""" MIMO GPR — локализация через пересечение эллипсов ================================================== Физика в двух словах: Пик A-скана пары (Tx_i, Rx_j) на задержке τ означает: |Tx → объект| + |объект → Rx| = v · τ Это уравнение эллипса. Истинный отражатель лежит на пересечении всех Tx/Rx-эллипсов (по одному на измеренную пару). Алгоритм: 1. S(f) → IFFT → A-сканы всех Tx/Rx-пар 2. Поиск пиков: SNR = пик / медиана > порог 3. Для каждого пика → мягкий эллипс в аккумуляторе (с компенсацией геометрического и углового затухания) 4. CLEAN: найти максимум → убрать его эллипсы → повторить О параметре SHELL_SIGMA: Аккумулятор — это «мягкое голосование». Каждый эллипс добавляет не единицу, а гауссово-взвешенный вклад: w = exp(−δ²/2σ²), где δ = |R_Tx + R_Rx − v·τ| SHELL_SIGMA — ширина этой гауссовой оболочки. Слишком широко → ghost-цели не подавляются. Слишком узко → вклад падает до нуля из-за дискретности сетки. Оптимум: ~ 0.4 × δZ, где δZ = v/(2B) — разрешение по глубине. О score: score = количество пар, чей эллипс проходит через данную точку с невязкой δ < 3σ. Принимает целые значения от 0 до N_pairs. Максимальный score у истинного объекта = N_pairs (все пары согласны). Ghost-цели имеют меньший score, т.к. согласуются только с частью пар. О компенсации затухания: При генерации S(f) сигнал ослаблен: geo(i,j) = 1/(R_Tx · R_Rx) — геометрическое ослабление pat(i,j) = cos²(θ_Tx)·cos²(θ_Rx) — диаграмма направленности Без компенсации глубокий/угловой отражатель будет недооценён. Компенсация: делим вес каждого пика на ожидаемое затухание в точке z_apparent, вычисленное для данной пары антенн. Геометрия: карта строится в плоскости XZ при y=ELLIPS_PLANE_Y, но бистатические дальности считаются до 3D-координат антенн. """ """ MIMO GPR — локализация через пересечение эллипсов ================================================== Версия для реальных данных """ import numpy as np import matplotlib.pyplot as plt from matplotlib.lines import Line2D from scipy.signal import find_peaks from scipy.ndimage import gaussian_filter, label from pathlib import Path from dataclasses import dataclass, field from typing import Dict, List, Tuple # ══════════════════════════════════════════════════════ # 0.1 ИЗМЕНЯЕМЫЕ ПАРАМЕТРЫ # ══════════════════════════════════════════════════════ INPUT_IDX = [0, 1, 2, 3] OUTPUT_IDX = [0, 1] # Частотный диапазон и глубинный gate. F_START = 40 * 1e8 F_STOP = 60 * 1e8 MIN_DEPTH = 3.0 MAX_DEPTH = 14.5 # Движение радара между Tx-событиями. # Новая схема измерения: один Tx излучает, все 4 Rx принимают одновременно; # затем излучает следующий Tx. Поэтому motion correction имеет 2 временные точки, # а не 8 последовательных точек для отдельных Tx/Rx-пар. SPEED_M_S = 1.11 LOOK_ANGLE_DEG = 12.0 # угол между направлением движения и осью дальности Z TX_SWEEP_TIME_S = 0.072 # время одного sweep для одного Tx-события TX_SWITCH_TIME_S = 1e-5 APPLY_FREQ_PHASE_CORRECTION = True # True: корректировать движение внутри sweep до IFFT # Данные и вычитание среднего фона. # True: вычитать среднее по всем снимкам в папке, убирая прямую волну и статику. # False: использовать данные как есть. BG_SUBTRACT = True BG_PATH = Path('/Users/ivan_root/Downloads/Telegram_dwnld/moving_26052026/20260526_10-6000_751_50k_triplet_fast_1/preprocessed') DATA_PATH = Path('/Users/ivan_root/Downloads/Telegram_dwnld/moving_26052026/20260526_10-6000_751_50k_triplet_fast_1/preprocessed/0046_id47_ns3315537839930') # Параметры поиска пиков и CLEAN по карте эллипсов. MODE = 'point' # 'point' или 'extended' SNR_THRESH = 3.8 # минимальный SNR пика A-скана SNR_COMP_MAX = 25.0 # верхний предел компенсированного SNR COMP_POWER = 0.22 # степень компенсации геометрического/углового затухания MAX_OBJECTS = 15 # ══════════════════════════════════════════════════════ # 0.2 КОНФИГИ АНТЕНН И ДВИЖЕНИЯ # ══════════════════════════════════════════════════════ # Физические координаты антенн по их реальным индексам, [м]. # Формат: x, (x, y) или (x, y, z). X - поперечная ось, Z - наклонная # дальность вдоль оси радара, Y - привязанная к радару вертикальная ось. # Карта строится в плоскости y=ELLIPS_PLANE_Y, но расстояния Tx/Rx считаются # в полном 3D. Это даёт 2D проекцию бистатических эллипсов без 3D volume search. ELLIPS_PLANE_Y = 0.0 TX_POSITIONS = { 0: (-75.0 * 0.01, 0.0, 0.0), 1: ( 75.0 * 0.01, 0.0, 0.0), } RX_POSITIONS = { 0: ( 19.0 * 0.01, 0.0, 0.0), 1: ( 45.0 * 0.01, 0.0, 0.0), 2: (-45.0 * 0.01, 0.0, 0.0), 3: (-19.0 * 0.01, 0.0, 0.0), } @dataclass class MotionConfig: """ Конфигурация движения для кадра с параллельным приёмом по Rx. speed_m_s: Линейная скорость радара во время съёмки кадра. look_angle_deg: Угол между направлением движения и осью дальности Z. Если движение почти вдоль дальности, ставьте угол близкий к 0°. tx_sweep_time_s: Время sweep для одного Tx-события. Все Rx этого Tx имеют один timestamp. tx_switch_time_s: Время переключения между соседними Tx-событиями. pair_order_phys: Порядок пар в физических индексах, как они записаны в данных: [(tx_phys_1, rx_phys_1), (tx_phys_2, rx_phys_2), ...] При расчёте движения пары с одинаковым tx_phys считаются одновременными. reference_mode: Относительно какого момента считаем dt: - 'frame_center' : середина между первым и последним Tx-событием; - 'first_tx_event' : центр первого Tx-события. direction_sign: Знак движения по оси дальности. +1 -> более поздние Tx-события выглядят глубже; -1 -> более поздние Tx-события выглядят ближе. apply_freq_phase_correction: True -> до IFFT компенсировать движение внутри одного Tx-sweep, потому что частоты измеряются последовательно снизу вверх. """ speed_m_s: float = 0.0 look_angle_deg: float = 0.0 tx_sweep_time_s: float = 0.15 tx_switch_time_s: float = 1e-5 pair_order_phys: List[Tuple[int, int]] = field(default_factory=lambda: [ (tx_phys, rx_phys) for tx_phys in sorted(OUTPUT_IDX) for rx_phys in sorted(INPUT_IDX) ]) reference_mode: str = 'frame_center' direction_sign: float = +1.0 apply_freq_phase_correction: bool = True MOTION_CONFIG = MotionConfig( speed_m_s=SPEED_M_S, look_angle_deg=LOOK_ANGLE_DEG, tx_sweep_time_s=TX_SWEEP_TIME_S, tx_switch_time_s=TX_SWITCH_TIME_S, pair_order_phys=[ (0, 0), (0, 1), (0, 2), (0, 3), (1, 0), (1, 1), (1, 2), (1, 3), ], reference_mode='frame_center', direction_sign=+1.0, apply_freq_phase_correction=APPLY_FREQ_PHASE_CORRECTION, ) # ══════════════════════════════════════════════════════ # 0.3 НЕИЗМЕНЯЕМЫЕ ПАРАМЕТРЫ (ЛУЧШЕ НЕ ТРОГАТЬ) # ══════════════════════════════════════════════════════ eps_r = 1.0 v = 3e8 / np.sqrt(eps_r) def positions_to_xyz(position_dict): coords = [] for idx in sorted(position_dict): pos = np.asarray(position_dict[idx], dtype=float) if pos.ndim == 0: pos = np.array([float(pos), 0.0, 0.0], dtype=float) elif pos.shape == (2,): pos = np.array([pos[0], pos[1], 0.0], dtype=float) elif pos.shape != (3,): raise ValueError(f'Позиция антенны {idx} должна быть x, (x,y) или (x,y,z), получено {pos}') coords.append(pos) return np.vstack(coords) tx_xyz = positions_to_xyz(TX_POSITIONS) rx_xyz = positions_to_xyz(RX_POSITIONS) x_tx, y_tx, z_tx = tx_xyz.T x_rx, y_rx, z_rx = rx_xyz.T # Границы сетки аккумулятора в плоскости y=ELLIPS_PLANE_Y. x_ant = np.concatenate([x_tx, x_rx]) x_min, x_max = x_ant.min() - 2.0, x_ant.max() + 2.0 z_min, z_max = 0.2, MAX_DEPTH # ══════════════════════════════════════════════════════ # 1. ЗАГРУЗКА РЕАЛЬНЫХ ДАННЫХ # ══════════════════════════════════════════════════════ def load_mimo_data(data_path, input_idx, output_idx): data_path = Path(data_path) s21_data = {} freq_data = {} for f in data_path.glob("i*_o*_s21.npy"): name = f.stem parts = name.split('_') i_tx_phys = int(parts[1][1:]) i_rx_phys = int(parts[0][1:]) if i_tx_phys not in output_idx or i_rx_phys not in input_idx: continue # Переводим физический индекс → порядковый (0,1,2,...) i_tx = sorted(output_idx).index(i_tx_phys) i_rx = sorted(input_idx).index(i_rx_phys) s21_data[(i_tx, i_rx)] = np.load(f) freq_file = data_path / f"i{i_rx_phys}_o{i_tx_phys}_freq.npy" freq_data[(i_tx, i_rx)] = np.load(freq_file) tx_indices = sorted(set(k[0] for k in s21_data)) rx_indices = sorted(set(k[1] for k in s21_data)) n_tx = len(tx_indices) n_rx = len(rx_indices) print(f"Загружено пар: {len(s21_data)}") print(f"Передатчиков: {n_tx}, Приёмников: {n_rx}") return s21_data, freq_data, n_tx, n_rx # Загрузка данных s21_data, freq_data, N_tx, N_rx = load_mimo_data(DATA_PATH, INPUT_IDX, OUTPUT_IDX) N_pairs = len(s21_data) # ══════════════════════════════════════════════════════ # 1б. ВЫЧИСЛЕНИЕ СРЕДНЕГО ФОНА ПО ВСЕМ СНИМКАМ # ══════════════════════════════════════════════════════ def compute_background(bg_path, input_idx, output_idx): """ Для каждой пары (i_tx, i_rx) усредняем S21 по всем снимкам в папке. Возвращает: bg : dict[(i_tx, i_rx)] → np.array (complex), усреднённый S21 """ bg_path = Path(bg_path) snapshots = sorted(bg_path.glob("*/")) # каждый подкаталог — один снимок snapshots = [s for s in snapshots if s.is_dir()] if len(snapshots) == 0: print("⚠️ Снимков для фона не найдено, BG_SUBTRACT отключён.") return None print(f"Вычисление фона по {len(snapshots)} снимкам...", end=" ", flush=True) # Накопитель: для каждой пары суммируем S21 bg_sum = {} bg_count = {} for snap_dir in snapshots: for f in snap_dir.glob("i*_o*_s21.npy"): name = f.stem parts = name.split('_') i_tx_phys = int(parts[1][1:]) i_rx_phys = int(parts[0][1:]) if i_tx_phys not in output_idx or i_rx_phys not in input_idx: continue i_tx = sorted(output_idx).index(i_tx_phys) i_rx = sorted(input_idx).index(i_rx_phys) key = (i_tx, i_rx) s21 = np.load(f) if key not in bg_sum: bg_sum[key] = np.zeros_like(s21, dtype=complex) bg_count[key] = 0 bg_sum[key] += s21 bg_count[key] += 1 bg = {key: bg_sum[key] / bg_count[key] for key in bg_sum} print(f"готово. Пар: {len(bg)}, снимков на пару: " f"{list(bg_count.values())[0] if bg_count else 0}") return bg if BG_SUBTRACT: background = compute_background(BG_PATH, INPUT_IDX, OUTPUT_IDX) if background is None: BG_SUBTRACT = False # автоматически выключаем если нет данных else: background = None print("BG_SUBTRACT = False, вычитание фона отключено.") # Проверка частот (берём из первой пары как референс) first_key = list(freq_data.keys())[0] freqs = freq_data[first_key] # Проверим что частоты одинаковые для всех пар for key, freq in freq_data.items(): if not np.allclose(freq, freqs): print(f"⚠️ Частоты для пары {key} отличаются!") mask_freq = (freqs >= F_START) & (freqs <= F_STOP) freqs = freqs[mask_freq] f_min, f_max = freqs[0], freqs[-1] BW = f_max - f_min N_f = len(freqs) # ══════════════════════════════════════════════════════ # 2. ПАРАМЕТРЫ СИСТЕМЫ # ══════════════════════════════════════════════════════ # Проверка соответствия координатов антенн assert len(x_tx) == N_tx, f"x_tx должен содержать {N_tx} элементов" assert len(x_rx) == N_rx, f"x_rx должен содержать {N_rx} элементов" # SHELL_SIGMA — ширина гауссовой оболочки SHELL_SIGMA = v / BW * 0.5 # [м] # Сетка аккумулятора x_grid = np.linspace(x_min, x_max, 300) z_grid = np.linspace(z_min, z_max, 300) XX, ZZ = np.meshgrid(x_grid, z_grid) def range_to_tx(i_tx, X, Z, yy=ELLIPS_PLANE_Y): return np.sqrt((X - x_tx[i_tx])**2 + (yy - y_tx[i_tx])**2 + (Z - z_tx[i_tx])**2) def range_to_rx(i_rx, X, Z, yy=ELLIPS_PLANE_Y): return np.sqrt((X - x_rx[i_rx])**2 + (yy - y_rx[i_rx])**2 + (Z - z_rx[i_rx])**2) def bistatic_ranges(i_tx, i_rx, X, Z, yy=ELLIPS_PLANE_Y): Rtx = range_to_tx(i_tx, X, Z, yy=yy) Rrx = range_to_rx(i_rx, X, Z, yy=yy) return Rtx, Rrx def antenna_boresight_cos_z(R, z_ant, Z): # В локальных координатах радара все антенны смотрят вдоль +Z. return (Z - z_ant) / (R + 1e-12) # Расстояния от 2D-сетки до 3D-координат антенн. # Это не 3D поиск: мы строим карту только в плоскости y=ELLIPS_PLANE_Y, # но каждая точка карты получает корректную бистатическую дальность в 3D. R_tx_grid = {i: range_to_tx(i, XX, ZZ) for i in range(N_tx)} R_rx_grid = {j: range_to_rx(j, XX, ZZ) for j in range(N_rx)} # ══════════════════════════════════════════════════════ # 3. ВЫЧИСЛЕНИЕ A-СКАНОВ ИЗ РЕАЛЬНЫХ S21 # ══════════════════════════════════════════════════════ def compute_ascan(s21, freq, f_start, f_stop, window=True): """ S21(f) → IFFT → A-скан с правильным частотным сдвигом. Проблема наивного подхода (buf[:n] = s21): IFFT считает, что спектр начинается с 0 Гц. Реальные данные начинаются с f[0] > 0, поэтому нулевая задержка смещается и в A-скане появляются биения. Правильный подход — сдвиг спектра: Шаг частотной сетки df вычисляется из данных. Индекс первой частоты: k0 = round(f[0] / df). Данные кладутся в H[k0 : k0+n], а не в H[0 : n]. Тогда IFFT корректно восстанавливает временной сигнал с нулевой задержкой в t=0. Размер FFT: Минимум для покрытия всего диапазона [0, f[-1]]: min_len = 2 * (k0 + n - 1) Округляем вверх до степени двойки для скорости FFT. """ mask_freq_ = (freq >= f_start) & (freq <= f_stop) freq = freq[mask_freq_] s21 = s21[mask_freq_] n = len(freq) if n < 2: raise ValueError("Слишком мало частотных точек") # Шаг частотной сетки df = (freq[-1] - freq[0]) / (n - 1) if df <= 0: raise ValueError("Частоты не возрастают") # Индекс первой частоты в полной сетке от 0 до f[-1] k0 = int(np.round(freq[0] / df)) # Минимальный размер FFT, округлённый до степени двойки min_len = 2 * (k0 + n - 1) n_fft = 1 << int(np.ceil(np.log2(min_len))) # Временна́я ось — пересчитываем из нового n_fft dt = 1.0 / (n_fft * df) t_sec = np.arange(n_fft, dtype=float) * dt # Оконная функция (подавление боковых лепестков IFFT) s = s21 * np.hanning(n) if window else s21.copy() # Спектр со сдвигом: данные на своём месте в частотной сетке H = np.zeros(n_fft, dtype=np.complex128) H[k0 : k0 + n] = s y = np.abs(np.fft.ifft(H)) return t_sec[:y.size], y[:y.size] def _build_phys_to_logical_maps(output_idx, input_idx): tx_map = {phys: k for k, phys in enumerate(sorted(output_idx))} rx_map = {phys: k for k, phys in enumerate(sorted(input_idx))} return tx_map, rx_map def _tx_event_order_from_pairs(pair_order_phys): """Возвращает порядок Tx-событий по первому появлению tx_phys в pair_order_phys.""" tx_events = [] for tx_phys, _ in pair_order_phys: if tx_phys not in tx_events: tx_events.append(tx_phys) return tx_events def compute_pair_timestamps(config: MotionConfig, output_idx=OUTPUT_IDX, input_idx=INPUT_IDX) -> Tuple[Dict[Tuple[int, int], Dict], List[Dict]]: """ Для каждой пары возвращает t_start/t_center Tx-события и грубый pair shift. Пары с одинаковым tx_phys получают одинаковое время, потому что Rx принимают параллельно. t_start/t_center также используются для частотной phase correction внутри sweep до IFFT. """ tx_phys_to_log, rx_phys_to_log = _build_phys_to_logical_maps(output_idx, input_idx) expected_pairs = {(tx, rx) for tx in output_idx for rx in input_idx} observed_pairs = set(config.pair_order_phys) missing_pairs = expected_pairs - observed_pairs extra_pairs = observed_pairs - expected_pairs if missing_pairs: raise ValueError(f"pair_order_phys не содержит пары: {sorted(missing_pairs)}") if extra_pairs: raise ValueError(f"pair_order_phys содержит лишние