PLFM_RADAR 的 PLFM 我把它定义为 Programmable Linear Frequency Modulation，可编程线性调频；RADAR 就是雷达本身。这套东西本质上是一个从零搭起来的 FMCW（调频连续波）雷达信号处理实验平台：用一段参数可调的线性调频波照射目标，接收回波后经过混频、FFT、CFAR 这一整套链路，最终输出目标的距离和速度。很多人一听“雷达”就感觉门槛高，其实 FMCW 雷达的原理链路没有想象中复杂，真正难的是把带宽、调频周期、采样率、FFT 尺寸这些参数之间的关系算明白，再一条条用代码落地。这个项目就是我把整条链路踩通之后留下的成果，特别适合想搞清楚“雷达点迹和数据到底怎么来的”的人——不管你是学生做课题，还是工程师想脱离原厂 SDK 做算法验证，都能直接参考。
1. PLFM_RADAR 是什么：一套可编程线性调频雷达的完整链路
1.1 项目的由来与解决的问题
我最初做这个项目，是因为手头有一块 24GHz 的毫米波雷达评估板，但原厂 SDK 封装得太严，波形参数都被固件固定死，想改一个调频斜率都要重新配置寄存器，根本没有办法做算法层面的实验。与其在闭源工具链里挣扎，不如自己写一套从波形设计到目标检测的全流程处理程序，于是 PLFM_RADAR 就诞生了。
项目解决的核心问题有三个：第一是把波形参数从硬件里“解放”出来，让带宽、周期、帧数、采样率都变成可配置变量，一套平台适配多种探测场景；第二是打通信号回放链路，让同样的算法代码既能跑仿真数据，也能接真机采集的 ADC 数据；第三是让每一步处理结果都可视化，距离谱、距离-多普勒图、CFAR 检测结果一目了然，方便调试和验证。
这套项目我建议三类人来参考：正在学雷达信号处理、想知道“从发射到出目标”完整链路的学生；手里有 SDR 或雷达评估板、想摆脱原厂黑盒的嵌入式工程师；以及做多传感器融合、需要从底层理解雷达数据含义的算法工程师。即使你没有硬件也没关系，整条链路可以在电脑上纯仿真跑通，代码逻辑跟实机处理完全一致。
1.2 为什么选可编程线性调频，而不是脉冲或相位编码
雷达波形有很多种，常规脉冲、脉冲压缩、相位编码、调频连续波都有各自的适用场景。我最终选了线性调频连续波（FMCW）作为核心波形，原因有两个。
第一个原因是 FMCW 在近距离测量上的硬件成本优势非常明显。它不需要很高的瞬时发射功率，也不需要大动态范围的接收机，因为距离信息是从“发射信号和回波的频率差”里解出来的，而不是从脉冲飞行时间里量出来的。对低成本、低功耗、小型化的应用来说，这是决定性优势，车载雷达和工业测距基本都是这个路线。
第二个原因是线性调频的“可编程”空间非常大。调频带宽决定距离分辨率，调频周期决定速度分辨率和最大不模糊速度，帧数决定速度分辨率的精细程度。参数一变，整套系统的量程、精度、刷新率全都会跟着变。PLFM 的“可编程”含义就是把这一堆参数全部暴露成配置项，同一个硬件平台，改一组配置就能从室内测距切到车载防撞场景。这种灵活性是用固定波形雷达完全体会不到的，也是后期做多模式自适应雷达的基础。
2. FMCW 原理拆解：波形生成、差频测距与多普勒测速
2.1 线性调频信号如何把距离“翻译”成频率
FMCW 雷达发射的是瞬时频率随时间线性增长的信号，也就是常说的 chirp。设载频为 fc，带宽为 B，调频周期为 T，那么调频斜率 K = B / T。发射信号可以写成一个复指数形式：
s_tx(t) = exp(j2π × (fc × t + 0.5 × K × t²))
信号遇到目标后会反射回来，经过时间延迟 τ = 2R / c 回到接收天线，R 是目标距离，c 是光速。接收信号与本地发射信号做混频，得到中频差频信号。忽略高阶小项，差频近似为：
f_b = K × τ
换句话说，目标越远，回波延迟越大，差频就越大。只要解出差频 f_b，距离立刻算出来：
