船舶导航雷达是安装于船舶之上,用于提供船舶定位、航线测量等的专用雷达。近年来,随着对无人船舶、水下机器人等自动驾驶技术的研究,船舶导航雷达逐渐被应用于目标和障碍物检测,并发挥了较好的作用[1 -3]。
微波雷达技术被广泛应用于船舶导航和目标探测,能够在大雾和照明不良的海洋表面进行工作,为船员、船舶和自动航行设备提供了海洋表面的精确一致的距离测量功能[4]。在雷达信号的单次扫描中,可以获得在雷达探测距离内,各个目标的视线观测数据,从而能够在电子海图和定位系统的配合下,完成精确地目标位置预测[5]。在获取雷达信噪比(SNR)详细数据的基础上,本文提出一种基于雷达距离方程的功率距离谱预测方法。
本文的另一个贡献在于,提出了一种将每个范围频谱的雷达范围值的最佳估计,转换为多个目标距离的模型。该模型能够基于接收的信号噪声(SNR)功率进行转换。
1 连续波雷达连续波雷达在海洋导航中的使用,为自动驾驶船舶、无人水上机器人等的研究提供了重要支持,是当前海上障碍避免、自动导航等功能使用的主要设备。连续波(CW)雷达利用连续波进行探测,其可被认为是纯正弦波,与静止目标不同的是,运动目标回波的中心频率会产生多普勒频率偏移。连续波雷达通过测量频率的差异,准确地提取障碍物径向速度,而且,可以通过在连续波雷达中使用内置的2部雷达天线来避免连续雷达发射的中断,如图 1所示。图中标出了不同位置处的适当信号频率值,单个窄带滤波器(NBF)在带宽上尽可能窄,以便精确测量多普勒频率并使噪声功率的量最小。
理论上,连续波雷达的工作带宽是无穷小的,然而这种情况在实际中并不存在,因此连续波雷达被假定为类似于门控CW波形。探测目标的距离,由雷达回波的双向时间延迟进行测量和计算,这要求CW雷达发射和接收波形具有某种定时机制,以便精确地测量障碍物的距离。通过比较回波发射和接收定时标记,CW雷达可以使用该信息来提取障碍物的距离。在实际应用中,通常通过调制传输波形来实现定时标记,而线性频率调制技术可用于正弦信号的波形调制。
目标检测包含一个分析过程,该过程利用不同的算法确定探测目标的距离范围。雷达系统执行的初始任务是扫描周围空间,搜索可能有助于自主导航的目标。一旦物体和目标被检测和识别,它们的信息由雷达系统提取并由微控制器分析。由雷达信号提取的信息包括目标距离、速度和角方位。雷达可以使用不同的搜索模式,并且这些搜索模式取决于正在使用的雷达的类型。如果采用二维扫描波束搜索模式,那么所需的带宽要足够宽,以覆盖期望的搜索区域。
使用在方位角和仰角中操纵的堆叠波束搜索模式,可以用于提供相控阵列雷达。搜索量可以通过在立体弧中的搜索立体角Ω来指定。方位角和仰角的雷达搜索体积定义为ΦA和ΦE,搜索体积公式为:
$ \Omega = \frac{{{\Phi _A}{\Phi _B}}}{{{{(57.296)}^2}}}, $ | (1) |
其中ΦA和ΦE都为度数。雷达天线波束宽度分别以其方位角和仰角波束宽度θa和θe表示。雷达扫描所花费的时间被定义为Tsc,那么检测目标的时间以Tsc表示为:
$ {T_i} = \frac{{{T_{sc}}}}{\Omega }{\theta _a}{\theta _e}, $ | (2) |
圆形孔径的雷达搜索方程为:
$ SNR = \frac{{{P_{av}}A\sigma }}{{16{R^4}k{T_e}LF}}\frac{{{T_{sc}}}}{\Omega }。$ | (3) |
其中A=πD2/4是孔径面积。式(3)的仿真如图 2和图 3所示。其中对于数据间隔的控制,传输能量管理是充分利用雷达系统的全部监视特性所需的基础功能。
检测概率PD 是在存在噪声和目标信号的情况下,目标样本r(t),超过阈值电压的概率。可表示为:
$ {P_D}{\rm{ + }}\int_{{V_T}}^\infty {\frac{r}{{{\psi ^2}}}{I_0}\left( {\frac{{rA}}{{{\psi ^2}}}} \right)} \exp \left( { - \frac{{{r^2} + {A^2}}}{{2{\psi ^2}}}} \right){\text{d}}r, $ | (4) |
假设来自雷达的信号具有幅度为A和功率=A2/2的正弦波的形式:
$ SNR = \frac{{{A^2}}}{{2{\psi ^2}}}\;\;\;\frac{{{A^2}}}{{2{\psi ^2}}} = \ln \left( {\frac{1}{{{p_{fa}}}}} \right), $ | (5) |
检测方程的概率变为:
