简介本资源是一套完整的MATLAB FMCW雷达系统仿真代码面向雷达信号处理初学者、通信与电子工程专业学生及嵌入式雷达算法工程师用于理解FMCW原理、实现距离-速度联合估计并开展参数优化实验。压缩包共13个文件10个.m脚本实现信号发射、传播建模、混频解调、Range-Doppler处理、MUSIC测角等核心环节2个.mat数据文件提供预置杂波与滤波器参数1个README.md说明运行逻辑与参数配置总大小7.41MB结构清晰、模块解耦便于逐层调试与功能扩展。已有641人学习下载代码覆盖从chirp信号生成、多路径回波模拟、FFT频谱分析到目标检测与参数估计全流程配套注释详实可直接运行main.m快速可视化距离-速度热图并支持修改扫频带宽、斜率、PRF等关键参数以适配不同探测场景是理论学习与工程实践结合的高实用性雷达仿真范例。 说到FMCW雷达仿真我最早也是从教科书公式开始在Matlab里把调频连续波的发射信号、回波信号写出来然后按套路做FFT。结果呢谱峰出现了但位置对不上二维谱也乱得没法看后来才意识到问题不在代码本身而在于对整个差频信号建模的理解不到位。这篇博文把FMCW雷达从参数计算、回波生成、距离维FFT、多普勒FFT、CFAR检测到常见坑整条链路完整拆开给出可以直接在Matlab里跑的仿真代码和调参思路。这套内容适合正在做毫米波雷达算法验证的工程师、做课程设计的学生或者想系统搞清楚FMCW信号处理流程的初学者。就算你没写过一行雷达代码把下面内容过一遍也能理解每个环节在干什么遇到问题时知道往哪个方向排查。1. FMCW雷达仿真到底在仿什么1.1 仿真目标不是“画出波形”而是验证信号处理链路很多人一提到雷达仿真第一反应是画一张漂亮的时频图看到锯齿波就觉得自己懂了。但实际工程里做仿真核心目标只有一个验证“从回波中提取目标距离和速度”的整套信号处理算法是否正确。FMCW雷达发射的是频率随时间线性变化的连续波目标回波与发射信号混频之后会得到一个低频差频信号。这个差频信号的频率和目标距离成正比多个chirp之间的相位变化又和目标速度成正比。所以整个仿真要做的事情就是把差频信号生成出来再用距离维FFT和多普勒维FFT把距离和速度解出来。注意仿真不是越复杂越好。如果只是为了验证算法可以先忽略幅度衰减、忽略多径、忽略噪声把理想回波生成对了算法流程跑通了再逐步加噪声、加干扰、加目标起伏模型。这也是我推荐的做法一上来就把仿真加得太重出了问题根本不知道是算法错还是模型错。1.2 为什么选Matlab而不是C或者Python我经常被问到这个问题。Matlab在信号处理仿真这个场景下有两个优势是其他语言很难替代的。第一矩阵运算和内置FFT、滤波、插值函数非常成熟写起来快。FMCW雷达信号天然就是二维矩阵形式横轴是快时间采样点纵轴是慢时间chirp序号。在Matlab里一个二维矩阵就能装下一行fft命令就能沿指定维度做变换代码可以写得非常接近数学公式。第二Phased Array System Toolbox提供了radarFMCWWaveform、phased.CFARDetector2D这些现成组件。但我个人建议第一版仿真用纯Matlab基础语法手写不要上来就套工具箱。原因很简单手写一遍你才会真正理解差频信号是哪来的、FFT之后每个bin对应多少米、多普勒FFT为什么要在chirp维度上做。工具箱能帮你出结果但帮不了你理解边界条件。1.3 仿真系统的核心组成一个完整的FMCW雷达仿真无论代码怎么写都离不开以下五个模块波形参数定义载频、带宽、chirp周期、采样率、chirp数量。目标回波生成根据目标距离和速度计算每个采样点的差频信号。距离维处理对每个chirp做FFT得到目标的距离分布。多普勒维处理对相同距离单元的多个chirp做FFT得到目标速度。目标检测用CFAR或者其他检测算法从距离多普勒图上提取目标点。下面每一个模块我都会给出具体代码和参数计算过程。2. FMCW雷达原理与参数计算详解2.1 锯齿波FMCW测距测速的基本原理FMCW最常用的波形是锯齿波也叫快速chirp序列。发射信号频率随时间线性变化调频斜率S等于带宽B除以chirp周期Tchirp。发射信号经过目标反射后接收信号相对于发射信号会有时延[ \tau \frac{2R}{c} ]其中R是目标距离c是光速。接收信号和发射信号进行混频输出的差频信号频率近似为[ f_{IF} S \cdot \tau \frac{2SB}{T_{chirp} \cdot c}R ]也就是说差频频率和目标距离成正比。测距就变成了测频率。至于速度则需要多个chirp之间的相位信息。目标运动会让每个chirp的回波产生一个微小的时间延迟差这个延迟差反映在差频信号的相位上在慢时间维做FFT就得到多普勒频率[ f_D \frac{2v}{\lambda} ]其中 (\lambda) 是载波波长v是目标径向速度。测速就是测慢时间维的相位变化率。2.2 距离分辨率、速度分辨率和最大无模糊速度这几个参数直接决定你的仿真参数怎么选必须先算清楚。距离分辨率由带宽决定[ \Delta R \frac{c}{2B} ]速度分辨率由chirp序列总时长决定[ \Delta v \frac{\lambda}{2 \cdot N \cdot T_{chirp}} ]最大无模糊速度由chirp重复频率决定[ v_{max} \frac{\lambda}{4 \cdot T_{chirp}} ]注意这里N是快速chirp序列中的chirp数量。要想速度分辨率好要么N大要么Tchirp大但Tchirp大会让最大无模糊速度变小。这是FMCW雷达系统设计里最基本的矛盾仿真参数必须在这几个指标之间做取舍。2.3 一套可复用的仿真参数实例我这次仿真采用的参数如下参数数值说明载频 fc77 GHz毫米波雷达常用频段带宽 B1 GHz距离分辨率15cmchirp周期 Tchirp40 us对应PRF 25kHz采样率 Fs10 MHz最大中频约10MHz单chirp采样点 Ns400Fs乘以Tchirpchirp数量 N128速度分辨率约0.38m/s目标1距离/速度45m / 10m/s远离雷达目标2距离/速度60m / -6m/s靠近雷达计算一下关键指标距离分辨率c/(2B) 3e8 / 2e9 0.15m最大无模糊速度lambda/(4*Tchirp)lambda3.9mm所以约24.37m/s目标速度都小于这个值不会出现模糊。