пары: {sorted(extra_pairs)}") if len(config.pair_order_phys) != len(observed_pairs): raise ValueError("pair_order_phys содержит повторяющиеся пары") tx_event_order = _tx_event_order_from_pairs(config.pair_order_phys) tx_event_timing = {} for event_idx, tx_phys in enumerate(tx_event_order): if tx_phys not in tx_phys_to_log: raise ValueError(f"Tx {tx_phys} отсутствует в OUTPUT_IDX={output_idx}") t_start = event_idx * (config.tx_sweep_time_s + config.tx_switch_time_s) t_center = t_start + 0.5 * config.tx_sweep_time_s t_stop = t_start + config.tx_sweep_time_s tx_event_timing[tx_phys] = { 'tx_event_idx': event_idx, 't_start_s': t_start, 't_center_s': t_center, 't_stop_s': t_stop, } if not tx_event_order: return {}, [] first_center = tx_event_timing[tx_event_order[0]]['t_center_s'] last_center = tx_event_timing[tx_event_order[-1]]['t_center_s'] if config.reference_mode == 'frame_center': t_ref = 0.5 * (first_center + last_center) elif config.reference_mode == 'first_tx_event': t_ref = first_center else: raise ValueError("reference_mode must be 'frame_center' or 'first_tx_event'") cos_theta = np.cos(np.radians(config.look_angle_deg)) pair_timestamps: Dict[Tuple[int, int], Dict] = {} rows: List[Dict] = [] for order_idx, (tx_phys, rx_phys) in enumerate(config.pair_order_phys): if rx_phys not in rx_phys_to_log: raise ValueError(f"Rx {rx_phys} отсутствует в INPUT_IDX={input_idx}") i_tx = tx_phys_to_log[tx_phys] i_rx = rx_phys_to_log[rx_phys] event = tx_event_timing[tx_phys] dt_ref = event['t_center_s'] - t_ref dz_motion = config.direction_sign * config.speed_m_s * dt_ref * cos_theta dtau_motion = 2.0 * dz_motion / v row = { 'order_idx': order_idx, 'tx_event_idx': event['tx_event_idx'], 'tx_phys': tx_phys, 'rx_phys': rx_phys, 'i_tx': i_tx, 'i_rx': i_rx, 't_start_s': event['t_start_s'], 't_center_s': event['t_center_s'], 't_stop_s': event['t_stop_s'], 'dt_ref_s': dt_ref, 'dz_motion_m': dz_motion, 'dtau_motion_s': dtau_motion, } rows.append(row) pair_timestamps[(i_tx, i_rx)] = row.copy() return pair_timestamps, rows def compute_frequency_sample_times(freq_full: np.ndarray, f_start: float, f_stop: float, pair_info: Dict, sweep_time_s: float) -> Tuple[np.ndarray, np.ndarray]: """Возвращает индексы выбранных частот и абсолютное время каждой точки sweep.""" mask = (freq_full >= f_start) & (freq_full <= f_stop) idx = np.flatnonzero(mask) if idx.size == 0: raise ValueError('После частотной обрезки не осталось точек для phase correction') if len(freq_full) < 2: t_abs = np.full(idx.size, pair_info['t_center_s'], dtype=float) else: dt_freq = sweep_time_s / (len(freq_full) - 1) t_abs = pair_info['t_start_s'] + idx * dt_freq return idx, t_abs def apply_intra_sweep_phase_correction(s21: np.ndarray, freq_full: np.ndarray, pair_info: Dict, config: MotionConfig, wave_speed: float, f_start: float, f_stop: float): """ Частотная motion correction до IFFT. Частоты внутри одного Tx-sweep измеряются последовательно снизу вверх. Каждая частотная точка имеет своё положение радара, поэтому приводим её фазу к центру этого Tx-события: phi(f) = 2*pi*f * 2*dz_intra / wave_speed dz_intra = v_motion*cos(theta)*(t_freq - t_center_tx_event) После этого A-скан строится уже из phase-corrected S21. """ s21_corr = np.array(s21, dtype=np.complex128, copy=True) idx, t_abs = compute_frequency_sample_times( freq_full=freq_full, f_start=f_start, f_stop=f_stop, pair_info=pair_info, sweep_time_s=config.tx_sweep_time_s, ) dt_intra = t_abs - pair_info['t_center_s'] theta = np.radians(config.look_angle_deg) delta_range = config.direction_sign * config.speed_m_s * np.cos(theta) * dt_intra delta_path = 2.0 * delta_range phi = 2.0 * np.pi * freq_full[idx] * delta_path / wave_speed if config.apply_freq_phase_correction: s21_corr[idx] *= np.exp(1j * phi) meta = { 'enabled': bool(config.apply_freq_phase_correction), 'freq_idx': idx, 't_abs_s': t_abs, 'dt_intra_s': dt_intra, 'delta_range_m': delta_range, 'delta_path_m': delta_path, 'phi_rad': phi, } return s21_corr, meta pair_timestamps, pair_timing_rows = compute_pair_timestamps(MOTION_CONFIG) print("Вычисление A-сканов из реальных данных...", end=" ", flush=True) A_RAW = {} # A_RAW[(i,j)] — A-скан без внутрисвиповой phase correction A = {} # A[(i,j)] — phase-corrected A-скан, используемый дальше T_h = {} # T_h[(i,j)] — временна́я ось для этой пары [с] Z_h = {} # Z_h[(i,j)] — ось глубины [м] phase_meta = {} for (i, j), s21 in s21_data.items(): s21_proc = np.array(s21, dtype=np.complex128, copy=True) # Вычитание фона в частотной области if BG_SUBTRACT and background is not None and (i, j) in background: s21_proc = s21_proc - background[(i, j)] # Примечание: вычитаем до обрезки по частоте и до окна — # фон вычисляется из полных (необрезанных) данных, # поэтому вычитание корректно в полном частотном диапазоне. if (i, j) not in pair_timestamps: raise KeyError(f'Нет временной информации для пары {(i, j)}') t_pair_raw, a_pair_raw = compute_ascan(s21_proc, freq_data[(i, j)], f_start=F_START, f_stop=F_STOP) s21_corr, meta = apply_intra_sweep_phase_correction( s21=s21_proc, freq_full=freq_data[(i, j)], pair_info=pair_timestamps[(i, j)], config=MOTION_CONFIG, wave_speed=v, f_start=F_START, f_stop=F_STOP, ) t_pair, a_pair = compute_ascan(s21_corr, freq_data[(i, j)], f_start=F_START, f_stop=F_STOP) T_h[(i, j)] = t_pair Z_h[(i, j)] = t_pair * v / 2 A_RAW[(i, j)] = a_pair_raw A[(i, j)] = a_pair phase_meta[(i, j)] = meta bg_label = "с вычитанием фона" if BG_SUBTRACT else "без вычитания фона" phase_label = "с внутрисвиповой phase correction" if MOTION_CONFIG.apply_freq_phase_correction else "без внутрисвиповой phase correction" print(f"готово ({bg_label}, {phase_label}).") # Общая ось z для визуализации и поиска пиков # (берём максимальный диапазон по всем парам) z_h = Z_h[list(Z_h.keys())[0]] # все пары дают одинаковую ось, если freq совпадают t_h = T_h[list(T_h.keys())[0]] # ══════════════════════════════════════════════════════ # 4. ДЕТЕКТИРОВАНИЕ ПИКОВ # ══════════════════════════════════════════════════════ def attenuation_at_depth(i_tx, i_rx, z_app): """ Ожидаемое ослабление geo·pattern для точки прямо под виртуальным центром пары на глубине z_app. Используется для компенсации: реальный SNR пика делится на это значение, чтобы вес глубокого/углового объекта не занижался. """ xc = (x_tx[i_tx] + x_rx[i_rx]) / 2.0 # виртуальный центр в плоскости карты Rtx, Rrx = bistatic_ranges(i_tx, i_rx, xc, z_app) geo = 1.0 / (Rtx * Rrx + 1e-12) cos_tx = antenna_boresight_cos_z(Rtx, z_tx[i_tx], z_app) cos_rx = antenna_boresight_cos_z(Rrx, z_rx[i_rx], z_app) pat = cos_tx**2 * cos_rx**2 return geo * pat + 1e-30 # +ε чтобы не делить на ноль def find_peaks_snr(i_tx, i_rx, SNR_COMP_MAX = SNR_COMP_MAX): """ Поиск пиков A-скана. Возвращает список dict: z_app — кажущаяся глубина [м] tau — задержка [с] snr_raw — SNR без компенсации = пик / медиана snr_comp— SNR с компенсацией ослабления (используется в аккумуляторе) """ ascan = A[(i_tx, i_rx)] z_h_ij = Z_h[(i_tx, i_rx)] t_h_ij = T_h[(i_tx, i_rx)] i_min = np.searchsorted(z_h_ij, MIN_DEPTH) i_max = np.searchsorted(z_h_ij, MAX_DEPTH) noise = np.median(ascan[i_min:i_max]) # Добавил чтобы было удобно считать SNR отнсительно выбранной области min_dist = max(4, int(v / (2*BW) / (z_h_ij[1] - z_h_ij[0]) * 0.7)) idx, _ = find_peaks(ascan[i_min:i_max], height=noise * SNR_THRESH, distance=min_dist) idx += i_min result = [] for p in idx: z_app = float(z_h_ij[p]) snr_raw = float(ascan[p] / noise) atten = attenuation_at_depth(i_tx, i_rx, z_app) atten_norm = atten / attenuation_at_depth(i_tx, i_rx, 3.0) # Референсная глубина - 3м snr_comp = snr_raw / (atten_norm ** COMP_POWER + 1e-12) snr_comp = min(snr_comp, SNR_COMP_MAX) # ← clipping result.append({'z_app': z_app, 'tau': float(t_h_ij[p]), 'snr_raw': snr_raw, 'snr_comp': snr_comp}) return result peaks = {(i, j): find_peaks_snr(i, j) for i in range(N_tx) for j in range(N_rx)} # ══════════════════════════════════════════════════════ # 6. ПОИСК ОБЪЕКТОВ # ══════════════════════════════════════════════════════ def find_centroid(acc_s, iz, ix, rpz, rpx): """ Взвешенный центроид аккумулятора в окрестности (iz, ix). """ NZ, NX = acc_s.shape iz0 = max(0, iz - rpz); iz1 = min(NZ, iz + rpz) ix0 = max(0, ix - rpx); ix1 = min(NX, ix + rpx) patch = acc_s[iz0:iz1, ix0:ix1].copy() W = patch.sum() if W <= 0: return x_grid[ix], z_grid[iz] rows = np.arange(iz0, iz1)[:, None] * np.ones(patch.shape) cols = np.ones(patch.shape) * np.arange(ix0, ix1)[None, :] iz_c = int(round(np.clip((rows * patch).sum() / W, 0, NZ-1))) ix_c = int(round(np.clip((cols * patch).sum() / W, 0, NX-1))) return x_grid[ix_c], z_grid[iz_c] # ══════════════════════════════════════════════════════ # 8. MOTION-AWARE FIRST-ORDER CORRECTION # ══════════════════════════════════════════════════════ """ Первый блок для движения без изменения продакшн-пайплайна выше. Новая схема измерения: 1. Tx2 излучает, Rx0..Rx3 принимают одновременно. 2. После переключения Tx3 излучает, Rx0..Rx3 снова принимают одновременно. 3. Поэтому timestamp задаётся не для 8 отдельных пар, а для 2 Tx-событий. 4. Для уже найденных пиков формируем motion-corrected версию: tau_corr, z_corr Это first-order модель: считаем, что весь sweep одного Tx-события имеет один центр времени. Если смещение внутри sweep станет заметным, следующим шагом нужна per-frequency коррекция до IFFT. """ # compute_pair_timestamps(...) уже определён выше, потому что phase correction нужна до IFFT. def build_corrected_peaks(peaks_in: Dict[Tuple[int, int], List[Dict]], pair_timestamps: Dict[Tuple[int, int], Dict]) -> Dict[Tuple[int, int], List[Dict]]: """ Формирует словарь corrected_peaks с motion-aware поправками. Для каждого пика добавляет: tau_phase, z_phase — пик после внутрисвиповой phase correction; tau_corr, z_corr — тот же пик после грубого сдвига Tx-события; dz_motion, dtau_motion. Для совместимости также оставляем aliases tau_raw/z_app_raw, но здесь raw означает 'до грубого pair shift', а не до phase correction. """ corrected = {} for key, peak_list in peaks_in.items(): if key not in pair_timestamps: raise KeyError(f"Нет временной информации для пары {key}") info = pair_timestamps[key] dz_motion = info['dz_motion_m'] dtau_motion = info['dtau_motion_s'] corrected_list = [] for pk in peak_list: tau_phase = float(pk['tau']) z_phase = float(pk['z_app']) tau_corr = tau_phase + dtau_motion z_corr = 0.5 * v * tau_corr pk_corr = dict(pk) pk_corr.update({ 'tau_phase': tau_phase, 'z_phase': z_phase, 'tau_raw': tau_phase, # alias для старых диагностических блоков 'z_app_raw': z_phase, # alias: пик до грубого pair shift 'tau_corr': tau_corr, 'z_corr': z_corr, 'dz_motion': dz_motion, 'dtau_motion': dtau_motion, }) corrected_list.append(pk_corr) corrected[key] = corrected_list return corrected pair_timestamps, pair_timing_rows = compute_pair_timestamps(MOTION_CONFIG) corrected_peaks = build_corrected_peaks(peaks, pair_timestamps) # ══════════════════════════════════════════════════════ # 9. MOTION-AWARE IMAGE BUILD FROM CORRECTED PEAKS # ══════════════════════════════════════════════════════ """ Эта ячейка строит motion-aware картинку, используя corrected_peaks из блока выше. Что меняется относительно статического продакшн-пайплайна: - в аккумуляторе используется tau_corr вместо tau - в apparent-depth