基于OFDM的无人机雷达通信一体化设计方法

信息化条件下的战场环境呈现出强对抗性、高度动态性、深度不确定性等特点,单架无人机(Unmanned Aerial Vehicle,UAV)执行侦察或攻击等任务时面临侦察角度和范围等诸方面的限制,制约了作战效能的发挥。多无人机协同执行任务能够提升整体的作战效能和生存性,因此,以无人机为代表的无人系统的协同作战是现代战争的重要作战形式[1]。在协同作战的框架下,无人机在具备高精度探测能力的同时,也能够与协作的无人机和网络完成数据传输。因此,雷达和通信系统是无人机必不可少的设备。此外,为了满足复杂战场环境下的军事需求,无人机平台上安装的电子装备逐渐增多,造成系统体积、能耗和重量增大,操作复杂,冗余加大,设备间的电磁干扰加重,系统性能下降等诸多问题。而雷达通信一体化(Radar-Communication Integration,RadCom)是解决上述问题的重要途径[2-3]。

雷达和通信系统在硬件设备和基带处理上都包含了收发信机、信号处理模块和天线,使得设备的共用成为可能。雷达通信一体化是指在单个平台上能够同时实现雷达探测和数据传输[4],可以减小能耗,降低硬件成本,节约频谱资源。基于无人机的雷达通信一体化系统要求无人机能够同时实现无人机之间的数据传输和对周围目标的实时感知,实现无人机的通用性、小型化和多功能化,对提高无人机平台的作战效能具有重要的军事意义。

在雷达通信一体化研究中,一体化波形设计是关键内容之一,直接影响一体化接收信号处理方式。现有的一体化波形设计信号形式主要有扩频、线性调频和正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)波形等一种或以上几种波形的复合形式[5]。基于扩频的一体化信号利用伪随机序列区分雷达信号和通信信号[6],但是其性能受限于伪随机序列的长度和相关性,此外,在雷达接收端需要采用信号分离算法,增加接收设备的复杂度。基于线性调频的一体化信号通过改变调谐频率或初始频率携带通信数据[7],但是会改变线性调频信号的时宽带宽积,进而影响雷达性能。

OFDM信号具有较高的频谱利用率、良好的抗干扰性能、易于数字化处理和图钉状模糊函数等诸多优点,使得基于OFDM信号的雷达通信一体化系统得到了诸多专家学者的关注和发展。Garmatyuk等人研究了基于超宽带OFDM信号的机载雷达通信一体化系统[8],利用多个无人机组成的侦察雷达网络,对复杂地形的目标进行探测与识别,将收集到的目标图像数据在无人机平台间进行传输,实现雷达侦察与通信一体化的目的,其中利用相关处理算法实现对目标距离和速度的估计。然而,该系统没有考虑通信信息对雷达性能的影响,使得距离像的分辨性能较差。Sturm等人研究了基于连续波OFDM信号的车载雷达通信一体化系统[9],采用基于调制符号的处理算法实现对目标的距离和速度估计。然而,该算法通过参数设置限制多普勒频移的取值来减小子载波间干扰(Inter-Carrier Interference,ICI)问题,限制了其在实际环境下的应用。Liu等人提出了多重信号分类(Multiple Signal Classification,MUSIC)算法实现目标距离和速度的高分辨估计[10],但是该算法的运算量较大。Zuo等人在给定信道容量的条件下基于OFDM复加权系数,采用凸优化方法最小化目标距离像的旁瓣幅度[11],然而该算法在信号带宽减小时会降低距离分辨率。Shahid等人提出了一种联合傅里叶变换和最大似然估计的方法实现对目标距离和速度的高分辨估计[12],然而该算法中OFDM符号数的设置需要满足一定条件。Bidon等人在OFDM子频带域上构建稀疏重构模型用于抑制目标距离和速度像的旁瓣[13],然而,该算法需要目标先验知识,而且信号处理较为复杂。

