关于使用毫米波雷达进行海浪测量研究调查

最近一直在思考怎么通过毫米波雷达来进行波高的测量，调查着发现，毫米波雷达在海浪测量领域仅仅只用来测量波高可太浪费了，波速，波向，海况等级甚至是谱峰频率之类的都有可能做到。于是对这段时间的调查做一个总结。

论文（基于双毫米波雷达立方体的3D空间实时无人机检测）

首先是这篇论文，是英国伦敦大学的Kevin Chetty教授带领的团队做的，虽然暂时还未被期刊收录，但是这篇论文的一些思路可以借鉴。

这篇论文提出了一种基于双毫米波雷达数据立方体的实时三维无人机检测方法——CubeDN。作者通过在两个毫米波雷达间进行空间融合，构建了更密集且互补的点云感知空间，并利用深度神经网络直接在雷达立方体（而非传统点云）上进行目标检测与定位，充分利用了雷达Doppler-Range-Angle三维信息的结构特征，实现了对无人机的实时三维检测和跟踪。 实验部分表明，CubeDN能在存在噪声与遮挡的复杂环境中保持较高检测精度和低延时，相比传统基于单雷达或二维特征的模型具有显著优势。

上面这张图是该论文流程的一个概述，从两个AWR1843BOOST上获取距离、多普勒和角度信息，这里为什么要用两个呢，因为AWR1843BOOST的方位角分辨率为15°，而俯仰角分辨率确只有60°，两者相差很大，并且对于无人机的实时三维检测和跟踪任务而言，相同的方位角和俯仰角分辨率更利于检测，所以作者将一个毫米波雷达横放，以此来弥补俯仰角分辨率较差的问题。

然后，作者将从两个毫米波雷达获取到的两个三维数据块在方位角和俯仰角维度上进行逐元素相称，形成了一个四维数据块，将这种四维数据块作为深度学习模型的训练数据，这个四维立方体融合了来自水平雷达和垂直雷达的方位角和俯仰角信息，同时保留了多普勒和距离信息。这种融合方式有效地捕捉了两个雷达之间方位角和俯仰角的关系，并在物体存在的位置增强了信号的共现性，并且没有增加使用网络从每个雷达中分别提取和拼接特征的额外复杂性。

上图是作者做实验所用的硬件平台

• 水平和垂直毫米波雷达：同时获得方位角、俯仰角、距离和速度信息，形成丰富的思维信息；
• 外部控制器：负责对双雷达采集的数据进行同步；
• RGB摄像头：对每个雷达帧进行准确的时间戳标记。

模型的输入是思维数据立方体，其维度为（D,R,A,E），经过网络处理后输出一个置信度立方体。

最后一层的分类头将通道数减少至目标类别的数量，说明作者将多普勒维度当成了通道数，在预测过程中，这个维度最终成了无人机的类别数，这表明网络隐含利用多普勒信息来辅助分类。

受这篇文章的启发，对于波高测量任务而言，什么类型的数据更适合呢，毫米波雷达又能获取哪些数据，数据处理过程中的中间产物又有哪些，只有把握好了数据这一部分，深度学习模型才能展现出好的效果。

论文（低入射角下波浪水槽中毫米波雷达的测量）

这篇文章是由武大的赵教授带领的团队做的，2024年4月21日发表在2024 Photonics & Electromagnetics Research Symposium (PIERS)，是一篇会议论文。

该文章探索毫米波雷达从不同入射角度出发，对比两种不同水面形态下的雷达回波信号强度（NRCS）。实验验证了入射角越大信号越弱的规律，还发现不规则波的回波信号衰减过程要比规则波要平缓得多 该论文使用的是77 GHz FMCW雷达，天线配置12个发射通道和16个接收通道，中心频率77 GHz，带宽4 GHz，调频斜率29.982 MHz/µs，脉冲时长60 µs，ADC采样率25 MHz，每帧包含255个chirps。

论文研究该毫米波雷达在近垂直入射条件下对水面的测量性能，实验场景如下图所示，水箱建于室内，可以消除风速的影响，尺寸为长50米、宽30米、深10米，毫米波雷达安装在拖车上，距离水面约13.4米。

