简介：本资源是一份面向雷达信号处理初学者与汽车电子方向实践者的MATLAB仿真代码，聚焦线性调频连续波（LFMCW）雷达核心原理，解决测距与测速算法建模、中频信号解调及多普勒频移分析等关键问题，适用于自动驾驶感知系统课程设计、毫米波雷达入门实验及本科毕设基础开发。压缩包仅含1个主文件——MATLAB脚本（.m），体积精简至7KB，完整实现LFMCW信号生成、传播延迟建模、混频解调、距离-速度二维FFT提取及结果可视化全流程，代码结构清晰、注释详实，便于逐行理解扫频速率、时间延迟与多普勒频偏的物理映射关系。目前已有805人学习下载，读者可直接运行获取距离谱与速度谱图像，掌握雷达参数（如带宽、扫频时间）对分辨率的影响，并基于该框架快速拓展角度估计或目标跟踪功能。 做雷达仿真的人多了，但能把线性调频连续波（FMCW）雷达的测距测速原理从公式一路推到仿真波形再推到检测结果的，不算多。这个“线性调频连续波雷达仿真（matlab），汽车雷达测距测速雷达仿真”项目，恰好就是一条完整的链路：从波形设计、目标回波建模、混频差拍，到距离维FFT和速度维FFT，再到目标检测与结果可视化，全部在MATLAB里实现。你拿到的不是一个孤零零的代码片段，而是一套可以对比理论、改参数、跑场景的迷你工程。
适合谁来参考？两类人最合适。一类是刚入门雷达信号处理的学生，想搞明白毫米波雷达到底怎么测出“前面那辆车距离我50米、相对速度3米/秒”的；另一类是把MATLAB当验证工具、需要快速搭出算法原型来评估指标的在职工程师。读完这篇文章，你能弄清楚每一行仿真相干的事，也能在真机实测之前，先用仿真把参数权衡、检测门限、多目标场景这些坑踩一遍。
1. FMCW雷达原理与仿真整体设计
1.1 线性调频连续波测距测速的核心机制
FMCW雷达发射的信号频率随时间线性变化，所以叫“线性调频连续波”。发射信号碰到目标反射回来，接收信号相比发射信号有一个时间延迟τ，同时如果目标有径向速度，还会叠加一个多普勒频移fd。雷达把发射信号和接收信号混频、低通滤波之后，得到的就是差拍信号（beat signal），它的频率就包含了目标的距离和速度信息。
这就好比你在山谷里大喊一声，回声传回来有延迟，你能通过延迟估算距离；区别在于FMCW雷达把“延迟”换算成了“频率差”，这样一来，用FFT去数频率就能算出距离，处理效率非常高。
调制波形上，最常见的两种是锯齿波和三角波。锯齿波调频周期短、实现简单，但只能通过多普勒维FFT得到速度信息，二维FFT就是基于这个配置；三角波在上下扫频段分别做处理，利用上下扫频的差拍频率联立方程，可以直接解出距离和速度，在多目标场景下各有优劣。我做的这套仿真以锯齿波为主，这也是当前77GHz车载毫米波雷达最主流的工作方式。
1.2 为什么选用MATLAB实现这套雷达仿真
选MATLAB不单是因为它装了就能跑，而是它刚好咬合了雷达仿真三个最要命的痛点。
第一个痛点是波形生成。线性调频信号、复数基带信号、加窗、补零，这些在MATLAB里都是现成函数，chirp、exp、fft一行一个，不像C/C++要自己写复数运算和FFT蝶形。
第二个痛点是算法调试的灵活度。雷达信号处理的难点不在公式多深，而在排查“为什么峰值不在我计算的位置上”。MATLAB的工作区里所有中间变量都摊开可见，混频后的波形、FFT后的频谱峰值、门限检测的结果，随时可以画出来看。
第三个痛点是它和海量资料、嵌入式代码的衔接。你可以在MATLAB里验证完算法，再转成C代码，或者把处理流程移植到DSP上。很多车载雷达供应商的算法原型都用MATLAB搭，这套仿真可以作为后续开发和横向对比的基准线。
1.3 仿真系统的整体模块架构
整个仿真工程在逻辑上拆成四个模块：发射波形生成模块、目标回波模拟模块、混频与差拍信号处理模块、距离速度检测模块。
发射波形生成模块根据雷达参数（带宽、调频周期、采样率、载频等）产生一个chirp的复基带发射信号。目标回波模拟模块不仅包含信号延时和多普勒频移，还要叠加噪声，否则后面测出来的信噪比阈值就没有意义。混频与差拍信号处理模块在MATLAB里就是一次共轭相乘加低通滤波。距离速度检测模块对差拍信号按chirp排列成二维矩阵，做距离维FFT和速度维FFT，再进行峰值搜索、CFAR检测和参数输出。
