无人机载MiniSAR系统受限于体积功耗约束，天线结构简化、平台姿态稳定性不足，导致相位中心偏移（PCO）误差成为制约成像精度的关键因素。该误差会引入额外的相位调制与距离偏差，造成成像模糊、目标定位偏移等问题。本文系统分析无人机
载MiniSAR相位中心偏移误差的产生机理，建立多维度误差模型，从传感器融合校准、回波数据驱动补偿、成像算法适配优化三个层面，阐述主流补偿方法的原理与实现路径，并通过仿真与实测数据验证不同方法的性能。研究结果为提升无人机
载MiniSAR系统的高分辨率成像能力提供技术支撑，对拓展轻量化SAR的工程应用具有重要意义。
一、相位中心偏移误差的成因与影响机制
1. 相位中心偏移误差的定义
SAR系统的相位中心是雷达发射与接收电磁波的等效参考点，理想情况下应与天线几何中心重合且保持稳定。相位中心偏移误差指实际相位中心相对于理想参考点的空间位置偏差，以及该偏差随观测角度、工作频率、平台姿态变化而产生的动态波动。对于
无人机载MiniSAR，该误差主要表现为三维空间中的平移偏移（沿航线、垂直航线、高度方向）与角度依赖型偏移，直接影响合成孔径的相干积累效果。
2. 误差产生的核心诱因
（1）硬件设计约束：MiniSAR采用微带天线等小型化结构，天线孔径小、馈电网络简化，导致相位中心与几何中心天然存在固定偏移；同时，发射与接收通道的电路不对称性，会引发收发相位中心的相对偏移，进一步加剧误差影响。
（2）平台姿态扰动：无人机（尤其多旋翼机型）在低空飞行时易受气流干扰，产生俯仰、横滚、偏航等姿态波动，导致天线相位中心随平台姿态角变化而发生动态偏移。与大型SAR平台相比，MiniSAR搭载的无人机姿态稳定性差，动态PCO误差更为显著。
（3）工作参数变化：滑动聚束等模式下，MiniSAR的波束指向与工作频率需动态调整，导致相位中心位置随观测角度、载波频率产生非线性变化，形成空变特性的PCO误差，增加补偿难度。
（4）安装与振动影响：MiniSAR与无人机平台的安装误差、飞行过程中的振动传递，会导致相位中心参考点的物理偏移，且该偏移量随飞行状态动态变化，难以通过固定校准消除。
3. 对成像质量的影响机制
PCO误差通过两种路径劣化成像效果：一是距离维度，相位中心的空间偏移直接转化为目标斜距测量误差，导致成像几何畸变；二是相位维度，偏移量随方位时间的变化会引入额外的多普勒调制，破坏回波信号的相干性，导致方位向聚焦模糊。具体表现为：
（1）固定PCO误差导致目标定位整体偏移，偏移量与斜距、姿态角正相关；
（2）动态PCO误差引发方位向旁瓣升高、峰值旁瓣比（PSLR）恶化，分辨率下降；
（3）空变PCO误差导致场景不同区域的聚焦质量不均，边缘区域出现明显散焦。
仿真表明，当PCO误差达到波长的1/4时，成像分辨率会下降30%以上，峰值旁瓣比恶化超过5dB。
二、相位中心偏移误差的建模方法
1. 静态误差模型
静态PCO误差指与平台姿态、观测角度无关的固定偏移，可通过三维坐标系建模：设理想相位中心为原点O(x₀,y₀,z₀)，实际相位中心为P(x₀+Δx,y₀+Δy,z₀+Δz)，其中Δx、Δy、Δz分别为沿航线、垂直航线、高度方向的固定偏移量。该模型适用于天线结构决定的固有偏移，可通过出厂校准获取初始参数。
2. 动态误差模型
动态PCO误差与平台姿态角（俯仰角θ、横滚角φ、偏航角ψ）呈线性或非线性关系，模型表达式为：
Δx(θ,φ,ψ)=a₁θ+b₁φ+c₁ψ+d₁θφ+e₁
Δy(θ,φ,ψ)=a₂θ+b₂φ+c₂ψ+d₂φψ+e₂
Δz(θ,φ,ψ)=a₃θ+b₃φ+c₃ψ+d₃θψ+e₃
其中a₁-a₃、b₁-b₃等为误差系数，通过多姿态校准实验拟合获取。该模型能够描述姿态扰动引发的动态偏移，是
无人机载MiniSAR误差补偿的核心模型。
3. 空变误差模型
针对宽波束、滑动聚束等模式，PCO误差随方位角、俯仰角的变化呈现空变性，需引入角度依赖项：
ΔP(θ,φ,α,β)=ΔP_static+ΔP_dynamic(θ,φ)+ΔP_angle(α,β)
其中α为方位观测角，β为俯仰观测角，ΔP_angle(α,β)为角度依赖型偏移，采用多项式或插值函数表征。该模型可覆盖不同观测场景下的误差特性，提升宽幅成像的补偿精度。
