⚡ electrical engineering

Adaptive High-Speed Radar Signal Processing Architecture for 3D Localization of Multiple Targets on System on Chip

本文提出了一种基于 Zynq MPSoC 的自适应 3D 雷达信号处理架构，通过根据信杂噪比动态切换高精度与低复杂度两种处理模式，在 6G 通感一体化系统中实现了比现有技术快 5.6 倍的处理速度并提升了 24% 的通信吞吐量。

原作者： Aakanksha Tewari, Jai Mangal, Sumit J Darak, Shobha Sundar Ram, Arnav Shukla

发布于 2026-04-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Aakanksha Tewari, Jai Mangal, Sumit J Darak, Shobha Sundar Ram, Arnav Shukla

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于**如何让未来的 6G 网络既“看得清”又“传得快”**的聪明解决方案。

想象一下，未来的自动驾驶汽车或无人机需要在高速公路上飞驰。它们需要两件事：

雷达（眼睛）： 必须瞬间看清周围有多少辆车、行人（目标），以及它们的速度和位置。
通信（嘴巴）： 必须立刻和基站建立高速连接，传输数据。

以前的做法是：雷达先慢慢算，算完了再通信。但这太慢了，就像你一边开车一边还要停下来做复杂的数学题，很容易出事故。

这篇论文提出了一种**“智能自适应雷达信号处理架构”，就像给雷达装上了一个“超级大脑”和“变形金刚”身体**。

核心概念：两个“厨师”与一个“智能经理”

为了让你更容易理解，我们可以把雷达处理信号的过程想象成在厨房里做菜，而我们的目标是快速把菜（数据）端给客人（通信用户）。

1. 两种“厨师”（两种算法）

系统里有两个不同风格的“厨师”：

厨师 A（MJARP - 精细大厨）：
- 特点： 极其细心，做的菜（定位结果）非常精准，哪怕是在烟雾缭绕（信号干扰大、噪音大）的厨房里也能看清食材。
- 缺点： 动作慢，切菜、洗菜、烹饪步骤繁琐，耗时很长。
- 适用场景： 当环境很糟糕（噪音大）时，必须请他出马，否则看不清目标。
厨师 B（SARP - 快手小厨）：
- 特点： 动作极快，切菜如飞，几秒钟就能搞定。
- 缺点： 如果环境太乱（噪音大），他可能会看错菜，或者把灰尘当成食材。
- 适用场景： 当天气晴朗、环境干净（信号好）时，请他做，效率极高。

2. 智能经理（自适应架构）

以前的系统很死板，要么一直用慢速的“精细大厨”，要么一直用快速的“快手小厨”。
这篇论文的创新点在于设计了一个**“智能经理”**。

这个经理时刻盯着厨房的“烟雾浓度”（也就是信噪比，Signal-to-Clutter-and-Noise Ratio）。
如果烟雾大（环境差）： 经理立刻大喊：“换精细大厨！虽然慢点，但必须看清！”
如果空气好（环境好）： 经理马上喊：“换快手小厨！别浪费时间，赶紧上菜！”
结果： 系统永远在用最合适的速度工作，既不会因为太慢而耽误事，也不会因为太快而看错。

3. 硬件上的“变形金刚” (System on Chip)

这个系统不是跑在普通的电脑上，而是跑在一个叫 Zynq MPSoC 的芯片上。你可以把它想象成一个**“变形金刚”**：

它有一部分是ARM 处理器（像大脑，负责指挥）。
另一部分是 FPGA（像肌肉，负责干重活，处理数据）。
这篇论文把最累、最耗时的“切菜”工作（雷达信号处理）全部交给了 FPGA 肌肉群，并且让这块肌肉可以瞬间变形。
- 需要精细时，它变成“精细模式”。
- 需要快速时，它瞬间切换成“快速模式”。
- 而且，它不需要重新制造肌肉，只是内部电路的连接方式变了，所以切换速度极快（纳秒级）。