速度分辨率lambda/(212840us) 约0.38m/s两个目标速度差16m/s能分得很开。最大测距差频最大频率不能超过采样率一半对于复数采样是Fs/25MHz。由 f_IF 2BR/(c*Tchirp) 反推Rmax5MHz对应的距离约60m。等等这个和上面列表里60m目标刚好在边缘。严格来说如果想留余量应该把Fs提到20MHz或者减小最大探测距离。我下面代码里先按60m以内来设计实际跑的时候目标2的峰值会接近距离轴右端最好把采样率调整为20MHz更保险。这里我想强调一个实操细节计算最大探测距离时差分频频率不能超过Fs/2这个很多第一次做的人会忽略。当你看到频谱在右边界附近出现折叠或者峰值位置被截断十有八九是采样率不够。2.4 差频信号的离散化表示假设发射chirp是线性调频信号差频信号可以写成复数形式[ s_{IF}(n,m) \exp\left(j2\pi\left(\frac{2SR}{c} \cdot t_n \frac{2v}{\lambda} \cdot m T_{chirp}\right)\right) ]其中 (t_n) 是快时间采样时刻(m) 是chirp序号。这个式子把距离频率和多普勒相位分离了是仿真代码的直接依据。为什么要用复数信号因为复数信号可以区分正负频率速度有正负方向用复数才能正确表达靠近和远离的目标。实际雷达接收机一般有IQ两路正交解调仿真也按复数来处理和真实硬件是对应的。3. Matlab仿真代码实现全过程3.1 环境准备与参数初始化我用的Matlab版本是R2022a但这段代码只需要基础功能任何新老版本都能跑。不需要额外的工具箱。%% FMCW雷达仿真参数定义 clear; clc; close all; c 3e8; fc 77e9; lambda c / fc; B 1e9; % 带宽 1GHz Tchirp 40e-6; % chirp周期 40us S B / Tchirp; % 调频斜率 Fs 10e6; % 采样率 10MHz Ns round(Fs * Tchirp); % 每个chirp采样400点 NumChirp 128; % chirp数量 % 目标参数每一行是 [距离(m), 速度(m/s)] targets [45, 10; 60, -6]; NumTarget size(targets, 1); % 距离轴换算关系 freqRes Fs / Ns; % 距离FFT的频率分辨率 distAxis (0:Ns-1) * freqRes * c / (2*S); % 距离范围约0~60m这组参数里Ns 10e6 * 40e-6 400距离维FFT直接做400点的话每个bin对应的距离就是0.15m正好等于距离分辨率。3.2 二维回波信号生成回波生成是整个仿真的核心也是最容易写错的地方。我采用最常用的近似模型每个chirp内把目标距离视为恒定但目标距离随慢时间序号变化。%% 生成差频信号矩阵 signal(Ns, NumChirp) signal zeros(Ns, NumChirp); for m 1:NumChirp tFast (0:Ns-1) / Fs; % 当前chirp内的快时间轴 for k 1:NumTarget % 目标距离随慢时间变化 Rk targets(k,1) targets(k,2) * (m-1) * Tchirp; fd 2 * targets(k,2) / lambda; % 多普勒频率 % 差频信号相位 距离频率项 慢时间多普勒项 phase 2*pi * ( (2*S*Rk/c) * tFast fd * (m-1) * Tchirp ); signal(:, m) signal(:, m) exp(1j*phase); end end这里的核心思想是快时间轴上的频率由S2R/c决定慢时间轴上的相位增量由fdTchirp决定。你可以把信号矩阵想象成一张二维表格每一列是一条chirp的差频信号每一行是某个快时间采样点在128个chirp上的变化轨迹。距离FFT沿列方向做多普勒FFT沿行方向做两个维度正交解耦。特别注意这个模型忽略了chirp内部目标的微小距离走动也忽略了幅度衰减。对算法验证来说足够了。如果你需要仿真“目标在chirp内高速运动导致距离维频谱展宽”的现象那就要在tFast中加入目标的动态距离同时对相位做精确积分复杂度会上一档。3.3 距离维FFT处理对每一列chirp做FFT得到的就是距离维频谱。%% 距离维FFT NfftRange 512; % 补零到512点让频谱更细腻 rangeProfile fft(signal, NfftRange, 1); % 只取单边谱复数负数频率部分无额外信息 rangeProfile rangeProfile(1:NfftRange/2, :); % 距离轴 distAxisNfft (0:NfftRange/2-1) * Fs / NfftRange * c / (2*S);这里做了512点FFT原始信号只有400点FFT会自动补零。补零不会提高物理分辨率但能让谱峰位置看得更平滑方便读数。距离分辨率仍然是0.15m只是bin间隔变小了。如果你不补零直接做400点FFT也能得到正确结果但峰值点的位置会和理论距离差一个bin内的量化误差。实践中我习惯补零到2的幂次速度快而且便于和CFAR参数配合。3.4 多普勒维FFT与距离多普勒谱生成距离维FFT之后我们得到的是矩阵 rangeProfile(rangeBin, chirpIndex)。对每一行也就是每一个距离单元沿着chirp方向做FFT就得到多普勒频率。