基于遗传算法的车载毫米波雷达快速校准方法分析_刘金升.pdf

42 电子技术 第 52 卷 第 5 期（总第 558 期）2023 年 5 月Electronics 电子学0 引言 毫米波雷达具备全天时全天候和距离测量的特性，在汽车领域发挥着重要作用。车载毫米波雷达通常采用阵列天线的设计方案，在利用阵列天线进行DOA估计时，阵列模型误差会影响阵列信号估计性能1，甚至导致超分辨DOA估计算法失效2。阵列误差主要包括各阵元通道之间幅度相位不一致、阵元之间的互耦3,4、阵元位置误差等。为了校正阵列误差，毫米波雷达在出厂时需要进行标校。最常用的方法就是采用参数化有源校正的方法5。通过高精度旋转台旋转阵列天线得到多个方位的校正数据，然后对阵列流型直接进行插值、存储实现校准。这种方法通常需要进行多次测量才能保证插值后的校准数据具有较高的估计精度，严重影响雷达量产的效率。为了解决这一工程问题，本文提出了一种采用遗传算法选择测量点位的方法，该方法在保证通道校准精度的同时可以减少观测点位，从而大大缩减通道校准流程耗时。1 阵列模型及误差描述当车载毫米波雷达工作在MIMO模式时，根据相作者简介：刘金升，中国科学院空天信息创新研究院；研究方向：电子与通信技术。收稿日期：2022-08-14；修回日期：2023-05-12。摘要：阐述相位校准是MIMO雷达重要的部分。天线阵元初始相位、位置误差以及相互耦合会产生相位误差。目前最为精确的误差补偿方式是通过测量雷达各个角度回波峰值的相位，通过插值等方式生成虚拟天线阵的导向矢量，进而进行DOA估计或超分辨成像。但在雷达量产过程中，如果测量角度间隔过低，即采样次数过多，会导致产线生产效率降级，提高测量角度间隔则会导致角度估计误差增大，甚至导致超分辨算法失效，提出了一种利用遗传算法减少校准点位的校准方法，解决了校准流程耗时长的问题。关键词：天线校准，遗传算法，毫米波雷达，MIMO。中图分类号：TN958，TP18文章编号：1000-0755(2023)05-0042-04文献引用格式：刘金升，王俊伟，李鹏，高江梅.基于遗传算法的车载毫米波雷达快速校准方法分析J.电子技术,2023,52(05):42-45.基于遗传算法的车载毫米波雷达快速校准方法分析刘金升1,2,3，王俊伟2，李鹏2，高江梅2（1.中国科学院空天信息创新研究院，北京 100190；2.北京行易道科技有限公司,北京 100015；3.中国科学院大学电子电气与通信工程学院，北京 100049）Abstract This paper explains that phase calibration is an important part of MIMO radar.The initial phase of the antenna array elements,position errors,and mutual coupling can produce phase errors.The most accurate way to compensate for the error is to measure the phase of the peak echoes at each angle of the radar and generate the guidance vector of the virtual antenna array by interpolation,etc.,and then perform DOA estimation or super-resolution imaging.However,in the process of radar mass production,if the measurement angle interval is too low,i.e.,too many times of sampling,it will lead to degradation of the production line productivity,and increasing the measurement angle interval will lead to an increase of the angle estimation error or even the failure of the super-resolution algorithm.In order to solve these problems,it proposes a calibration method to reduce the calibration points by genetic algorithm and solve the problem of time-consuming calibration process.Index Terms antenna calibration,genetic algorithm,millimeter wave radar,MIMO.Analysis of Fast Calibration Method for Vehicle Millimeter Wave Radar Using Genetic AlgorithmLIU Jinsheng1,2,3,WANG Junwei2,LI Peng2,GAO Jiangmei2(1.Institute of Aerospace Information Innovation,Chinese Academy of Sciences,Beijing 100190,China.2.Beijing Xingyidao Technology Co.,Ltd.,Beijing 100015,China.3.School of Electronic,Electrical and Communication Engineering,University of Chinese Academy of Sciences,Beijing 100049,China.)