PLFM_RADAR：手把手搭建透明可复现的FMCW雷达平台

经常有人问我，雷达入门到底该从哪里切入。我的答案一直很直接：别先急着买那些几千上万的毫米波开发板，也别一头扎进论文里啃自适应波束形成——真正让你建立直觉的，是搞清楚一个chirp是怎么发出去的，一帧原始IQ数据又是怎么变成屏幕上那个距离-速度点的。PLFM_RADAR 这个项目就是在这样的动机下做的：一套基于可编程线性调频（Programmable Linear Frequency Modulation）的 FMCW 雷达平台，从波形参数、射频链路、中频采集到距离-多普勒处理，每一层都完全透明、可复现。如果你正想亲手做一台能测距、测速、分辨多目标的雷达，又不想被开发板封装好的黑盒函数糊弄过去，这篇文章大概能帮你省下几个月的弯路。

PLFM_RADAR 的定位很明确：它不是产品，不是货架上那种即插即用的毫米波评估套件，而是一个带着示波器和FFT在桌上搭建的教学/原型平台。硬件上用 24GHz 频段的收发一体雷达芯片，把差拍输出接到嵌入式MCU的ADC做数字采集，再用 Python 完成从 Range-FFT 到 CFAR 检测的整条信号处理链路。要说清楚这个项目，我打算按立项思考、波形参数设计、射频采样链路、信号处理流水线、实测踩坑这样一条线从头讲，每一段都有可以直接照着抄的公式和代码。

1. PLFM_RADAR 是怎么立项的：为什么做一台“透明”的雷达

1.1 名字解读：可编程线性调频才是核心

先解释项目名。PLFM_RADAR = Phase-Locked / Programmable Linear Frequency Modulation Radar。拆开看，PL 对应 Phase-Locked，指的是发射源的线性调频（chirp）靠锁相环生成，频率随时间严格线性上升；FM 是 Frequency Modulation；RADAR 不用多解释。整个名字其实点明了平台最核心的一件事：雷达测距测速的本质，就是精确控制发射频率的变化规律，再从回波与发射信号之间的频率差里还原目标信息。锁相环决定了波形质量，波形质量又决定了后续所有处理的上限，所以名字里必须带上 PL 和 FM。

立项时我也看过市面上的评估板：TI 的毫米波系列、英飞凌的雷达开发套件、以及各种带 GUI 的一体化模块。这些板子没有问题，跑 demo 十分钟就能出来效果，库函数把 Range-FFT、Doppler-FFT、CFAR 全封装成一行调用。但问题是，一旦你想改波形参数去适配某个特殊场景，或者想弄明白为什么某个距离上突然出现假目标，黑盒会把你卡在原地。PLFM_RADAR 的立项目标，就是让每一个中间量都看得见：中频波形能从示波器上量到，ADC 数据能存下来离线分析，FFT 的每一级都是自己写的。这事听起来“笨”，但对建立雷达系统直觉极其有效。

1.2 为什么先选 FMCW 体制而不是脉冲或多普勒

雷达体制有很多种，脉冲雷达、连续波多普勒雷达、FMCW 是三大主流。PLFM_RADAR 选择 FMCW，原因非常实际：

• FMCW 可以在很低的发射功率下通过调制带宽换取距离分辨率，适合桌面原型环境；
• 差拍信号的中频频率低，几百 kHz 到几 MHz 的采样需求正好落在 MCU ADC 的舒适区，不需要昂贵的宽带采集卡；
• 一发多收的 FMCW 天然适合做周期调频，距离和速度可以在同一帧里同时解算，不需要脉冲体制那样精细的时序控制；
• 波形生成用 PLL 锁相，线性度稳定，不需要像脉冲雷达那样处理高峰值功率。

如果只做一个简单多普勒雷达，硬件还能更简化，但测不了距离；如果做脉冲雷达，单片机和信号链路成本立刻上去一个量级。FMCW 是“在桌上能做、能讲清楚、能验证多目标能力”的最佳折中。

