本研究由Scott L. Cassidy（通讯作者）、Sukhjit Pooni、Mikhail Cherniakov、Edward G. Hoare（IEEE高级会员）以及Marina S. Gashinova共同完成，所有作者均来自英国伯明翰大学（University of Birmingham）电子、电气与系统工程系。该论文于2022年4月21日投稿，经修订后于2022年8月19日被接收，并于2022年9月12日在线发表，最终刊登于IEEE Transactions on Aerospace and Electronic Systems期刊2023年4月出版的第59卷第2期。此项研究得到了英国创新署（Innovate U.K.）项目“认知实时感知系统在自动驾驶车辆中的应用（CORTEX）”的资助。
本研究属于车载雷达信号处理领域，旨在解决自动驾驶技术发展中的核心感知难题。高精细度的车辆周边环境感知是实现高级别自动驾驶（L4/L5级）的关键前提。当前，先进系统主要依赖光学摄像头和激光雷达（Lidar），但这些传感器在恶劣天气（如暴雨、大雾）条件下性能会严重下降。相比之下，车载雷达具有在恶劣天气下稳定工作的潜力，但其广泛应用面临着横向距离分辨率（cross-range resolution）差、旁瓣电平（sidelobe levels）高和动态范围低等显著挑战。
现代车载雷达已普遍采用多输入多输出（MIMO）天线体制，以较低的天线阵元数量实现与传统相控阵等同的角度分辨率。然而，MIMO技术自身存在固有缺陷：由于其对整个视场（FOV）进行泛光照射，其波束赋形效果等同于单向传播，无法获得双向传播带来的旁瓣抑制优势，导致高旁瓣问题尤为突出。另一方面，多普勒波束锐化（DBS），亦称非聚焦合成孔径雷达，是一种利用雷达平台运动时静止目标径向速度的角度依赖性，通过对回波进行多普勒处理来获得优于实孔径的横向分辨率的技术。此技术虽已在机载雷达中成熟应用，但在车载领域的探索极为有限。
基于此现状，研究团队确立了明确的研究目标：提出并验证一种将MIMO波束赋形与DBS技术深度融合的新方法（MIMO-DBS），旨在显著提升横向距离分辨率，并大幅抑制旁瓣电平，最终实现利用商用MIMO传感器，获得可与高分辨率机械扫描雷达媲美的对车辆周边静止环境的高保真成像能力。
本研究通过理论分析、仿真模拟和车载实验三个环节，系统性地验证了所提出的MIMO-DBS方法。
1. 基本原理与问题解决 为实现MIMO与DBS的有效结合，研究首先需要解决TDM-MIMO（时分复用MIMO）体制下平台运动引起的问题。在TDM-MIMO中，各发射天线是顺序激活的，平台运动会导致不同发射-接收通道之间产生额外的相位偏移，此偏移与目标径向速度有关（具体量化为归一化径向速度 v’_r）。这会带来测角误差、主瓣分裂成两个假目标和旁瓣抬高等严重后果。针对此问题，算法必须在多普勒域进行运动补偿。由于本研究聚焦于静止目标成像，其径向速度完全由平台自身运动引起，该速度与多普勒模糊可以通过假设目标位于天线波束物理范围（FOV）之内、选择最接近平台速度的模糊值来有效解算。研究通过采集真实复杂路况下的数据（使用Inras Radarlog 4发16收MIMO传感器），验证了该补偿方法可将分裂的假目标完美消除。
2. MIMO-DBS算法核心流程 算法的核心是联合利用两个独立的测角信息。MIMO通过快时间维度的虚拟阵列FFT获得目标到达角（θ），而DBS利用慢时间维度的多普勒处理获得目标与平台速度矢量的夹角（α）。对于一维水平阵列，在目标仰角（φ）接近0的简化条件下，二者存在关系 α ≈ |θ|。算法流程如下： * 数据采集与预处理：获取车载MIMO雷达在平台匀速行驶条件下的原始回波数据，并进行必要的校正。 * MIMO测角处理：对每个多普勒单元对应的数据进行运动补偿（乘以exp(-jΔφn)消除相位误差），然后沿虚拟阵列维度进行波束赋形（通常使用FFT），获得包含目标到达角θ信息的MIMO角度谱。 * DBS测角处理：对每个距离单元的数据，在慢时间维度（跨多个MIMO帧）进行多普勒FFT处理。根据静止目标的径向速度vr与平台速度vp和夹角α的关系式 vr = - vp · cos(α)，计算出每个多普勒频率对应的角度α。由于α的余弦关系，DBS的角分辨率在偏离正侧方的大角度处更高，这与MIMO在正前方（boresight）分辨率最高的特性形成天然互补。 * 联合处理与融合：此时，我们得到一个过完备的四维数据立方体（距离、MIMO角度θ、多普勒角度α、多普勒速度）。通过提取并保留位于 α ≈ |θ| 对角线附近的样本点，可以有效地降低数据维度并生成一个联合的方位向测量。 * 重采样与成像：由于联合后的样本点在角度域是非均匀分布的，需通过补零操作和进一步的线性插值，最终生成在统一坐标系下均匀采样的高分辨率二维雷达图像。
