检索
E-mail
RSS

网络空间安全科学学报 >

2026 1 - 10

DOI: https://doi.org/10.20172/j.issn.2097-3136.260506

面向自动驾驶安全的车载毫米波雷达鬼影目标去除方法

  • 杨帅 1 ,
  • 肖亮 2 ,
  • 陈彦 , 1, *
展开
  • 1. 中国科学技术大学网络空间安全学院，合肥 230027
  • 2. 厦门大学信息学院，厦门 361105
陈彦（）。

网络出版日期: 2026-05-21

基金资助

国家资助博士后科研计划（GZC20241660）

版权

版权所有©《网络空间安全科学学报》编辑部 2026
收起

Ghost target removal method for automotive millimeter-wave radar in autonomous driving safety

  • Yang Shuai 1 ,
  • Xiao Liang 2 ,
  • Chen Yan , 1, *
Expand
  • 1. School of Cyber Science and Technology, University of Science and Technology of China, Hefei 230027, China
  • 2. School of informatics, Xiamen University, Xiamen, 361105, China

Online published: 2026-05-21

Copyright

Copyright ©2026 Journal of Aeronautical Materials. All rights reserved.
Fold

摘要

车载毫米波雷达由于其成本较低、不受光照、烟雾等恶劣环境影响的特点，在自动驾驶中得到广泛应用。然而，随着道路上车载雷达数量的增多以及频谱资源（77~81GHz）的稀缺性日益凸显，雷达间的相互干扰问题变得愈发严重。所产生的鬼影目标会降低雷达的灵敏度，显著提升虚警概率，从而严重威胁自动驾驶安全。针对这一问题，本文提出一种联合出发角—到达角—多普勒信息的多域联合鬼影目标去除方法。核心发现在于，干扰信号与目标回波存在非对称传播特性，即目标回波为往返传播，而干扰信号为单程传播。首先，本文在出发角—到达角域进行联合角度估计，利用干扰单程传播无出发角信息这一特点，实现干扰与目标回波在角度域的分离。对于位于零度角附近的鬼影目标，本文通过引入慢时间域伪随机编码，将其变换至多普勒域，再通过构建最大化信干噪比的优化模型将其去除。实验结果表明，所提方法能够有效去除雷达间干扰所产生的鬼影目标，提升雷达在复杂电磁环境下的感知可靠性。

关键词： 自动驾驶; 车载毫米波雷达; 鬼影目标; 出发角; 到达角; 慢时间编码

本文引用格式

杨帅 , 肖亮 , 陈彦 . 面向自动驾驶安全的车载毫米波雷达鬼影目标去除方法[J]. 网络空间安全科学学报, 2026 : 1 -10 . DOI: 10.20172/j.issn.2097-3136.260506

Abstract

Automotive millimeter-wave radar has been widely applied in autonomous driving due to its low cost and strong robustness to adverse conditions such as illumination and smoke. However, with the increasing number of radars on roads and the growing scarcity of spectrum resources (77~81GHz), mutual interference among these radars has become a critical issue. The resulting ghost targets degrade radar sensitivity and significantly increase the false alarm rate, posing a serious threat to autonomous driving safety. To address this problem, this paper proposes a multi-domain joint ghost target removal method integrating angle of departure (AoD), angle of arrival (AoA), and Doppler information. A key finding is that interference signals have asymmetric transmission characteristics compared with target echoes: target echoes involve round-trip propagation, whereas interference involves one-way propagation. Initially, this paper performs joint angle estimation in the AoD-AoA domains. By exploiting the absence of AoD information in one-way interference signals, this paper achieves the separation of interference and target echoes in the angular domain. For ghost targets near the zero-degree angle, this paper introduces pseudo-random coding in the slow time domain to convert them into the Doppler domain, where they are effectively removed through an optimization model designed to maximize the signal-to-interference-plus-noise ratio (SINR). Experimental results demonstrate that the proposed method can effectively remove ghost targets caused by inter-radar interference, thereby enhancing the perceptual reliability of radars in complex electromagnetic environments.

Key words： autonomous driving; automotive millimeter-wave radar; ghost target; angle of departure (AoD); angle of arrival (AoA); slow-time coding

0 引言

毫米波雷达凭借其成本较低、探测距离远以及在雨雪雾等恶劣天气条件下性能稳定的突出优势，已成为自动驾驶感知系统中不可或缺的核心传感器[1-3]。随着汽车智能化进程的加速，雷达的大规模生产与部署已成为必然趋势。然而，这也导致道路上搭载的雷达系统在硬件架构、工作频段及调制方式上呈现出高度的相似性，甚至同质化。这种频谱资源（77~81GHz）的拥挤现象和信号特征的趋同程度，使得雷达间的相互干扰问题日益凸显[4-6]。
当多部雷达同时工作时，彼此发射的电磁波可能被对方接收并被错误处理为真实回波，从而在探测结果中产生虚假目标，即鬼影目标[7]。尽管鬼影目标出现的概率不高，但其一旦出现，便具有与真实目标高度相似的多维特征（如距离、速度和角度），导致感知系统难以通过常规手段进行有效甄别与滤除[8]。这种不可预测的虚假感知信息一旦输入至自动驾驶的决策与控制模块，极有可能引发诸如无征兆紧急制动、非必要自动转向或异常加减速等危险操作，严重威胁行车安全。因此，如何有效抑制雷达间的相互干扰、消除鬼影目标，已成为当前提升自动驾驶系统鲁棒性与安全性的关键问题。
现有文献已对车载毫米波雷达相互干扰抑制开展了广泛研究。Jin等[9]利用目标回波与干扰信号在频谱分布上的差异，设计自适应噪声消除器以抑制干扰。Bechter等[10]通过在频率域对雷达工作频带进行动态调整，规避干扰影响。然而，该方法需预先为各雷达分配工作频率，随着雷达数量的增长，可用带宽将受到限制。Neemat等[11]提出利用Burg法外推受干扰的采样点。此类基于参数模型的方法对模型误差较为敏感，且需合理选择模型阶数。Wang等[12]将干扰抑制问题建模为信号分离任务，但其分离效果高度依赖正则化参数的选择，若参数选择不当将导致性能下降。在角度域层面，若雷达配备天线阵列，可采用自适应波束形成技术抑制干扰[13-14]。然而，当目标与干扰源位于同一方向时，该技术会同时削弱目标信号，增加漏检风险。需要指出的是，上述方法主要针对典型的线性调频干扰，难以有效消除相同雷达系统间产生的鬼影目标干扰。
近期，文献[15-17]聚焦于相同或相似雷达系统间的相互干扰问题，并尝试通过精细化波形设计加以抑制。然而，波形设计方法普遍存在计算复杂度较高的问题，尤其在采用长码序列时更为显著。此外，在码长固定条件下，具备优良自相关特性的码序列数量有限，制约了该方法的大规模应用。更为关键的是，该方法要求预先为不同雷达协调分配码序列，在复杂道路环境中难以实际部署。上述局限性促使研究者探索更为高效的鬼影目标抑制策略。
针对相似或相同车载毫米波雷达间日益严重的相互干扰问题，本文基于干扰的两个关键特性提出了一种鬼影目标消除方法。一方面，干扰通常具有单程传播特性，与受干扰雷达自身发射信号的往返传播路径存在本质差异。基于这一特性，本文首先在出发角—到达角域进行联合角度估计，以滤除出发角不为零度的鬼影目标。对于出发角为零度的目标，本文通过在慢时间维度引入伪随机编码，将干扰产生的鬼影目标扩散至多普勒域的噪声基底，从而显著降低虚警概率。另一方面，由于干扰具有单程传播特性，其通常具有较高的功率，在接收信号中占据主导成分。因此，本文采用最大化信干噪比（SINR）的优化准则，在有效抑制强干扰的同时最大限度保留目标回波能量，进而提升鬼影目标去除的稳健性与雷达在复杂电磁环境下的目标检测性能。