%% 多普勒维FFT NfftDoppler 128; rdm fftshift(fft(rangeProfile, NfftDoppler, 2), 2); % 多普勒频率轴 PRF 1 / Tchirp; freqDoppler linspace(-PRF/2, PRF/2, NfftDoppler); velAxis freqDoppler * lambda / 2; % v fd*lambda/2fftshift的作用是把零频移到中心这样负多普勒目标靠近在左边正多普勒目标远离在右边看图更自然。速度轴的范围是 -24.37m/s 到 24.37m/s正好对应2.3节算出来的最大无模糊速度。两个目标的速度分别是10m/s和-6m/s在速度轴上的落点应该清晰分开。到这里距离多普勒谱RDM已经生成。接下来可以先用简单的峰值搜索看一眼结果再上CFAR。3.5 二维CFAR目标检测CFAR的全称是恒定虚警率检测原理很简单对待检测单元周围取一个噪声窗用噪声窗内的平均功率来动态设定检测门限。这样即使噪声和杂波强度发生变化目标检测的虚警率也能保持稳定。我在仿真里写了一个最简单的二维CA-CFAR方便大家理解原理。实际工程中更常用的还有OS-CFAR、GO-CFAR以及不同窗口形状的改进版本但底层思想是一样的。%% 简易二维CA-CFAR rdmPower abs(rdm).^2; [rangeBinNum, dopplerBinNum] size(rdmPower); % 保护窗和训练窗尺寸 guardRange 2; guardDoppler 2; trainRange 5; trainDoppler 5; pfa 1e-4; % 阈值因子 numTestCells (2*trainRange1)*(2*trainDoppler1) ... - (2*guardRange1)*(2*guardDoppler1); alpha numTestCells * (pfa^(-1/numTestCells) - 1); detectionMap zeros(size(rdmPower)); for ir trainRangeguardRange1 : rangeBinNum - trainRange - guardRange for id trainDopplerguardDoppler1 : dopplerBinNum - trainDoppler - guardDoppler % 提取训练窗内的功率 window rdmPower(ir-trainRange-guardRange : irtrainRangeguardRange, ... id-trainDoppler-guardDoppler : idtrainDopplerguardDoppler); % 将保护窗置零 window(trainRange1 : trainRange2*guardRange1, ... trainDoppler1 : trainDoppler2*guardDoppler1) 0; noiseLevel sum(window(:)) / numTestCells; threshold alpha * noiseLevel; if rdmPower(ir, id) threshold detectionMap(ir, id) 1; end end end这段代码有两个关键点第一保护窗的作用是防止目标本身的强大能量泄漏到训练窗里把噪声电平抬高。如果目标太强而没有保护窗CFAR会把目标旁边原本不是目标的单元也判成超过门限导致目标扩展也就是常说的“淹没邻居”。第二alpha的计算公式是理论值默认噪声是高斯分布且训练窗内样本独立同分布。实际数据如果加了窗函数噪声样本之间会有相关性alpha可能需要微调。所以看到CFAR检测出的目标点数偏多或者偏少优先检查训练窗大小和alpha是否匹配。3.6 角度估计的扩展方向如果仿真还要进一步扩展到角度维度比如要测目标方位角那就需要多个接收天线。对每个距离多普勒单元在多个通道之间再做一次FFT得到的就是角度维频谱。基本的数字波束形成DBF思路如下% 假设有8个接收天线阵元间距d lambda/2 numAntenna 8; d lambda / 2; steerAngles -60:0.5:60; angleSpectrum zeros(length(steerAngles), 1); % arraySignal是某个距离多普勒单元上的8通道数据 for ai 1:length(steerAngles) steeringVec exp(1j*2*pi*d/lambda * sin(deg2rad(steerAngles(ai))) * (0:numAntenna-1)); angleSpectrum(ai) abs(arraySignal * steeringVec); end角度分辨率和天线孔径有关天线越多、孔径越大角度分辨率越高。这里不展开详细推导但记住一点FMCW雷达的距离维、速度维、角度维处理方法完全同构都是FFT区别只在于在不同维度上采样率物理含义不同。理解了这一点整个雷达仿真框架就通了。4. 仿真结果解读与可视化分析4.1 距离维频谱怎么看距离维FFT做完之后可以画平均距离谱直接看目标峰值。%% 距离谱可视化 meanRangeProfile mean(abs(rangeProfile), 2); figure; plot(distAxisNfft, 20*log10(meanRangeProfile eps)); xlabel(距离 (m)); ylabel(幅度 (dB)); title(距离维频谱); grid on;你会在约45m和60m位置看到两个明显的峰值。但要注意由于加了窗函数或者旁瓣泄漏峰值两侧可能有次级峰。如果两个目标距离很接近主瓣就可能重叠导致无法分辨。我想特别提醒一个很多人会犯的错误直接对差频信号不加窗做FFT目标谱峰旁边会出现明显旁瓣幅度可能只比主瓣低十几个dB。这时候如果附近有弱小目标会被旁瓣盖住。加Hamming窗可以压低旁瓣但主瓣会变宽距离分辨率轻微下降。这是典型的信号处理权衡雷达算法里几乎每一步都是这种trade-off。