1.3 系统层级划分

PLFM_RADAR 整体的技术栈分四层，后面每一章都会对应到其中某层：

1. 波形生成层：PLL 产生受控线性调频信号，覆盖 24GHz ISM 频段；
2. 射频与中频层：功分、发射、接收混频、I/Q 差拍输出、放大滤波；
3. 采集与同步层：MCU 以 ADC 连续采样 I/Q 两路中频信号，chirp 触发与采样窗口对齐；
4. 数字信号处理层：Python/NumPy 完成去直流、Range-FFT、Doppler-FFT、MTI 杂波抑制、二维 CFAR 检测和坐标换算。

四层里最容易翻车的不是最后的F点处理，而是第二层和第三层的匹配。很多朋友把波形参数设计得很漂亮，一接硬件全乱套，原因就是没搞懂中频链路带宽和 ADC 采样率、chirp同步之间的关系。接下来我先从波形参数说起，因为这一层决定了后边所有链路的技术指标。

2. FMCW 的数学底子：距离、速度、分辨率凭什么由这几个参数决定

2.1 拍频公式与距离换算

FMCW 雷达发射信号的频率在一段时间内线性上升，斜率记为 S，单位 Hz/s。信号碰到目标后产生延时 τ = 2R/c，回波到达时发射信号已经比回波"领先"了 τ 秒，二者频率差就是拍频：

fb = S * tau = (2 * B * R) / (c * Tc)

其中 B 是调制带宽，Tc 是单个 chirp 的时长，R 是目标距离。只要从时域信号里准确估计出 fb，就能反推距离：

R = fb * c / (2 * S)

这句话是整个 FMCW 信号处理的地基。做项目时我把这个公式贴在桌子边上：所谓测距，本质是一个高精度的频率估计问题，而不是时间测量问题。

2.2 距离分辨率与最大不模糊距离的取舍

距离分辨率只由调制带宽决定：

ΔR = c / (2*B)

这里有个容易误解的点：Tc 越长、采样率越高，不代表分辨率越高，分辨率只取决于你“扫”了多宽的频率范围。PLFM_RADAR 选择 B = 200 MHz，理论距离分辨率就是 0.75 m。这个精度做桌面实验完全够用。

最大不模糊距离则受 ADC 采样率和斜率共同限制。拍频信号经过混频输出后，ADC 能采到的最大频率是奈奎斯特极限 fs/2。于是：

R_max = (fs/2 * c) / (2*S) = fs * c / (4*S)

直觉上理解：如果你把 slope S 调得很陡，单位距离对应的拍频就高，同样采样率下能覆盖的距离就变短；反之 S 平缓，能看远，但同样的距离分辨率需要更长的 chirp，刷新率又受限。三个参数（B、Tc、fs）永远是互相牵制的。

PLFM_RADAR 的具体配置如下：B = 200 MHz、Tc = 128 μs，于是 S = B/Tc ≈ 1.5625 MHz/μs。ADC 采样率设 fs = 2 Msps，奈奎斯特上限 1 MHz，对应最大可测距离约 96 m。实际我不会满打满算，中频滤波器和目标余量会让有效距离收敛到 70～80 m 左右，这在室内和校园环境是足够用的。

2.3 慢时间维度与多普勒速度

测量距离用快时间维（一个 chirp 内的采样点），测量速度则利用慢时间维——一帧里连续发送的多个相同的 chirp。目标在一帧内移动，会让每个 chirp 的差拍信号产生一个逐渐变化的相位差。对每个距离单元沿 chirp 方向再做一次 FFT，就得到多普勒频移 fd：

v = fd * λ / 2

关键指标有两个：

• 最大不模糊速度 v_max = λ / (4 * T_rep)，其中 T_rep 是两个 chirp 起始时刻的间隔。如果目标速度超过这个值，多普勒频率会折叠，速度出现模糊；
• 速度分辨率 Δv = λ / (2 * T_frame)，其中 T_frame 是一帧的总观测时间。想看更精细的速度，就得拉长整帧的观测时长，但帧率也随之下降。

PLFM_RADAR 中，24GHz 对应的波长 λ = 12.5 mm，设 T_rep = 160 μs（128 μs 有效线性调频 + 32 μs 回程），一帧发 128 个 chirp，帧时长 T_frame ≈ 20.48 ms。于是 v_max ≈ 19.5 m/s，速度分辨率约 0.305 m/s。这个组合兼顾了室内人员慢速移动和低速车辆实验，如果想测更快的目标，把 T_rep 缩短即可。

