1. 雷达系统基础：雷达工作原理、雷达信号模型、雷达主要性能指标
各位同学，咱们今天聊聊雷达系统的基础。说实话，雷达这东西听起来高大上，但核心原理其实挺朴素的。我当年刚入行时，带我的老工程师跟我说了句话，我一直记着——「雷达就是个会算数的回声筒」。嗯，这话糙理不糙。
1.1 雷达工作原理
雷达的基本工作流程，说白了就三步：发射、反射、接收。
- 发射：雷达发射机产生电磁波，通过天线定向辐射出去
- 传播与反射：电磁波在空气中传播，遇到目标后发生散射，一部分能量返回雷达方向
- 接收与处理：天线接收到回波信号，经过放大、混频、采样，最后提取出目标信息
这里有个关键点——电磁波传播速度是光速，大约3×10⁸ m/s。通过测量发射脉冲和回波之间的时间差Δt，就能算出目标距离R：
R = c × Δt / 2为什么要除以2？因为电磁波走了个来回。我见过不少新手在这个地方栽跟头，算距离时忘了除2，结果目标位置直接翻倍。嗯，这个坑我当年也踩过。
核心公式：雷达测距的基本原理就是时间差乘以光速再除以2。所有后续的复杂算法，都是在这个基础上叠加的。
除了距离，雷达还能测速度和角度。测速靠的是多普勒效应——目标靠近时回波频率升高，远离时频率降低。这个频率偏移量fd与目标径向速度v的关系是：
fd = 2v / λ其中λ是雷达工作波长。你想想看，如果目标速度100km/h，工作在77GHz的毫米波雷达，多普勒频移大概在14kHz左右。这个量级，数字信号处理完全能搞定。
1.2 雷达信号模型
搞嵌入式AI加速器，你得先理解雷达信号长什么样。我个人习惯把雷达信号模型分成三个层次来看：
1.2.1 发射信号模型
最常见的雷达发射信号是线性调频连续波（FMCW）。频率随时间线性变化，像个锯齿波：
s_tx(t) = A_tx · cos(2πf_c t + πKt² + φ₀)其中：
- f_c：起始频率
- K：调频斜率（K = B/T_c，B是带宽，T_c是调频周期）
- φ₀：初始相位
我在项目中遇到过一个问题——调频斜率K选大了，距离分辨率是好了，但采样率跟不上，ADC直接饱和。后来我学乖了，选参数时先算算中频带宽：
IF_BW = K × 2R_max / c这个值必须小于ADC采样率的一半，否则就等着混叠吧。
1.2.2 回波信号模型
回波信号是发射信号的延时版本，还叠加了多普勒频移：
s_rx(t) = A_rx · cos(2π(f_c + f_d)(t - τ) + πK(t - τ)² + φ₀)τ = 2R/c 是往返延时，f_d是多普勒频移。
混频之后得到中频信号：
s_if(t) = A_if · cos(2πKτ t + 2πf_d t + φ)这个中频信号的频率f_if = Kτ + f_d。你看，距离信息（τ）和速度信息（f_d）都混在这个频率里了。怎么做解耦？这就是后面要讲的二维FFT要做的事。
我的经验：实际系统中，中频信号还会受到各种噪声污染。热噪声、相位噪声、量化噪声...做AI加速器时，你得清楚哪些噪声是算法能处理的，哪些是硬件决定的。别指望AI能解决所有问题。
1.2.3 离散化模型
ADC采样后，信号变成离散序列。假设采样率是f_s，一个调频周期内采样N个点：
x[n] = A · cos(2πf_if · n/f_s + φ) + w[n], n = 0,1,...,N-1w[n]是噪声，通常建模为高斯白噪声。这个离散模型，就是咱们嵌入式AI加速器要处理的数据格式。说白了，就是一堆数字，你要从中提取出目标信息。
1.3 雷达主要性能指标
做雷达系统设计，这几个指标你得烂熟于心。我面试新人时，第一个问题往往就是「你说说雷达最重要的指标有哪些」。
| 指标 | 定义 | 计算公式 | 我的备注 |
|---|---|---|---|
| 距离分辨率 | 能区分两个相邻目标的最小距离差 | ΔR = c / (2B) | 带宽越大，分辨率越高。77GHz雷达带宽4GHz，分辨率能做到3.75cm |
| 最大不模糊距离 | 能无模糊测量的最远距离 | R_max = c · T_c / 2 | 调频周期越长，测距越远，但帧率会下降 |
| 速度分辨率 | 能区分两个相邻目标的最小速度差 | Δv = λ / (2T_frame) | 帧时间越长，速度分辨率越好 |
| 最大不模糊速度 | 能无模糊测量的最大速度 | v_max = λ / (4T_c) | 调频周期越短，能测的速度越高 |
| 检测概率 | 目标存在时正确检测的概率 | P_d = f(SNR) | 信噪比越高，检测概率越高 |
| 虚警概率 | 无目标时误报的概率 | P_fa = f(阈值) | 阈值设高了漏警，设低了虚警，得权衡 |
避坑指南：我曾经在一个项目中，为了追求高距离分辨率，把带宽拉得很大。结果呢？ADC采样率跟不上，硬件成本飙升。最后不得不降带宽，用超分辨率算法来补。所以啊，指标之间是相互制约的，别想着样样都做到极致。
还有一个指标容易被忽略——动态范围。雷达接收机要能同时处理强信号（近处大目标）和弱信号（远处小目标）。我做过一个车载雷达项目，前方100米有辆大卡车，同时50米处有个行人。如果动态范围不够，行人的回波就被淹没在卡车的旁瓣里了。这时候，AI加速器的作用就体现出来了——通过智能算法从强杂波中提取弱目标。
1.4 小结
这一章咱们聊了雷达的三大块：
- 工作原理：发射-反射-接收，测距靠时间差，测速靠多普勒
- 信号模型：从连续波到离散采样，搞清楚信号长什么样
- 性能指标：分辨率、最大不模糊距离/速度、检测概率、动态范围
这些是雷达系统的根基。后面讲AI加速器时，你会发现——所有的优化、所有的网络结构设计，最终都是为了在这些指标之间找到最佳平衡点。嗯，地基打牢了，楼才能盖得高。
下一章咱们聊聊雷达信号处理流程，从ADC数据到点云输出，每一步是怎么走的。到时候我会结合一个实际项目案例来讲，保证干货满满。