅通过与交叉极化散射相对应的分量 SHV + SVH 才能正确检测二面角反射器。 ![]()
图 23. (a) 照片和 (b) 极坐标 RGB 图，结合泡利分解（源自对场地上两个不同目标的观察）得出的数据而构建。照片显示了两个不同的目标：左侧放置在距离约 20 m 处的三面角反射器和放置在距离约 16 m 处的旋转二面体。图 23 显示了观察场景的图片 [参见 (a)] 以及通过组合三个泡利分解分量构建的 RGB 图 [参见 (b)]。在 RGB 图中，三面角反射器呈现紫色，显示源自直接信号和多径的两种散射现象的组合。二面体如预期般呈绿色，目标识别结果清晰。 DoA 估计中栅瓣的存在在整个 FoV 上的目标两侧分别表现为紫色和绿色回波，分别位于目标两侧。尽管如图 22 所示，栅瓣比目标功率低约 30 dB，但栅瓣在图 23 中仍然可见，因为栅瓣高于草反射的杂波信号电平。观察到的最后一个场景是一座桥梁，两侧都有金属栅栏，雷达前面放置了一个三面角反射器。由于存在复杂的多重反射和强多径，这通常被认为是复杂的场景。 ![]()
图 24. 泡利分解数据的三个分量的幅度，这些数据来自对侧面有金属栅栏的桥梁上的三面角反射器的观察。数据以笛卡尔坐标绘制。
图 24 显示了与在笛卡尔坐标中绘制的三个泡利分解分量相对应的幅度。两个同极性分量（SHH + SVV 和 SHH - SVV）的检测看起来相似，表明存在许多多径。三面角反射器在 SHH+SVV 分量中显得更强，从而识别出直接信号。 ![]()
图 25. (a) 照片和 (b) 结合泡利分解得出的数据构建的 RGB 图。观察到的场景包括桥上的三面角反射器，两侧都有金属栅栏。 RGB 图采用极坐标。图 25 以与上述相同的格式显示了场景照片以及使用泡利分解分量获得的 RGB 图。栅栏和目标都清晰可见并且位于绘图中。它们大多用紫色表示，表明同极检测中存在多路径。在这种情况下，存在泡利分解成分。栅栏和目标都清晰可见并且位于绘图中。它们大多用紫色表示，表明同极检测中存在多路径。在这种情况下，DoA 估计中栅瓣的存在被返回雷达的杂波所覆盖，图像显得清晰。本文研究了专为汽车雷达用途而设计的全极化雷达前端的实现，详细介绍了要求、设计、校准和应用。对不同天线辐射特性的研究表明，H 极化和 V 极化扇形喇叭天线是全极化汽车雷达的最佳选择。它们在方位角方向提供宽阔的 FoV，在仰角方向提供狭窄的 FoV，并在方位角方向的整个 FoV 中提供高交叉极化隔离，从而能够在汽车用例场景中使用极化测量。实现的12×16天线系统分为六发射和八接收H极化和六发射和八接收V极化，并通过测量各个天线的反射和隔离系数以及 整个系统的辐射方向图和交叉极化隔离。 该研究展示了 76-81 GHz 频段的稳健性，反射系数低于 -10 dB，隔离系数低于 -30 dB，不同频率下的辐射方向图相似，并且在整个方位角方向上交叉极化隔离高于 30 dB。所有测量结果均与模拟值相符。本文提出并应用了一种基于仅一个目标测量的极化校准技术。以二面角反射器为目标，通过模拟详细分析其优缺点。通过利用其作为翻滚角函数的特性，可以准确估计其相对于雷达的对准，从而可以通过仅测量一个散射矩阵来校准系统。通过显示检索到的校准矩阵的值、校准和未校准雷达数据之间的比较及其在真实雷达测量中的应用，验证了校准的有效性。 正如测量活动所证明的那样，极化数据的处理总体上可以提高对环境的理解程度。通过对极化数据进行泡利分解，将构成天线系统的四个子阵检索到的信息组合为|SHH + SVV|、|SHH - SVV|和2|SHV|。因此，可以区分来自偶数或奇数反射的辐射的检测。该处理用于检测和表征室内测量中直接信号的相同分辨率单元内的多径特定情况，以及改进室外测量中的目标分类。换句话说，极化测量提供的信息比单极化雷达系统具有更好的性能。通过使用先进的极化分解技术，可以更广泛地使用极化数据。这可以帮助解决道路状况分类等问题，最终提高街道安全。