R = f_b × c / (2 × K)
这就像在山谷里大喊一声，靠回声延迟可以估算峭壁距离，但 FMCW 不是直接量时间，而是把时间延迟“翻译”成了频率高低，再用 FFT 去精确量频率。FFT 的频率分辨率很高，所以测距精度和抗噪能力都比单纯量时间延迟要强不少。
2.2 距离分辨率由带宽决定，和时宽没关系
距离分辨率表示雷达能把两个相邻目标分开的最小距离间隔，公式是：
ΔR = c / (2 × B)
它只和信号带宽 B 有关，跟调频周期长短没关系。这个结论很多人一开始觉得反直觉，我举个例子就明白了：带宽相当于你手里这把“尺子”的刻度精细程度，带宽越宽，尺子上的刻度越密，两个靠得很近的目标就越容易被区分开。普通车载雷达带宽做到 1GHz，距离分辨率就是 0.15m 级别；实验里带宽 100MHz，分辨率就是 1.5m。
但带宽不是想加就加的。带宽增加意味着 ADC 采样率、数据处理量、射频前端设计难度同步上升。所以在设计 PLFM_RADAR 参数时，我先把“需要分辨多近的目标”定下来，反推带宽，再根据量程和刷新率去定周期和采样率，而不是随手填一组数字。
2.3 速度维处理：为什么必须做二维 FFT
目标在径向方向运动时，雷达回波会产生多普勒频移：
f_d = 2 × v × fc / c
问题在于，这个多普勒频移会叠加在差频上，只看单个 chirp 的话，你没法区分这个频率偏移到底是距离引起的还是速度引起的。解决办法是连续发射 M 个 chirp，形成一个 M × N 的二维回波数据矩阵：每一行是单个 chirp 的采样点，行与行之间的相位变化包含速度信息。
处理时分两步：先对每一行做一次 FFT，得到距离维频谱；再对距离频谱的每一列做第二次 FFT，得到多普勒维频谱。两次变换后形成一张距离-多普勒图，横轴是距离，纵轴是速度，目标在图中形成一个峰值，峰值坐标直接给出目标的距离和速度。这就是 FMCW 雷达里最常见的二维 FFT 处理。
速度测量也有代价。调频周期 T 决定脉冲重复频率 PRF = 1/T，而最大不模糊速度是 ±PRF × c / (4 × fc)。T 越大，单帧积累时间越长，速度分辨率越好，但最大不模糊速度越小。这个矛盾在参数设计阶段必须面对。
3. 参数设计与软硬件选型：先算清楚再动手
3.1 关键参数计算与验证
我设计了一组适合桌面实验的默认参数，全部算过一遍，在实际跑仿真时完全自洽：
| 参数 | 取值 | 推导说明 |
|---|---|---|
| 载频 fc | 24 GHz | K波段，评估板常用频段 |
| 带宽 B | 100 MHz | 距离分辨率 ΔR = 1.5m |
| 调频周期 T | 256 μs | PRF ≈ 3906 Hz |
| 调频斜率 K | 3.906e11 Hz/s | K = B / T |
| 采样率 fs | 2 MHz | 每帧 N = 512 点 |
| 帧数 M | 128 | 速度分辨率约 0.19 m/s |
用两个目标验证：目标1距离 50m、速度 10m/s；目标2距离 80m、速度 -5m/s。
目标1的理论差频：τ1 = 2×50 / 3e8 = 3.33e-7s，K×τ1 = 130.2kHz。多普勒频移 fd1 = 2×10×24e9 / 3e8 = 1600Hz。升频段差频约 128.6kHz，对应距离约 49.4m，在 1.5m 的分辨率 bin 内可以接受。
目标2的理论差频：τ2 = 2×80 / 3e8 = 5.33e-7s，K×τ2 = 208.3kHz。多普勒频移 fd2 = 2×(-5)×24e9 / 3e8 = -800Hz。差频约 209.1kHz，对应距离约 80.3m。
距离维 FFT 的频率分辨率是 fs/N = 3906.25Hz，对应距离间隔 1.5m。两个目标的峰值分别在约第 33 个和约第 54 个距离 bin 上，分离非常明显。