4.2 距离多普勒图怎么看二维FFT之后用imagesc画RDM%% 距离多普勒图可视化 figure; imagesc(velAxis, distAxisNfft, 20*log10(abs(rdm) eps)); xlabel(速度 (m/s)); ylabel(距离 (m)); title(距离多普勒谱); colorbar; axis xy;正常结果应该是在 (10m/s, 45m) 和 (-6m/s, 60m) 附近各有一个亮斑。目标1远离雷达多普勒频移为正所以速度坐标为正目标2靠近雷达速度坐标为负。如果RDM上目标沿着距离轴拉成一条斜线说明目标在慢时间累积过程中距离发生了明显走动也就是同一个目标在不同chirp之间跑过了不止一个距离单元。这是高速目标或者chirp序列总时间较长时常见的现象。解决办法是分段处理或者做距离走动补偿Keystone变换是一类经典方法但入门阶段先知道原因就行。4.3 从CFAR检测结果反推目标参数CFAR检测之后会得到一组(mask)检测单元把检测位置换算回距离和速度%% 检测点提取 [detRangeBin, detDopplerBin] find(detectionMap 1); for i 1:length(detRangeBin) detectedRange(i) distAxisNfft(detRangeBin(i)); detectedVel(i) velAxis(detDopplerBin(i)); end这里要注意CFAR检测出来的往往是一小片连在一起的单元直接取所有点的坐标会得到一堆重复目标。通常会做一步聚类把相邻的检测单元合并成一个目标取峰值位置作为最终输出。这一步在工程里叫detection clustering虽然不是算法核心但没有它检测结果没法直接用。5. 常见问题与排错实录5.1 距离峰值位置不对或者目标找不到这是我最常被问的问题。出现这个情况先按以下顺序排查第一检查差频信号频率是否超过采样率一半。如果目标距离60m理论差频就是10MHz而Fs10MHz差频信号已经超过奈奎斯特频率峰值会折叠到低频区域看起来位置完全不对。解决办法是把Fs提高到20MHz以上。仿真里没有硬件限制采样率可以放宽但要注意采样点数会变多FFT规模随之变大。第二检查距离轴换算公式。很多人FFT做完之后直接用bin序号当距离忘了乘以频率分辨率和距离换算系数。距离 bin序号 * Fs/Nfft * c/(2*S)每一步都不能少。第三检查是不是忘记加窗导致旁瓣过高或者两个目标太近主瓣合并成一个峰。这时可以加大目标间距验证算法再回过头处理分辨率不足的问题。5.2 速度维出现模糊目标速度显示成完全相反的方向当目标实际速度超过最大无模糊速度时多普勒频率会折叠到 [-PRF/2, PRF/2] 区间之外FFT无法分辨出真实频率速度显示就会出错。比如我把目标速度设为30m/s但当前参数最大无模糊速度只有24.37m/s于是30m/s会被折叠显示成负速度。解决办法很简单增大PRF也就是减小Tchirp。但减小Tchirp会同时减小单chirp内的采样点数影响最大测距范围。具体怎么取舍要看你的应用场景。实际雷达系统里还会遇到距离和速度的耦合也就是说距离FFT里的峰位不只是由距离决定还叠加了多普勒频率的微小偏移。这个偏移很小低速目标可以忽略但高速目标会让距离测量出现系统性偏差需要在算法里做解耦合。5.3 仿真跑得很慢怎么优化上面这段代码用的是三层循环目标是2个、chirp是128个、快时间采样是400个总共10万次复数运算Matlab跑起来并不吃力。但如果目标数量变成几十个chirp变成上千个三层循环就会明显变慢。优化方法有三个方向第一向量化快时间维度。每个chirp内部对tFast数组整体计算相位避免内层循环。代码里我已经用了tFast向量所以其实没有最内层循环。这是让仿真代码快不少的关键一步。第二使用meshgrid或ndgrid把慢时间和快时间组成二维网格一次生成整个二维信号矩阵。代码更紧凑速度也更快但可读性稍差我建议先用循环版本理解原理再改成向量化版本。第三提前用zeros分配矩阵空间。我代码里第一步就用了zeros(Ns, NumChirp)这是好习惯。如果一边循环一边让矩阵动态增长Matlab会频繁申请内存跑起来慢得让人怀疑人生。5.4 为什么加了噪声之后检测结果变差了我之前没有在基础代码里加噪声是为了先验证理想链路。一旦加入高斯白噪声距离多普勒谱上会出现随机起伏CFAR门限需要适应噪声功率。常见问题是噪声功率太高CFAR的alpha设置太小检测到很多虚警或者alpha太大真实目标被漏检。我的调试思路是先把pfa调到1e-6看目标还能不能被检出来再逐步放宽到1e-3观察虚警数量变化。如果加了Hamming窗噪声样本相关性会增强alpha也需要相应修正这个只能靠实际调。还有一个小技巧仿真中噪声和高斯随机数有关每次跑结果可能不同。在代码开头加上rng(1)固定随机种子保证结果可复现。这个习惯在做对比实验时尤其重要不然你换一次随机种子CFAR出来的检测点就变一次根本没法定位问题。6. 一些实验之外的心得做完这套仿真之后我自己最大的体会是FMCW雷达的信号处理本质上就是“三个维度的FFT”。距离维FFT把时间延迟变成频率多普勒维FFT把慢时间相位变化变成速度角度维FFT把阵列相位差变成角度。每一个维度的处理手法都一模一样区别只是采样的物理量不同。所以如果你把这套代码里的二维FFT部分吃透了后面不管是要做多目标跟踪、雷达成像还是和视觉融合核心的雷达信号处理底座都是一样的。个人建议第一次跑通代码之后尝试改一改参数比如把目标距离调近、把速度调大、减少chirp数量再观察RDM和CFAR结果怎么变化。这种“故意破坏”式的实验比反复看同一组成功结果更能帮你建立直觉。最后再分享一个代码习惯每个仿真文件开头都把参数统一放在一起用清晰的中文或者英文注释说明。因为雷达仿真参数之间关联性太强了改一个带宽后面距离分辨率、最大测距、FFT设置全都要跟着变。参数集中管理能省下大量排查问题的时间。本文还有配套的精品资源点击获取 FMCW雷达Matlab仿真全流程：从参数计算到CFAR检测
