楊 晨 于貴龍

(西安電子工程研究所 西安 710100)

0 引言

近年來隨著經(jīng)濟與科技的快速發(fā)展,汽車雷達得到了廣泛應(yīng)用,汽車雷達可以幫助駕駛員應(yīng)對復(fù)雜的路況,提高汽車的安全性。但隨著雷達數(shù)量的增多,雷達之間的相互干擾成為了一個不可忽視的問題,相互干擾會導(dǎo)致雷達無法正常工作,進而影響行車安全。

針對汽車雷達相互干擾的問題,國內(nèi)外學(xué)者從不同方向提出了許多解決方案。文獻[1]提出了一種基于PELT-KCN算法和自回歸模型(Autoregressive model, AR)的干擾抑制方法,首先利用PELT-KCN算法檢測干擾的時間位置,經(jīng)過干擾識別后利用AR模型恢復(fù)受損信號。文獻[2]提出了一種在可調(diào)Q因子小波變換(TQWT)域中的干擾抑制技術(shù)。利用形態(tài)學(xué)分量分析和l1范數(shù)懲罰最小二乘法,推導(dǎo)了一種基于稀疏度的非線性信號分離模型,以減少干擾。文獻[3]提出了一種基于維納濾波的干擾抑制方法。首先統(tǒng)計回波信號的噪聲水平,然后利用短長度的滑動窗口對干擾信號進行維納濾波,自適應(yīng)動態(tài)地更新濾波器系數(shù),從而抑制干擾。

本文提出了一種基于長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)的干擾抑制方法,首先利用迭代閾值法檢測干擾信號的位置,將干擾部分置零,然后通過LSTM來恢復(fù)被干擾的信號,從而抑制干擾信號的影響,使雷達能準(zhǔn)確獲取目標(biāo)信息。

1 LFMCW雷達原理及干擾分析

線性調(diào)頻連續(xù)波(Linear Frequency-modulated Continuous Wave, LFMCW)雷達分為三角波LFMCW雷達和鋸齒波LFMCW雷達,汽車雷達多采用鋸齒波LFMCW雷達。雷達發(fā)射機產(chǎn)生LFMCW信號然后向外發(fā)射,發(fā)射信號在遇到目標(biāo)后被反射然后被雷達接收,對接收信號與發(fā)射信號進行混頻處理后得到差拍信號,差拍信號經(jīng)過低通濾波器后進行二維FFT處理可以獲取目標(biāo)的距離和速度信息。

假設(shè)雷達發(fā)射信號的表達式為

(1)

其中,A0為發(fā)射信號的幅值,fc為發(fā)射信號的載波頻率,μ=B/T為調(diào)頻斜率,B為調(diào)頻帶寬,T為調(diào)頻周期。

發(fā)射信號經(jīng)過目標(biāo)反射后被雷達接收,假設(shè)目標(biāo)與雷達的初始距離為R0,目標(biāo)徑向速度為v,目標(biāo)遠離雷達速度為正,則接收信號與發(fā)射信號之間的時延τ=2(R0+vt)/c,其中c為光速,接收信號可以表示為

(2)

其中,A1為接收信號的幅值,fd=2v/λ為多普勒頻率,接收信號與發(fā)射信號經(jīng)過混頻,再通過低通濾波器濾除高頻分量后得到的差拍信號表示為

(3)

LFMCW雷達之間的干擾可分為交叉干擾和平行干擾,當(dāng)干擾雷達使用與觀測雷達相同的調(diào)頻斜率和調(diào)頻方向時,會發(fā)生平行干擾,平行干擾導(dǎo)致雷達檢測到虛假目標(biāo)。當(dāng)干擾雷達與觀測雷達具有不同的調(diào)頻斜率時,會發(fā)生交叉干擾,從而在時域中產(chǎn)生脈沖狀干擾信號,導(dǎo)致頻域中的噪聲基底增加[4]。雷達之間的干擾多為交叉干擾,因此本文只考慮發(fā)生交叉干擾的情況。假設(shè)此時有一個干擾信號進入雷達接收機,干擾信號表示為

(4)

其中,AI為干擾信號的幅值;fcI和μI分別為干擾信號的載頻和調(diào)頻斜率;TI為干擾信號的調(diào)頻周期。干擾信號與目標(biāo)回波信號進行相同的處理后得到的差拍信號為

(5)

其中,AI1為接收到的干擾信號的幅值;fdI為多普勒頻率,τI為干擾信號的時延,最終的差拍信號為

y(t)=m(t)+mI(t)

(6)

2 干擾抑制方法

本文所提的方法首先利用閾值迭代法檢測干擾的位置,將干擾部分置零,然后利用LSTM恢復(fù)被干擾的部分,最后對恢復(fù)后的信號進行相應(yīng)的處理。

2.1 迭代閾值法檢測干擾信號

由于干擾雷達發(fā)出的信號不需要經(jīng)過目標(biāo)的反射就被雷達接收,因此干擾信號能量衰減較小,其幅度遠大于目標(biāo)回波信號的幅度,根據(jù)這一特點,可以在時域上利用閾值來檢測干擾信號的位置。固定閾值法只能檢測到幅度較大的干擾,所以采用迭代閾值法[5]。