логике CLEAN используется z_corr вместо z_app - score считается по corrected пикам Исходные A-сканы остаются теми же, но на графике ниже можно показывать уже motion-corrected положения пиков. """ def _peak_in_work_depth(pk): return MIN_DEPTH <= pk['z_corr'] <= MAX_DEPTH def build_accumulator_motion(corrected_peaks_in, exclude_z_ranges): acc = np.zeros_like(XX) for i in range(N_tx): for j in range(N_rx): for pk in corrected_peaks_in[(i, j)]: if not _peak_in_work_depth(pk): continue if any(lo <= pk['z_corr'] <= hi for lo, hi in exclude_z_ranges): continue r_total = v * pk['tau_corr'] residual = R_tx_grid[i] + R_rx_grid[j] - r_total shell = np.exp(-0.5 * (residual / SHELL_SIGMA)**2) acc += shell * pk['snr_comp'] return acc def count_agreeing_ellipses_motion(x_est, z_est, corrected_peaks_in, exclude_z_ranges): count = 0 for i in range(N_tx): for j in range(N_rx): for pk in corrected_peaks_in[(i, j)]: if not _peak_in_work_depth(pk): continue if any(lo <= pk['z_corr'] <= hi for lo, hi in exclude_z_ranges): continue Rt, Rr = bistatic_ranges(i, j, x_est, z_est) if abs(Rt + Rr - v * pk['tau_corr']) < SHELL_SIGMA * 6: count += 1 break return count def clean_find_motion(corrected_peaks_in, n_search=10, suppress_r_cm=7, thresh_frac=0.05): dx = x_grid[1] - x_grid[0] dz = z_grid[1] - z_grid[0] rpx = int(suppress_r_cm / 100 / dx) rpz = int(suppress_r_cm / 100 / dz) excl_z = [] found_motion = [] acc_initial = build_accumulator_motion(corrected_peaks_in, []) for step in range(n_search): acc = build_accumulator_motion(corrected_peaks_in, excl_z) acc_s = gaussian_filter(acc, sigma=3) if acc_s.max() < thresh_frac * acc_initial.max(): break iz, ix = np.unravel_index(acc_s.argmax(), acc_s.shape) x_est, z_est = find_centroid(acc_s, iz, ix, rpz, rpx) score = count_agreeing_ellipses_motion(x_est, z_est, corrected_peaks_in, excl_z) found_motion.append({'x': x_est, 'z': z_est, 'score': score}) matched = [pk['z_corr'] for i in range(N_tx) for j in range(N_rx) for pk in corrected_peaks_in[(i, j)] if _peak_in_work_depth(pk) and not any(lo <= pk['z_corr'] <= hi for lo, hi in excl_z) and abs(sum(bistatic_ranges(i, j, x_est, z_est)) - v * pk['tau_corr']) < SHELL_SIGMA * 3] if matched: margin = SHELL_SIGMA * 1.0 excl_z.append((min(matched) - margin, max(matched) + margin)) return found_motion, acc_initial if MODE == 'point': found_motion, accum_motion = clean_find_motion(corrected_peaks, n_search=MAX_OBJECTS) # ─── График 2: motion-aware карта накопления ─────────────────────── fig, ax = plt.subplots(figsize=(12, 7)) acc_motion_s = gaussian_filter(accum_motion, sigma=3) im = ax.imshow( acc_motion_s, extent= [x_grid[0]*100, x_grid[-1]*100, z_grid[-1]*100, z_grid[0]*100], aspect='auto', origin='upper', cmap='hot', vmin=acc_motion_s.max()*0.45, vmax=acc_motion_s.max()*0.95, ) plt.colorbar(im, ax=ax, label='Накопленный вес (motion-aware)') ax.plot(x_tx*100, z_tx*100, 'r^', ms=10, label='Tx (XZ projection)', zorder=5) ax.plot(x_rx*100, z_rx*100, 'bv', ms=10, label='Rx (XZ projection)', zorder=5) for obj in found_motion: lbl = f"score={obj['score']}/{N_pairs}" ax.plot(obj['x']*100, obj['z']*100, 'wD', ms=9, zorder=11, markeredgecolor='black', mew=1.2) ax.annotate(lbl, (obj['x']*100, obj['z']*100), textcoords='offset points', xytext=(6, 4), fontsize=8, color='white', bbox=dict(boxstyle='round,pad=0.2', fc='black', alpha=0.5)) ax.plot([], [], 'wD', ms=9, markeredgecolor='k', mew=1.2, label='Найденные объекты') ax.set_xlabel('X [см]') ax.set_ylabel('Глубина Z [см]') ax.set_title('Motion-aware карта накопления эллипсов') ax.set_xlim(x_grid[0]*100, x_grid[-1]*100) ax.set_ylim(z_grid[-1]*100, z_grid[0]*100) ax.legend(loc='lower right', fontsize=9) ax.grid(alpha=0.25) ax.invert_yaxis() plt.tight_layout() plt.show()