$ \begin{aligned} {P_D} = & \int_{\sqrt {2{\psi ^2}\ln \left( {1/{P_{fa}}} \right)} }^\infty {\frac{r}{{{\psi ^2}}}} {I_0}\left( {\frac{{rA}}{{{\psi ^2}}}} \right)\exp \left( { - \frac{{{r^2} + {A^2}}}{{2{\psi ^2}}}} \right){\rm{d}}r =\\ & Q\left[ {\sqrt {\frac{{{A^2}}}{{{\psi ^2}}}\sqrt {2\ln \left( {\frac{1}{{{P_{fa}}}}} \right)} } } \right], \end{aligned} $ | (6) |
其中Q为Marcum的Q函数,可表示为:
$ Q[\alpha ,\beta ] = \int_\beta ^\infty {\zeta {I_0}(\alpha \zeta )} {e^{ - ({\zeta ^2} + {\alpha ^2})/2}}{\text{d}}\zeta, $ | (7) |
检测概率可以近似为:
$ {P_D} \approx 0.5 \times erfc(\sqrt { - \ln {P_{fa}}} - \sqrt {SNR + 0.5} ), $ | (8) |
互补误差函数erfc表示为:
$ erfc(z) + 1 - \frac{2}{{\sqrt {\rm{\pi }} }}\int_0^z {{e^{ - {v^2}}}{\rm d}v} 。$ | (9) |
在确定检测概率时,Marcum的Q函数的仿真值如图 4所示。
当脉冲数nP > 1时,Marcum定义目标误报的概率为
$ \begin{aligned} PD \cong & \frac{{erfc \left( {\frac{2}{{\sqrt \pi }}} \right)}}{2} - \frac{{{e^{ - {V^2}/2}}}}{{\sqrt {2\pi } }}[{C_3}({V^2} - 1) + {C_4}V(3 - {V^2}) - \\ & {C_6}V({V^4} - 10{V^2} + 15)],\\ V = & \frac{{{V_T} - {n_p}(1 + SNR)}}{\varpi }。\end{aligned} $ | (10) |
其中C3,C4,C6为Gram-Charlier序列,其与π的变异性取决于目标类别。
雷达方程的综合形式考虑了与任何雷达系统相关的积分损失,可表示为:
$ {R^4} = \frac{{{P_{av}}{G_t}{G_r}{\lambda ^2}\sigma I({n_p})}}{{{{(4\pi )}^3}k{T_e}FB\tau {f_r}{L_t}{L_f}{{(SNR)}_1}}}。$ | (11) |
当前,船舶导航雷达被广泛应用于船舶的目标自动检测,基于这一应用场景,本文提出了一种新型的目标自动检测模型算法,该模型能够将每个雷达距离频谱的最佳估计转换为多个目标的航向,同时还提出了一种基于雷达距离方程的功率频谱(距离频段)预测方法。通过仿真和数值验证,证明了本文提出的方法具有较好的实用性。
[1] | 储昭亮, 王庆华, 陈海林, 等. 基于极小误差阈值分割的舰船自动检测方法[J]. 计算机工程, 2007, 33 (11): 239–241. |
[2] | 隆刚, 陈学佺. 高分辨率遥感图像港内舰船的自动检测方法[J]. 计算机仿真, 2007, 24 (5): 198–201. |
[3] | 高鸿启, 沈学举, 邵珺, 等. 基于小波变换方法的海上舰船目标边缘提取[J]. 兵工自动化, 2009, 28 (10): 12–14. |
[4] | GRAHAM M B, STEVE B S. Millimetre waves for robotics[Z]. Presented at the Australian Conference for Robotics and Automation. Australia:Sydney. 2001. |
[5] | BOEHMKE J B S, EDWARD M, KEITH L. A high speed 3D radar scanner for automation[C]//In Proceedings of ICRA'98. 1998:2777-2782. |