论文精读与Python代码完整复现Chirp DDM如何把通信信息写入雷达的时延-多普勒域如有帮助请引用Li Z, Tan S, Gao Z, et al. Chirp delay-doppler domain modulation: A new paradigm of integrated sensing and communication for autonomous vehicles[J]. IEEE Network, 2025, 39(6): 119-127.毫米波雷达已经是自动驾驶的重要传感器但传统车载雷达主要负责“看见环境”车辆之间的控制信息仍要依赖另一套通信链路。如果能够在不放弃雷达低成本、高距离分辨率和高速度分辨率优势的前提下让同一组 Chirp 同时承担感知与通信会发生什么论文《Chirp Delay-Doppler Domain Modulation: A New Paradigm of Integrated Sensing and Communication for Autonomous Vehicles》给出了一条很有工程意味的路线不从 OFDM 等通信波形出发改造感知功能而是保留毫米波雷达的 Chirp 处理链在雷达天然使用的时延-多普勒域中嵌入通信数据。本文不按章节翻译论文而是围绕三个问题展开通信数据究竟写在什么位置多车雷达如何避免相互干扰论文 Fig. 5 的性能结论能否通过自主 Python 项目重新得到01问题不只是“怎样调制”还包括“怎样避免互扰”车载毫米波雷达通常发射线性调频 Chirp。信号经过目标反射后回到接收端与本地 Chirp 混频低通滤波后得到中频信号。单个 PRI 内的采样点构成快时间维多个 PRI 在一个相干处理间隔 CPI 内堆叠成慢时间维。对快时间和慢时间分别做离散傅里叶变换就得到距离-多普勒图 RDM快时间频率对应距离慢时间频率对应径向速度。多发射、多接收天线形成的虚拟阵列还可继续用于角度估计。R D M D F T s l o w ⋅ D F T f a s t ⋅ R e c e i v e d D a t a C u b e \rm{RDM DFT_{slow} · DFT_{fast} · Received~Data~Cube}RDMDFTslow⋅DFTfast⋅ReceivedDataCube这条处理链成熟、低成本也是论文坚持保留 Chirp 波形的根本原因。但当多辆车在相近频段同时工作时问题随即出现干扰信号通常只经历单程传播有用回波却经历往返传播干扰功率不能被简单忽略。时频资源一旦重叠既可能制造虚假目标也可能抬高噪声底。因此真正可用的车载 ISAC 方案必须同时回答两个问题不同收发机对之间怎样协调资源降低雷达互扰一对收发机内部怎样用 Chirp 同时完成感知和通信论文分别用 Chirp-DMA 和时延-多普勒域调制回答了这两个问题。02Chirp-DMA先用专用 Chirp 感知空闲资源论文将主动发射并接收目标回波的设备称为主动收发机 AT将被动接收 ISAC 信号的设备称为被动收发机 PT。二者部署在不同车辆上但硬件类型相同角色可以随任务改变。Chirp-DMA 的关键不是建立一个额外控制信道而是让接收机先发出持续时间更短的“专用 Chirp”感知哪些倾斜条带状时频资源已经被占用。专用 Chirp 与工作 Chirp 保持相同斜率但只扫过低通滤波器能够保留的带宽。T u T c ⋅ f cut / B T_u T_c · f_{\text{cut}} / BTuTc⋅fcut/B其中T c T_cTc是一个 PRI 的持续时间f c u t f_{\rm{cut}}fcut是低通滤波器截止频率B BB是 Chirp 扫频带宽。接收端如果在某个时间区间观察到中频信号就认为对应资源已被占用反之则可选择空闲区间建立新的 AT-PT 配对。为了保证经历最大时延的前一个 Chirp 不干扰随后到达的 Chirp相邻资源之间至少需要一个额外保护单元。