CST毫米波雷達(dá)仿真方案（七）：結(jié)合Python完成雷達(dá)AoA仿真

作者 | Ma Bin

細(xì)心的讀者或許已經(jīng)發(fā)現(xiàn)，近年來CST與Python的結(jié)合越來越多。利用Python我們可以更加方便的對CST進(jìn)行一些二次開發(fā)，自動化仿真，幫助用戶更加方便快捷地完成仿真項目。

在CST2023版本中，我們新增了兩個Python庫：cst.asymptotic和cst.radar，分別用于A-solver和雷達(dá)數(shù)據(jù)后處理。

本期我們將利用cst.radar庫結(jié)合Python和CST軟件完成毫米波雷達(dá)AoA仿真。AoA即Angle of Arrival，主要是利用目標(biāo)與不同天線陣子的距離差引起的相位差來估算到達(dá)角。

測角原理

根據(jù)一維相位干涉儀原理，可以將由于接收天線位置差造成的來波路程差drx轉(zhuǎn)化為相位差，公式如下。由于d是已知的，我們可以通過測量相位差ф，從而計算出目標(biāo)角度θ。

但是需要注意，由于φ的取值只能在[-180°，180°]，當(dāng)d＜λ/2時，測量值反映真實值；當(dāng)d＞λ/2時，測量值仍屬于[-180°，180°]，但是實際值可能超過這個范圍，所以推算實際值就存在若干個可能值，這就是“相位模糊”。

為了解決“相位模糊”，可以采用長短基線，長基線測角，短基線用來解模糊，這里對短基線的要求是距離必須小于λ/2。

AoA場景構(gòu)建

雷達(dá)AoA仿真需要用到CST的A-solver，即高頻漸近求解器，依賴于彈跳射線算法。在CST中新建一個仿真工程，首先創(chuàng)建雷達(dá)天線陣列，這里我們用5個遠(yuǎn)場源代替。其中，2個遠(yuǎn)場源命名為Tx1、Tx2，作為發(fā)射天線，另外三個命名為RX1、Rx2、Rx3，作為接收天線。這里場源的名字很重要，需要與后面在Python代碼中定義的發(fā)射天線、接收天線的列表元素保持一致。

定義完場源后，我們需要導(dǎo)入人體模型。從CST的人體模型庫中我們可以很方便地調(diào)用人體模型。再用Coating的方式定義人體的表皮組織。

最終的仿真模型如下所示，包括人體模型和雷達(dá)天線陣列。

啟動A-solver進(jìn)行求解，計算完成后，可以拿到Tx1和Tx2激勵下的F參數(shù)結(jié)果。

利用Python評估目標(biāo)距離及到達(dá)角

在CST中有專門的后處理模板Range Doppler Map Calculation用于目標(biāo)距離和速度的計算，對于目標(biāo)角度信息的計算需要用到Python以及CST2023版本中新增的cst.radar庫。

Python代碼在Help中可以查看，計算AoA，除了需要導(dǎo)入一些CST研發(fā)工程師編寫的函數(shù)外，還需要導(dǎo)入一些必要的python函數(shù)庫。

運行python代碼后，我們可以拿到如下結(jié)果。

從上述結(jié)果中我們可以提取出三個強散射點的距離-角度信息，如下表。需要注意的是，這里的結(jié)果是用肉眼看的，存在一定的誤差。

在CST中我們用Dimension功能驗證下結(jié)果，可以看出對于雷達(dá)天線陣列來說，基本的三個強散射點都能捕捉到。在人體模型上取點的隨機(jī)性以及肉眼讀取Map圖結(jié)果的誤差，導(dǎo)致二者的結(jié)果不能完全匹配上，但誤差很小，不影響AoA的分析。