2.4 一张表看全部参数

这张表我建议打印出来对着看。任何一个指标需要调整时，你都能从表里找到牵动它的上下游参数，这也正是“自己做平台”比“用别人配置好的开发板”更有收获的地方。

3. 射频链路和中频采集：从天线到 ADC 的每一个环节

3.1 为什么落在 24GHz ISM 频段

PLFM_RADAR 的波形虽然漂亮，但需要硬件能把它发出去。频率选择上，24.00～24.25 GHz 这个 ISM 频段对短距设备友好，天线尺寸也凑合：波长 12.5mm，PCB 贴片天线的单阵子不到 6mm 见方，手焊贴片能做。77GHz 车规频段的模块性能和供应链确实更诱人，但对个人原型来说，裸板布线难度、连接器成本、调试门槛都会陡增，初学者在 24GHz 上更容易成功。

技术上，24GHz 频段也是许多收发一体雷达芯片的主战场，可以用带集成 VCO、功分器、接收混频器的单片方案，把 VCO 扫频和混频这部分最难搞的射频问题交给芯片，自己主要处理中频信号和基带。这对“学习平台”定位是合理的——你要学的是 FMCW 系统在波形、链路、信号处理层面的配合，而不是从零设计一个低相噪毫米波 VCO。

3.2 收发前端与中频链路设计

PLFM_RADAR 的中频链路是最容易被人低估的部分。雷达芯片输出的是 IQ 两路差拍信号，幅度通常只有几毫伏到几十毫伏，而 ADC 的满量程输入是 1.5～3V 左右，中间需要两级放大加滤波。我设定了这几条硬指标：

• 每级增益 20 dB 左右，两级共 40 dB，留出 -6 dBFS 的余量，避免近距离强反射信号把 ADC 顶到饱和；
• 低通滤波器截止频率 1 MHz，和二分之一采样率对齐，抑制带外噪声和杂散；
• I/Q 两路必须用相同规格的运放和 RC 参数，增益误差尽量控制在 0.5 dB 以内，相位误差控制在 2° 以内，否则后面会产生镜像目标。

为什么要强调 I/Q 同时采样？雷达芯片输出的 I/Q 分量可以看作一个复数信号，实部和虚部合起来才能区分目标的运动方向，也能去除拍频频率中的镜像项。如果只采单路实信号，目标的正负多普勒会混叠在一起，测不了速度方向。很多便宜的 D 波段雷达只输出单路中频，PLFM_RADAR 选择 IQ 输出，就是为了后面信号处理少受一套混叠的罪。

3.3 chirp 同步与数据采集

波形参数的最后一个关键约束是时序同步。发射端以固定周期发送 chirp，ADC 必须像摄像机跟拍一样，在每一个 chirp 的同一个相位位置开始采样。PLFM_RADAR 的做法是 MCU 输出一个与 chirp 起始沿同步的触发脉冲，ADC 等待该沿后启动 DMA 采样。

采样配置：I/Q 两路合计 2 Msps，一个 chirp 128 μs 得 256 个复数点；一帧 128 个 chirp，总采样量是 256×128 = 32768 个复数点，也就是 65536 个 12bit 采样值。这个数据量对 STM32 系列完全不是问题，DMA 连续搬运后打包通过串口或者 USB 上传到 PC，一帧也就 20 毫秒多一点。实测下来，MCU 端的数据采集和上传速度不是瓶颈，真正的瓶颈反而是射频前端带宽和低噪放增益控制。

3.4 成本与选型参考

我列一个大致成本档位，给想复现的朋友参考：

整套下来不会超过两千元，相比主流毫米波评估板要便宜一个档位。如果是想更快跑通，也可以先用商用的 24GHz FMCW 模组评估板做替换，但中频信号的引出和 ADC 采样部分仍然要自己处理，这恰恰是学习链路的关键。

4. 信号处理链路：原始数据怎么变成一张距离-多普勒图

4.1 数据结构与预处理

从 ADC 拿回来的数据是一个三维物理量被重新排布成二维矩阵的过程。我把一帧数据组织成：

data[n_chirp, n_sample]

