第13章 抗干扰技术（一）：同频干扰识别与抑制、编码调制（如三角波、锯齿波）
返回课程目录：FMCW激光雷达技术课程（公开版）
引言：为什么需要抗干扰？
随着激光雷达（LiDAR）在自动驾驶、机器人等领域的广泛应用，多台雷达同时工作时会产生同频干扰问题，导致测距误差、虚假目标甚至系统失效。本章节将深入探讨FMCW激光雷达中的抗干扰核心技术。
【原文此处有示意图，图片内容见源资料对应页面】
一、同频干扰识别与抑制
同频干扰是指两个或多个雷达发射相同或相近频率的调制信号，导致接收端无法区分自身回波与干扰信号。
1.1 干扰识别特征
-
时域特征：干扰信号通常在时间上随机出现，与自身信号周期不同步。
-
频域特征：在差频谱（IF Spectrum）上表现为突发的尖峰或宽带噪声。
-
空域特征：干扰信号往往来自非目标方向，可通过阵列天线或多光束识别。
**关键点：** FMCW雷达通过发射线性调频连续波，其干扰在差频域表现为频率偏移，可通过信号处理算法进行检测和滤除。
1.2 抑制技术
| 技术方法 | 原理 | 优点 | 缺点 |
|---|---|---|---|
| 频率偏移 | 为每台雷达分配不同的起始频率或调频斜率 | 实现简单，成本低 | 频谱资源有限，易冲突 |
| 时间交织 | 雷达分时发射，避免同时工作 | 完全避免同频干扰 | 降低帧率，需时间同步 |
| 编码调制 | 在调频波形上叠加唯一编码（如PN码） | 干扰抑制能力强，不降低帧率 | 信号处理复杂度高 |
| 自适应滤波 | 实时检测干扰并调整滤波器参数 | 动态适应环境 | 算法复杂，计算量大 |
二、编码调制：三角波与锯齿波
通过调制发射波形的形状和参数，可以赋予每个雷达独特的“指纹”，从而在接收端区分自身信号与干扰。
2.1 三角波调制
频率随时间先线性增加后线性减小，形成一个三角形。
【原文此处有示意图，图片内容见源资料对应页面】
- 优点：可同时测量距离和速度，无需额外处理周期。
- 缺点：需要 对称性，对线性度要求高。
- 抗干扰：通过改变上升/下降斜率比例作为编码。
2.2 锯齿波调制
频率随时间线性增加，达到最大值后瞬间复位，重复进行。
【原文此处有示意图，图片内容见源资料对应页面】
- 优点：信号处理简单，占空比高。
- 缺点：无法在同一周期内直接测速。
- 抗干扰：通过改变斜率、复位时间进行编码。
2.3 编码调制示例
以下是一个简单的三角波参数编码示例，通过改变上升/下降时间比例来生成唯一标识：
// 三角波参数编码结构
typedef struct {
float f0; // 起始频 率 (GHz)
float BW; // 带宽 (GHz)
float T_up; // 上升时间 (ms)
float T_down; // 下降时间 (ms)
int id_code; // 雷达标识码
} TriangleWaveConfig;
// 生成抗干扰三角波
void generateAntiJamTriangleWave(TriangleWaveConfig cfg, float* time, float* freq, int N) {
int N_up = (int)(N * cfg.T_up / (cfg.T_up + cfg.T_down));
for (int i = 0; i < N_up; i++) {
time[i] = i * (cfg.T_up / N_up);
freq[i] = cfg.f0 + (cfg.BW * time[i] / cfg.T_up);
}
for (int i = N_up; i < N; i++) {
time[i] = cfg.T_up + (i - N_up) * (cfg.T_down / (N - N_up));
freq[i] = cfg.f0 + cfg.BW - (cfg.BW * (time[i] - cfg.T_up) / cfg.T_down);
}
// 叠加唯一标识码（如相位微扰）
for (int i = 0; i < N; i++) {
freq[i] += 0.001 * cfg.id_code * sin(2 * M_PI * i / N);
}
}
三、系统架构与处理流程
一个完整的抗干扰FMCW激光雷达系统包含以下关键模块：
【原文此处有示意图，图片内容见源资料对应页面】
- 发射端：生成带有唯一编码的调制波形（三角波/锯齿波）。
- 接收端：相干接收混合信号（回波+干扰）。
- 干扰检测：通过时频分析识别干扰特征。
- 信号分离：利用编码匹配滤波提取自身信号。
- 抑制处理：滤除或剔除干扰成分。
- 目标解算：计算准确的距离和速度信息。
四、总结与展望
本章介绍了FMCW激光雷达抗干扰技术的两大核心：同频干扰识别抑制与编码调制。通过波形设计（三角波、锯齿波）与唯一编码的结合，可以有效区分自身信号与干扰，提升系统鲁棒性。
未来发展方向：
- 深度学习用于干扰识别与分类
- MIMO雷达与空域滤波结合
- 动态跳频与自适应波形选择
- 标准化雷达“通信协议”实现协同抗干扰