1 相关工作

近年来，抑制车载毫米波雷达间的相互干扰已成为国内外学术界和工业界共同关注的核心问题。为应对这一挑战，研究者已提出各类解决方案，大致可分为基于信号处理与基于深度学习两大类方法。
基于信号处理的干扰抑制方法大多依托现有商用雷达硬件架构，通过分析与处理接收回波实现干扰消除。Barjenbruch等[18]提出了一种低复杂度的干扰置零方法，直接剔除受干扰采样点，虽计算高效，但易导致旁瓣升高，增加弱目标检测难度。针对该问题，Wang等[19]和Rameez[20]引入自回归模型对受干扰采样点进行插值，然而此类参数化方法对模型阶数的选择与模型误差较为敏感，鲁棒性有限。Uysal等[21]从目标回波与干扰信号的本质差异出发，将干扰抑制重构为信号分离问题，但其性能高度依赖正则化参数的选择，若参数选取不当将导致性能显著下降。Kunert等[22]在极化域通过将干扰雷达与受干扰雷达的天线极化方向设计为正交，实现了20 dB以上的干扰抑制效果。Bechter等[23]和Yang等[24]在空域引入自适应波束形成技术，通过空间滤波实现干扰抑制，但当目标与干扰源空间角度相近时，可能同时抑制目标信号，增大漏警风险。Uysal等[25]进一步在编码域对调频连续波（frequency modulated continuous wave，FMCW）雷达发射波形进行相位调制，借助波形设计实现高效的干扰抑制。
近年来，压缩感知技术在车载毫米波雷达相互干扰抑制领域展现出广阔的应用前景。Chen等[26]引入稀疏贝叶斯学习方法从接收信号中识别并滤除干扰与噪声分量。Xu等[27]则采用增广拉格朗日收缩算法，在多种变换域中实现目标与干扰信号的稀疏分离。Xu等[28]进一步提出了基于L1范数优化的目标提取算法，取得了良好的干扰抑制效果。需要指出的是，上述方法主要针对线性调频脉冲干扰的抑制，其最优超参数难以适用于所有脉冲波形，易导致脉冲间相关性减弱，进而降低距离—多普勒谱图的质量。
随着人工智能技术的飞速发展，深度学习技术为车载毫米波雷达相互干扰抑制提供了新的解决路径[29-31]。相关研究借助卷积神经网络（convolutional neural network，CNN）强大的特征提取能力，从复杂回波中跨域提取目标特征或学习干扰信号的结构特征[32-36]。然而，目前尚缺乏开源的实测干扰数据集，仿真生成的干扰数据难以准确刻画真实场景中的杂波分布与噪声统计特性。此外，训练样本的标注质量也严重制约有监督学习方法的泛化能力与实用性。
信号处理方法适用于干扰结构已知的场景，其计算复杂度低、可解释性强，且不依赖大量标注样本，但在复杂动态干扰下性能易下降；而深度学习方法适用于干扰模式多变、难以显式建模的场景，能够自适应学习干扰特征，但高度依赖大规模、多样化的标注数据，且泛化能力受训练数据分布影响较大，实时性和可解释性相对较差。

2 信号模型

2.1 车载FMCW MIMO雷达

考虑一个多雷达共存场景，其中包含多个体制相同的商用多发多收（multiple input multiple output，MIMO）毫米波雷达系统，均工作在同一频段，采用线性调频连续波作为发射波形。每个雷达均配备$ {N}_{T} $根发射天线和$ {N}_{R} $根接收天线，如图1所示。在每一个雷达相干处理间隔（coherent processing interval，CPI）内，以脉冲重复间隔（pulse repetition interval，PRI）$ T $周期性地发射$ N $个线性调频脉冲。那么，单个CPI内的周期性发射信号可以表示为：
图 1 FMCW MIMO雷达天线阵列