从工程实现角度看，这样的分层能让每个环节独立验证，改发射波形不用动目标回波的代码，加检测算法也不用重跑整条链路。尤其做仿真，最忌讳的就是所有代码拧成一团，改一个参数就要从头捋逻辑。
2. 核心细节解析与实操要点
2.1 雷达波形参数设计：从需求倒推指标
参数设计是整车仿真里最需要动脑的一步，它直接决定仿真结果准不准。车载雷达的典型场景是：最大探测距离200米左右，距离分辨率1米以内，速度分辨率0.1米/秒左右，最大测速范围±50米/秒（对应180公里/小时相对速度）。
设计时按顺序算几个关键公式。
距离分辨率由带宽决定：ΔR = c / (2B)。想做到1米分辨率，带宽至少要150MHz；做到0.5米，就要300MHz。77GHz雷达通常取1GHz带宽，距离分辨率约0.15米，这给多目标分离留了余量。
最大测速范围由chirp周期决定。锯齿波扫频周期T_chirp内两个chirp之间的相位差能测量的最大不模糊多普勒频率是±1/(2T_chirp)，换算成速度就是v_max = λ/(4T_chirp)，λ是载波波长。77GHz波长达3.9毫米，如果T_chirp为80微秒，v_max约为±12米/秒，正好覆盖车道级相对速度。
速度分辨率取决于积累的chirp数M和总体观测时间T_total = M × T_chirp，Δv = λ/(2M×T_chirp)。M取256时，总观测时间20.48毫秒，约6.1厘米/秒的速度分辨率，精度相当充足。
距离由差拍频率f_b直接得到R = f_b × c / (2 × Slope)，Slope是调频斜率。采样率必须满足能采到最大差拍频率的两倍以上，否则会混叠。
2.2 目标回波信号建模：延时、多普勒与噪声
目标回波建得逼真，后面的检测算法才有讨论价值。一个目标在距离R处、径向速度为v，对应的回波相对发射信号的延迟为τ = 2R/(c)，多普勒频移为fd = 2v/λ。
在数字仿真里构造回波信号时，我做的是先把连续时间离散化，再对发射信号进行延时和相位调制。核心代码大致是：
tau = 2 * R / c; % 目标回波延时 fd = 2 * v / lambda; % 多普勒频移 t_base = t - tau; % 延时后的时间轴 rx_signal = exp(1j * (2 * pi * (fc * (t_base) + 0.5 * slope * t_base.^2))); rx_signal = rx_signal .* exp(1j * 2 * pi * fd * t);需要注意的是，毫米波频段仿真中载频那一项通常不做完整模拟，而是在基带直接建模差异频率。工程上更常见的做法是直接构造差拍信号：根据当前目标的距离和速度算出差拍频率和相位，在时间-慢时间二维平面上生成正弦信号。这种方式计算开销小，也更接近实际雷达处理链路的中间状态。
噪声模型方面，我倾向于给回波加上适当功率的复高斯白噪声。这样做的好处是能在后面加上恒虚警检测（CFAR）时，真正考验检测门限的鲁棒性。需要特别注意，加噪声的功率不能凭感觉拍，而要根据雷达方程估算回波信噪比，否则目标要么被噪声淹没检测不到，要么强到不需要检测算法。
2.3 二维FFT测距测速的处理顺序
这是整个仿真里最容易做错的一步，也最值得把道理讲透。
差拍信号被排成一个二维矩阵：行是快时间（一个chirp内的采样点），列是慢时间（不同chirp之间的索引）。距离信息藏在快时间维度的频率里，速度信息藏在慢时间维度的相位变化里。
处理顺序总是先做距离维FFT，再做速度维FFT，不能反过来。原因是，先做距离维FFT后，每个距离单元上保留的是目标慢时间的相位变化序列；再对每个距离单元沿着慢时间做FFT，才能得到多普勒频谱。反过来的话，距离频率会被慢时间的相位调制搞乱，测出来的距离就不对了。
具体到MATLAB代码：
range_fft = fft(rx_matrix, N_range, 1); % 对快时间维做FFT doppler_fft = fft(range_fft, N_doppler, 2); % 对慢时间维做FFT做完两次FFT后得到一个距离-多普勒二维频谱，横轴对应距离，纵轴对应多普勒频率，目标在这个二维平面上表现为一个峰值。峰值的位置换算成距离和速度，就完成了测距测速。