多普勒维最大不模糊速度 = ±3906.25 × 3e8 / (4×24e9) ≈ ±12.2 m/s，两个目标速度都在范围内，不会出现多普勒模糊。
提示：参数设计时最容易翻车的地方是采样率。差频信号的频谱范围必须小于 fs/2，否则奈奎斯特采样定理直接把你掀翻，目标会“折叠”到错误的位置上。我一般把最大拍频控制在 fs/2 的 80% 以内，给自己留余量。
3.2 硬件选择：仿真起步、评估板进阶、SDR 折腾
PLFM_RADAR 的硬件路线我推荐按阶段走，不要一上来就买一堆射频器件。
第一阶段纯仿真，什么都不用买。用 Python 生成回波、走完整信号处理链路，把算法逻辑练熟。这个阶段能帮你建立完整直觉，知道每个参数影响什么。
第二阶段买一块集成度高的雷达评估板。TI 的 IWR1443、IWR6843 系列都是常见选择，内部集成了射频收发、ADC 和部分硬件加速器，通过 USB 连接电脑就能取回 ADC 原始数据。这类板子适合验证真实射频环境下的性能，也是我最推荐的起步硬件。
第三阶段玩软件无线电平台，比如常见的 SDR 方案配合外置射频前端。灵活性最大，但门槛也最高，你需要自己处理射频链路的匹配、增益控制、同步等问题，适合想深入射频层的朋友，纯做信号处理的话不建议一上来就跳这个坑。
3.3 软件架构与数据流设计
软件部分我全部用 Python，依赖只有 NumPy、SciPy 和 Matplotlib，任何能跑 Python 的环境都能跑。数据流是单向直线：波形参数配置 → 回波仿真或 ADC 读取 → 距离维 FFT → 多普勒维 FFT → CFAR 检测 → 目标参数输出。每步都保留中间结果的数组和绘图函数，调试的时候可以逐层检查数据形态。
为了后续移植方便，我刻意把参数配置、信号处理、检测判决做成三个独立模块。参数配置是一个字典，信号处理模块只接收 NumPy 数组，检测模块只输出目标列表。这样从仿真切换到真机数据时，只需要换掉数据输入那一层，后处理代码完全不用动。这个设计决策后来帮我省了很多事，强烈建议你也这样做。
4. 核心代码实现：从仿真回波到目标检测
4.1 回波仿真与混频建模
以下代码直接生成多帧差频回波矩阵。这里用复信号做等效建模，模拟混频前端的输出，实际硬件中的 I/Q 混频拿到的也是这个复差频信号。
import numpy as np # 参数配置 fc = 24e9 # 载频 24 GHz B = 100e6 # 带宽 100 MHz T = 256e-6 # 调频周期 256 us fs = 2e6 # 采样率 2 MHz K = B / T # 调频斜率 M = 128 # 帧数 N = int(fs * T) # 每帧 512 点 c = 3e8 # 目标列表：距离(m)，径向速度(m/s)，幅度 targets = [ {"R": 50.0, "v": 10.0, "amp": 1.0}, {"R": 80.0, "v": -5.0, "amp": 0.8}, ] # 生成多帧回波矩阵 range_doppler = np.zeros((M, N), dtype=complex) for m in range(M): t = np.arange(N) / fs # 本帧采样时间轴 s_if = np.zeros(N, dtype=complex) for target in targets: # 目标位置随时间更新 R = target["R"] + target["v"] * (m * T + t) tau = 2 * R / c # 发射信号与接收信号（复基带等效） tx = np.exp(1j * 2 * np.pi * (fc * t + 0.5 * K * t**2)) rx = target["amp"] * np.exp( 1j * 2 * np.pi * (fc * (t - tau) + 0.5 * K * (t - tau)**2) ) # 混频取差频 s_if += tx * np.conj(rx) range_doppler[m, :] = s_if这段代码里每帧目标位置都在更新，所以速度引起的跨帧相位变化会被自然包括进来。如果你只想验证静目标，把 v 改成 0 即可。