Fig.1 FMCW MIMO radar antenna array

$ u(t)=\sum \limits_{n=0}^{N-1}x(t-nT) $
其中，$ x(t)={\alpha }_{t}{\mathrm{e}}^{{\mathrm{j}}2\pi \left({{f}_{0}}t+\tfrac{1}{2}\eta {{t}^{2}}\right)} $，$ {\alpha }_{t} $表示发射信号的幅度，$ \eta =B/T $表示发射信号的调制斜率，定义为带宽$ B $与单个chirp持续时间$ T $之比。这里，不同雷达的带宽$ B $和chirp持续时间$ T $都是相同的。
假设在感兴趣的观测区域内存在$ K $个目标，那么对应于第$ {n}_{t} $根发射、$ {n}_{r} $根接收天线的第$ {k}^{th} $个目标的往返时延为：
$ {\tau }_{k}=\frac{2({r}_{k}+{v}_{k}t)+{\mathrm{n}}_{t}{d}_{t}\sin {\theta }_{t,k}+{\mathrm{n}}_{r}{d}_{r}\sin {\theta }_{r,k}}{c} $
其中$ {r}_{k} $，$ {v}_{k} $，$ {\theta }_{t,k} $，$ {\theta }_{r,k} $分别表示第$ {k}^{{\mathrm{th}}} $个目标的距离、径向速度、出发角和到达角。$ {d}_{t} $，$ {d}_{r} $分别表示相邻发射、接收天线的间距，$ c $表示光速。在毫米波雷达接收机内，接收信号$ s(t) $为发射信号$ x(t) $的一个时延版本，其可以表示为：
$ s(t)=\sum \limits_{k=1}^{K}{\alpha }_{k}u(t-{\tau }_{k}) $
其中，$ {\alpha }_{k} $表示第$ {k}^{{\mathrm{th}}} $个目标的幅度，它与雷达截面积（radar cross section，RCS）成正比。
除了目标回波外，还存在来自干扰雷达的干扰信号。与公式（1）类似，干扰雷达同样发射周期性的chirp信号，该信号经单程路径传播后进入受干扰雷达的接收机，其表达式可建模为：
$ i(t)={\alpha }_{I}u(t-{\tau }_{I}) $
其中，干扰雷达和受干扰雷达之间的单程传播时延为：
$ {\tau }_{I}=\frac{{r}_{I}+{v}_{I}t+{n}_{r}{d}_{r}\sin {\theta }_{I}}{c} $
同样地，这里$ {\alpha }_{I} $、$ {r}_{I} $和$ {v}_{I} $分别表示干扰雷达的幅度、距离和径向速度。
在受干扰雷达的接收机内，接收信号$ r(t) $为目标回波和干扰信号的和，其表达式为
$ r(t)=s(t)+i(t)+e(t) $
其中，$ e(t) $表示零均值圆对称高斯白噪声。然后，接收信号$ r(t) $与发射信号$ u(t) $的复共轭混合，这一过程称为解调，可得到拍频信号为：
$ y(t)=r(t)\cdot {x}^{*}(t) $
经过低通滤波和数字采样，对应第$ {n}_{t} $、$ {n}_{r} $根发射、接收天线的信号可表示为：
$ \begin{aligned}y(n,m)&=\sum \limits_{k=1}^{K}{\tilde{\alpha }}_{k}{{\mathrm{e}}}^{-{\mathrm{j}}2\pi \left({{f}_{r,k}}m+{{f}_{d,k}}n+\tfrac{{\mathrm{n}}_{r}{d}_{r}\sin {\theta }_{r,k}+{n}_{t}{d}_{t}\sin {\theta }_{t,k}}{\lambda }\right)}\\& +{\tilde{\alpha }}_{I}{{\mathrm{e}}}^{-{\mathrm{j}}2\pi \left({{f}_{r,I}}m+{{f}_{d,I}}n+\tfrac{{\mathrm{n}}_{r}{d}_{r}\sin {\theta }_{I}}{\lambda }\right)}+\tilde{e}(n,m)\end{aligned} $
其中，$ {\tilde{\alpha }}_{k}={\alpha }_{k}{\alpha }_{t}{{\mathrm{e}}}^{-{\mathrm{j}}2\pi {{f}_{0}}\tfrac{2{r}_{k}}{c}} $，$ {\tilde{\alpha }}_{I}={\alpha }_{I}{\alpha }_{t}{{\mathrm{e}}}^{-{\mathrm{j}}2\pi {{f}_{0}}\tfrac{{r}_{I}}{c}} $。

2.2 鬼影目标干扰特征

在典型的道路自动驾驶场景中（如图2 所示），前向红色车辆所搭载的毫米波雷达（作为干扰源）会对后方白色车辆（即受干扰车辆）的雷达系统产生电磁干扰，从而影响其正常感知性能。理论分析表明，当干扰雷达与受干扰雷达采用完全一致的波形参数时，所引发的相互干扰会在受干扰雷达接收端形成特定频率分量上的虚假目标，即鬼影目标，其典型表现如图3 所示。此类鬼影目标会被受干扰雷达误判为真实障碍物，从而触发诸如紧急制动等非预期操作。尤其在浓雾、暴雨等低能见度环境下，此类误报极易导致交通事故，严重威胁行车安全。
图 2 道路场景中鬼影目标造成紧急刹车

Fig.2 Ghost target causes emergency braking in road scenarios

图 3 时频域鬼影目标示意

Fig.3 Illustration of ghost target in the time-frequency domain

此外，由于干扰仅经历干扰雷达发射机至受干扰雷达接收机的单程路径衰减，而目标回波则需经历受干扰雷达发射—目标反射—受干扰雷达接收的双程传播，根据雷达方程，干扰信号的功率通常显著高于目标回波功率。因此，单纯依赖传统能量检测或恒虚警率（constant false alarm rate，CFAR）方法难以在强干扰背景下实现可靠的目标检测，需结合干扰的物理特性设计更具针对性的抑制策略。

3 方法

FMCW MIMO雷达鬼影目标去除方法系统流程如图4 所示。首先对接收到的雷达回波信号进行联合 AoA-AoD 角度估计，从而在角度域有效消除非零度角的鬼影目标。随后，通过引入慢时间域伪随机编码，将残留的鬼影目标变换至多普勒域，使其与真实目标在多普勒频率上分离。最后，基于最大化信干噪比准则对信号进行优化处理，进一步滤除鬼影目标，实现高精度的目标检测。
图 4 FMCW MIMO 雷达鬼影目标去除方法系统流程

