行业发展 | 雷达信号处理领域面临的重大问题

雷达信号处理是一门高度工程化和理论化的学科，涵盖了许多技术和应用领域。它起源于100多年前(即 1904 年），当时Christian Hülsmeyer 霍亨索伦大桥在德国科隆莱茵河上展示了第一个实验雷达（Griffiths 等人，2019 年））。

后来，在 1920 年，古列尔莫·在他的实验中，马可尼还观察到了无线电检测到物体运动的现象。然而，雷达的发展机会直到第二次世界大战才出现。

稀疏感知或压缩感知 (CS) 结合非线性重建算法和伪随机线性测量，成功解决了雷达应用中的目标检测、估计和分类问题，解决了定义许多逆问题的欠定线性方程（Potter et al., 2010）。(例如:Ender，2010 年)，描述 CS 该技术应用于脉冲压缩、雷达成像和阵列天线的空域监测。

在过去的十年里，CS 稀疏信号重建方法已广泛应用于解决高分辨率目标达到方向等传统雷达问题 (DOA) 估计 ( Fortunati et al., 2014年)，以及雷达中的频谱感知等一些新问题 ( Aubry et al., 2019 )。最近，稀疏感知与机器学习相结合，解决数据丢失或有限的问题（Cheng 等人，2020 年；Wei? 等人，2020 年）。

稀疏正则化和约束的优化方法已应用于相控阵和多输入多输出 (MIMO) 雷达平台用于在给定数量的前端接收器下有效设计雷达孔径。不同目标和成本函数的稀疏阵列设计受益于凸优化和半固定二次规划 (SQP) 的最新进展 ( Xu et al., 2015）。粒子群算法或模拟退火算法等局优化方法已应用于具有灵活天线布局的阵列设计。另一种成功的设计方法是循环算法 (CA)，它通过迭代优化匹配设计和所需的波束图案 ( Roberts et al., 2011 )。

稀疏天线阵列相控阵列，多输入多输出 (MIMO) 雷达的高分辨率细化配置有很多优点（Roberts 等人，2011 年)，结构化稀疏阵列，如嵌套和互素阵列，寻求增加虚拟孔径和可用自由来处理比物理天线更多的源（Wang et al., 2018年，非结构化稀疏阵列设计可随时间变化，指导从感知环境中学到的知识（Elbir 和 Mishra，2020 年）。因此，对稀疏阵列设计的研究确实是促进雷达信号处理发展的一个更有前途的领域。

波形优化是雷达信号处理优化是雷达信号处理中的一个新课题，应用于雷达和遥感。在雷达中，不同领域的波形自适应，如空间、时间、频谱和极化，旨在动态提高雷达系统的性能（Aubry 等人，2013 年）。该能力通过新的计算架构、高速和现成处理器、任何数字波形发生器、固态发射器和具有多个发射和接收通道的现代相控阵实现。

波形优化改进了雷达检测、分类、识别、定位和跟踪 ( Gini et al., 2012 ; Cui et al., 2020）。目前正在研究新的优化方法和技术，以处理涉及实际约束的具有挑战性的雷达波形设计，例如恒模、频谱约束、波形相似性以及有限或离散相位字母表。

认知雷达是一个新兴而不断发展的研究领域，它给国防和民用雷达系统带来了巨大的好处（Haykin，2006 年）。虽然很多研究工作都集中在动态闭环感知上，但很少有人展示学习的组件（Guerci，2010；Farina 等人，2017 年；Charlish 等人，2018 年；Greco 等人，2018 年；Bruggenwirth 等人, 2019) 。

此外，该领域的许多方面还没有得到解决。雷达可以在线学习，感知更好的环境，并根据环境变化动态调整操作参数，这可能有潜在的好处，但人们通常只研究一个雷达系统。

然而，动态闭环感知系统可以在多个雷达节点以及不同的操作级别上进行分布，从信号到多个雷达的功能再到任务级别，都具有巨大的研究潜力。在选择未来动态感知数据时，认知雷达应利用位置、频率、编码、波束模式、重访时间等所有可用信号的自由度或多样性PRF 和极化（Geng 等人，2020 年；Yan 等人， 2020）。认知雷达结构图如下图所示：

认知雷达的这些动态感知行为应能够识别低可观测目标、无人机或无人机组、密集使用和有争议的频谱以及人类对抗性行为。与认知雷达未来发展最相关的使能技术是自适应波形设计、数值优化RF 片上系统 (RFSoC)、全数字雷达阵列、机器学习和深度学习。