其中 n_chirp 是 0~127 的 chirp 索引，n_sample 是 0~255 的采样点索引。每个元素都是一个复数 I+jQ。第一步是去除直流：中频信号经过放大后往往带有直流偏置，直接做 FFT 会在零频处形成一个巨大的尖峰，压制旁边的弱目标。去直流我用逐行减去均值的方式，注意是每行单独减，不是整体减，因为每个 chirp 的直流偏置可能有细微差异。

4.2 Range-FFT：把时间波形变成距离谱

对一个 chirp 内的 256 点做 FFT，就完成了快时间域到频域的转换。频率轴上的每一个 bin 对应一个特定的拍频，也就对应一个特定距离。代码如下：

import numpy as np N_SAMPLES = 256 FS = int(2e6) # 采样率 B = 200e6 # 带宽 TC = 128e-6 # chirp 时长 S = B / TC # 调频斜率 C = 3e8 # 原始IQ: 形状 (N_CHIRPS, N_SAMPLES)，类型 complex iq = raw_data.astype(np.complex64) iq = iq - np.mean(iq, axis=1, keepdims=True) # 去直流 win_r = np.hanning(N_SAMPLES) # 对每个chirp做FFT range_fft = np.fft.fft(iq * win_r, axis=1) # 半谱部分，只保留0~fs/2 range_fft = range_fft[:, :N_SAMPLES//2] # 频率轴和距离轴换算 f_bins = np.arange(N_SAMPLES//2) / N_SAMPLES * FS r_bins = f_bins * C / (2 * S)

做完这步，你在示波器上看到的时域差拍波形被压缩成一条条距离谱线。加窗是为了压低 FFT 旁瓣，Hanning 窗是我在这里最常用的，它会把主瓣略微展宽，但能让泄漏到相邻距离单元的能量降下来。如果目标很多，旁瓣互相干扰会很难看，建议先加窗再谈分辨率。

4.3 Doppler-FFT：把距离谱展开成距离-速度图

距离谱只能告诉你“有没有目标、在哪”，区分不了静止目标与运动目标，也测不了速度。所以要对同一距离单元、不同 chirp 之间的复数值再做一次 FFT。因为是沿着 chirp 方向（慢时间）做，速度信息就藏在相邻 chirp 之间的相位变化里：

N_CHIRPS = 128 # 先对range_fft做慢时间加窗 win_d = np.hanning(N_CHIRPS) rd = range_fft.T * win_d[:, None] # 形状 (N_CHIRPS, N_SAMPLES//2) # 沿慢时间做FFT，然后移到零频居中 rd = np.fft.fft(rd, axis=0) rd = np.fft.fftshift(rd, axes=0) rd_mag = np.abs(rd) rd_db = 20 * np.log10(rd_mag + 1e-12)

Doppler-FFT 输出的是一个 (128, 128) 的二维复数矩阵，行方向是速度，列方向是距离。rd_db 就是你看到的距离-多普勒热力图的数据来源。到这里，目标检测变成了在二维平面上找“亮点”的问题。

需要特别注意：多普勒维加窗不是可选项，而是必须项。因为慢时间维的采样点数只有 128，不加窗的话旁瓣会淹没小目标，尤其是在强反射体附近。Hanning 窗会让速度分辨率略降，但换来的是干净的检测面。

4.4 静态杂波抑制与 MTI

室内环境下，墙壁、地板、桌面这些静止物体的反射能量巨大，在距离-多普勒图里表现为零多普勒附近一整条亮线。它不移动，所以多普勒频率为零；但它的能量会通过 FFT 泄漏到相邻速度通道，导致低速运动目标被掩盖。

MTI（动目标显示）是处理这个问题的经典手段。最简单有效的方式是在慢时间维做一个一阶差分，也就是脉冲对消：y[n] = x[n] - x[n-1]。这个操作等价于一个高通滤波器，把零频附近静止杂波压掉。我实测后建议，如果一帧里有 128 个 chirp，先做一次对消，再做 Doppler-FFT 和窗函数，效果比直接对 FFT 结果挖零频通道要自然——直接挖 bin 会连带伤害很慢的、但确实在移动的目标（比如人缓慢走动时速度只有 0.1~0.3 m/s，占到零频附近好几个 bin）。