Fig.4 FMCW MIMO radar ghost target removal method system flowchart

3.1 联合方位角—俯仰角估计

鬼影目标的出现会严重影响真实目标的检测，导致雷达系统的虚警概率显著上升。其关键特征在于干扰信号与目标回波在传播机制上的本质差异：干扰信号仅经历从干扰雷达发射机到受干扰雷达接收机的单程传播，而真实目标回波则需经历受干扰雷达发射—反射—受干扰雷达接收的双程传播路径。这一差异使得鬼影目标在角度维度上表现出独特的特征，即：真实目标同时具备 AoA 与 AoD 信息，而干扰源并非由受干扰雷达主动照射产生，因此干扰回波中仅包含 AoA 分量，完全缺失 AoD 信息。基于此，通过联合估计每个散射点的 AoA 与 AoD，并对比二者的一致性，即可有效甄别真实目标与鬼影目标。单个数据帧时间段内（毫秒级），毫米波雷达的发射和接收端均处于持续工作状态，此时，可认为干扰源相对受干扰雷达发射阵列的角度几乎不变。
针对距离维检测到的每个目标，提取其对应$ {N}_{T} $根发射天线和$ {N}_{R} $根接收天线的阵列接收信号$ \boldsymbol{Y}\in {\boldsymbol{C}}^{{{N}_{T}}\times {{N}_{R}}} $。将出发角和到达角分别均匀地划分为$ G $和$ Z $个格点，那么接收信号可表示成如下的稀疏形式：
$ \boldsymbol{Y}={\boldsymbol{W}}_{T}\boldsymbol{AW}_{R}^{T} $
其中，
$ \begin{aligned}{\boldsymbol{W}}_{T}&=\left[\begin{array}{lll}{\boldsymbol{w}}_{t}({\theta }_{t,1}) & \cdots & {\boldsymbol{w}}_{t}({\theta }_{t,G})\end{array}\right]\in {\boldsymbol{C}}^{{{N}_{T}}\times G}\\{\boldsymbol{W}}_{R}&=\left[\begin{array}{lll}{\boldsymbol{w}}_{r}({\theta }_{r,1}) & \cdots & {\boldsymbol{w}}_{r}({\theta }_{r,Z})\end{array}\right]\in {\boldsymbol{C}}^{{{N}_{R}}\times Z}\\{\boldsymbol{w}}_{t}({\theta }_{t})&={\left[\begin{array}{lll}1 & \cdots & {{\mathrm{e}}}^{\mathrm{{j}}2\text{π} \tfrac{{d}_{t}\sin {\theta }_{t}({N}_{T}-1)}{\lambda }}\end{array}\right]}^{{\mathrm{T}}}\in {\boldsymbol{C}}^{{{N}_{T}}\times 1}\\{\boldsymbol{w}}_{r}({\theta }_{r})&={\left[\begin{array}{lll}1 & \cdots & {{\mathrm{e}}}^{{\mathrm{j}}2\text{π} \tfrac{{d}_{r}\sin {\theta }_{r}({N}_{R}-1)}{\lambda }}\end{array}\right]}^{{\mathrm{T}}}\in {\boldsymbol{C}}^{{{N}_{R}}\times 1}\end{aligned} $
分别表示发射天线、接收天线对应的导向矩阵和导向矢量。
$ \boldsymbol{A}=\left[\begin{matrix}{\alpha }_{1,1} & \cdots & {\alpha }_{1,Z}\\\vdots & \ddots & \vdots \\{\alpha }_{G,1} & \cdots & {\alpha }_{G,Z}\end{matrix}\right]\in {\boldsymbol{C}}^{G\times Z} $
表示复值幅度矩阵，其中元素$ {\alpha }_{g,z} $表示对应第$ {(g,z)}^{{\mathrm{th}}} $个角度格点处的信号幅度。值得注意的是，由于$ {\alpha }_{g,z} $中仅有少量元素非零，因此复值幅度矩阵$ \boldsymbol{A} $具有稀疏特性。
得到阵列接收信号$ \boldsymbol{Y}\in {\boldsymbol{C}}^{{{N}_{T}}\times {{N}_{R}}} $后，首先对其进行列向量化操作：
$ \boldsymbol{y}=\text{vec}(\boldsymbol{Y})={\boldsymbol{W}}_{TR}\text{vec}(\boldsymbol{A}) $
其中，$ {\boldsymbol{W}}_{TR}={\boldsymbol{W}}_{T}\otimes {\boldsymbol{W}}_{R} $，$ \otimes $表示克罗内克积。为了获得高分辨率的联合AoA-AoD频谱，构建如下加权最小二乘（weighted least square，WLS）问题：
$ \underset{{\alpha }_{g,z}}{\min }{\left(\boldsymbol{y}-{\alpha }_{g,z}\boldsymbol{w}_{TR}^{H}\right)}^{H}\boldsymbol{J}_{g,z}^{-1}\left(\boldsymbol{y}-{\alpha }_{g,z}{\boldsymbol{w}}_{TR}\right) $
其中，$ {\boldsymbol{J}}_{g,z}=\boldsymbol{\hat{R}}-{\hat{p}}_{g,z}{\boldsymbol{w}}_{TR}({\theta }_{g},{\theta }_{z})\boldsymbol{w}_{TR}^{H}({\theta }_{g},{\theta }_{z}) $表示来自除了出发—到达角度对$ ({\theta }_{g},{\theta }_{z}) $以外信号的协方差矩阵，导向矢量$ {\boldsymbol{w}}_{TR} $定义为：$ {\boldsymbol{w}}_{TR}={\boldsymbol{w}}_{R}\otimes {\boldsymbol{w}}_{T} $。协方差矩阵$ \boldsymbol{\hat{R}} $定义为：$ \boldsymbol{\hat{R}}={\boldsymbol{W}}_{TR}\boldsymbol{\hat{P}W}_{TR}^{H} $。这里$ \boldsymbol{\hat{P}} $表示维度为$ (GZ)\times (GZ) $的对角矩阵，其对角元素$ {\hat{p}}_{g,z} $为出发—到达角度对$ ({\theta }_{g},{\theta }_{z}) $处的信号功率，即：$ {\hat{p}}_{g,z}={\left| {\hat{\alpha }}_{g,z}\right| }^{2} $。
对公式（13）以$ {\alpha }_{g,z} $为自变量求导，可以得到闭式解：
$ {\hat{\alpha }}_{g,z}=\frac{\boldsymbol{w}_{TR}^{H}{\boldsymbol{\hat{R}}}^{-1}\boldsymbol{y}}{\boldsymbol{w}_{TR}^{H}{\boldsymbol{\hat{R}}}^{-1}{\boldsymbol{w}}_{TR}} $
可以看到，协方差矩阵$ \boldsymbol{\hat{R}} $的估计依赖于信号幅度$ {\hat{\alpha }}_{g,z} $，因此公式（14）可以以一种迭代的方式进行。算法的初始化可将协方差矩阵$ \boldsymbol{\hat{R}} $设置为单位矩阵。整个算法仅需10次迭代即可达到收敛。
图5 给出发射、接收天线阵列孔径分别为 5 倍波长与 6 倍波长条件下的联合 AoA-AoD 成像结果。由图5 (a) 可见，集中式 MIMO 雷达为收发一体架构，真实目标对应的出发角与到达角一致。由图5 (b) 可见，干扰雷达生成的鬼影目标受非对称传播特性影响，其出发角恒为 0°。
图 5 AoA-AoD 成像结果