有关认知雷达的更多介绍，有兴趣请参考相关文献，本文的讨论内容仅为一般性。

目前，机器学习（ML）由于许多国家的重大投资和国际科学界成员之间的大规模合作，特别是机器学习技术的使用，可以提高一些基于传统方法的信号处理技术的性能，克服其固有的局限性。随着机器学习技术在许多工程领域的成功应用，雷达也开始应用机器学习技术来解决经典雷达问题，并从新的角度处理传统问题（Carotenuto 和 De Maio，2021）。

如前所述，ML 基于新认知雷达系统的使能技术之一 ML 信号处理算法已广泛发展，并已应用于雷达系统的各个领域。从一些传统的应用程序 ML 在使用中受益最多。特别是雷达成像和分类 ML 做出重大贡献的领域。而且在科学文献中，我们发现机器学习在解决与雷达信号处理相关的问题方面的许多应用，例如雷达发射机的识别和分类、雷达图像的处理和分类、雷达图像中的噪声抑制, 自动目标识别 (ATR), 目标检测, 抗干扰技术， 自适应波形设计[(朱等人，2017年 )和(朗等人，2020 年)] 对 ML 特别是雷达和遥感领域的最新技术水平的深度学习 (DL) 对应用进行详细全面的分析。

近年来，无线通信尤其是工业物联网的爆炸性增长 (IIoT) 中的应用。一方面，雷达技术正朝着功能不断增长的方向发展。现代雷达系统必须能够根据周围环境实时收集的具体信息动态改变波形传输和工作频段（Blunt 等人，2010 年）。由于对有限频谱资源的需求快速增长，对更好、更灵活使用频谱的需求也在增加（Aubry et al., 2015）。

另一方面，商业无线行业努力争取更多的频谱访问，关注和寻求使用传统分配给雷达系统的频带，导致所谓的频谱侵蚀问题（Griffiths et al. ，2015 2018年，布朗特和佩兰斯 年）。为了找到有效的资源共享和新的技术解决方案，人们最近意识到雷达和通信系统之间的带宽竞争可以通过联合优化设计来缓解频谱侵蚀的问题（Blunt et等人，2010 年；Aubry 等人，2015 年；Hassanien 等人，2016 年）。

雷达和通信一体化平台不仅仅是一个雷达或通信系统，而是一个多功能系统，其波形和运行同时支持多种活动和任务（Chiriyath 等人，2017 年；Wang 等人，2018 年），这种双功能雷达通信系统的话题引起了雷达和通信科学界理论研究人员和从业者的兴趣（Cohen et al., 2018 ; Zheng et al., 2019）。

联合双功能雷达通信系统的设计是一个崭新的研究课题，需要新的思路和技术解决方案（Rahman et al., 2020 ; Mazahir et al.）。正在进行的研究侧重于已建立和新兴的领域，例如用于通信系统资源分配的认知频谱感知、现代雷达系统的自适应波形设计以及 MIMO 雷达和通信系统设计等。开放问题和方法的示例可以在最近的两期特刊中找到，其中一期是IEEE Trans.，“专注于频谱共享的 AES （ Blunt 等人，2019 年）”和 Elsevier在另一本杂志Digtal Signal Processing 发表的“致力于拥挤频谱中通信和雷达系统的合作和联合设计（Amin 等人，2020 年）” .

雷达技术是高级驾驶辅助系统 (ADAS) 和高度自动驾驶 (HAD) 的使能技术之一。

近年来，我们见证了针对汽车雷达领域量身定制的新系统和新信号处理技术的飞跃（Waldschmidt et al., 2021），尽管当前的汽车雷达技术仍然几乎完全基于调频连续波 (FMCW) 雷达的原理，但预计现代汽车雷达将更加灵活，并允许自适应选择波形参数以及动态使用发射和接收通道，这种灵活性需要多功能雷达传感器，它可以执行从自适应巡航控制到自动泊车的各种功能。

此外，高级自动驾驶功能的实现需要雷达传感器与激光雷达和摄像头协同工作，所有这些都证明了工业界和学术界在汽车雷达系统领域不断增长的研究和开发。例如，恩格斯等人，2017；张等人，2020）。另外，与目标失明、雪、雨和近场检测相关的问题也仍然相关，需要进一步研究。汽车雷达面临的一大挑战涉及到了自适应滤波，以减轻各种雷达传感器（在同一车辆或不同车辆上）的干扰（Alland 等人，2019 年）。

鉴于在交通繁忙的情况下配备雷达传感器的车辆越来越多，这个问题在不久的将来将变得越来越重要，除了在拥挤的交通环境中多个雷达共存之外，与通信系统的频谱共享也是一个主要问题（Kumari et al., 2018）。其他的挑战和机遇都围绕着感知信号的现象学、系统架构、电路技术、汽车 SAR 成像、物体识别和先进的信号处理技术发展（Saponara 等人，2019 年）。