简介本资源是一套完整的MATLAB FMCW雷达系统仿真代码面向雷达信号处理初学者、通信与电子工程专业学生及嵌入式雷达算法工程师用于理解FMCW原理、实现距离-速度联合估计并开展参数优化实验。压缩包共13个文件10个.m脚本实现信号发射、传播建模、混频解调、Range-Doppler处理、MUSIC测角等核心环节2个.mat数据文件提供预置杂波与滤波器参数1个README.md说明运行逻辑与参数配置总大小7.41MB结构清晰、模块解耦便于逐层调试与功能扩展。已有641人学习下载代码覆盖从chirp信号生成、多路径回波模拟、FFT频谱分析到目标检测与参数估计全流程配套注释详实可直接运行main.m快速可视化距离-速度热图并支持修改扫频带宽、斜率、PRF等关键参数以适配不同探测场景是理论学习与工程实践结合的高实用性雷达仿真范例。 说到FMCW雷达仿真我最早也是从教科书公式开始在Matlab里把调频连续波的发射信号、回波信号写出来然后按套路做FFT。结果呢谱峰出现了但位置对不上二维谱也乱得没法看后来才意识到问题不在代码本身而在于对整个差频信号建模的理解不到位。这篇博文把FMCW雷达从参数计算、回波生成、距离维FFT、多普勒FFT、CFAR检测到常见坑整条链路完整拆开给出可以直接在Matlab里跑的仿真代码和调参思路。这套内容适合正在做毫米波雷达算法验证的工程师、做课程设计的学生或者想系统搞清楚FMCW信号处理流程的初学者。就算你没写过一行雷达代码把下面内容过一遍也能理解每个环节在干什么遇到问题时知道往哪个方向排查。1. FMCW雷达仿真到底在仿什么1.1 仿真目标不是“画出波形”而是验证信号处理链路很多人一提到雷达仿真第一反应是画一张漂亮的时频图看到锯齿波就觉得自己懂了。但实际工程里做仿真核心目标只有一个验证“从回波中提取目标距离和速度”的整套信号处理算法是否正确。FMCW雷达发射的是频率随时间线性变化的连续波目标回波与发射信号混频之后会得到一个低频差频信号。这个差频信号的频率和目标距离成正比多个chirp之间的相位变化又和目标速度成正比。所以整个仿真要做的事情就是把差频信号生成出来再用距离维FFT和多普勒维FFT把距离和速度解出来。注意仿真不是越复杂越好。如果只是为了验证算法可以先忽略幅度衰减、忽略多径、忽略噪声把理想回波生成对了算法流程跑通了再逐步加噪声、加干扰、加目标起伏模型。这也是我推荐的做法一上来就把仿真加得太重出了问题根本不知道是算法错还是模型错。1.2 为什么选Matlab而不是C或者Python我经常被问到这个问题。Matlab在信号处理仿真这个场景下有两个优势是其他语言很难替代的。第一矩阵运算和内置FFT、滤波、插值函数非常成熟写起来快。FMCW雷达信号天然就是二维矩阵形式横轴是快时间采样点纵轴是慢时间chirp序号。在Matlab里一个二维矩阵就能装下一行fft命令就能沿指定维度做变换代码可以写得非常接近数学公式。第二Phased Array System Toolbox提供了radarFMCWWaveform、phased.CFARDetector2D这些现成组件。但我个人建议第一版仿真用纯Matlab基础语法手写不要上来就套工具箱。原因很简单手写一遍你才会真正理解差频信号是哪来的、FFT之后每个bin对应多少米、多普勒FFT为什么要在chirp维度上做。工具箱能帮你出结果但帮不了你理解边界条件。1.3 仿真系统的核心组成一个完整的FMCW雷达仿真无论代码怎么写都离不开以下五个模块波形参数定义载频、带宽、chirp周期、采样率、chirp数量。目标回波生成根据目标距离和速度计算每个采样点的差频信号。距离维处理对每个chirp做FFT得到目标的距离分布。多普勒维处理对相同距离单元的多个chirp做FFT得到目标速度。目标检测用CFAR或者其他检测算法从距离多普勒图上提取目标点。下面每一个模块我都会给出具体代码和参数计算过程。2. FMCW雷达原理与参数计算详解2.1 锯齿波FMCW测距测速的基本原理FMCW最常用的波形是锯齿波也叫快速chirp序列。发射信号频率随时间线性变化调频斜率S等于带宽B除以chirp周期Tchirp。发射信号经过目标反射后接收信号相对于发射信号会有时延[ \tau \frac{2R}{c} ]其中R是目标距离c是光速。接收信号和发射信号进行混频输出的差频信号频率近似为[ f_{IF} S \cdot \tau \frac{2SB}{T_{chirp} \cdot c}R ]也就是说差频频率和目标距离成正比。测距就变成了测频率。至于速度则需要多个chirp之间的相位信息。目标运动会让每个chirp的回波产生一个微小的时间延迟差这个延迟差反映在差频信号的相位上在慢时间维做FFT就得到多普勒频率[ f_D \frac{2v}{\lambda} ]其中 (\lambda) 是载波波长v是目标径向速度。测速就是测慢时间维的相位变化率。2.2 距离分辨率、速度分辨率和最大无模糊速度这几个参数直接决定你的仿真参数怎么选必须先算清楚。距离分辨率由带宽决定[ \Delta R \frac{c}{2B} ]速度分辨率由chirp序列总时长决定[ \Delta v \frac{\lambda}{2 \cdot N \cdot T_{chirp}} ]最大无模糊速度由chirp重复频率决定[ v_{max} \frac{\lambda}{4 \cdot T_{chirp}} ]注意这里N是快速chirp序列中的chirp数量。要想速度分辨率好要么N大要么Tchirp大但Tchirp大会让最大无模糊速度变小。这是FMCW雷达系统设计里最基本的矛盾仿真参数必须在这几个指标之间做取舍。2.3 一套可复用的仿真参数实例我这次仿真采用的参数如下参数数值说明载频 fc77 GHz毫米波雷达常用频段带宽 B1 GHz距离分辨率15cmchirp周期 Tchirp40 us对应PRF 25kHz采样率 Fs10 MHz最大中频约10MHz单chirp采样点 Ns400Fs乘以Tchirpchirp数量 N128速度分辨率约0.38m/s目标1距离/速度45m / 10m/s远离雷达目标2距离/速度60m / -6m/s靠近雷达计算一下关键指标距离分辨率c/(2B) 3e8 / 2e9 0.15m最大无模糊速度lambda/(4*Tchirp)lambda3.9mm所以约24.37m/s目标速度都小于这个值不会出现模糊。