因此可容纳的收发机对数量受下面的关系约束N p a i r , m a x T c / ( 2 T u ) N_{\rm{pair,max}} T_c / (2~T_u)Npair,maxTc/(2Tu)从系统角度看Chirp-DMA 负责“不同车辆之间怎么分资源”后续调制负责“拿到资源以后怎样一边感知、一边传数据”。这两层不能混为一谈。03通信数据为什么可以写进时延和多普勒正常雷达目标在 RDM 中应该落在由真实距离和径向速度决定的位置。论文的核心想法是如果发射端主动给信号增加一段可控的时延偏移或多普勒偏移那么检测位置相对“本来应该出现的位置”的离散变化就可以代表通信符号。换句话说感知参数变化通常连续且缓慢通信数据则按预先设计的离散间隔跳变。只要星座点之间的最小间隔大于相邻 CPI 内真实感知参数的变化就能先根据历史跟踪结果扣除目标运动再恢复通信数据剩余参数继续用于目标跟踪。通信数据可写入三个维度时延偏移对应距离方向上的索引调制多普勒偏移对应径向速度方向上的索引调制复幅度对应 QAM 或相位调制。这种设计的工程优势是接收端不需要另建一套复杂解调器。FFT、CFAR 检测、距离速度估计本来就是雷达处理链的一部分通信数据可以随感知结果一起恢复。从通信理论角度看这不是在连续复平面上任意设计新波形而是在雷达处理后已经离散化的距离单元、速度单元和复幅度上构造联合星座。星座间隔越大检测和解调越稳健但可用符号数减少星座间隔越小通信容量提高却更容易与目标真实运动、频谱泄漏和估计误差混淆。因此感知分辨率既决定雷达能分开多近的目标也直接限定通信星座能够放得多密。这是该方案中感知与通信真正耦合的位置。04TDM 与 DDM一个追求速率一个换取低 SNR 能力论文分别面向 TDM-MIMO 雷达和 DDM-MIMO 雷达设计了两套调制方式。TDM 中不同发射天线按 PRI 轮流工作。因此时延和复幅度可以逐 PRI 调制多普勒数据则按 CPI 调制。它的通信速率更高但任一时刻只有一根发射天线工作缺少多天线并发带来的能量增益。DDM 中多根发射天线同时工作并在慢时间维预置不同的线性相位使各天线回波在多普勒轴上产生可分离偏移。由于接收信号是多天线信号的叠加无法可靠地逐 PRI 恢复数据所以时延、多普勒和复幅度都以 CPI 为调制单位。这意味着 DDM 的数据率只有 kbps 量级却能利用四根发射天线并发获得更好的低 SNR 性能。论文指出在相同带宽和 PRI 下TDM 的 BER 曲线相对 DDM 约向右移动 6 dB。对于传输车辆控制信息而非高清视频的场景这种“降低速率换取可靠感知与低发射功率”的选择是合理的。05Fig. 5 的正式实验验证了什么论文仿真采用 80 GHz 载频每个 CPI 包含 128 个 Chirp发射阵列为 2×2接收阵列为 2×8调制采用 QPSK检测使用 FFT 后接 CA-CFAR方位角搜索精度为 1°。命中要求距离误差和速度误差分别不超过对应分辨率角度误差不超过 3°。四组参数配置为配置带宽 BPRI T_c1640 MHz51.2 μs2320 MHz51.2 μs3160 MHz51.2 μs4640 MHz25.6 μs论文图5 Chirp DDM 在不同带宽、PRI 与 SNR 配置下的 BER、Hitrate 及距离、速度、方位角误差 CDF。该图由自主 Python 复现项目根据正式结果数据重新绘制不使用 IEEE 论文截图。Fig. 5(a) 的第一条信息是带宽从 160 MHz 增加到 320 MHz再增加到 640 MHz 时在维持相同 BER 的条件下每次带宽翻倍大约获得 3 dB 改善。原因并不是调制阶数变化而是带宽增加带来了更多采样点和更高的等效积累增益。第二条信息是B 320 B320B320MHz,T c 51.2 T_c51.2Tc51.2μs 与B 640 B640B640MHz,T c 25.6 T_c25.6Tc25.6μs 的 BER 和 Hitrate 几乎重合。这说明带宽、观测时间和 SNR 并不是完全独立的性能旋钮而可以通过近似相同的时间带宽积形成等效配置。