微信公众号：EW Frontier
QQ交流群：949444104
摘要
在这项工作中，我们解决的问题，减轻交叉干扰，这是经常遇到的密集部署的调频连续波（FMCW）雷达。我们提出了一种新的近端次梯度下降为基础的方法，联合推断和消除任何交叉干扰可能存在于接收到的基带信号的FMCW雷达。所提出的方法旨在利用交叉干扰的时间稀疏性和距离-多普勒频域中无干扰接收基带信号的稀疏性，以改进交叉干扰的估计和消除。使用合成和真实世界的FMCW雷达测量的实验表明，我们提出的方法相比，现有的交叉干扰抑制方法的实时实施潜力和上级性能。
引言
在基于RF-CMOS的毫米波传感技术的最新进展以及其高分辨率测距能力和全天候性能的推动下，FMCW雷达非常适合用作主流传感器，用于为下一代半/全自动驾驶汽车实现ADAS（高级驾驶员辅助系统）。然而，由于交叉干扰问题，大规模和密集部署配备FMCW雷达的ADAS解决方案仍然存在争议。两个或多个FMCW雷达在同一频带内非常接近地工作可能会导致彼此干扰。来自附近雷达的这种交叉干扰可能泄漏到受害者雷达的接收基带信号中并增加其本底噪声，这又可能导致虚假物体的错误检测和较弱物体的错过检测。
大多数商用汽车FMCW雷达通过简单地将接收到的基带信号的干扰污染样本归零来减轻交叉干扰[1]，[2]，[5]。然而，这种方法要求干扰已经被检测到并在时间上被定位，并且还无意中将伪影引入到频域中的本底噪声。而不是将污染的样本归零，它们可以使用基于模型的修复技术[3]-[4]，[6]-[7]进行替换或修复。在[3]中，由干扰破坏样本留下的间隙用由接收基带信号的自回归模型生成的预测样本填充，使用布尔格的方法在线训练。然而，这样的inpainting-based方法迅速降低性能的差距，以填补变得更大的尺寸。在[10]中，提出了一种基于滤波的交叉干扰消除方法，其中自适应滤波器在运行中被训练以增加信号干扰比。这是通过利用接收到的基带信号的频谱的正部分和负部分中的干扰的存在以及真正基带信号的干扰的缺乏来实现的，如[9]中所强调的。[11]、[14]、[15]采用交叉干扰和基带信号的稀疏建模来执行干扰信号的基于模型的估计。在[14]中，SALSA（分裂增广拉格朗日收缩算法）用于解决形态分量分析问题，该形态分量分析问题被提出以将干扰与真实基带信号分离。在[15]中，假设交叉干扰在时间上是稀疏的，并且无干扰基带信号被建模为低秩汉克尔矩阵。这种基于模型的推断交叉干扰的方法已经显示出有希望的结果，然而，所得到的算法[12]，[13]，[15]是计算密集型的，不适合实时实现。
本文提出了基于模型的交叉干扰推断的思想，并提出了一种计算快速的算法，ProxSGD，联合推断和消除任何交叉干扰，如果存在的话，在FMCW雷达的接收基带信号。ProxSGD是一种迭代过程，其使用新的近端次梯度下降更新来估计交叉干扰，同时利用其时间稀疏性以及无干扰基带信号的频域稀疏性。ProxSGD专为与行业标准的基于2D-FFT的FMCW雷达信号处理管道无缝集成而设计。
文章插图
结论
本文提出了一种新的估计和消除调频连续波雷达交叉干扰的近似次梯度下降法。我们使用合成和真实世界的雷达测量的数值实验表明，所提出的方法是非常有效的，在FMCW雷达中的交叉干扰，并足够快，被认为是实时实施的行业证明基于2D-FFT的FMCW雷达信号处理管道。