4.5 二维 CFAR 检测

距离-多普勒图即便做了杂波抑制，噪声基底也不是均匀的。靠近强目标的地方噪声抬高，远处又可能偏低。所以不能用一个全局门限去判断“哪些点是目标”。二维单元平均恒虚警检测（CA-CFAR）是标准做法：对每个待测单元，取它周围一圈参考单元的平均功率，乘上一个门限因子，作为本地自适应门限。

def ca_cfar_2d(rd_power, guard=(4, 4), ref=(8, 12), alpha=2.0): # rd_power: 形状 (N_CHIRPS, N_SAMPLES//2) 的功率谱 visited = np.zeros_like(rd_power, dtype=bool) det = [] for i in range(ref[0] + guard[0], rd_power.shape[0] - ref[0] - guard[0]): for j in range(ref[1] + guard[1], rd_power.shape[1] - ref[1] - guard[1]): noise = 0.0 cnt = 0 for di in range(-ref[0], ref[0] + 1): for dj in range(-ref[1], ref[1] + 1): if abs(di) <= guard[0] and abs(dj) <= guard[1]: continue noise += rd_power[i + di, j + dj] cnt += 1 noise /= (cnt + 1e-12) threshold = noise * alpha if rd_power[i, j] > threshold: det.append((i, j)) return det

CFAR 的 guard 窗口作用是把目标自己的能量排除出噪声估计，否则同一个强目标把门限抬得比自身还高，谁也检测不出来。参考窗越大，噪声估计越稳，但边缘区域会因为缺少参考单元而检测性能下降。PLFM_RADAR 里我用的参考窗是 (8, 12)，保护窗 (4, 4)，门限因子 α 设为 2.0，大概对应 10^-4 级别的虚警率，实际操作起来很均衡。

4.6 把索引换算成物理量

最后一步是把检测点 (i, j) 换算成距离和速度：

• 距离：距离轴第 j 个 bin 对应频率 j * FS / N_SAMPLES，距离 R = f_bin * C / (2*S)；
• 速度：速度轴是经过 fftshift 后的，多普勒 bin 索引减去 N_CHIRPS/2 得到有符号的多普勒通道数，速度 v = doppler_index * Δv，正值朝向雷达，负值远离。

到这里，一套完整的 FMCW 测距测速链路就闭环了。你从 ADC 原始 IQ 一路做到检测结果，中间没有任何封装好的黑盒函数。

5. 实测踩坑：镜像频率、静态杂波与近距离盲区

5.1 I/Q 不平衡：总在镜像位置出现假目标

第一次用 PLFM_RADAR 在走廊里测人时，目标明明在 12m 左右，距离-多普勒图却在 -12m 的位置出现了一个能量只差 3dB 的亮斑。一开始以为是天线旁瓣，后来发现两个亮斑的速度符号正好相反，才意识到这是 I/Q 不平衡造成的镜像频率。

原因是硬件上 I 路和 Q 路的增益、相位不可能完全一致。幅相失衡的结果是复数信号里混入了共轭分量，在 FFT 后表现为以零频为对称轴的镜像峰。解决方法是做一次单点校准：

1. 放一个静止强目标在已知距离，比如 10m 处；
2. 采集一帧 IQ 数据，做 Range-FFT，测量正 / 负频率峰的幅度和相位；
3. 计算复数修正系数，之后每个 IQ 采样乘以该系数即可。

这个校准不完美，但能把镜像峰压到 -25dB 以下，肉眼基本看不出来了。我建议把校准系数固化成一个配置文件，每次开机先跑一遍，而不是偶尔测一次。温度变化会引起增益漂移，长时间运行后镜像又会冒出来，这个坑值得留意。

5.2 静态杂波：零频亮线盖住慢速目标

还有一个非常经典的场景：房间里有个人站在桌边不动，雷达显示一切正常；人慢慢移动，速度只有 0.2 m/s 左右，结果在距离-多普勒图上直接消失了。排查后我确定不是检测门限问题，而是静态杂波这条零频亮线的旁瓣泄漏把低速目标淹没了。

我当时用了一个笨办法，把 Doppler 维靠近零频的 5 个 bin 直接置零。效果立竿见影，但代价是那种 0.1～0.3 m/s 的微小动作全部丢失。后来改成 MTI 一阶对消，低速目标保住了，零频杂波也压掉了不少。这里的要点是：杂波抑制应该在慢时间序列上做滤波，而不是粗暴地丢弃 FFT 输出。如果你希望保留极低速目标的信息，也可以尝试 MTI 后再补一个二阶对消，或者在 Doppler-FFT 之后只对零频 bin 用小范围陷波，别动相邻通道。

