第21章 信号处理算法实现：MATLAB/Python仿真框架搭建、核心算法代码解析
返回课程目录：FMCW激光雷达技术课程（公开版）
一、课程概述
本课程模块聚焦于FMCW（调频连续波）激光雷达信号处理算法的仿真实现。通过搭建MATLAB/Python仿真框架，深入解析从原始中频信号到目标距离、速度信息的完整处理链条。重点涵盖相干探测原理、抗干扰技术以及直接速度测量的算法核心。
【原文此处有示意图，图片内容见源资 料对应页面】
二、仿真框架总体架构
一个完整的FMCW激光雷达信号处理仿真框架包含以下核心模块，采用模块化设计便于理解与扩展。
软件架构图
【原文此处有示意图，图片内容见源资料对应页面】
| 模块名称 | 功能描述 | 关键输出 |
|---|---|---|
| 信号生成 | 生成线性调频连续波（LFM）发射信号，模拟本振信号。 | Tx信号， LO信号 |
| 信道模拟 | 模拟目标反射、延时、多普勒频移、加性噪声与干扰。 | Rx回波信号 |
| 信号处理 | 执行去噪、混频、滤波、FFT、CFAR检测、峰值配对等核心算法。 | 距离、速度、点云 |
| 可视化 | 绘制时频域信号、频谱图、距离-速度热图、检测结果。 | 图表与动画 |
三、核心算法代码解析（Python示例）
以下以Python为例，展示关键算法的实现片段。MATLAB版本思路类 似，语法不同。
1. FMCW信号生成
import numpy as np
def generate_fmcw_signal(T, B, fs, fc):
"""
生成FMCW发射信号（线性调频）
参数:
T: chirp持续时间 (秒)
B: 扫频带宽 (Hz)
fs: 采样率 (Hz)
fc: 载波中心频率 (Hz)
返回:
t: 时间向量
tx: 发射信号 (复数形式，便于处理相位)
"""
t = np.arange(0, T, 1/fs) # 时间轴
slope = B / T # 调频斜率
phase = 2 * np.pi * (fc * t + 0.5 * slope * t**2) # 瞬时相位
tx = np.exp(1j * phase) # 复数信号，exp(j*phase)
return t, tx
# 示例调用
T_chirp = 50e-6 # 50微秒
Bandwidth = 300e6 # 300 MHz
Fs = 500e6 # 500 MHz采样率
Fc = 77e9 # 77 GHz (毫米波典型频率)
t, tx_signal = generate_fmcw_signal(T_chirp, Bandwidth, Fs, Fc)
2. 相干混频与中频(IF)信号提取
def coherent_mixing(tx, rx, delay_samples, doppler_freq):
"""
模拟相干混频过程，生成中频信号。
参数:
tx: 发射信号
rx: 接收信号（模拟含延时与多普勒）
delay_samples: 目标延时对应的采样点数
doppler_freq: 多普勒频率 (Hz)
返回:
if_signal: 中频信号
"""
# 模拟回波信号：延时 + 多普勒频移
rx_delayed = np.roll(tx, delay_samples) # 简单延时模拟
# 施加多普勒频移 (相位变化)
t_vector = np.arange(len(tx)) / Fs
doppler_phase = 2 * np.pi * doppler_freq * t_vector
rx_with_doppler = rx_delayed * np.exp(1j * doppler_phase)
# 加入高斯白噪声
noise_power = 0.01 # 噪声功率
noise = np.sqrt(noise_power/2) * (np.random.randn(len(tx)) + 1j*np.random.randn(len(tx)))
rx_with_noise = rx_with_doppler + noise
# 相干混频：发射信号共轭与回波信号相乘
if_signal = tx.conj() * rx_with_noise
return if_signal
# 假设目标距离对应20 个采样点延时，速度产生5kHz多普勒
if_sig = coherent_mixing(tx_signal, tx_signal, delay_samples=20, doppler_freq=5e3)
3. 距离维FFT与CFAR检测
def range_fft_and_cfar(if_signal, fft_size, guard_cells, training_cells, threshold_factor):
"""
执行距离维FFT并应用CFAR（单元平均）检测。
"""
# 1. 加窗并做FFT
window = np.hamming(len(if_signal))
if_windowed = if_signal * window
range_fft = np.fft.fft(if_windowed, fft_size)
range_profile = np.abs(range_fft[:fft_size//2]) # 取单边谱
# 2. 一维CFAR检测
num_cells = len(range_profile)
cfar_threshold = np.zeros(num_cells)
for i in range(num_cells):
# 排除保护单元和当前检测单元
low_idx = max(0, i - guard_cells - training_cells)
high_idx = min(num_cells, i + guard_cells + training_cells)
training_set = np.concatenate([range_profile[low_idx:i-guard_cells],
range_profile[i+guard_cells+1:high_idx]])
if len(training_set) > 0:
noise_level = np.mean(training_set)
cfar_threshold[i] = noise_level * threshold_factor
else:
cfar_threshold[i] = 0
# 3. 检测峰值
detections = range_profile > cfar_threshold
peak_indices = np.where(detections)[0]
return range_profile, cfar_threshold, peak_indices
# 调用示例
range_profile, threshold, peaks = range_fft_and_cfar(
if_sig, fft_size=1024, guard_cells=2, training_cells=10, threshold_factor=3.5
)
四、关键参数与性能指标
仿真中需要关注的核心参数及其对系统性能的影响。
| 参数符号 | 物理意义 | 典型值/范围 | 影响 |
|---|---|---|---|
| B | 扫频带宽 | 100 MHz - 4 GHz | 距离分辨率 ΔR = c/(2B) |
| Tc | Chirp持续时间 | 10 µs - 100 µs | 最大不模糊距离，速度分辨率 |
| fs | ADC采样率 | > 2B | 最大可测距离 |
| λ | 激光波长 | 905 nm, 1550 nm | 多普勒灵敏度，大气衰减 |
| SNR | 信噪比 | 10 dB - 30 dB | 检测概率与虚警概率 |
【原文此处有示意图，图片内容见源资料对应页面】
五、仿真实验步骤建议
- 环境搭建：安装Python (NumPy, SciPy, Matplotlib) 或 MATLAB。
- 单目标仿真：生成单chirp，模拟单个静止/运动目标，验证距离/速度测量基本流程。
- 多目标仿真：引入多个具有不同距离和速度的目标，测试算法的分辨能力。
- 抗干扰测试：在回波中加入同频干扰信号或噪声，测试CFAR等算法的鲁棒性。
- 性能评估：定量分析测距误差、速度误差与信噪比(SNR)的关系。
- 可视化扩展：绘制距离-速度2D谱（通过慢时间维FFT），生成动态点云图。
通过以上步骤，学习者可以系统地掌握FMCW激光雷达信号处理从理论到仿真的全过程，为后续的硬件实现和算法优化打下坚实基础。