电子技术 第 52 卷 第 5 期（总第 558 期）2023 年 5 月 43Electronics 电子学位等效原理，雷达收发天线阵在远场条件下可以等效成均匀线阵6。图1示意了该等效天线阵的几何关系，相邻阵元的间距为d，信源位置和阵列法线的夹角为。此外，载波的波长为。则天线阵列的导向矢量7可以表示为式（1）。（1）在实际的阵列系统中，各通道幅度相位的不一致性、阵元位置误差、阵元响应不理想、阵元间的电磁耦合和近场信号源入射等诸多因素都会产生不同程度的阵列模型误差，而且部分模型误差还与入射信号源的入射角和中心频率有关，此时阵列的输出模型可以表示为式（2）。（2）其中，=1,M表示信号源的入射方位角度，=1,N表示各个通道与1通道的初始相位差，D=d1,dN表示各阵元实际位置。对应m的导向矢量变为式（3）。（3）2 传统通道校准方法通道校准的目的是消除幅度和相位误差。常规的通道校准步骤如下。2.1 校准步骤（1）将待校准的雷达放置在高精度旋转转台的中心。（2）在转台正前方满足远场条件的R米处放置一个角反。（3）在雷达FOA（Field-of-View）范围内每隔1旋转一次转台，并采集回波数据（称为1一采）。（4）对回波数据的距离维进行FFT，并在R米处取各通道相位，如图2（a）。（5）通过相位解缠得到各通道不同角度的相位值，如图2（b）。（6）通过插值将角度间隔降为0.5，即式（4）所示。（4）最终得到的相位即为该天线阵列导向矢量中对应的相位()。2.2 角度误差在经过2.1节中各步骤后，会得到各个角度的导向矢量矩阵。如式（5）所示。（5）通过对测量的数据做DBF，可以得到目标的角度估计值。DBF原理如式（6）。（6）P()为空域匹配滤波输出，其最大值对应的角度即为DOA估计角度，记为DOA。估计误差为式（7）。（7）3 基于遗传算法的通道校准方法传统通道校准中1一采的方式虽然可以最大程度补偿天线位置、天线互耦等因素引起的相位误差，但测量过程耗时较长。另外由于不同雷达之间的相位一致性较差的原因，每个雷达都需要进行独立测量校准矩阵。图3为各个雷达相同收发通道相位一致性。一种解决方法就是提高测量间隔以减少测量点位，但这会导致最终估计误差增大。本节将介绍一种采用遗传算法减少测量点位的方法，并给出了适应度函数的表达公式。3.1 遗传算法原理遗传算法是一种自适应的全局优化算法，能够有效解决非线性、多目标的优化问题8。算法主要包括编码及初始化种群、选择、交叉和变异四个步骤，同时包括种群规模NP、交叉概率Pc和遗传进化的迭代次数G等参数。图4给出了遗传算法的具体流程。3.1.1 编码及初始化种群本文所提方法的目的是寻找天线校准过程中使得最终整体估计误差最小的几个角度。这些角度图1 阵列天线几何关系示意图（a）相位解缠前 （b）相位解缠且线性化后图2 实测天线相位图 44 电子技术 第 52 卷 第 5 期（总第 558 期）2023 年 5 月Electronics 电子学将会在1一采的数据中进行挑选，因此采用二进制编码。设置初始种群规模为NP，初始种群中第i个个体的染色体为Fi,对染色体进行基因编码Fifi1,fi2,fiN，使用到的采样角度所对应的位置f_in=1，未使用到的采样角度对应的位置fin=0，i=1,2,NP，N为基因数量，基因长度等于采样角度的个数。3.1.2 选择和交叉操作（1）选择。遗传操作的选择过程实质是按照某种方法有概率地选择一部分父代个体进入到子代中。赌轮盘法是较为常用的方法，是一种回放式的随机抽样方法，个体被选择从而可以进入下一代继续繁殖的概率等于其适应度函数值占种群适应度函数值的总和的比例。这种方法在一定程度上可以避免优化过程进入局部最优状态，但是选择过程的误差较大。在此采用锦标赛选择方法9，每次从种群中选出一定数量的个体，从中选择适应度函数值最高的个体进入子代种群之中。重复该操作即可得到新的种群。（2）交叉。将第k代中最优的“君主”与第k代中所有偶数位个体都进行交叉操作，交叉概率为Pc，得到第k代的子代，子代中的奇数位个体为第k代的“君主”个体。3.2 适应度函数适应度函数通常由要解决的问题来确定。本文中的适应度函数采用对测量误差进行加权求和的方式求得。加权值随角度增加而减小，在0时权值最大，这样可以保证低斜视角的精度。同时减少取点个数，会在适应度函数上增加一个选取点数的权重。如式（8）所示。（8）式中，i表示在角度i时的估计值，i表示在角度i时的观测值。a为线性加权的偏置，测试中取a=80。N为选点的个数，b为点数的权重。b的值越大，最终选取的点数越少。实验测得在b=50时，可以获得10或11个采样点。c和d为观测误差不满足技术指标时的惩罚权值，用于使结果优先满足技术指标。4 实验本文选用5个雷达的采集数据来验证所提方法的有效性。首先对其中一组数据利用遗传算法进行选点，然后利用其他组数据验证所选点位的有效性和准确性。在满足雷达设计技术指标的前提下，和均匀采样的结果进行对比。实验参数如表1。图5（a）为适应度函数收敛的过程，图5（b）为通过遗传算法最终选点的位置。通过遗传算法150图3 各个雷达相同收发通道相位一致性图4 遗传算法流程图表1 实验参数电子技术 第 52 卷 第 5 期（总第 558 期）2023 年 5 月 45Electronics 电子学次迭代，适应度值在迭代约70次时收敛，最终得到13个观测点。接着，将求得的观测点位用于其他4个雷达数据的校准。为了检验所求观测点位能否保证雷达完成校准，首先将测试组的雷达以1为间隔进行采样。图6是将本文方法利用雷达1数据得到的观测点位应用到其他4个雷达数据，并通过采样、校准数据计算和DOA估计得到的估计误差结果。和用相同采样点数以等间隔采样获得的角度估计误差对比可以发现，本文提出的方法在小角度范围内的估计误差明显小于等间隔采样方法的估计误差。在大角度估计时，采用本文方法进行校准的估计误差会尽量往大角度推