第2章：天线阵列基础——均匀线阵(ULA)模型、阵列流形向量、相位差与到达角(AoA)的关系

各位同学，欢迎来到第二章。

上一章我们聊了毫米波雷达的基本原理。从这一章开始，咱们正式进入天线阵列的世界。说实话，天线阵列是角度估计的基石。你想想看，如果没有阵列，单天线只能测距和速度，角度信息根本拿不到。

我个人习惯把天线阵列比作「耳朵」。一只耳朵听不出声音从哪来，但两只耳朵就能判断方向。雷达的天线阵列，就是这个道理。

2.1 均匀线阵(ULA)模型

均匀线阵，英文叫 Uniform Linear Array，简称 ULA。这是最简单、最经典的阵列结构。

什么叫均匀线阵？

就是 N 个天线阵元，等间距地排成一条直线。间距通常用 d 表示。每个阵元都是全向的，或者说具有相同的方向图。

我给大家一个标准模型：

• 阵元数量：N
• 阵元间距：d
• 信号波长：λ
• 信号入射方向：与阵列法线的夹角 θ（这就是我们要估计的到达角 AoA）

这里有个关键参数——阵元间距 d。我在项目中遇到过有人随便选 d，结果角度估计一塌糊涂。记住一个原则：d 通常取 λ/2。为什么？

因为 d > λ/2 时，会出现角度模糊，也就是栅瓣效应。d < λ/2 时，阵列孔径变小，角度分辨率下降。λ/2 是个折中，也是奈奎斯特采样定理在空间域的体现。

2.2 阵列流形向量

好，接下来我们聊阵列流形向量。这个名字听起来有点唬人，其实没那么复杂。

阵列流形向量，英文叫 Array Manifold Vector，记作 a(θ)。它描述的是：当一个来自方向 θ 的平面波入射到阵列上时，每个阵元接收到的复信号之间的相对关系。

说白了，就是一组复数，反映了信号到达不同阵元时的相位差异。

对于均匀线阵，阵列流形向量的表达式是：

a(θ) = [1, e^(-j·2π·d·sinθ/λ), e^(-j·2π·2d·sinθ/λ), ..., e^(-j·2π·(N-1)·d·sinθ/λ)]^T

这里我解释一下：

• 第一个阵元作为参考点，相位为 0，所以是 1
• 第二个阵元比第一个多走了 d·sinθ 的距离，相位滞后 2π·d·sinθ/λ
• 第三个阵元比第一个多走了 2d·sinθ 的距离，以此类推

嗯，这里要注意：阵列流形向量只与阵列几何结构和信号方向有关，与信号本身无关。这是阵列信号处理的核心概念之一。

2.3 相位差与到达角(AoA)的关系

这是本章的重头戏。相位差和到达角之间，到底有什么关系？

我们来看两个相邻阵元。它们之间的距离是 d。信号从方向 θ 入射，到达第二个阵元时，比第一个阵元多走了 ΔR = d·sinθ 的路程。

这个路程差，对应一个相位差：

Δφ = 2π·ΔR/λ = 2π·d·sinθ/λ

所以：

sinθ = Δφ·λ / (2π·d)

你看，只要测出相邻阵元之间的相位差 Δφ，就能算出到达角 θ。这就是角度估计的基本原理。

但是，这里有个坑。

我曾经在调试一个 77GHz 雷达时，发现测出来的角度总是跳变。查了半天，原来是相位差 Δφ 超出了 [-π, π] 的范围，发生了相位缠绕。

另外，实际系统中我们测到的是多个阵元之间的相位差，不是只有一对。比如 N 个阵元，我们可以得到 N-1 个相邻相位差。用这些数据联合估计角度，精度会更高。

2.4 一个简单的例子

假设我们有一个 4 阵元的均匀线阵，d = λ/2。信号从 θ = 30° 方向入射。

计算阵列流形向量：

λ = 1（归一化）
d = 0.5
θ = 30°, sinθ = 0.5

a(30°) = [1, e^(-jπ·0.5), e^(-jπ·1), e^(-jπ·1.5)]
       = [1, e^(-jπ/2), e^(-jπ), e^(-j3π/2)]
       = [1, -j, -1, j]

相邻阵元之间的相位差是 -π/2，也就是 -90°。代入公式：

sinθ = Δφ·λ / (2π·d) = (-π/2)·1 / (2π·0.5) = -0.5

等等，这里算出来是 -0.5，对应 θ = -30°？

嗯，注意符号。相位差的正负取决于你定义的参考方向。在实际系统中，你需要统一约定。我一般约定：信号从法线右侧入射时，相位差为正。

2.5 阵列流形向量的矩阵形式

在实际工程中，我们通常把多个方向的阵列流形向量组合成一个矩阵。这个矩阵叫做阵列流形矩阵，记作 A。

假设有 K 个信号源，方向分别是 θ₁, θ₂, ..., θ_K，那么：

A = [a(θ₁), a(θ₂), ..., a(θK)]

这是一个 N×K 的矩阵。每一列对应一个方向的阵列流形向量。

那么阵列接收到的信号可以写成：

x(t) = A·s(t) + n(t)

其中：

• x(t) 是 N 维接收信号向量
• s(t) 是 K 维源信号向量
• n(t) 是 N 维噪声向量

这个模型，就是后续所有角度估计算法的基础。不管是波束成形、Capon、还是 MUSIC，都从这个模型出发。

下一章，我们会基于这个模型，开始讲波束成形。说白了，就是怎么把阵列流形向量用起来，让雷达「看」得更准。

好，这一章就到这儿。有问题欢迎交流。