Fig.5 AoA-AoD imaging result

基于上述角度特征，在 AoA-AoD 联合域对各检测目标开展二维谱峰搜索，依据 AoD 是否为 0° 即可区分真实目标与鬼影目标，实现虚警滤除。然而，当鬼影目标 AoA 也为 0° 时，仅依靠联合角度域处理已无法将其与真实目标有效区分。针对这一特殊情形，需进一步引入多普勒域信息以提升鉴别能力，具体分析将在下一节展开。

3.2 多普勒域处理

3.2.1 伪随机慢时间编码

基于干扰与目标回波的非对称传播特性（即：干扰仅经历单程传播，目标回波需经历发射 — 目标反射 — 接收的双程传播），本文采用编码类方法实现二者有效分离。然而，现有编码类方法普遍存在计算复杂度高、依赖多雷达间预先协同配置等局限，难以直接部署于动态交通场景。上述局限促使本文引入伪随机慢时间编码序列，实现鬼影目标抑制。
受干扰雷达与干扰雷达在一个相干处理间隔内所使用的伪随机慢时间编码序列如图6所示：$ \boldsymbol{c}= {\left[{c}_{1},{c}_{2},\cdots {c}_{N}\right]}^{{\mathrm{T}}} $，$ \boldsymbol{z}={\left[{z}_{1},{z}_{2},\cdots {z}_{N}\right]}^{{\mathrm{T}}} $。
图 6 慢时间编码示意

Fig.6 Illustration of slow-time coding

该编码序列施加于慢时间 Chirp 时序维度。为保证 N 个 Chirp 周期内发射功率恒定，将编码序列幅值归一化为 1，即：$ \left| {c}_{i}\right| =\left| {z}_{i}\right| =1,n=1,\cdots N $。因此，在受干扰雷达接收机端，可将式 (8) 接收信号改写为：
$ \begin{aligned}y(n,m)&=\sum \limits_{k=1}^{K}{\tilde{\alpha }}_{k}{{\mathrm{e}}}^{-{\mathrm{j}}2\text{π} ({{f}_{r,k}}m+{{f}_{d,k}}n)}+\\& {\tilde{\alpha }}_{I}{c}^{*}(n)z(n){{\mathrm{e}}}^{-{\mathrm{j}}2\text{π} ({{f}_{r,I}}m+{{f}_{d,I}}n)}\end{aligned} $
对式 (15) 做二维快速傅里叶变换（FFT），可得到对应的距离—多普勒频谱。如图7（a）所示，未采用慢时间编码时，干扰信号在距离—多普勒域表现为鬼影目标。而采用慢时间编码后，由于不同雷达使用相互独立的伪随机编码序列，鬼影目标被转换为多普勒域中的噪声基底，如图7（b）所示。
图 7 有无慢时间编码条件下的距离—多普勒图谱

Fig.7 Range-Doppler spectrogram with and without slow-time coding

尽管通过慢时间编码处理可有效消除鬼影目标，但强干扰残留能量仍会抬升接收机噪声基底，降低雷达系统探测灵敏度，易造成弱目标漏检。由于干扰信号具有单程传播特性、自身功率更高，其对噪声基底的抬升效应更为显著。针对这一问题，本文引入最大化信干噪比优化准则，通过设计自适应滤波器或波束形成权重，在保持目标回波增益的同时最大限度抑制干扰分量，进一步削弱干扰对检测性能的影响，提升雷达在复杂电磁环境下的目标探测能力。