3. 仿真与实验验证 为严格验证算法性能，研究设计了全面的仿真和实验。 * 仿真环节：使用MATLAB编写了模拟软件，模拟了与实验所用Inras Radarlog传感器相同的4发16收天线阵列。设置了一个由35个理想点目标构成的规则网格（横向-15至15米，距离30至50米，仰角0°），平台速度设为10英里/小时。仿真了四种工况进行对比：静止平台、运动平台未补偿、运动平台仅做运动补偿、以及完整的MIMO-DBS处理。 * 实验环节：在伯明翰大学校园内进行了车载实验。实验车尾部安装了一套Inras Radarlog 77GHz MIMO雷达和一台作为基准对照的Polarad 79GHz高分辨率机械扫描雷达。在穆尔黑德塔（Muirhead Tower）附近和停车场区域采集了包含典型静止场景（如栏杆、墙面、立柱、草地路沿）的数据。为了定量验证理论分辨率，还专门设置了角反射器目标。数据分析的关键步骤还包括对平台速度的精确估算，先通过多普勒回波进行初始估计，再通过手动调焦（autofocus）方式寻优。
1. 理论性能分析结果 研究推导出了MIMO、DBS以及MIMO-DBS组合情况下的波束宽度理论表达式，并指出MIMO-DBS的3dB波束宽度近似公式为：Δθ ≈ 0.9 / sqrt[( (N/2)cosθ )^2 + ( (2tvp/λc) sinθ )^2]。理论分析表明：在正前方，组合分辨率等同于MIMO固有分辨率；当目标方位角大于6.1°的转折点后，DBS贡献显现，使组合分辨率远超MIMO。研究还分析了距离单元徙动（range cell migration）对分辨率的限制效应，指出更长的相干处理时间（CPI）和更高的平台速度会增加徙动，存在一个最优CPI平衡信噪比（SNR）和分辨率。此外，对平台速度估计精度的理论约束指出，对于20°外的目标，要保证功率损失不超过3dB，速度估计精度需优于0.5%。
2. 仿真结果 仿真结果直观展示了算法效果。无运动补偿时，图像完全散焦；仅做运动补偿后，方位向质量显著恢复，但因距离单元徙动，距离分辨率略有下降；而完整的MIMO-DBS处理展现出卓越性能：对于最远离正前方的点目标，波束宽度（beamwidth）的减小极为显著，所有目标的旁瓣电平均大幅下降，实现了预期的分辨率提升和旁瓣压制双重目标。
3. 实验结果 在穆尔黑德塔场景中，MIMO-DBS处理图像的旁瓣水平和横向分辨力相比仅经运动补偿的MIMO图像有了质的飞跃。具体细节显示，场景左侧的栏杆清晰可辨，由于此处目标偏离正前方角度大，DBS贡献显著，分辨率提升尤其明显；一处有顶棚区域的支撑柱和后部墙面在MIMO图像中几乎被高旁瓣淹没，而在MIMO-DBS图像中，由于旁瓣的大幅抑制，图像对比度极大改善，墙体结构的分布式特征清晰可见。最终成像质量可与作为黄金标准的Polarad机械扫描雷达图像相媲美。
4. 定量验证结果 对角反射器目标的分析定量验证了理论。测量的角反射器波束宽度与理论曲线高度吻合。平台速度误差影响的测试结果显示，测得的角度误差与理论公式推算值一致；当目标位于31°时，为保证最多3dB的功率损失，测得的最大允许速度误差为±1.08%，与理论计算值±1.03%非常接近。关于相干处理时间的影响，实验显示将CPI从16ms增加到64ms，图像信噪比和角度分辨率显著提升；但进一步增至128ms时，改善变得不甚明显，印证了距离单元徙动带来的制约。
本研究成功证明了，通过在传统MIMO传感器上应用DBS联合处理方法，可以实现对运动车辆周边静止环境的高保真成像，其性能可媲美高分辨率机械扫描雷达。该方法利用DBS产生的间接角度测量与MIMO的直接测角相结合，显著减小了大部分视场内的波束宽度，并将最大旁瓣电平从约-13dB降至-30dB（未加窗）。研究还从理论和实验上确定了成像性能（分辨率和功率损失）对系统参数（阵列大小、平台速度、CPI）和平台速度估计误差的依赖关系。此项技术的科学价值在于开创性地揭示了MIMO与DBS两种测角机制在车载环境下的深度互补性，并为解决MIMO雷达的高旁瓣这一固有难题提供了优雅的解决方案。其应用价值巨大，有望使低成本、小尺寸的商用MIMO雷达传感器支持图像分割、区域分类等高级感知功能，为高级别自动驾驶系统在恶劣天气下提供关键的感知冗余和鲁棒性，推动自动驾驶技术迈向更安全、更可靠的未来。研究展望指出，未来工作将专注于将该技术扩展至包含动态目标（如行驶车辆）的复杂场景。