2.4 窗函数和补零的实用权衡
直接做FFT，频谱会拖尾巴，邻近的强目标会把弱目标盖掉。这时就需要加窗。我试过汉明窗、汉宁窗、布莱克曼窗，从实测效果看，汉宁窗在车载雷达里性价比最高：主瓣宽度稍微变宽，但旁瓣压低到了-43dB左右，能明显改善多目标分辨场景下的漏检。
补零也有讲究。补零不是提高物理分辨率，它只是把FFT频谱插值得更平滑，方便峰值定位。如果距离分辨率标称1米，补零后峰值位置会更精确，但绝不能以为补零可以分辨两个原本在频谱上重叠的目标。
实际参数上，我在快时间维做了256点FFT，信号本身只有192个采样点，补零到256；慢时间维直接256点FFT。综合下来，仿真输出热力图上的像素对应距离约0.16米，速度约0.06米/秒，插值密度相当够用。
3. 实操过程与核心环节实现
3.1 运行环境准备与文件组成
这套仿真对MATLAB版本的要求不高，R2021a以上都能正常跑通，核心用到的函数是fft、meshgrid、imagesc、fftshift，都属于基础函数库，没有依赖额外的工具箱。唯一要注意的是，如果用了并行计算池跑蒙特卡洛仿真，那需要Parallel Computing Toolbox；单次仿真不需要。
拿到工程压缩包后，建议先看一遍文件结构。主脚本FMCW_Radar_Sim.m负责全部流程；函数目录里通常包含generate_chirp.m、simulate_target.m、range_doppler_process.m这类功能函数；结果保存目录放输出的图片和MAT文件。整理成这种工程结构，后续改参数、加场景不用翻遍整个目录。
3.2 主脚本参数定义与初始化
参数定义是主脚本的第一段，也是改动最频繁的地方。我把参数按用途分了组，每组用注释隔开，方便定位修改。
%% 系统参数 c = 3e8; % 光速 fc = 77e9; % 载频 77GHz B = 1e9; % 扫频带宽 1GHz T_chirp = 80e-6; % chirp周期 80us %% 波形相关 Fs = 25e6; % 采样率 25MHz N_sample = round(T_chirp * Fs); % 单个chirp采样点数 slope = B / T_chirp; % 调频斜率 lambda = c / fc; % 波长 %% 目标参数（可定义多个目标） targets = [50, 10; % 目标1：距离50m, 速度10m/s 80, -5]; % 目标2：距离80m, 速度-5m/s %% 积累chirp数 N_chirp = 256;参数之间的关联需要特别留意。采样率要能覆盖最大差拍频率，根据最大探测距离200米和当前斜率，最大差拍频率约13.3MHz，奈奎斯特采样率要大于26.6MHz，我取25MHz其实偏低了，实际工程应该取30MHz以上。这套参数的探测距离被采样率限制在了约180米，如果模拟200米目标会出现折叠。
3.3 发射与回波信号生成
发射端用复数基带信号表示线性调频信号。实际雷达的发射信号是实信号，但在基带处理阶段统一用复包络表示，这样既保留相位信息，又方便后续混频操作。生成发射chirp的代码如下：
t = (0:N_sample-1) / Fs; % 快时间轴 tx_signal = exp(1j * (2 * pi * (fc * t + 0.5 * slope * t.^2)));回波生成是仿真里比较关键但容易出错的部分。我定义了simulate_target函数，对每个目标单独生成回波再叠加：