3.2.2 最大化信干噪比准则

最大化信干噪比准则优化算法的核心在于找到多普勒域内最优的权重矢量$ \boldsymbol{u}\in {\boldsymbol{C}}^{N\times 1} $，使得输出信干噪比最大化：
$ \underset{\boldsymbol{u}}{\max }\frac{{P}_{\text{target}}}{{P}_{\mathrm{int}}+{P}_{\text{noise}}} $
其中，$ {P}_{\text{target}} $，$ {P}_{\mathrm{int}} $和$ {P}_{\text{noise}} $分别表示目标，干扰功率和噪声的功率。
定义 $ {P}_{i+n}={P}_{\mathrm{int}}+{P}_{\text{noise}}={\boldsymbol{u}}^{H}{\boldsymbol{R}}_{i+n}\boldsymbol{u} $，其中，$ {\boldsymbol{R}}_{i+n} $为干扰和噪声的协方差矩阵。$ {P}_{\text{target}}=\alpha _{t\boldsymbol{a}r}^{2}{\boldsymbol{u}}^{H} \boldsymbol{a}({f}_{u}){\boldsymbol{a}}^{H}({f}_{u})\boldsymbol{u} $，其中，$ \alpha _{{\mathrm{tar}}}^{2} $表示输入信号的功率，$ \boldsymbol{a}({f}_{u})=[ 1 \;\; \cdots\;\; {{\mathrm{e}}}^{-{\mathrm{j}}2\text{π} {{f}_{u}}(N-1)} ] $表示多普勒域内的导向矢量。那么公式（16）可写为：
$ \underset{\boldsymbol{u}}{\max }\frac{\alpha _{tar}^{2}{\boldsymbol{u}}^{H}\boldsymbol{a}({f}_{u}){\boldsymbol{a}}^{H}({f}_{u})\boldsymbol{u}}{{\boldsymbol{u}}^{H}{\boldsymbol{R}}_{i+n}\boldsymbol{u}} $
根据瑞利不等式，公式（17）在当$ {\boldsymbol{v}}_{\text{opt}}=\mu \boldsymbol{R}_{{}_{i+n}}^{-1}\boldsymbol{a}({f}_{u}) $时取得最大值，其中$ \mu $为一个常数。
利用矩阵求逆引理，式（17）可写为：
$ \begin{aligned}{\boldsymbol{v}}_{\text{opt}}&=\mu \left[\boldsymbol{R}_{y}^{-1}+\frac{\alpha _{{\mathrm{tar}}}^{2}\boldsymbol{R}_{y}^{-1}\boldsymbol{a}({f}_{u}){\boldsymbol{a}}^{H}({f}_{u})\boldsymbol{R}_{y}^{-1}}{1-\alpha _{{\mathrm{tar}}}^{2}\boldsymbol{a}({f}_{u})\boldsymbol{R}_{y}^{-1}{\boldsymbol{a}}^{H}({f}_{u})}\right]\boldsymbol{a}({f}_{u})\\& =\mu \boldsymbol{R}_{{}_{y}}^{-1}\boldsymbol{a}({f}_{u})\end{aligned} $
该方法可有效消除鬼影目标产生的噪声基底在多普勒域内的影响。
表1中总结了FMCW MIMO雷达鬼影目标去除方法。
表 1 FMCW MIMO雷达鬼影目标去除方法

Table 1 Automotive FMCW MIMO radar ghost target removal method

算法1：FMCW MIMO雷达鬼影目标去除方法
初始信息：阵列接收信号；伪随机编码序列；阵列协方差矩阵初始为单位阵；
出发角—到达角度域：
1） 提取出对应发射、接收天线的二维信号$ \boldsymbol{Y}\in {\boldsymbol{C}}^{{{N}_{T}}\times {{N}_{R}}} $，并以式（9）稀疏形式对其建模；
2） 按照式（12）将其列向量化：$ \boldsymbol{y}=\text{vec}(\boldsymbol{Y})={\boldsymbol{W}}_{TR}\text{vec}(\boldsymbol{A}) $
3） 构造式（13）所示的加权最小二乘问题：
　　 $ \underset{{\alpha }_{g,z}}{\min }{\left(\boldsymbol{y}-{\alpha }_{g,z}\boldsymbol{w}_{TR}^{H}\right)}^{H}\boldsymbol{J}_{g,z}^{-1}\left(\boldsymbol{y}-{\alpha }_{g,z}{\boldsymbol{w}}_{TR}\right) $
4） 利用矩阵求逆引理得到式（14）闭式解：
　　 $ {\hat{\alpha }}_{g,z}=\dfrac{\boldsymbol{w}_{TR}^{H}{\boldsymbol{\hat{R}}}^{-1}\boldsymbol{y}}{\boldsymbol{w}_{TR}^{H}{\boldsymbol{\hat{R}}}^{-1}{\boldsymbol{w}}_{TR}} $
5） 对比目标AoA、AoD值，以滤除部分鬼影目标；
多普勒域：
6） 按照式（15）对慢时间域信号进行伪随机编码；
7） 二维FFT操作将鬼影目标变换为多普勒域内增加的噪声基底；
8） 构造式（16）所示最大化信干噪比优化算法：
　　 $ \underset{\boldsymbol{u}}{\max }\dfrac{{P}_{\text{target}}}{{P}_{\mathrm{int}}+{P}_{\text{noise}}} $
9） 进一步将式（16）改写为：
　　 $ \underset{\boldsymbol{u}}{\max }\dfrac{\alpha _{{\mathrm{tar}}}^{2}{\boldsymbol{u}}^{H}\boldsymbol{a}({f}_{u}){\boldsymbol{a}}^{H}({f}_{u})\boldsymbol{u}}{{\boldsymbol{u}}^{H}{\boldsymbol{R}}_{i+n}\boldsymbol{u}} $
10） 根据瑞利不等式求解式（17）最优解；
11） 利用矩阵求逆引理得到多普勒域最优的权重矢量，如式（18）所示：$ {\boldsymbol{v}}_{\text{opt}}=\mu \boldsymbol{R}_{{}_{y}}^{-1}\boldsymbol{a}({f}_{u}) $
12） 得到最终的目标探测结果。

4 实验结果

本节通过仿真数据验证所提方法的有效性。仿真场景设置三部同型号商用 FMCW MIMO 毫米波雷达，其中一部为受干扰雷达，其余两部作为干扰雷达。三部雷达的发射天线数、接收天线数、载波频率、线性调频带宽及调频周期分别设置为：$ {N}_{T}=10 $，$ {N}_{R}=12 $，$ {f}_{0}=77\text{GHz} $，$ B=500\text{MHz} $，$ T=50\text{μs} $。每个相干处理间隔内包含 256 个线性调频 Chirp 信号，采样频率为 25 MHz，单个 Chirp 快时间采样点数为 512。因此，单个 CPI 内接收信号维度为 10×12×256×512。仿真环境设置两个待检测目标，分别给定距离、径向速度及对应干扰雷达相关参数分别为$ \left\{30\ {\mathrm{m}},30\ {\mathrm{m}}, 30\ {\mathrm{m}}\right\} $和$ \left\{-10\text{ m/s},10\text{ m/s},20\text{ m/s}\right\} $，两目标信号功率均设置为 0 dB。本文所采用编码序列均为模值为 1 的伪随机二进制序列，信噪比定义为$ 20{\lg }\dfrac{{\alpha }_{1}}{\delta } $，本文设置为 10 dB。
为验证伪随机慢时间编码对鬼影目标的抑制效果，给出编码后经二维 FFT 处理得到的距离—多普勒图像及对应多普勒谱。其中，图8（a）、图8（b）、图8（c） 左侧分别对应干扰功率为 0 dB、10 dB、20 dB 时的距离—多普勒图像，右侧为对应典型距离单元的多普勒频谱。与图7（a） 未编码结果相比，采用伪随机慢时间编码后，原本难以在角度域滤除的鬼影目标被有效映射至多普勒域，并以抬升噪声基底的形式分布于整个多普勒区间，不再集中叠加在真实目标所在多普勒位置。
图 8 不同干扰功率下慢时间编码结果