上图为实验场景

极化模式为垂直-垂直，发射天线发射的是垂直极化波，接收天线也只接收垂直极化波

波浪配置包括规则波和不规则波

实验结果展示了在规则波和不规则波两种情况下归一化雷达截面随入射角的变化。

左图为归一化雷达截面随入射角在规则波水面下的变化（波高为0.34米）

右图为归一化雷达散射截面积随入射角变化的关系（显著波高为0.24米）

在有效波高为0.24米（不规则波）的情况下，NRCS（归一化雷达散射截面）值在0°-25°的入射角范围内下降了约30 dB，而在入射角大于约25°后，散射截面没有明显变化。然而，从规则波获得的NRCS值在0°-15°的入射角范围内大约下降了25 dB。规则波的过渡区域要比不规则波的过渡区域要小。 实验结果表明，随着入射角增大，镜面散射能量的比例逐渐减小。

此外，不规则波更能反映真实的海洋环境，并且由于毫米波雷达回波与波高之间的关系受到入射角、波浪形态等因素的严重非线性影响，传统算法难以解决，因此，采用数据驱动的深度学习方法，端到端地学习这种复杂的映射关系，或许是一种更好的途径。将入射角加入深度学习模型的输入中，将来如果将这个模型放在安装在晃动的船上的毫米波雷达测量系统中，可能轻微晃动就使得算法失效。

论文（基于STF-GNN毫米波雷达点云人体动作识别方法）

这篇论文使重庆邮电大学的宇翔老师团队做的，该论文设计了一种基于毫米波雷达点云特征的时空融合图神经网络模型，可以有效解决毫米波雷达产生的稀疏点云数据存在的时空关联性不足和局部动作特征离散化导致的特征表示不完整的问题。 训练数据集为MMActivity和MMGesture公开数据集，分别是首个通过毫米波雷达用于人体活动识别的点云数据集和迄今为止第一个通过毫米波雷达收集的手势数据集。两个数据集都是由TI-IWR1443BOOST毫米波雷达进行采集。

改论文模型直接处理的是点云序列，具体来说，模型的基础训练单元是一段连续60帧（相当于2秒时长）的点云序列。每一帧的点云都包含了空间坐标、速度、距离、辐射强度等多为信息。

其实波浪本身也是一个连续的时空过程，可以借鉴这种方法，将点云序列作为模型的输入，那么就需要思考对于波浪来说，一个合适的序列长度应该是多少，这可能取决于波浪的周期。并且速度信息对于判断波浪的起伏和传播方向至关重要。另外雷达点云数据在空间中是稀疏、不规则分布的，在寻找合适基准模型的时候要注意。

论文（基于毫米波雷达相位时间序列的波高估计）

由浙江大学徐志伟教授团队在2022年11月24日发表在IEEE GEOSCIENCE AND REMOTE SENSING LETTERS。

该论文提出并验证了一种利用77GHz毫米波雷达回波信号的相位信息来反演估算海面波浪高度的方法。 首先，使用一个成熟的数学模型（冯氏半经验波谱）在计算机上生成了不同风速下的一维随机海浪表面。接着使用基尔霍夫近似方法，仿真了77GHz毫米波雷达垂直照射到这个虚拟海浪上所产生的回波信号。 基于FMCW雷达的核心原理（即相位变化与距离变化成正比），提出了两个关键的浪高估算指标（基于相位时间序列的标准差来估算浪高的均方根值和基于相位的最大和最小差值来估算最大浪高。

图1为生成的一维随机粗糙海面

图2显示了回波的能量强度（随风速增大，后向“镜面对准”的局部面片比例下降，能量在空间角度上分散，因此后向回波功率平均值下降、起伏加剧）

图3显示了回波的相位（相位随时间的波动更频繁，海面涨落更快、更大）

图4显示了解缠绕（phase unwrapping）后的相位时间序列（相位原始在-π到π之间绕圈，解缠是把连续轨迹复原，风速越大，解缠后的相位跨度越宽，对应更大的高度变化）