4. 为什么这很重要？（成果）

速度快了 5.6 倍： 相比以前的顶尖设计，这个新系统处理雷达信号的速度快了 5 倍多。这意味着汽车能更早发现障碍物。
网速快了 24%： 因为雷达算得快，留给通信的时间就多了。就像你排队买票，如果前面的人算账快，你买票的时间就多了。
省电又省钱： 通过“固定点优化”（一种让数字计算更精简的技术），它在不增加硬件成本的情况下，大幅降低了功耗。

总结

这篇论文就像是为未来的 6G 网络设计了一套**“智能交通指挥系统”：
它不再死板地执行任务，而是根据路况（环境噪音）灵活切换模式。路况好时，它像F1 赛车一样极速飞驰；路况差时，它像越野车**一样稳健精准。

最终结果是：车看得更清，网传得更快，而且更省电。 这对于实现真正的自动驾驶和万物互联的 6G 时代至关重要。

这是一份关于论文《面向系统级芯片（SoC）上多目标 3D 定位的自适应高速雷达信号处理架构》的详细技术总结。

1. 研究背景与问题 (Problem)

背景：
集成感知与通信（ISAC）是 6G 车联网通信的关键使能技术，它利用雷达信号处理（RSP）在静态杂波中定位多个未知目标，并联合估计距离、方位角和多普勒速度（3D 定位），从而实现高指向性的波束成形。

核心挑战：

速度与精度的权衡： 传统的雷达信号处理（如长相干处理间隔 CPI 和复杂的 RSP 算法）虽然精度高，但耗时较长。在 ISAC 系统中，雷达和通信共享硬件和时间资源，过长的 RSP 处理时间会挤占通信时间，降低整体吞吐量。
多目标与动态环境： 现有的硬件实现往往难以在低信杂噪比（SCNR）下同时兼顾多目标定位的精度和处理速度。
硬件限制： 现有的商用毫米波雷达 SoC 主要侧重于感知，缺乏针对 ISAC 优化的可重构架构，且难以在边缘端实现高吞吐量的通信与感知协同。

2. 方法论 (Methodology)

该研究提出了一种基于**硬件 - 软件协同设计（HSCD）**的自适应可重构 RSP 加速器，部署在 Zynq MPSoC（ARM 处理器 + FPGA）平台上。

A. 两种核心算法框架

作者提出了两种针对不同 SCNR 条件的 RSP 框架：

SARP (Sequential Azimuth-Range Processing，顺序方位 - 距离处理)：
- 特点： 低计算复杂度、低延迟、低精度。
- 适用场景： 高 SCNR 环境。
- 原理： 先进行数字波束成形（DBF）和方位角搜索，再进行匹配滤波（MF）和距离估计。利用非相干积分提高方位精度，随后进行 CLEAN 算法去除强目标干扰。
MJARP (Modified Joint Azimuth-Range Processing，改进的联合方位 - 距离处理)：
- 特点： 高计算复杂度、高延迟、高精度。
- 适用场景： 低 SCNR（高噪声/强杂波）环境。
- 原理： 基于联合处理（JARP）的改进版。利用第一脉冲的预计算估计值，对后续脉冲仅进行选择性处理（Selective Processing），大幅减少 FFT 和匹配滤波的计算量，同时保持相干处理增益。

B. 自适应重构架构

动态切换机制： 系统根据实时估计的信杂噪比（SCNR），在 SARP 和 MJARP 之间动态切换。
- 高 SCNR $\rightarrow$ 切换至 SARP（追求速度，最大化通信时间）。
- 低 SCNR $\rightarrow$ 切换至 MJARP（追求精度，确保目标检测）。
多目标处理： 在 FPGA 上实现了 CLEAN 算法，用于从接收信号中迭代去除已检测目标的贡献（包括主瓣和旁瓣），从而检测弱目标，减少了 ARM 处理器与 FPGA 之间的数据通信开销。