OFDM信号只有在载波间的正交性得到保持时,才能发挥其技术优势。无人机是高速移动的目标,会产生较大的多普勒频偏。多普勒频偏会破坏子载波间的正交性,产生子载波间干扰(ICI),导致雷达和通信性能下降。针对ICI问题,Lim等人对连续波OFDM信号利用优良相关性能的序列和频域过采样技术[14],抑制ICI和增大动态测速范围,然而频域过采样加大了子载频分离的难度和计算复杂度。Zhao等人对脉冲串OFDM信号采用基于循环前缀的最大似然算法对多普勒频偏进行估计和补偿[15],然而该算法忽略了单个码元内各子载波上的多普勒频偏。Zhang等人考虑脉冲内和子载频上的多普勒频偏,提出了一种交替投影-最大似然算法实现对目标距离和速度的估计[16],但是该算法具有较大的计算复杂度。

针对以上算法所存在的问题,本文对连续波OFDM信号进行改进,设计出一种新的OFDM一体化信号,并采用基于多普勒校正的ICI抑制算法来获取目标的高分辨距离-速度像。仿真结果表明,所提算法相比传统算法成像性能较优。

2 系统模型

2.1 发射信号模型

在无人机雷达通信一体化系统中,无人机要同时实现对周围环境的感知和无人机之间的信息互联互通,系统模型如图1所示,在多个无人机组网的探测系统中,无人机为单基地雷达,雷达与通信共用发射端。无人机对复杂地形的机动目标进行探测与识别,将收集到的目标图像数据在无人机平台间进行传输,实现雷达探测与数据传输的目的。

本文对连续波OFDM信号进行改进,采用基于重复OFDM(Repeated Symbols OFDM,RS-OFDM)的一体化信号,该信号模型要求每个OFDM符号都采用相同的码元序列。则RS-OFDM一体化发射信号的基带形式可表示为

式中,N为子载频的数目,M为OFDM符号的数目,wn为第n个子载频的复加权系数,Tsym=T+Tg表示一个完整OFDM符号周期,其中,T=1/Δf为有效OFDM符号周期,Δf为子载频间隔,Tg为循环前缀(Cyclic Prefix,CP)的周期,rect(t)为单位矩形窗函数。An, m是第n个子载频第m个OFDM符号上的数据比特。A表示发射端调制符号矩阵,要求每个OFDM符号上的码元序列是相同的,即

式中,an为OFDM符号上的第n个码元,1M表示全1矢量,(·)T表示转置。

2.2 接收信号模型

假设空间一个目标在距离R处,具有径向速度ν,则基带目标回波信号可表示为

式中,ρ=ξexp{j 2πfc2R/c},ξ为目标散射系数, fc为载波频率,c为光速, fd=fc2ν/c为多普勒频偏。

对式(3)表示的接收回波进行采样,假设采样周期为Ts=T/N,采样时间为t=mt+it/N,其中,m=0,…,M-1,n=0,…,N-1。去循环前缀后基带目标回波信号y(t)的离散形式可表示为

式中,i和m分别表示快时间域和慢时间域,第二个指数项包含时延信息,用于距离估计。最后两个指数项表示多普勒频偏产生的影响,前者表示多普勒频偏产生的ICI,后者表示符号间的多普勒信息,用于速度估计。

3 距离和速度估计

基于RS-OFDM信号的雷达通信一体化系统,由于每个符号的码元序列是相同的,则式(4)中最后一个指数项表示速度信息,而其他项与符号域m无关。因此,首先进行多普勒处理获取目标速度参数,即对y(i, m)关于m作离散傅里叶变换(Discrete Fourier Transform,DFT),可得

式(5)中关于m的求和项在u=uo取值为M,其他多普勒单元的取值为0,其中uo=fdMT表示目标所在的多普勒单元。因此,式(5)可以表示为

式中,δ(·)为克罗内克函数。

其次,为了抑制ICI进行多普勒校正。在式(6)两边乘以C(i, u)

然后,为了获取每个子载波上的频域信号,对Z(i, u)关于i作DFT,可得

为了消除通信信息对雷达性能的影响,将Z(n, u)与发射端调制符号矩阵进行矩阵相除,可得

最后对D(n, u)关于n作离散傅里叶逆变换(Inverse Discrete Fourier Transform,IDFT),可获取目标的距离像。

图2给出了ICI抑制算法的实现框图。其关键步骤描述如下:第一步DFT的目的是为了进行多普勒处理,实现速度的估计;第二步矩阵相乘实现了多普勒校正;第三步DFT是获取每个子载波上的频域信号;第四步矩阵相除消除通信信息对雷达性能的影响;第五步IDFT实现距离的估计。该算法具有以下优点:雷达处理过程完全独立于传输的数据;基于FFT/IFFT处理,易于实现;距离和速度估计相互独立,适用于多目标探测。