速度分辨率lambda/(212840us) 约0.38m/s两个目标速度差16m/s能分得很开。最大测距差频最大频率不能超过采样率一半对于复数采样是Fs/25MHz。由 f_IF 2BR/(c*Tchirp) 反推Rmax5MHz对应的距离约60m。等等这个和上面列表里60m目标刚好在边缘。严格来说如果想留余量应该把Fs提到20MHz或者减小最大探测距离。我下面代码里先按60m以内来设计实际跑的时候目标2的峰值会接近距离轴右端最好把采样率调整为20MHz更保险。这里我想强调一个实操细节计算最大探测距离时差分频频率不能超过Fs/2这个很多第一次做的人会忽略。当你看到频谱在右边界附近出现折叠或者峰值位置被截断十有八九是采样率不够。2.4 差频信号的离散化表示假设发射chirp是线性调频信号差频信号可以写成复数形式[ s_{IF}(n,m) \exp\left(j2\pi\left(\frac{2SR}{c} \cdot t_n \frac{2v}{\lambda} \cdot m T_{chirp}\right)\right) ]其中 (t_n) 是快时间采样时刻(m) 是chirp序号。这个式子把距离频率和多普勒相位分离了是仿真代码的直接依据。为什么要用复数信号因为复数信号可以区分正负频率速度有正负方向用复数才能正确表达靠近和远离的目标。实际雷达接收机一般有IQ两路正交解调仿真也按复数来处理和真实硬件是对应的。3. Matlab仿真代码实现全过程3.1 环境准备与参数初始化我用的Matlab版本是R2022a但这段代码只需要基础功能任何新老版本都能跑。不需要额外的工具箱。%% FMCW雷达仿真参数定义 clear; clc; close all; c 3e8; fc 77e9; lambda c / fc; B 1e9; % 带宽 1GHz Tchirp 40e-6; % chirp周期 40us S B / Tchirp; % 调频斜率 Fs 10e6; % 采样率 10MHz Ns round(Fs * Tchirp); % 每个chirp采样400点 NumChirp 128; % chirp数量 % 目标参数每一行是 [距离(m), 速度(m/s)] targets [45, 10; 60, -6]; NumTarget size(targets, 1); % 距离轴换算关系 freqRes Fs / Ns; % 距离FFT的频率分辨率 distAxis (0:Ns-1) * freqRes * c / (2*S); % 距离范围约0~60m这组参数里Ns 10e6 * 40e-6 400距离维FFT直接做400点的话每个bin对应的距离就是0.15m正好等于距离分辨率。3.2 二维回波信号生成回波生成是整个仿真的核心也是最容易写错的地方。我采用最常用的近似模型每个chirp内把目标距离视为恒定但目标距离随慢时间序号变化。%% 生成差频信号矩阵 signal(Ns, NumChirp) signal zeros(Ns, NumChirp); for m 1:NumChirp tFast (0:Ns-1) / Fs; % 当前chirp内的快时间轴 for k 1:NumTarget % 目标距离随慢时间变化 Rk targets(k,1) targets(k,2) * (m-1) * Tchirp; fd 2 * targets(k,2) / lambda; % 多普勒频率 % 差频信号相位 距离频率项 慢时间多普勒项 phase 2*pi * ( (2*S*Rk/c) * tFast fd * (m-1) * Tchirp ); signal(:, m) signal(:, m) exp(1j*phase); end end这里的核心思想是快时间轴上的频率由S2R/c决定慢时间轴上的相位增量由fdTchirp决定。你可以把信号矩阵想象成一张二维表格每一列是一条chirp的差频信号每一行是某个快时间采样点在128个chirp上的变化轨迹。距离FFT沿列方向做多普勒FFT沿行方向做两个维度正交解耦。特别注意这个模型忽略了chirp内部目标的微小距离走动也忽略了幅度衰减。对算法验证来说足够了。如果你需要仿真“目标在chirp内高速运动导致距离维频谱展宽”的现象那就要在tFast中加入目标的动态距离同时对相位做精确积分复杂度会上一档。3.3 距离维FFT处理对每一列chirp做FFT得到的就是距离维频谱。%% 距离维FFT NfftRange 512; % 补零到512点让频谱更细腻 rangeProfile fft(signal, NfftRange, 1); % 只取单边谱复数负数频率部分无额外信息 rangeProfile rangeProfile(1:NfftRange/2, :); % 距离轴 distAxisNfft (0:NfftRange/2-1) * Fs / NfftRange * c / (2*S);这里做了512点FFT原始信号只有400点FFT会自动补零。补零不会提高物理分辨率但能让谱峰位置看得更平滑方便读数。距离分辨率仍然是0.15m只是bin间隔变小了。如果你不补零直接做400点FFT也能得到正确结果但峰值点的位置会和理论距离差一个bin内的量化误差。实践中我习惯补零到2的幂次速度快而且便于和CFAR参数配合。3.4 多普勒维FFT与距离多普勒谱生成距离维FFT之后我们得到的是矩阵 rangeProfile(rangeBin, chirpIndex)。对每一行也就是每一个距离单元沿着chirp方向做FFT就得到多普勒频率。