C. 硬件优化创新

定点化优化 (Fixed-point Optimization)： 将单精度浮点（SPFL）算法转换为定点（Fixed-point）硬件 IP，显著降低了资源消耗和功耗，同时保持了与浮点实现相当的精度。
- 确定了最优字长（Word Length），例如 DBF 使用 <22, 2>，FFT 使用 <24, 1> 等。
多普勒估计优化： 使用基于 Givens 旋转 的特征值分解（EVD）实现 MUSIC 算法，替代了传统的雅可比方法或 Xilinx 内置 IP。
- 优势： 实现了超分辨率（Super-resolution）能力，能够区分同一距离 - 方位单元内速度差异较小的目标，且延迟更低。
频率域匹配滤波 (FD-MF)： 在 SARP 中采用频域匹配滤波，比时域实现更快。

3. 关键贡献 (Key Contributions)

算法层面： 提出了 SARP（低复杂度）和 MJARP（高精度）两种 RSP 框架，并设计了基于 SCNR 的自适应切换策略，解决了精度与速度的矛盾。
架构层面：
- 在 Zynq MPSoC 上实现了可重构的 RSP 加速器，将核心计算（DBF, MF, CLEAN, MUSIC）卸载到 FPGA 逻辑（PL）中。
- 开发了基于 Givens 旋转的定点 MUSIC 硬件 IP，实现了超分辨率多普勒估计。
- 设计了高效的 CLEAN 算法硬件实现，减少了多目标场景下的数据搬运。
系统层面：
- 实现了 ISAC 系统的端到端优化，证明了 RSP 速度对通信吞吐量的直接影响。
- 在保持硬件复杂度不增加的情况下，通过自适应重构显著提升了系统性能。

4. 实验结果 (Results)

处理速度提升：
- 相比现有的最先进设计（State-of-the-art），提出的自适应 RSP 架构实现了高达 5.6 倍 的 RSP 加速。
- 相比之前的 JARP 设计，SARP 模式将 RSP 时间减少了 51%。
通信吞吐量提升：
- 在 ISAC 系统中，由于波束对齐时间缩短，通信吞吐量提升了 24%（相比 MJARP 方案）和 88%（相比标准 802.11ad 协议）。
资源与功耗：
- 定点化设计相比浮点设计，资源利用率降低了 40-70%，功耗降低了 40%。
- 相比纯软件实现（PS），将任务卸载到 FPGA（PL）带来了 25 倍 以上的加速。
定位精度：
- 在低噪声环境下，SARP 的定位精度（距离和方位 RMSE）与高精度的 MJARP 相当。
- 在低 SCNR 环境下，自适应架构能自动切换至 MJARP，保持与 JARP/MJARP 相当的定位精度。
- 多普勒估计方面，提出的 Givens 旋转 MUSIC 算法成功分辨了速度差为 4 m/s 的两个目标（超分辨率），而传统 Xilinx QRF IP 无法做到。

5. 意义与影响 (Significance)

6G ISAC 的实用化推进： 该工作展示了如何在资源受限的边缘计算平台（SoC）上高效实现高精度的 3D 雷达感知与高速通信的协同，解决了 ISAC 落地中的实时性瓶颈。
动态适应性： 提出的自适应架构打破了传统雷达系统“固定模式”的限制，能够根据信道环境动态调整处理策略，实现了性能与效率的最佳平衡。
硬件效率标杆： 通过定点化优化和 FPGA 架构创新，证明了在低功耗、低延迟硬件上实现超分辨率雷达信号处理的可行性，为未来车载雷达和智能交通系统（ITS）提供了重要的参考架构。
超越商用方案： 相比德州仪器、英飞凌等现有的商用毫米波雷达 SoC，该方案在波形灵活性（支持 FMCW、OFDM 等）、通道数、角度分辨率和可重构性（算法与参数均可调）方面具有显著优势。

总结：
这篇论文提出了一种创新的、基于 SoC 的自适应雷达信号处理架构，通过结合两种不同复杂度的算法（SARP/MJARP）和硬件层面的定点化、可重构优化，成功解决了 ISAC 系统中感知精度与通信实时性之间的矛盾，显著提升了多目标 3D 定位的速度和系统的整体通信吞吐量。