5.3 近距离盲区：为什么 1m 内的目标看不到

我在调试时曾把一罐水放在雷达正前方 0.5m 处，预期出现一个强目标，结果是：快时间维大片饱和，远距离弱目标全被压平，近距目标反而不见了。这是典型的“近距盲区”问题，根源是收发隔离度不够，泄漏信号太强把接收链路推到饱和，中频放大器还没等到回波进来就已经被堵死了。

处理办法有几个方向：

1. 提高天线之间的隔离度。PCB 天线上加一排打过孔的金属隔离带，或者中间留出足够的地平面，能换来 10dB 以上的改善；
2. 中频链路里加一个数字可控增益，近距离时降低增益，远距离时再把增益拉回来。这个“距离相关增益”在雷达里叫 STC（灵敏度时间控制），是硬实时系统常用的方案，MCU 里实现并不难；
3. 如果只是桌面验证，最省事的是把近距目标挪远一点，同时用吸波材料压住正前方的反射。

我最后是把中频增益从 40dB 降到 28dB，加了一块 3mm 厚的吸波棉放在天线前方边缘，近距 0.3m 处的盲区明显缩小，远距目标也没有损失太多。这个取舍说明：雷达系统里几乎不存在一个参数全局最优，只有针对你目标场景的局部最优。

5.4 示波器同步检查是排查一切的起点

中频信号出问题时，我第一步永远是拿示波器同时看 chirp 触发沿和 I/Q 波形，确认两件基本的事：chirp 是否线性扫频，ADC 采样窗口是不是和 chirp 严格对齐。很多看似玄学的现象——距离轴整体偏移、目标距离忽远忽近、速度忽正忽负——最后都回到同步问题上。这个习惯我建议保留在每次排障清单的第一行。

6. 复现建议和后续还能怎么玩

6.1 最小可复现配置

如果不想一步到位，可以先跑一个 I/Q 数据 + Python 处理的版本，后端复用上面全部代码。硬件替代方案是：用任意一款输出 I/Q 中频的 24GHz FMCW 模组，配一块至少 2 Msps 采样率的 MCU 板卡，把数据以 npz 格式存下来。先不要做实时检测，先离线跑通从去直流到 CFAR 的整条链路，再考虑实时。

我刚接触雷达时犯过一个错误：一上来就想写一个带 GUI 的实时目标检测程序，结果数据还没存明白，就在 FFT 里迷失了。建议顺序是：单帧离线 → 多帧离线 → 实时 GUI。每一步都要有可视化输出，因为雷达信号处理里“看到了什么”远比“算出了什么”重要。

6.2 扩展方向：从测距测速到更多玩法

PLFM_RADAR 的底子是二维距离-多普勒矩阵，往上叠加模块就能玩很多花样：

1. 微多普勒分析：把单个目标的慢时间相位序列做时频分析，可以识别人的走动、挥手等动作。这个方向很适合做存在检测和室内行为分析原型。
2. 增加天线阵列：目前硬件是单通道，下一步扩展为 2 发 2 收或 4 收，通过比相测角，就能输出目标的方位角，距离、速度、角度三维信息就齐了。
3. 调频波形切换：从锯齿波改成三角波，可以独立解算距离和速度从而消除模糊；或者用步进频连续波获取更高的距离分辨率。

每次扩展，你都会发现当初在波形参数和信号处理链路上花的功夫没有白费。PLFM_RADAR 这个名字下藏着的初衷，其实就是一句话：雷达不是靠一个神奇芯片显灵，而是靠每一个参数、每一级处理、每一个分贝的积累。把这一圈走完，你会发现自己不只是会用雷达，而是真的懂雷达了。

最后分享一个实际体会：做这个项目最大的收获不是测出了多少米、分清了几个目标，而是彻底改掉了我在信号处理里“先跑通再说”的坏习惯。雷达系统里每一个异常都会让你同时怀疑硬件、波形、FFT 和算法，如果不把中间数据一层层存下来、画出来，排障就是浪费时间。我强烈建议你在自己的项目里也保留这个习惯：每一级信号处理都输出一个中间量并保存，排障时回溯起来会轻松得多。