%% 多普勒维FFT NfftDoppler 128; rdm fftshift(fft(rangeProfile, NfftDoppler, 2), 2); % 多普勒频率轴 PRF 1 / Tchirp; freqDoppler linspace(-PRF/2, PRF/2, NfftDoppler); velAxis freqDoppler * lambda / 2; % v fd*lambda/2fftshift的作用是把零频移到中心这样负多普勒目标靠近在左边正多普勒目标远离在右边看图更自然。速度轴的范围是 -24.37m/s 到 24.37m/s正好对应2.3节算出来的最大无模糊速度。两个目标的速度分别是10m/s和-6m/s在速度轴上的落点应该清晰分开。到这里距离多普勒谱RDM已经生成。接下来可以先用简单的峰值搜索看一眼结果再上CFAR。3.5 二维CFAR目标检测CFAR的全称是恒定虚警率检测原理很简单对待检测单元周围取一个噪声窗用噪声窗内的平均功率来动态设定检测门限。这样即使噪声和杂波强度发生变化目标检测的虚警率也能保持稳定。我在仿真里写了一个最简单的二维CA-CFAR方便大家理解原理。实际工程中更常用的还有OS-CFAR、GO-CFAR以及不同窗口形状的改进版本但底层思想是一样的。%% 简易二维CA-CFAR rdmPower abs(rdm).^2; [rangeBinNum, dopplerBinNum] size(rdmPower); % 保护窗和训练窗尺寸 guardRange 2; guardDoppler 2; trainRange 5; trainDoppler 5; pfa 1e-4; % 阈值因子 numTestCells (2*trainRange1)*(2*trainDoppler1) ... - (2*guardRange1)*(2*guardDoppler1); alpha numTestCells * (pfa^(-1/numTestCells) - 1); detectionMap zeros(size(rdmPower)); for ir trainRangeguardRange1 : rangeBinNum - trainRange - guardRange for id trainDopplerguardDoppler1 : dopplerBinNum - trainDoppler - guardDoppler % 提取训练窗内的功率 window rdmPower(ir-trainRange-guardRange : irtrainRangeguardRange, ... id-trainDoppler-guardDoppler : idtrainDopplerguardDoppler); % 将保护窗置零 window(trainRange1 : trainRange2*guardRange1, ... trainDoppler1 : trainDoppler2*guardDoppler1) 0; noiseLevel sum(window(:)) / numTestCells; threshold alpha * noiseLevel; if rdmPower(ir, id) threshold detectionMap(ir, id) 1; end end end这段代码有两个关键点第一保护窗的作用是防止目标本身的强大能量泄漏到训练窗里把噪声电平抬高。如果目标太强而没有保护窗CFAR会把目标旁边原本不是目标的单元也判成超过门限导致目标扩展也就是常说的“淹没邻居”。第二alpha的计算公式是理论值默认噪声是高斯分布且训练窗内样本独立同分布。实际数据如果加了窗函数噪声样本之间会有相关性alpha可能需要微调。所以看到CFAR检测出的目标点数偏多或者偏少优先检查训练窗大小和alpha是否匹配。3.6 角度估计的扩展方向如果仿真还要进一步扩展到角度维度比如要测目标方位角那就需要多个接收天线。对每个距离多普勒单元在多个通道之间再做一次FFT得到的就是角度维频谱。基本的数字波束形成DBF思路如下% 假设有8个接收天线阵元间距d lambda/2 numAntenna 8; d lambda / 2; steerAngles -60:0.5:60; angleSpectrum zeros(length(steerAngles), 1); % arraySignal是某个距离多普勒单元上的8通道数据 for ai 1:length(steerAngles) steeringVec exp(1j*2*pi*d/lambda * sin(deg2rad(steerAngles(ai))) * (0:numAntenna-1)); angleSpectrum(ai) abs(arraySignal * steeringVec); end角度分辨率和天线孔径有关天线越多、孔径越大角度分辨率越高。这里不展开详细推导但记住一点FMCW雷达的距离维、速度维、角度维处理方法完全同构都是FFT区别只在于在不同维度上采样率物理含义不同。理解了这一点整个雷达仿真框架就通了。4. 仿真结果解读与可视化分析4.1 距离维频谱怎么看距离维FFT做完之后可以画平均距离谱直接看目标峰值。%% 距离谱可视化 meanRangeProfile mean(abs(rangeProfile), 2); figure; plot(distAxisNfft, 20*log10(meanRangeProfile eps)); xlabel(距离 (m)); ylabel(幅度 (dB)); title(距离维频谱); grid on;你会在约45m和60m位置看到两个明显的峰值。但要注意由于加了窗函数或者旁瓣泄漏峰值两侧可能有次级峰。如果两个目标距离很接近主瓣就可能重叠导致无法分辨。我想特别提醒一个很多人会犯的错误直接对差频信号不加窗做FFT目标谱峰旁边会出现明显旁瓣幅度可能只比主瓣低十几个dB。这时候如果附近有弱小目标会被旁瓣盖住。加Hamming窗可以压低旁瓣但主瓣会变宽距离分辨率轻微下降。这是典型的信号处理权衡雷达算法里几乎每一步都是这种trade-off。