rx_matrix = zeros(N_sample, N_chirp); for idx = 1:size(targets, 1) R = targets(idx, 1); v = targets(idx, 2); for chirp_idx = 1:N_chirp tau = 2 * R / (c + v); % 动态延时 t_rx = t - tau; % 慢时间相位偏移，对应多普勒频移 phi_doppler = 2 * pi * (2 * v / lambda) * (chirp_idx * T_chirp); rx = exp(1j * (2 * pi * (fc * t_rx + 0.5 * slope * t_rx.^2) + phi_doppler)); rx_matrix(:, chirp_idx) = rx_matrix(:, chirp_idx) + rx.'; end end这里有个仿真细节经常被忽略：目标运动时，延时τ也是随时间变化的，严格来说应该对每个采样点都更新τ，但工程上允许做近似，因为一个chirp周期内目标的距离变化很小（80微秒内10m/s运动的目标位移不到1毫米），对差拍频率的影响微乎其微。
3.4 混频差拍与二维FFT处理
混频在数学上就是接收信号乘发射信号的共轭。这样做把接收信号里的高频载波分量抵消掉，只留下目标延时带来的差拍频率。核心代码是：
beat_matrix = rx_matrix .* conj(tx_signal.');这里有个容易困惑的点：为什么共轭相乘就能得到差拍？因为发射信号是复指数，接收信号是同一复指数延后一段时间再乘一个慢时间相位，两者相乘后指数上的频率项变成了差频，也就是“频率差”的物理解释。共轭相当于把发射信号的相位反相，频率轴的差值自然显现。
二维FFT的处理在前面已经讲过了。实际代码中还需要配合窗函数使用：
win_range = hann(N_sample, 'periodic'); win_doppler = hann(N_chirp, 'periodic'); % 对每列乘距离窗，对每行乘多普勒窗 beat_windowed = beat_matrix .* win_range .* win_doppler'; % 先距离维FFT再多普勒维FFT range_doppler_map = fftshift(fft(fft(beat_windowed, N_fft_range, 1), N_fft_doppler, 2), 2);3.5 峰值检测与目标信息输出
二维频谱上的峰值位置对应距离和速度的估计值。峰值搜索先记下频谱幅度最大值的位置，再换算成距离和速度。用一个简单的峰值检测加3×3邻域求和来降低量化误差，能得到更精确的峰值坐标：
[peak_val, peak_idx] = max(abs(range_doppler_map(:))); [range_idx, doppler_idx] = ind2sub(size(range_doppler_map), peak_idx); range_bins = (0:N_fft_range-1) * c / (2 * B * N_fft_range) * Fs; vel_bins = (doppler_idx - N_fft_doppler/2 - 1) * lambda / (2 * T_chirp * N_chirp); target_range = range_bins(range_idx); target_velocity = vel_bins;这个简单方法只适用于单目标或强目标场景。要稳起见，工程里会改用单元平均恒虚警检测（CA-CFAR）。CFAR的思想是通过参考单元估计当前检测单元的噪声功率，然后乘以一个系数得到自适应门限，优点是能随背景噪声变化自动调整灵敏度，避免固定门限在噪声稍大时出现大量虚警。
CFAR实现时要注意参考单元和保护单元数量的选择。参考单元太少，门限抖动大；太多，多目标场景下旁边的目标会污染噪声估计。经验值是距离维参考单元取16到24个，保护单元取4个，速度维同理。
3.6 结果可视化与输出
仿真结果最终通过三个关键图呈现：距离-多普勒热力图、距离维剖面图、速度维剖面图。热力图用imagesc绘制，把距离和速度的坐标轴标清楚。距离维剖面图能直观看到不同目标的距离峰，速度维剖面能看出多普勒峰的分离情况。
我在工程里还会顺手保存一份结构体变量到MAT文件，包含所有中间结果，方便后面调算法时不用重跑仿真。这个习惯在项目调试期特别有用，改一个CFAR参数不用把整个链路重新生成一遍。
4. 常见问题与排查技巧实录
4.1 距离分辨率不足：两个峰值分不开怎么办
如果你设置两个目标相距0.2米，而带宽只有150MHz（理论分辨率1米），你会发现不管怎么调，距离维上只能看到一个包络。这不是程序有bug，而是物理分辨率限制。