4.2 距离维 FFT：先看目标的距离谱
距离维 FFT 是对每一帧做 N 点 FFT。为了让峰值更干净，我给数据加了汉宁窗，否则频谱泄漏会在目标旁边拖出一溜“裙子”，弱目标可能被大目标的旁瓣盖住。
# 距离维加窗 window_r = np.hanning(N) rd_windowed = range_doppler * window_r # 距离维 FFT range_fft = np.fft.fft(rd_windowed, axis=1) # 取幅度谱，观察某一帧或平均帧 range_profile_db = 20 * np.log10(np.abs(range_fft.mean(axis=0)) + 1e-12) # 距离轴 freq_r = np.fft.fftfreq(N, 1 / fs) R_axis = freq_r * c / (2 * K)这里我取的是多帧平均后的距离谱，这样做可以压低随机噪声。跑完之后你会看到 50m 和 80m 附近各有一个明显峰值，峰值位置基本落在前面计算的 bin 上。第一维 FFT 做完，我们就可以告诉用户“大概有多远的物体”，但速度信息还混在相位里。
4.3 多普勒维 FFT：距离-多普勒图
把距离维 FFT 的结果按列再做一次 FFT，就得到距离-多普勒二维谱。注意多普勒维度要做 fftshift，把零多普勒频率移到中心，否则速度轴的正负关系会不好看。
# 多普勒维加窗 window_d = np.hanning(M) range_fft_windowed = range_fft * window_d[:, None] # 多普勒维 FFT + 中心化 doppler_fft = np.fft.fftshift( np.fft.fft(range_fft_windowed, axis=0), axes=0 ) # 二维幅度谱 rd_map_db = 20 * np.log10(np.abs(doppler_fft) + 1e-12) # 速度轴 freq_d = np.fft.fftshift(np.fft.fftfreq(M, T)) v_axis = freq_d * c / (2 * fc)在二维图上，两个目标会在对应距离和速度坐标处分别形成亮点。目标1大约在距离 50m、速度 10m/s 的位置，目标2大约在距离 80m、速度 -5m/s 的位置。正是因为做了第二维 FFT，原本叠加在差频上的多普勒频移才会被区分出来。
注意：二维 FFT 的数据量是 M×N，在真实雷达里每一帧的 ADC 数据是连续写入内存的，二维矩阵只是把帧序和采样点序组织成行和列。FFT 方向不要搞反，展开的维度是距离维，帧方向是速度维，这是最容易犯的错误。
4.4 CFAR 检测与目标参数提取
二维图上除了目标峰值还有一堆噪声旁瓣，人眼看着很清晰，但程序要可靠地“圈出”目标需要用恒虚警检测。CFAR 的核心思想是：对每个待检单元，取周围一圈噪声参考单元估计底噪，然后看待检单元功率是否显著高于这个底噪。我用的是一个简化版的二维单元平均 CFAR（CA-CFAR）：