ICI抑制算法充分利用了RS-OFDM信号的结构,即每个符号上的子载波码元序列是相同的。ICI抑制算法相比基于调制符号的处理算法,不同之处在于矩阵相乘,其目的是为了进行多普勒校正。由于要求每个OFDM符号上的子载波码元序列是相同的,因此,本文所提的ICI抑制算法是以牺牲通信速率来换取雷达的无ICI处理。

基于以上理论分析可知,RS-OFDM符号数影响速度分辨率、最大无模糊速度和通信速率。相比连续波OFDM信号,RS-OFDM信号的通信速率降低1/M。增加M,提高了速度分辨率,降低了最大无模糊速度,同时通信速率也下降严重。假设系统模型是双基地雷达,雷达发射端和通信发射端共用,雷达接收端和通信接收端共用。多普勒频偏导致系统误码率性能下降,利用本文所提的ICI抑制算法可以实现通信的无ICI,改善系统的误码率。因此,在设计雷达通信一体化系统时,RS-OFDM符号数的选择需要在雷达和通信性能之间进行折中考虑。

4 仿真结果与分析

为了验证本文所提的RS-OFDM雷达通信一体化方案的可行性及其性能,根据以上理论分析进行仿真实验,并与现有文献研究较多的基于调制符号的处理算法进行性能对比。基于RS-OFDM信号的一体化系统仿真参数设置如表1所示,通信数据调制方式采用十六进制正交振幅调制(16-ary Quadrature Amplitude Modulation,16QAM),通过汉明窗进行加权处理,信道模型为高斯白噪声信道。

4.1 雷达性能分析

首先仿真分析所提算法下的目标距离-速度像性能。假设有3个目标,信噪比均为10 dB,所在距离分别为1000 m,1003 m,1010 m;速度分别为20 m/s,60 m/s,85 m/s。两种算法下的目标距离-速度像如图3所示。从图中可以看到,两种算法都能够实现多个目标的距离-速度像,但是ICI抑制算法成像具有较高的分辨率。特别是当目标速度为60 m/s和85 m/s时,基于调制符号的算法在距离像上具有较高的旁瓣。仿真结果表明,在多普勒频偏较大的情况下,ICI抑制算法下的距离-速度像性能明显优于基于调制符号的算法。

为了验证不同算法下多普勒频移对距离像的影响,本文分析一个目标距离为1000 m,归一化多普勒频偏(Fd=fd/Δf)分别为0.1和0.5的距离像,仿真结果如图4所示。从图中可以明显看到, ICI抑制算法下的距离像旁瓣性能优于基于调制符号的算法,当Fd=0.1时,二者的旁瓣性能差别不是很大。这与文献[9]的分析一致,当归一化多普勒Fd ≤0.1时,多普勒频偏对算法性能的影响较小。当Fd=0.5时,二者的旁瓣性能差别很大,ICI抑制算法下的距离像峰值旁瓣比(Peak Side Lobe Ratio,PSLR)为42.10 dB,而基于调制符号的算法距离像主瓣较宽,旁瓣较高,其PSLR为21.22 dB。仿真结果表明,当多普勒频偏较大时,本文所提的ICI抑制算法能够实现目标的高分辨距离像。

图5给出了上述两种算法在不同归一化多普勒下的距离像PSLR,其中,仿真次数设为1000。可以看到,ICI抑制算法下的目标距离像PSLR性能较优,且在整个多普勒变化区间比较平稳,其PSLR约为42.19 dB。这说明了所提算法能够实现目标的高分辨距离像,且对多普勒频偏具有较强的鲁棒性。而基于调制符号的算法下的距离像PSLR随着多普勒频偏的增大而减小,例如,在Fd=0.1时,PSLR约为38.99 dB;在Fd=0.5时,PSLR约为21.49 dB。仿真结果表明,当多普勒频偏较小时,所提算法下的距离像PSLR提升了约3 dB;当多普勒频偏较大时,其相应PSLR提升了约20 dB。这说明了基于调制符号的算法适用于多普勒频偏较小场景,它是通过设置归一化多普勒(Fd≤0.1),来限制多普勒频偏对目标成像性能的影响。

