无论是之前的基本估计方法，还是一些先进的估计技术，我们都假设Automotive radar所接收到的回波都是我们感兴趣的目标回波，然而 ，实际的雷达所接收的回波中除了目标外，还存在道路及周围环境的回波信号。雷达中对于这些除了期望信号外的其他信号称为杂波(clutter)。而车辆周围环境又是复杂多变的，因此，一些自适应的方法类似于恒虚警（Constant false alarm rate,CFAR）处理，空时处理（Space-Time Adaptive Processing,STAP）等等被用于减小杂波的影响。
为了从杂波中辨别出有效的目标，需要选择合适的阈值。若距离估计的结果中，谱幅度是高于阈值的，我们就认为高过阈值的部分所对应的为目标。因此，选择一个合适的阈值对于实际目标的检测是十分重要和关键的，而阈值的选择又和所处环境的杂波有关。当检测环境中杂波十分严重的时候，就需要一个较高的阈值。通常，一个简单的CFAR可以利用滑窗去对所覆盖窗内的参考单元的平均去得到此时的杂波水平。当处于多个目标的环境中时，情况会变的比较复杂，另外的一些方法比如排序类的方法等等就会被使用。
STAP是另外一种提升目标位置估计鲁棒性的方法。它是利用自适应滤波器从道路的杂波中选择目标。滤波器的权值是随着杂波情况的变化而变化的。在FMCW雷达中，这种滤波器用于不同的Chirp信号（即慢时间维的P个样本），以及空域（即1维阵列的L个样本）。此时杂波的统计量是由协方差矩阵C_LP×LP记录的。这个协方差矩阵是由感兴趣的目标区域内多个距离单元计算得到。若令
为目标位置的空时指向因子，那么根据最小方差无失真（MVDR）波束形成的STAP处理的权值可以表示为：
利用上式，我们就可以得到空时数据中目标的位置，可以利用这样的处理得到所有的感兴趣目标的位置。另外，STAP处理可以利用MIMO阵列的较多自由度减小杂波的影响。
关于CFAR的具体的处理和方法后面有空会讲，有对CFAR感兴趣的同学可以去看看Rohling的文章。
插图：Noel_Bauza 来自网络