def cfar_ca(map_2d, guard=2, ref=8, pfa=1e-4): rows, cols = map_2d.shape det = np.zeros_like(map_2d, dtype=bool) for i in range(ref + guard, rows - ref - guard): for j in range(ref + guard, cols - ref - guard): # 收集参考单元（去掉保护带） cell = map_2d[i - ref - guard:i + ref + guard + 1, j - ref - guard:j + ref + guard + 1] # 保护带置零后统计周围参考功率 mask = np.ones_like(cell, dtype=bool) mask[guard:-guard, guard:-guard] = False noise = cell[mask] noise_power = np.mean(noise ** 2) # CA-CFAR 阈值系数 n_ref = noise.size alpha = n_ref * (pfa ** (-1.0 / n_ref) - 1) threshold = alpha * noise_power det[i, j] = map_2d[i, j] ** 2 > threshold return det实际使用时建议在幅度谱上做，而不是直接对 dB 值做，因为平方律检波下的噪声统计特性更接近指数分布，阈值公式才有效。检测完成后，把满足条件的点映射回距离和速度：
det_points = np.argwhere(det) for pt in det_points: v_idx, r_idx = pt R = R_axis[r_idx] v = v_axis[v_idx] print(f"检测到目标 -> 距离: {R:.2f} m, 速度: {v:.2f} m/s")这套代码跑完，你会看到输出的两个目标距离和速度都很接近预设值。如果距离偏差明显，多半是速度耦合问题，下面一章专门讲。
5. 调试实录：常见问题、排查思路与避坑技巧
5.1 距离谱上的峰值毛刺和频谱泄漏
第一次跑距离谱，我就发现目标旁边的旁瓣特别大，甚至出现了像“栅栏”一样的周期性起伏。原因很简单：没加窗。矩形窗做 FFT 时，频谱主瓣旁边的旁瓣只衰减 13dB 左右，动态范围不够，大目标会把小目标盖住。
解决办法就是加窗，汉宁窗、布莱克曼窗都可以，代价是主瓣稍微变宽，距离分辨率略有下降，但换来的旁瓣抑制效果非常划算。我在项目里默认用汉宁窗，只有在需要极端距离分辨率且目标强弱差异不大时才换成矩形窗。
还有一个很容易忽略的坑：如果 FFT 点数和实际采样点数不一致，比如补零太多，也会让峰位看起来“漂移”。我习惯让 FFT 点数等于每帧采样点数，再通过插值找峰，这样频率轴和物理轴完全对应，不会产生不必要的定位误差。
5.2 速度影响距离精度：耦合与补偿
前面提到，在单斜坡 FMCW 中，速度会把距离维峰值位置拉偏。仿真目标1真实距离 50m，但因为速度 10m/s，差频里多了一个 1600Hz 的频率分量，换算到距离上大约是 0.6m 的偏差。单独看每个目标偏差不大，但如果目标速度很快，或者距离分辨率很小，偏差会变得不可接受。
补偿方法很直接：先用二维 FFT 得到速度估计 v，然后从差频里把多普勒分量减去，用修正后的频率反算距离：
R = f_b × c / (2 × K) + (fd × c) / (2 × K)
其中 fd = 2 × v × fc / c。实测下来，补偿后的距离误差可以压到距离 bin 的一小部分以内。如果不做这个补偿，后续做目标跟踪时位置跳变会很严重，那种坑我踩过不止一次。
5.3 CFAR 虚警太多或漏目标，该调什么
CFAR 参数调起来很玄学，但逻辑其实是清楚的。虚警太多，就把 pfa 设小一点，阈值会抬高；漏目标，就设大一点。但更常见的原因是参考单元和保护单元设置不合理。