4.2 通信性能分析

基于无人机协作探测的雷达通信一体化系统,探测目标包括地面机动目标和友邻无人机,需要与友邻无人机进行数据传递,也需要感知友邻无人机的位置,所以说友邻无人机不仅是探测目标,同时作为通信接收端。首先分析RS-OFDM一体化系统的数据速率,经过计算可得RS-OFDM信号的通信速率为6.25 Mbps,能够满足无人机之间目标探测信息传输的需求[17]。

本文对RS-OFDM一体化系统的误码率进行仿真分析。多普勒频偏会导致误码率性能下降,在通信接收端利用ICI算法进行多普勒估计和校正,这样能够提供较好的通信质量。本文与基于循环前缀(CP)的相关算法进行误码率比较[15],仿真结果如图6所示。可以看到,相比基于CP的算法,ICI抑制算法中经过多普勒估计和校正,具有较低的误码率。仿真结果验证,RS-OFDM一体化系统虽然牺牲了通信速率,但是可以改善误码率。因此,在系统设计时,需要在误码率和通信速率之间进行折中考虑。

4.3 运算复杂度分析

本文所提的ICI抑制算法相比基于调制符号的算法,不同之处在于进行了多普勒校正,通过矩阵相乘来实现,并不会显著增加其计算复杂度。表2给出了两种算法的运行时间,其中,运行次数为1000次。从表中可见,相比基于调制符号的算法,ICI抑制算法的计算复杂度轻微增加。这也说明为了获取雷达的无ICI处理,所提算法并没有明显增加雷达信号处理的复杂度。

5 结论

本文研究了基于RS-OFDM信号的无人机雷达通信一体化系统设计方法。为了解决子载波间干扰(ICI)问题,对连续波OFDM信号进行改进,构建了RS-OFDM一体化信号,提出了一种ICI抑制算法,其中基于多普勒估计和校正实现了雷达的无ICI处理。仿真结果表明,相比基于调制符号的算法,所提算法能够获得较高分辨的目标距离和速度像,且对多普勒频偏具有较强的鲁棒性,计算复杂度并无明显增加。然而,基于RS-OFDM信号的雷达通信一体化系统雷达性能的提升是以牺牲通信速率为代价。本文的研究成果为无人机雷达通信一体化系统的设计和实现提供一定的借鉴意义和理论价值。

[1] 孙晓闻. 无人/有人机协同探测/作战应用研究[J]. 中国电子科学研究院学报, 2014, 9(4): 331-334.

Sun Xiaowen. Application Research for Cooperative Detection Combat of Unmanned/Manned Aerial Vehicles[J]. Journal of China Academy of Electronics and Information Technology, 2014, 9(4): 331-334.(in Chinese)

[2] 肖志斌, 顾村锋, 高帆, 等. 基于多载波的无人机探测与通信技术研究[J]. 上海航天, 2016, 33(1): 69-74.

Xiao Zhibin, Gu Cunfeng, Gao Fang, et al. Research on Detection and Communication for Unmanned Aircraft Based on Multicarrier Techniques[J]. Aerospace Shanghai, 2016, 33(1): 69-74.(in Chinese)

[3] 段求辉, 白迪, 崔勇强．一种无人机载雷达和通信一体化波形设计方法[J]．科学技术与工程, 2019, 19(1): 147-153.

Duan Qiuhui, Bai Di, Cui Yongqiang. An Integrated Waveform Design Method of Radar and Communication for Unmanned Aerial Vehicle[J]. Science Technology and Engineering, 2019, 19(1): 147-153.(in Chinese)

[4] 卢俊, 张群飞, 史文涛, 等. 探测通信一体化研究现状与发展趋势[J]. 信号处理, 2019, 35(9): 1484-1495.