Fig.8 Range-Doppler results after slow-time coding with different interference power

干扰功率大小直接决定噪声基底抬升幅度：干扰功率为 0 dB 时，多普勒谱噪声基底小幅抬升，真实目标仍可清晰辨识，如图8（a）所示。当干扰功率增大至 20 dB 时，如图8（c）右侧，被抬高的噪声基底几乎完全淹没目标峰值，导致双目标在多普勒域难以可靠检测。该现象说明，仅依靠伪随机慢时间编码虽然可将鬼影干扰转化为背景噪声，但强干扰工况下过高的噪声基底仍会掩盖弱目标信号。
针对上述问题，本文引入最大化信干噪比准则优化算法，对 AoA-AoD 域预处理后的信号在多普勒域做自适应加权，提升目标在多普勒域的可检测性。图9 给出经该算法优化后的多普勒谱结果。可以看出，优化后真实目标多普勒峰值被显著增强，背景噪声基底得到有效抑制，峰值信噪比由原先不足 0 dB 提升至 27 dB。原本被强干扰淹没的两个目标轮廓清晰、峰值突出，可被检测算法稳定识别提取。充分验证了所提方法在强鬼影干扰环境下恢复目标检测性能的有效性。
图 9 本文方法优化后的多普勒谱结果

Fig.9 Optimized Doppler results of the proposed method

5 结束语

本文针对相同或相似体制车载毫米波雷达系统间的相互干扰问题，提出一种基于干扰非对称传播特性的鬼影目标去除方法。该方法通过出发角 — 到达角 — 多普勒域联合处理，实现干扰的有效分离与抑制。与依赖特定编码设计的传统方法不同，本文方法兼容任意伪随机编码序列，具备良好的普适性与工程规模化应用潜力。实验结果验证了所提鬼影目标去除方法的有效性与高效性。
尽管如此，本文方法在复杂多目标场景下仍存在一定局限。当干扰与目标在角度—多普勒域高度混叠时，方法分辨精度会受到制约。后续可引入稀疏重构或超分辨测角方法（如迭代自适应方法），提升混叠区域的目标分辨能力。同时，算法在实时处理及嵌入式平台的工程部署可行性仍需进一步论证。针对该问题，可设计低复杂度定点化实现结构，采用并行流水线架构，满足车载硬件的实时性约束。
后续研究将探索基于深度学习的端到端干扰识别机制，并进一步拓展至多雷达协同场景下的动态干扰管理策略，推动该方法在自动驾驶感知系统中的实际落地应用。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
Oprisan D, Rohling H. Analysis of mutual interference between automotive radar systems[C]//International Radar Symposium (IRS). Berlin, 2005: 83-90.

2
黄岩, 张慧, 兰吕鸿康, 等. 汽车毫米波雷达信号处理技术综述[J]. 雷达学报, 2023, 12 (5): 923- 970.

Huang Y, Zhang H, Lan L H, et al. Overview of signal processing techniques for automotive millimeter-wave radar[J]. Journal of Radars, 2023, 12 (5): 923- 970.

3
Brooker G M. Mutual interference of millimeter-wave radar systems[J]. IEEE Transactions on Electromagnetic Compatibility, 2007, 49 (1): 170- 181.

DOI

4
Alland S, Stark W, Ali M, et al. Interference in automotive radar systems: characteristics, mitigation techniques, and current and future research[J]. IEEE Signal Processing Magazine, 2019, 36 (5): 45- 59.

DOI

5
Sun S Q, Petropulu A P, Poor H V. MIMO radar for advanced driver-assistance systems and autonomous driving: advantages and challenges[J]. IEEE Signal Processing Magazine, 2020, 37 (4): 98- 117.

DOI

6
Aydogdu C, Keskin M F, Carvajal G K, et al. Radar interference mitigation for automated driving: exploring proactive strategies[J]. IEEE Signal Processing Magazine, 2020, 37 (4): 72- 84.

DOI

7
Reiher M, Yang B. On the occurrence of ghost targets in linear FMCW radar: a worst case study[C]//Proceedings of the 2008 International Radar Symposium. Piscataway: IEEE Press, 2008: 1-4.

8
Hahmann K, Schneider S, Zwick T. Evaluation of probability of interference-related ghost targets in automotive radars[C]//Proceedings of the 2018 IEEE MTT-S International Conference on Microwaves for Intelligent Mobility (ICMIM). Piscataway: IEEE Press, 2018: 1-4.

9
Jin F, Cao S Y. Automotive radar interference mitigation using adaptive noise canceller[J]. IEEE Transactions on Vehicular Technology, 2019, 68 (4): 3747- 3754.

DOI

10
Bechter J, Sippel C, Waldschmidt C. Bats-inspired frequency hopping for mitigation of interference between automotive radars[C]//Proceedings of the 2016 IEEE MTT-S International Conference on Microwaves for Intelligent Mobility (ICMIM). Piscataway: IEEE Press, 2016: 1-4.

11
Neemat S, Krasnov O, Yarovoy A. An interference mitigation technique for FMCW radar using beat-frequencies interpolation in the STFT domain[J]. IEEE Transactions on Microwave Theory and Techniques, 2019, 67 (3): 1207- 1220.

DOI

12
Wang J P, Ding M, Yarovoy A. Interference mitigation for FMCW radar with sparse and low-rank Hankel matrix decomposition[J]. IEEE Transactions on Signal Processing, 2022, 70, 822- 834.