保护单元的作用是防止目标能量“漏”进参考单元从而抬高噪声估计，导致真实目标被抑制。目标在距离-多普勒图里不是单点，而是有旁瓣和展宽，所以保护单元太小，强目标旁边的弱目标很容易被压没。我最初用 guard=1，结果双目标场景里弱目标死活检测不出来，换成 guard=2 瞬间就出来了。
另外，CFAR 在极不均匀背景下的性能很差，比如目标密集区域。工程上更推荐 OS-CFAR（有序统计 CFAR），对多目标环境更稳健，但计算量也更大。项目里我先用 CA-CFAR 把链路跑通，再按需切换 OS-CFAR，两套实现可以共用接口。
5.4 仿真和实机数据差异最大的地方
纯仿真跑得再漂亮，接上真机数据也会遇到几个仿真里看不见的问题。第一是直流偏置，硬件混频器会输出一个 0Hz 附近的直流分量，在距离谱上表现为一个巨大的“零距离峰”，如果不处理，它会通过频谱泄漏污染前面几个距离 bin。我一般用高通滤波或者直接去除零频附近的 bin 来规避。
第二是相位噪声，近距离强反射目标会让远距离弱目标的检测变得困难，这是射频器件本身的物理限制，算法上可以用加窗、增加积累时间缓解，但不可能完全消除。第三是增益不一致，多通道雷达需要做幅度和相位标定，否则后续做角度估计时误差会很大。遇到这些问题，第一反应不应该是调算法，而是先检查数据采集是否正常，这个顺序反过来会让你白忙一晚上。
6. 后续还能怎么玩：从实验平台到产品原型
6.1 扩展到 MIMO：角度测量不再缺
现在的 PLFM_RADAR 只有一发一收，能测距离和速度，但测不了角度。要测方位角，需要把接收通道扩展成阵列。常见做法是采用 MIMO 体制，多发多收通过虚拟阵列技术，用少量物理天线合成大孔径阵列，从而获得角度分辨能力。
代码层面，MIMO 的改动主要集中在哪里？第一是数据矩阵从二维变成三维，增加一个天线维；第二是处理流程里要额外做一发多收的相位校准；第三是测角算法，比如数字波束形成或子空间类方法，输出目标的方位角。如果你手里有评估板，你会发现板子本来就提供了多通道 ADC 数据，算法链路完全可以复用现在的框架。
6.2 波形级优化：跳频、多斜率与自适应配置
PLFM 的“可编程”优势在后续开发里还有更大空间。比如用正负斜率交替的三角调频，可以彻底消除距离-速度耦合，因为两个斜坡上同一个目标会得到一正一反两个差频差值，联立方程就能直接解出真实距离和速度。又比如跳频体制，改变每个 chirp 的起始频率，可以在不增加带宽的情况下实现更复杂的分辨能力。
还有自适应配置方向：根据当前场景调节带宽和帧数。发现近距离目标就切窄带宽、短周期，提高刷新率；发现远距离微弱目标就切大带宽、长积累时间，提升信噪比。这些在现代车载雷达里已经是基础功能，但从零实现的实验平台反而能帮你真正理解参数背后的物理含义。
6.3 与视觉/惯导融合：雷达的大局观
雷达数据单独用其实很“贫血”，它只有一个点的距离、速度、角度，但没有目标类别信息。要和摄像头做融合，雷达提供可靠的距离和速度真值，视觉识别目标类型，两者互补性非常强。我在后续扩展中最想做的一步就是把雷达点迹输出转换成可以与视觉框对齐的目标列表，再通过简单的卡尔曼滤波器做时间上的平滑。
融合时最容易摔跤的地方是坐标系标定。雷达测量是极坐标系，摄像头是像素坐标系，两者需要外参标定才能对齐。这一块越早做越省心，等数据量大了再补标定，返工成本会非常痛苦。建议谁想做融合，先花半天时间把坐标系换算列清楚，再开始写融合代码。
做 PLFM_RADAR 这段时间给我的最大体会是：雷达信号处理看着公式一大堆，但只要把“距离是差频、速度是多普勒、分辨率是带宽”这三句话焊死在脑子里，整个系统就能拆得清清楚楚。仿真跑通只是第一步，真正值钱的是用真机数据喂过一遍、踩过直流偏置和相位噪声的坑之后，你对“雷达点迹里有哪些信息、哪些是不可信的”有了直觉。最后再分享一个小技巧：项目里所有参数都是跑仿真之前先在纸上算一遍，不要嫌麻烦，那些算不清楚就急着上代码的程序，最后八成都在参数调整上浪费了更多时间。