Lu Jun, Zhang Qunfei, Shi Wentao, et al. Development and Prospect of Detection and Communication Integration[J]. Journal of Signal Processing, 2019, 35(9): 1484-1495.(in Chinese)

[5] 肖博, 霍凯, 刘永祥. 雷达通信一体化研究现状与发展趋势[J]. 电子与信息学报, 2019, 41(3): 739-750.

Xiao Bo, Huo Kai, Liu Yongxiang. Development and Prospect of Radar and Communication Integration[J]. Journal of Electronics & Information Technology, 2019, 41(3): 739-750.(in Chinese)

[6] 李晓柏, 杨瑞娟, 程伟. 多相伪随机序列在雷达通信一体化中的应用[J]. 信号处理, 2012, 28(11): 1543-1550.

Li Xiaobai, Yang Ruijuan, Cheng Wei. The Application of Poly-phase Pseudorandom Sequence in Integrated Radar and Communication[J]. Signal Processing, 2012, 28(11): 1543-1550.(in Chinese)

[7] 李晓柏, 杨瑞娟, 陈新永, 等. 基于分数阶傅里叶变换的雷达通信一体化信号共享研究[J]. 信号处理, 2012, 28(4): 487- 494.

Li Xiaobai, Yang Ruijuan, Chen Xinyong, et al. The Sharing Signal for Integrated Radar and Communication Based on FRFT[J]. Signal Processing, 2012, 28(4): 487- 494.(in Chinese)

[8] Garmatyuk D, Schuerger J, Morton Y, et al. Feasibility Study of a MultiCarrier Dual-use Imaging Radar and Communication System[C]∥2007 European Microwave Conference, 2007: 1473-1476.

[9] Sturm C, Wiesbeck W. Waveform Design and Signal Processing Aspects for Fusion of Wireless Communications and Radar Sensing[J]. Proceedings of the IEEE, 2011, 99(7): 1236-1259.

[10] 刘永军, 廖桂生, 杨志伟, 等. 一种超分辨OFDM雷达通信一体化设计方法[J]. 电子与信息学报, 2016, 38(2): 425- 433.

Liu Yongjun, Liao Guisheng, Yang Zhiwei, et al. A Super-resolution Design Method for Integration of OFDM Radar and Communication[J]. Journal of Electronics & Information on Technology, 2016, 38(2): 425- 433.(in Chinese)

[11] Zuo J, Yang R, Luo S, et al. Range Sidelobe Suppression for OFDM-integrated Radar and Communication Signal[J]. The Journal of Engineering, 2019, 2019(21): 7624-7627.

[12] Shahid H, Zhang Z, Pavelski G, et al. OFDM Based Range and Doppler Estimation by Multivariate Frequencies[C]∥2019 International Conference on Electrical, Communication, and Computer Engineering, 2019: 1- 6.

[13] Bidon S, Roque D, Mercier S. Target Sidelobes Removal via Sparse Recovery in the Subband Domain of an OFDM RadCom System[C]∥2020 IEEE International Radar Conference, 2020: 460- 465.

[14] Lim J, Kim S, Shin D. Two-step Doppler Estimation Based on Intercarrier Interference Mitigation for OFDM Radar[J]. IEEE Antennas and Wireless Propagation Letters, 2015, 14: 1726-1729.

[15] 赵晶晶, 霍凯, 刘永祥, 等. 基于循环前缀的相位编码OFDM雷达多普勒频移估计和补偿[J]. 电子与信息学报, 2017, 39(4): 938-944.

Zhao Jingjing, Huo Kai, Liu Yongxiang, et al. Cyclic Prefix Based Phase-coded OFDM Radar Doppler Offset Estimation and Compensation[J]. Journal of Electronics & Information Technology, 2017, 39(4): 938-944.(in Chinese)

[16] Zhang F, Zhang Z, Truong T. Joint Range and Velocity Estimation with Intrapulse and Intersubcarrier Doppler Effects for OFDM-based RadCom Systems[J]. IEEE Transactions on Signal Processing, 2020, 68: 662- 675.

[17] Stöcker C, Bennett R, Nex F, et al. Review of the Current State of UAV Regulations[J]. Remote Sensing, 2017, 9(5): 459- 484.