4.2 距离多普勒图怎么看二维FFT之后用imagesc画RDM%% 距离多普勒图可视化 figure; imagesc(velAxis, distAxisNfft, 20*log10(abs(rdm) eps)); xlabel(速度 (m/s)); ylabel(距离 (m)); title(距离多普勒谱); colorbar; axis xy;正常结果应该是在 (10m/s, 45m) 和 (-6m/s, 60m) 附近各有一个亮斑。目标1远离雷达多普勒频移为正所以速度坐标为正目标2靠近雷达速度坐标为负。如果RDM上目标沿着距离轴拉成一条斜线说明目标在慢时间累积过程中距离发生了明显走动也就是同一个目标在不同chirp之间跑过了不止一个距离单元。这是高速目标或者chirp序列总时间较长时常见的现象。解决办法是分段处理或者做距离走动补偿Keystone变换是一类经典方法但入门阶段先知道原因就行。4.3 从CFAR检测结果反推目标参数CFAR检测之后会得到一组(mask)检测单元把检测位置换算回距离和速度%% 检测点提取 [detRangeBin, detDopplerBin] find(detectionMap 1); for i 1:length(detRangeBin) detectedRange(i) distAxisNfft(detRangeBin(i)); detectedVel(i) velAxis(detDopplerBin(i)); end这里要注意CFAR检测出来的往往是一小片连在一起的单元直接取所有点的坐标会得到一堆重复目标。通常会做一步聚类把相邻的检测单元合并成一个目标取峰值位置作为最终输出。这一步在工程里叫detection clustering虽然不是算法核心但没有它检测结果没法直接用。5. 常见问题与排错实录5.1 距离峰值位置不对或者目标找不到这是我最常被问的问题。出现这个情况先按以下顺序排查第一检查差频信号频率是否超过采样率一半。如果目标距离60m理论差频就是10MHz而Fs10MHz差频信号已经超过奈奎斯特频率峰值会折叠到低频区域看起来位置完全不对。解决办法是把Fs提高到20MHz以上。仿真里没有硬件限制采样率可以放宽但要注意采样点数会变多FFT规模随之变大。第二检查距离轴换算公式。很多人FFT做完之后直接用bin序号当距离忘了乘以频率分辨率和距离换算系数。距离 bin序号 * Fs/Nfft * c/(2*S)每一步都不能少。第三检查是不是忘记加窗导致旁瓣过高或者两个目标太近主瓣合并成一个峰。这时可以加大目标间距验证算法再回过头处理分辨率不足的问题。5.2 速度维出现模糊目标速度显示成完全相反的方向当目标实际速度超过最大无模糊速度时多普勒频率会折叠到 [-PRF/2, PRF/2] 区间之外FFT无法分辨出真实频率速度显示就会出错。比如我把目标速度设为30m/s但当前参数最大无模糊速度只有24.37m/s于是30m/s会被折叠显示成负速度。解决办法很简单增大PRF也就是减小Tchirp。但减小Tchirp会同时减小单chirp内的采样点数影响最大测距范围。具体怎么取舍要看你的应用场景。实际雷达系统里还会遇到距离和速度的耦合也就是说距离FFT里的峰位不只是由距离决定还叠加了多普勒频率的微小偏移。这个偏移很小低速目标可以忽略但高速目标会让距离测量出现系统性偏差需要在算法里做解耦合。5.3 仿真跑得很慢怎么优化上面这段代码用的是三层循环目标是2个、chirp是128个、快时间采样是400个总共10万次复数运算Matlab跑起来并不吃力。但如果目标数量变成几十个chirp变成上千个三层循环就会明显变慢。优化方法有三个方向第一向量化快时间维度。每个chirp内部对tFast数组整体计算相位避免内层循环。代码里我已经用了tFast向量所以其实没有最内层循环。这是让仿真代码快不少的关键一步。第二使用meshgrid或ndgrid把慢时间和快时间组成二维网格一次生成整个二维信号矩阵。代码更紧凑速度也更快但可读性稍差我建议先用循环版本理解原理再改成向量化版本。第三提前用zeros分配矩阵空间。我代码里第一步就用了zeros(Ns, NumChirp)这是好习惯。如果一边循环一边让矩阵动态增长Matlab会频繁申请内存跑起来慢得让人怀疑人生。5.4 为什么加了噪声之后检测结果变差了我之前没有在基础代码里加噪声是为了先验证理想链路。一旦加入高斯白噪声距离多普勒谱上会出现随机起伏CFAR门限需要适应噪声功率。常见问题是噪声功率太高CFAR的alpha设置太小检测到很多虚警或者alpha太大真实目标被漏检。我的调试思路是先把pfa调到1e-6看目标还能不能被检出来再逐步放宽到1e-3观察虚警数量变化。如果加了Hamming窗噪声样本相关性会增强alpha也需要相应修正这个只能靠实际调。还有一个小技巧仿真中噪声和高斯随机数有关每次跑结果可能不同。在代码开头加上rng(1)固定随机种子保证结果可复现。这个习惯在做对比实验时尤其重要不然你换一次随机种子CFAR出来的检测点就变一次根本没法定位问题。6. 一些实验之外的心得做完这套仿真之后我自己最大的体会是FMCW雷达的信号处理本质上就是“三个维度的FFT”。距离维FFT把时间延迟变成频率多普勒维FFT把慢时间相位变化变成速度角度维FFT把阵列相位差变成角度。每一个维度的处理手法都一模一样区别只是采样的物理量不同。所以如果你把这套代码里的二维FFT部分吃透了后面不管是要做多目标跟踪、雷达成像还是和视觉融合核心的雷达信号处理底座都是一样的。个人建议第一次跑通代码之后尝试改一改参数比如把目标距离调近、把速度调大、减少chirp数量再观察RDM和CFAR结果怎么变化。这种“故意破坏”式的实验比反复看同一组成功结果更能帮你建立直觉。最后再分享一个代码习惯每个仿真文件开头都把参数统一放在一起用清晰的中文或者英文注释说明。因为雷达仿真参数之间关联性太强了改一个带宽后面距离分辨率、最大测距、FFT设置全都要跟着变。参数集中管理能省下大量排查问题的时间。本文还有配套的精品资源点击获取