机器学习在用于汽车雷达检测和分类的信号处理算法中也有望发挥越来越大的作用（Khomchuk 等人，2016 年；Seyfioglu 等人，2018 年；Schumann 等人，2020 年；Waldschmidt 等人，2021 年））。汽车雷达社区处于承诺提供完全自动驾驶汽车的技术前沿，几个汽车雷达行业集团（通用汽车、赫兹韦尔、Zendar、丰田等）正在大力投资解决这些问题。

由于毫米波技术的成熟允许可靠的低成本雷达传感器，雷达传感器的民用或两用应用正在经历巨大的增长。从这些发展中受益最多的领域无疑是健康监测和生物医学领域。事实上，智能医疗保健系统正在从传统的专家和以医院为中心的风格快速转变为以患者为中心的分布式系统。

一些技术发展促进了智能医疗系统的快速发展，包括与雷达技术和机器学习技术相关的技术。这些技术与 5G 和物联网 (IoT) 一起，对于未来智能医疗服务的发展至关重要。雷达传感在生物医学中有大量的应用。例如，雷达成像技术正在成为一种有前途的替代技术，或者说至少是一种辅助技术，可以替代现有的用于检测乳腺癌和监测治疗反应的成像设备。宋等人，2019 年）。

尽管目前已经取得了许多优异的结果，但仍然存在一些突出的挑战，例如低信噪比、组织异质性和低分辨率。基于雷达的人体生命体征和活动远程监测也是一个应用领域，由于其在医院、养老院、康复中心和护理机构的患者健康监测方面的潜在应用，引起了极大的研究兴趣（Amin et al., 2016 ; Li 等人，2018b ; Seifert 等人，2019 ; Mercuri 等人，2021）。

然而，仍然存在许多与低信噪比、高俯仰角、障碍物、动态环境、非常相似活动的辨别、非焦点运动以及人类活动的大且随时间变化的性质有关的问题。.克服医疗保健和生物医学应用中的挑战需要进一步提高统计信号处理和机器学习技术的最新技术水平（Maitre 等人，2020 年）。

由于多普勒效应，移动点状目标会在窄带雷达回波中引入频移。然而，在现实世界中，任何目标都具有复杂的结构，人类的身体也不是完全刚性的，目标的任何结构组件都可能不会遵循理想的直线运动。因此，人体的运动包含一个称为微动的分量，其中包括振动、旋转和加速度的影响，就可以引入微动及其诱导的微多普勒效应来表征目标的运动（Chen and Ling, 2001）。

因此，雷达微多普勒特征的提取与分析成为一个活跃的研究领域，在许多应用中都可以观察到微动，例如固定翼飞机的旋转螺旋桨、直升机的旋转转子叶片、车辆中发动机产生的振动、轮船上的旋转天线、行走的人的摆动手臂和腿，鸟的拍打翅膀，以及人的心跳和呼吸（陈，2014）。

在过去的几年中，已经证明可以利用微多普勒特性来提取目标的特征，因此，它在许多领域都有应用，例如增强的目标检测、表征和跟踪。现代高分辨率雷达配备先进的信号处理算法，具有更好的微多普勒特征提取能力，可以更有效地解决非合作目标检测和分类等经典问题（Clemente et al. ，2015 年；Ritchie 等人，2016 年；Fioranelli 等人，2020 年）。

这也为新应用铺平了道路，例如人类活动监测 ( Amin, 2017 ; Shrestha et al., 2020)、城市和室内监控 ( Pastina et al., 2015 ; Seyfioglu et al., 2018 )、医疗保健 ( Li et al., 2018a ; Lang et al., 2019 ; Seifert et al., 2019 )、汽车应用 ( Khomchuk等人，2016 年；Duggal 等人，2020 年）和制造（Zeintl 等人，2019 年；Izzo 等人，2020 年）。

最近的一本书（Fioranelli 等人，2020) 涵盖了雷达微多普勒特征和移动目标非合作识别的最新发展，并确定了一些正在进行的研究领域，其中包括用于医疗保健的无源雷达方法、使用雷达辅助生活的多模式传感、小型无人机和鸟类特征提取，并提到了用于汽车应用的微多普勒特征提取和分析。

几乎每天都会发现和提出新的雷达技术和应用，然而，当前仍然存在需要解决的挑战和差距。在这篇文章中，我们概述了雷达信号处理中的一些重要问题，但是不一定把雷达领域所有的问题的例举出来了，例如，采用分布式信号处理方法来利用互连和空间多样化的多平台系统中的所有可用信息，无疑是一个越来越受关注的研究领域。

[1]Grand Challenges in Radar Signal Processing,Department of Information Engineering, University of Pisa, Pisa, Italy,Front. Signal Process., 05 March 2021 | https://doi.org/10.3389/frsip.2021.664232