解缠相位波高估计方法

根据FMCW毫米波雷达原理，当距离发生微小变化Δr 时，相位的变化由下式给出：

其中，λ 是毫米波的波长，这样就让相位的变化和水面高程的变化联系起来。

对相位进行解缠，并用标准差法和极差法得到两个统计量：

仿真结果：

通过解缠相位时间序列估算的波高结果，2秒内获得的解缠绕相位时间序列估算出的浪高，在低风速时，hstd和实际浪高有很好的相关性，但是在高风速下，hmax和hstd都和实际浪高有很大偏差，分析原因，应该是在高风速下，波浪的主峰周期Tp变长，2s的时间窗口不足以覆盖完整波周期，统计量变得“局部化”，导致偏差。将窗口时长拉长到10s（蓝色虚线这次不是hmax而是三分之一的hmax），蓝色虚线和红色虚线更为一致并且和真值之间的偏差也变小。

这证明了累积时长极大地影响了浪高反演，为了防止估算结果仅仅是一个小的局部波动，解缠绕相位的时间长度应至少大于峰值波周期。

窗口时长和采样频率

既然窗口时长很重要，那么窗口时长应该设置为多少合适。

根据冯氏波谱和重力波的色散关系，峰值波周期Tp​=U19.5​/1.31，将积分时长表示如下：

β 是用于校正积分时间的系数。

为了保证相位解缠不失败，将时间采样提升到10KHz。

窗口覆盖主峰周期是必要条件，但不是充分条件，还需要保证相位解缠不失败。

上图的β为1和1.5时效果更好，所以用同样的β进行时间采样频率为10KHz的实验，在高风速下的估算浪高得到了显著提高，显示了窗口时长和采样频率的重要性。

对于不知道具体风速时的情况，作者设计了一个通过数据比较的策略自主选择窗口时长

最后，作者对误差来源进行了分析，在实际的水面散射过程中，必须考虑电磁波的入射角，下图显示了估算浪高与真实浪高之间的差异，由水面波动获得的波高与通过相位解缠获得的真实波高之间的差异可以由以下式子得出：

当雷达高度为5米时，差值ε随入射角θ和估算波高△r变化的函数关系

当估算的雷达高度 △r 为 0.5 米时，ε 表示 △r 与 h 的差值，随入射角 θ 和波高 h 的变化关系。

Δr 和 h 之间的差异 ε 与雷达高度和入射角呈正相关。图14显示了当雷达高度为5米时，在不同入射角和 Δr 下的差异 ε。差异 ε 随着入射角的增大而增大。然而，Δr 对实际结果影响很小，并且 Δr 与该差异呈负相关。 当雷达高度较高时，根据公式(9)，差异几乎与雷达高度成正比。图15显示了当 Δr 为0.5米时，不同雷达高度和入射角下的差异。该差异随着雷达高度的增加而显著增加。因此，在实际应用中，雷达应靠近海面，并且其波束宽度应较窄。

毫米波雷达数据处理链

上图是根据TI文档，对AWR1843BOOST的数据处理流程进行的总结。

实际测试

为了验证雷达测量波高是可行的，我做了一个简单的实验。由于手上暂时只有一个毫米波雷达，没有采集板，所以是通过UART转usb将雷达处理好的数据进行可视化。（这次实验只是做一个简单的可行性验证，不涉及具体的量化验证，实验时雷达距水面高度约为1.1m，水深0.4m）

实验水池如图：

首先是单发单收的测试，分别测试了60s静止，30s上升和60s的先上升后下降的测试。

从左往右分别是60s静止，30s上升和60s先上升后下降雷达距水面距离随时间变化曲线。

从上往下分别是原始数据，将原始数据中小于0.5m的y轴数据进行滤除，进行平滑操作（限制相邻帧之间的差距大于0.05m）

对于单发单收的测试，发现静止实验中，雷达似乎直接穿越水面，测得的是池底距雷达的高度，这应该是由于水深的问题，以后在造波池中加深水深应该可以解决。30s上升实验中，经过平滑操作后，可以很清楚的看出一条缓慢上升的曲线，同样的在60s先上升后下降实验中，经过平滑操作后，也是可以看出先上升后下降的趋势。这是一个良好的开端。

除了单发单收外，还做了双发四收和三发四收的实验，这里将测试结果进行展示，但不过多解释了。

2t4r实验结果

3t4r实验结果

总体构想

目前可以试试三种类型的数据，点云数据，解缠相位曲线和FFT后的RDA三维矩阵，将这三种类型的某一种作为模型的训练数据，最终达到波高或者波速，海况的准确测量。