【阵列信号处理】CFAR（恒虚警率）学习

〇、 引言为什么固定阈值是雷达感知的灾难在毫米波雷达经过 1D 和 2D-FFT 处理后我们得到了一张布满高低能量峰值的“距离-速度”二维热力图。要向自动驾驶下游的卡尔曼滤波输出真实的“点云Point Cloud”我们需要做最后一步裁决判断哪些峰值是真实目标哪些是环境噪声。如果采用固定绝对阈值如能量大于 10 即为目标系统在安静的环境中工作良好。但当车辆驶入两旁满是金属护栏的隧道时强烈的多径反射会将环境底噪瞬间抬高。此时满屏的噪声都会越过固定阈值引发虚警爆炸False Alarm Explosion导致自动驾驶系统因算力过载而崩溃或触发危险的“幽灵刹车”。因此我们必须引入统计学领域的终极武器——CFARConstant False Alarm Rate恒虚警率检测。一、 CFAR 的核心哲学与 CA-CFAR 架构CFAR 的核心目标不是设定固定的能量门槛而是维持一个恒定的犯错误报概率如 $10^{-6}$。为了做到这一点阈值 $T$ 必须随着局部环境的真实底噪 $P_n$ 动态“水涨船高”$$T \alpha \cdot P_n$$其中 $\alpha$ 是由目标虚警概率反推的门限常数。滑动窗口Sliding Window机制工程上最经典的CA-CFARCell Averaging CFAR单元平均恒虚警采用滑动窗口实时估计局部噪声CUT待检测单元窗口正中心的格子即当前接受“审问”的嫌疑目标。Guard Cells保护单元紧挨 CUT 左右两侧的空置格子。Training Cells训练/参考单元在保护单元外围的格子用于计算环境噪声。工业界核心考点为什么必须有保护单元真实目标的能量在 FFT 频谱上不仅存在于主瓣还会向旁瓣能量泄露Energy Leakage。如果没有保护单元目标泄露的强大能量会被误算入训练单元中导致估计的局部噪声 $P_n$ 飙升从而极大地抬高了阈值 $T$最终导致目标自己被自己抬高的门槛给屏蔽掉即自我掩蔽 Self-Masking。二、 灾难多目标掩蔽效应Multi-Target MaskingCA-CFAR 极其优美但在极端的物理场景下会发生崩溃当强弱目标靠得极近时如大卡车旁边紧挨着一辆小轿车。当滑动窗口的 CUT 对准小轿车弱目标时大卡车强目标的巨大能量不可避免地落入了小轿车的训练单元中。因为 CA-CFAR 采用“求平均”的计算方式大卡车的能量瞬间拉高了平均底噪算出了一个极其离谱的极高阈值。结果就是小轿车真实的能量无法越过该阈值在雷达屏幕上彻底“隐身”了严重漏检。三、 CFAR 家族的进阶与 OS-CFAR 的降维打击为了修补平均算法的脆弱性雷达算法衍生出了多种变体SO-CFAR取小恒虚警分别计算左右两侧训练单元的均值取两者中较小的一个作为 $P_n$。可以有效挽救上述单侧强目标掩蔽的问题但在杂波边缘易触发虚警。GO-CFAR取大恒虚警取左右两侧均值的最大值。抗边缘杂波能力强但在多目标环境下性能更差。终极解法OS-CFAR有序统计恒虚警在现代车载高阶雷达感知中OS-CFAROrdered Statistic CFAR是抗干扰的核心标配。它的底层逻辑是彻底放弃对异常点极其敏感的“均值平均”计算转而使用排序Sorting。将滑动窗口内所有的训练单元能量值提取并从小到大排序。直接选取排序后的第 $k$ 个值例如在 32 个格子中取第 24 大的值作为环境噪声代表 $P_n$。物理优势哪怕窗口里混入了几辆大卡车极其恐怖的能量排序后它们也必定被挤到序列的最末尾如第 31、32 位。由于我们只取第 24 位的值强干扰能量根本连参与噪声计算的资格都没有这就完美实现了对多目标干扰的免疫。四、 算法工程落地的终极拷问OS-CFAR 虽好但在底层 C 部署时面临极大的算力挑战。雷达一帧数据有成千上万个距离-速度网格如果窗口每次滑动都调用std::sort($O(N \log N)$) 重新排序车载计算平台将瞬间瘫痪。工程破局点这本质上是一个滑动窗口求动态第 $k$ 大元素的经典算法问题。在工业界通常摒弃完全排序而是通过维护双优先级队列最大堆与最小堆、单调队列或在能量量化后使用直方图Histogram统计将窗口滑动的更新时间复杂度降维至 $O(1)$ 或极低常量。