DOI

13
Bechter J, Eid K, Roos F, et al. Digital beamforming to mitigate automotive radar interference[C]//Proceedings of the 2016 IEEE MTT-S International Conference on Microwaves for Intelligent Mobility (ICMIM). Piscataway: IEEE Press, 2016: 1-4.

14
Rameez M, Dahl M, Pettersson M I. Adaptive digital beamforming for interference suppression in automotive FMCW radars[C]//Proceedings of the 2018 IEEE Radar Conference (RadarConf18). Piscataway: IEEE Press, 2018: 252-256.

15
Bose A, Tang B, Soltanalian M, et al. Mutual interference mitigation for multiple connected automotive radar systems[J]. IEEE Transactions on Vehicular Technology, 2021, 70 (10): 11062- 11066.

DOI

16
Tang B, Huang W J, Li J. Slow-time coding for mutual interference mitigation[C]//Proceedings of the 2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Piscataway: IEEE Press, 2018: 6508-6512.

17
Yang S, Zhang D H, Li Y D, et al. iSense: enabling radar sensing under mutual device interference[J]. IEEE Transactions on Mobile Computing, 2024, 23 (11): 10554- 10569.

DOI

18
Barjenbruch M, Kellner D, Dietmayer K, et al. A method for interference cancellation in automotive radar[C]//Proceedings of the 2015 IEEE MTT-S International Conference on Microwaves for Intelligent Mobility (ICMIM). Piscataway: IEEE Press, 2015: 1-4.

19
Wang J P, Ding M, Yarovoy A. Matrix-pencil approach-based interference mitigation for FMCW radar systems[J]. IEEE Transactions on Microwave Theory and Techniques, 2021, 69 (11): 5099- 5115.

DOI

20
Rameez M, Dahl M, Pettersson M I. Autoregressive model-based signal reconstruction for automotive radar interference mitigation[J]. IEEE Sensors Journal, 2021, 21 (5): 6575- 6586.

DOI

21
Uysal F. Synchronous and asynchronous radar interference mitigation[J]. IEEE Access, 2019, 7, 5846- 5852.

DOI

22
Kunert M, Bodereau F, Goppelt M, et al. D1.5-study on the state-of-the-art interference mitigation techniques[R]. Brussels: European Commission, 2010.

23
Bechter J, Rameez M, Waldschmidt C. Analytical and experimental investigations on mitigation of interference in a DBF MIMO radar[J]. IEEE Transactions on Microwave Theory and Techniques, 2017, 65 (5): 1727- 1734.

DOI

24
Yang S, Shang X L, Zhang D H, et al. IMIA: interference mitigation via iterative approaches for automotive radar[J]. IEEE Transactions on Radar Systems, 2023, 1, 753- 766.

DOI

25
Uysal F. Phase-coded FMCW automotive radar: system design and interference mitigation[J]. IEEE Transactions on Vehicular Technology, 2020, 69 (1): 270- 281.

DOI

26
Chen S, Taghia J, Kuhnau U, et al. Automotive radar interference reduction based on sparse Bayesian learning[C]//Proceedings of the 2020 IEEE Radar Conference (RadarConf20). Piscataway: IEEE Press, 2020: 1-6.

27
Xu Z, Yuan M. An interference mitigation technique for automotive millimeter wave radars in the tunable Q-factor wavelet transform domain[J]. IEEE Transactions on Microwave Theory and Techniques, 2021, 69 (12): 5270- 5283.

DOI

28
Xu Z. Bi-level l1 optimization-based interference reduction for millimeter wave radars[J]. IEEE Transactions on Intelligent Transportation Systems, 2023, 24 (1): 728- 738.

DOI

29
Wang J P, Li R L, Zhang X Q, et al. Interference mitigation for automotive FMCW radar based on contrastive learning with dilated convolution[J]. IEEE Transactions on Intelligent Transportation Systems, 2024, 25 (1): 545- 558.

DOI

30
刘子涵, 贾玲如, 卢晓珍, 等. 基于强化学习的无人机轻量化身份认证方法[J]. 网络空间安全科学学报, 2025, 3 (4): 16- 28.

DOI

Liu Z H, Jia L R, Lu X Z, et al. Lightweight authentication approach for unmanned aerial vehicles based on reinforcement learning[J]. Journal of Cybersecurity, 2025, 3 (4): 16- 28.

DOI

31
陈乔鑫, 肖亮, 王鹏程, 等. 面向大语言模型的海域通信物理层认证技术[J]. 电子与信息学报, 2026, 48 (1): 34- 44.

Chen Q X, Xiao L, Wang P C, et al. Physical layer authentication for large language models in maritime communications[J]. Journal of Electronics & Information Technology, 2026, 48 (1): 34- 44.

32
Wang J P, Li R L, He Y, et al. Prior-guided deep interference mitigation for FMCW radars[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60, 5118316.

DOI

33
Ristea N C, Anghel A, Ionescu R T. Fully convolutional neural networks for automotive radar interference mitigation[C]//Proceedings of the 2020 IEEE 92nd Vehicular Technology Conference (VTC2020-Fall). Piscataway: IEEE Press, 2020: 1-5.

34
Rock J, Roth W, Toth M, et al. Resource-efficient deep neural networks for automotive radar interference mitigation[J]. IEEE Journal of Selected Topics in Signal Processing, 2021, 15 (4): 927- 940.

DOI

35
Chen S, Klemp M, Taghia J, et al. Improved target detection through DNN-based multi-channel interference mitigation in automotive radar[J]. IEEE Transactions on Radar Systems, 2023, 1, 75- 89.

DOI

36
Jin S, Roy S. FMCW radar network: multiple access and interference mitigation[J]. IEEE Journal of Selected Topics in Signal Processing, 2021, 15 (4): 968- 979.

DOI

Options
文章导航

/

〈 〉

禁止存储和处理涉密及内部敏感信息
网站版权 © 《网络空间安全科学学报》编辑部
地址：北京市西城区月坛北小街2号院1号楼　
邮编：100037　
电话：010-89061756/89061778　
E-mail：wlkjaqkxxb@caasse.cn
技术支持：北京玛格泰克科技发展有限公司

京ICP备16032046号-20