首先確定初始閾值Rth,其表達式為

(7)

(8)

其中M是在上一步中置零的樣本點數(shù)量,隨著迭代次數(shù)的增加,閾值不斷減小,利用長度為2L+1的矩形窗口函數(shù)來抑制干擾,當(dāng)閾值的變化量小于設(shè)定值ΔRth時停止迭代過程,完整的檢測過程如圖1所示。

圖1 迭代閾值法檢測流程

經(jīng)過迭代閾值法處理之后,干擾部分基本被完全檢測到,圖2為迭代閾值法和固定閾值法的檢測效果對比,可以看出迭代閾值法的效果明顯好于固定閾值法。

圖2 迭代閾值法和固定閾值法對比圖

2.2 LSTM恢復(fù)被干擾信號

在上一小節(jié)中,干擾信號部分被置零,在抑制干擾信號的同時也丟失了一部分有用信號,因此我們采用LSTM來恢復(fù)被干擾的部分,從而減少有用信號的損失。

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)是一種用于處理時間序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò),LSTM是一種特殊的RNN,主要是為了解決RNN中存在的梯度消失和梯度爆炸問題。梯度消失是指歷史時間步的信息距離當(dāng)前時間步越長,反饋的梯度信號就會越弱;梯度爆炸是指網(wǎng)絡(luò)層之間的梯度重復(fù)相乘導(dǎo)致的指數(shù)級增長使模型無法有效學(xué)習(xí)。相比普通的RNN,LSTM適用于長序列的處理[6]。

LSTM的基本結(jié)構(gòu)如圖3所示。

圖3 LSTM結(jié)構(gòu)示意圖

LSTM的結(jié)構(gòu)可以分為三個門單元,門是一種選擇性通過信息的結(jié)構(gòu),由一個激活函數(shù)是sigmoid的神經(jīng)網(wǎng)絡(luò)層和一個乘法運算組成[7]。Sigmoid激活函數(shù)使得神經(jīng)網(wǎng)絡(luò)層的輸出是0到1之間的數(shù)字,值為0表示不通過任何信息,值為1表示通過所有信息。圖3中從左至右依次為遺忘門,輸入門和輸出門。

遺忘門的功能是確定數(shù)據(jù)中需要遺忘的信息,根據(jù)上一單元的輸出ht-1和本單元的輸入xt來確定ft為

ft=σ(Wf·[ht-1,xt]+bf)

(9)

it=σ(Wi·[ht-1,xt]+bi)

(10)

(11)

然后根據(jù)遺忘門和輸入門產(chǎn)生的結(jié)果來更新ct。

(12)

最后輸出門確定輸出的結(jié)果ot和ht為

ot=σ(Wo·[ht-1,xt]+bo)

(13)

ht=ot·tanh(Ct)

(14)

式(9)至式(14)中,Wf、Wi、Wc、Wo是相應(yīng)的權(quán)值矩陣,b是截距項。LSTM的原理可以概括為通過門控狀態(tài)來控制傳輸狀態(tài),記住需要長時間記憶的信息,忘記不重要的信息,對于需要長期記憶的任務(wù)效果較好,但同時它的運算復(fù)雜度也更高。

3 仿真驗證

本節(jié)利用Matlab對所提方法進行仿真驗證。設(shè)置兩個目標(biāo)車輛,與本車雷達的距離分別為50m和100m,其中一輛車安裝有干擾雷達,仿真場景如圖4所示。

本車雷達和干擾雷達均發(fā)射LFMCW信號,雷達參數(shù)如表1所示。

圖4 仿真場景示意圖

表1 雷達參數(shù)

圖5為沒有干擾時的差拍信號時域圖和頻域圖,從頻域波形中可以獲取目標(biāo)的距離。

圖5 無干擾的波形

圖6為存在干擾時的差拍信號時域圖和頻域圖,在時域圖中干擾信號幅度遠大于目標(biāo)回波信號幅度,在頻域圖中目標(biāo)峰值被干擾信號淹沒,不能讀取目標(biāo)的距離。

圖6 有干擾的波形

圖7為應(yīng)用本文所提方法抑制干擾后的差拍信號時域圖和頻域圖,在時域上干擾信號基本被消除,在頻域上目標(biāo)的峰值比較清楚。

將本文所提方法與迭代閾值法進行比較,結(jié)果如圖8所示,從圖8中可以看出,兩種方法都能檢測出目標(biāo)的距離,但應(yīng)用本文的方法后,目標(biāo)信噪比更高,檢測效果更好。

圖7 干擾抑制后的波形

圖8 干擾抑制效果對比

4 結(jié)束語

針對汽車LFMCW雷達之間的相互干擾問題,本文提出了一種解決方法,首先對接收信號利用迭代閾值法檢測出干擾信號的位置,將干擾部分置零,然后通過LSTM恢復(fù)出干擾位置處的目標(biāo)回波信號。經(jīng)過仿真驗證,所提方法可以有效地緩解LFMCW雷達的相互干擾。