第三条信息是时延、多普勒和复幅度三类 BER 高度相关。检测失败时解调不会继续进行所以最差 BER 被计为 1而不是随机二进制判决常见的 0.5。Fig. 5(b) 的 Hitrate 阶跃与 BER 变化因此具有一一对应关系。Fig. 5© 至 Fig. 5(e) 固定 SNR 为 -25 dB。更大带宽显著改善距离估计更长 PRI 带来更好的速度估计方位角误差在四种配置下较接近因为阵列孔径没有改变。论文还将频谱泄漏造成的多个检测单元进行算术平均使距离和速度误差小于单个 DFT 分辨率最终方位角误差也保持在 1°以内。四组配置对应的数据率约为 2.75、2.59、2.44 和 5.19 kbps。这再次提醒我们这里追求的不是通信峰值速率而是用雷达原生处理链传输少量、高可靠的车辆控制信息。06我们的 Python 复现具体做了什么配套项目不是把作者 MATLAB 文件换一个目录重新打包而是重新建立了 Python 信号处理和绘图流程。核心实现包括单目标 Chirp 数据生成、DDMA 线性相位编码、测量功率 AWGN、二维 FFT、循环边界 CA-CFAR、距离与速度检测、虚拟阵列方位角匹配以及 BER、Hitrate 和误差样本统计。07Paper-to-Code Mapping论文环节Python 项目接口四组系统参数与 Chirp/DDMA 信号模型chirp_ddm_isac/simulation.py完整 10⁴ 次 Monte Carlo 实验入口scripts/run_experiments.pyFig. 5 正式绘图数据results/figure5_results.npz正式数据完整性与趋势检查scripts/validate_figure5.pyFig. 5 五子图绘制scripts/plot_figure5.py最终矢量图与高清位图figures/figure5_reproduction.pdf/png从研究复现角度最值得保留的不是某个函数名字而是可追踪的数据流系统参数决定距离与速度分辨率DDMA 生成发射相位噪声信号进入 FFT 与 CFAR检测结果同时产生感知误差和通信 BER最后才形成 Fig. 5 的五类曲线。08这篇工作还没有解决什么第一DDM 方案的数据率很低。它适合车辆控制消息但不能替代高吞吐 V2X 链路。若缩小索引星座间隔以提高速率BER、参数估计和目标跟踪又会彼此耦合形成真正的感知通信权衡。第二论文假设理想同步。真实车辆间存在时钟偏移、载频偏移和硬件相位误差专用 Chirp 感知和时延-多普勒解调都需要额外校准。第三当前方案主要讨论一对 AT-PT 的信息交换。多车、多收发机同时接入时如何选择配对、分配发射功率并保证 Chirp-DMA 的时频隔离仍是网络层问题。第四论文默认参与设备非恶意。自动驾驶场景必须进一步考虑欺骗信号、恶意干扰和虚假目标注入单纯依靠 CA-CFAR 无法覆盖安全问题。第五仿真结果还不能替代实车验证。道路多径、遮挡、车辆振动、不同雷达硬件和非理想天线阵列都会改变结果。未来真正有价值的工作是把低复杂度算法带入原型车和公开道路测试而不只是继续优化理想条件下的曲线。写在最后这篇论文最值得借鉴的研究思路是没有为了“通信速率更高”而彻底替换成熟雷达波形而是从 Chirp 雷达已有的 RDM、FFT、CFAR 和跟踪链条中寻找可复用的自由度。Chirp-DMA 解决不同车辆之间的资源协调时延-多普勒调制解决单个收发机对内部的数据承载TDM 与 DDM 则给出了速率和低 SNR 能力之间的两种选择。它更像对现有毫米波雷达的一次通信能力升级而不是另起炉灶设计一套车载通信系统。完整的自主 Python 复现项目、正式绘图数据、实验脚本、参数说明和 Paper-to-Code Mapping 已经整理完成。需要进一步复现实验或修改带宽、PRI、SNR 等配置的读者可以点击文末“阅读原文”获取完整资料。关注“无线通信科研笔记”后续继续分享无线通信论文的算法拆解、Python 实现与正式仿真复现。