排查方向先从带宽入手。把B从150MHz改到1GHz，理论分辨率变成0.15米，两个目标就能拉开。其次是补零位置是否写对，fft(x, N)的第二个参数是FFT点数，要确保它大于等于信号长度。补零只能让峰值定位更精细，无法提升物理分辨率。
4.2 速度维出现模糊或镜像速度
速度模糊通常发生在目标实际速度超过最大不模糊速度v_max时。比如T_chirp取80微秒，v_max大约10米/秒，如果目标实际速度是15米/秒，多普勒维的峰值会折回到-5米/秒附近。
这个问题最直接的解是缩短chirp周期。T_chirp减半，v_max翻倍。但代价是调频斜率增大后，同样的距离对应的差拍频率变大，对采样率的要求变高了。这就是雷达系统设计里测速范围和采样率之间经典的成本权衡。遇到这个现象不要急着改算法，先核算一下参数设计区间有没有被打破。
4.3 FFT频谱泄漏严重：目标峰值周围出现大量杂散
频谱泄漏百分之九十是没加窗导致的。直接对一个有限长正弦做FFT，频谱会像被梳子划过一样拖出长长的旁瓣，在强目标旁边尤其难看。
解决办法是给数据加窗，优先级排序：汉宁窗 > 汉明窗 > 布莱克曼窗。具体选哪个取决于你更在意主瓣宽度还是旁瓣衰减。如果前后有两个目标挨得很近，主瓣越窄越好，汉明窗更合适；如果目标动态范围大、小目标可能被大目标旁瓣盖住，汉宁窗更合适。
4.4 多目标配对错误：目标距离和速度对应错乱
这是二维FFT方案最容易出问题的地方。当同时存在多个目标时，距离维FFT和对多普勒维FFT各自得到一组峰，理论上一一对应，但如果两个目标在某一维上距离很近，峰值合并后会导致配对错误。
处理思路有两种。一种是从算法上调整参数，增加目标在距离维或速度维的分辨率，让峰彻底分开。另一种是用三角波调制，上下扫频的差拍频率联立求距离和速度，配对关系天然比锯齿波清晰。实时性要求不高的场景，用三角波能明显缓解配对错误。
4.5 采样率不够导致差拍频率混叠
如果你把最大探测目标距离从150米改到250米，而采样率没动，你会看到目标距离维的峰出现在奇怪的位置，比如很近的距离上突然多了一个假目标。这就是差拍频率超过奈奎斯特频率后发生的频谱折叠。
排查方式有两个：一是算理论差拍频率上限，f_zero_beat = 2R×slope/c，看这个值有没有超过Fs/2；二是直接把采样率提高一倍再跑，看看假峰是否消失。工程上建议在设计阶段留20%到30%的采样率余量，避免环境因素带来的频率偏移导致信号越界。
4.6 代码运行慢：矩阵循环太多导致卡顿
MATLAB最忌讳用循环逐点生成信号。我曾经给每个chirp单独走循环生成回波，256个chirp跑下来要几十秒。后来改成向量化生成，目标回波用矩阵运算一次成型，速度提升了10倍以上。做法是预先分配好二维矩阵，利用MATLAB的广播机制一次性生成全部chirp的回波，避免for循环里反复计算三角函数。如果你的仿真数据量大到矩阵运算也吃力，再考虑用parfor并行循环，前提是你有多核CPU和并行计算工具箱。
4.7 虚警率过高或漏警过多
固定检测门限下，噪声功率一旦变化，检测性能就会失衡。我之前有次仿真，信噪比不理想时热力图里出现了好几处假峰，最初以为是噪声加得太猛，后来发现是检测门限太低。
换成CA-CFAR后有明显改善。CFAR门限会随局部噪声功率自适应抬升或下降，噪声大时门限抬高，噪声小时门限降低，比固定门限稳得多。参数调节上，门限系数α直接影响虚警率，调大α虚警少但容易漏掉小目标，调小α反之。实测下来，虚警率10的-6次方量级对应的α大概在10到20之间，具体数值要根据噪声模型标定。
最后再分享一个实战里的小习惯：每次跑完仿真都把雷达参数、目标参数、中间变量和结果图存档命名好。调试阶段你一定会频繁改参数，如果每次跑完不留档，三天后再看之前的仿真结果会完全对不上号。这个习惯帮我省了大量反复排查的时间。这套MATLAB仿真工程本身已经搭好了从原理到验证的完整链路，你拿到手后可以按自己的需求改距离、速度、带宽这些参数，扩展出多目标跟踪、CFAR检测、甚至和卡尔曼滤波做数据关联的版本，一步步把这个雷达算法原型做成更有深度的项目。
本文还有配套的精品资源，点击获取