三、核心补偿方法与实现技术
1. 基于传感器融合的校准补偿方法
该方法通过融合GPS/IMU、激光测距等外部传感器数据，实现PCO误差的实时估计与补偿，适用于动态误差占比高的场景。
（1）双天线校准法：在MiniSAR系统中设置主辅双天线，辅天线作为相位参考基准，通过测量两天线回波的相位差，反演主天线的PCO误差。结合IMU采集的姿态数据，可同时估计固定偏移与动态偏移，校准精度可达0.01λ（λ为雷达波长）。
（2）GPS/IMU-SAR融合法：利用GPS/IMU提供的平台位置与姿态数据，结合SAR回波的多普勒参数，构建扩展卡尔曼滤波（EKF）模型，实时估计PCO误差。该方法的优势在于无需额外硬件，通过数据融合实现动态补偿，适配无人机轻量化需求。具体流程为：
1）利用IMU数据初步补偿平台运动误差；
2）提取SAR回波的多普勒中心频率与调频斜率；
3）建立多普勒参数与PCO误差的映射关系；
4）通过EKF迭代估计误差参数并补偿。
（3）相位中心双定位校准法：联合估计无人机平台与目标的相位中心位置，通过多基线SAR数据的干涉处理，反演PCO误差的空间分布。该方法适用于多基线MiniSAR系统，补偿后定位精度可提升至0.5m以内。
2. 基于回波数据驱动的自聚焦补偿方法
该方法直接从SAR回波数据中提取误差信息，无需依赖外部传感器，适配传感器精度不足的MiniSAR系统，核心包括参数化与非参数化两类算法。
（1）参数化自聚焦方法：
1）图像偏移（MD）算法：将合成孔径划分为两个子孔径，通过估计子孔径图像的偏移量，反演PCO误差引发的相位偏差。该方法适用于二阶以下误差，计算复杂度低，可嵌入实时处理流程。
2）多项式相位估计法：假设PCO误差引发的相位偏差为Q阶多项式，通过高阶模糊函数（HAF）或分数阶傅里叶变换（FRFT）估计多项式系数，实现误差补偿。该方法对动态误差的适应性强，尤其适用于姿态波动剧烈的场景。
（2）非参数化自聚焦方法：
1）相位梯度自聚焦（PGA）算法：提取回波中的强散射点，通过迭代估计相位梯度并积分，实现PCO误差的自适应补偿。针对MiniSAR的低信噪比特性，优化后的PGA算法通过多散射点联合估计，可将补偿精度提升20%，且运算复杂度控制在O(NlogN)，适配嵌入式处理器。
2）逐步逼近（SSA）自聚焦算法：基于图像熵最小化准则，通过迭代优化估计每个像素的PCO误差，解决宽波束场景下的误差空变性问题。该方法通过BP成像算法与SSA优化的结合，可有效补偿空间变化的相位偏移，聚焦质量较传统方法提升15dB以上。
3. 基于成像算法适配的优化补偿方法
结合MiniSAR的硬件约束，通过优化成像算法架构，实现PCO误差的一体化补偿，兼顾补偿精度与处理效率。
（1）FFBP算法适配补偿：快速分解后向投影（FFBP）算法具有非均匀采样适应性强的优势，通过在子孔径分解过程中嵌入PCO误差模型，将误差补偿与成像过程一体化。具体而言，在每个子孔径的投影运算中，修正相位中心位置参数，避免误差累积。该方法运算效率较传统BP算法提升5倍，且补偿后成像分辨率可达0.3m×0.3m。
（2）尺度变换PFA算法优化：极坐标格式算法（PFA）通过尺度变换避免插值误差，适配PCO误差补偿需求。优化后的算法在尺度变换过程中引入PCO误差修正项，对不同距离单元的相位偏差进行自适应调整，解决空变误差导致的聚焦不均问题。
（3）轻量化并行处理优化：针对MiniSAR的嵌入式算力约束，将补偿算法进行并行化改造：任务级并行将校准、补偿、成像模块拆分至多核处理器；数据级并行采用SIMD指令集优化傅里叶变换、相位估计等核心运算。同时采用分块处理策略，将数据划分为128×128像素块，内存占用量控制在1GB以内，满足实时处理需求。
四、实验验证与性能分析
1. 实验平台配置
（1）MiniSAR系统：X波段，中心频率9.6GHz，带宽1.2GHz，天线增益22dB，发射功率8W；
（2）搭载平台：多旋翼无人机，最大起飞重量5kg，飞行速度15-25m/s，配备GPS/IMU组合导航系统（定位精度0.5m，姿态精度0.1°）；
（3）数据处理单元：嵌入式多核处理器（主频2.0GHz，内存4GB）；
（3）实验场景：城郊区域，包含建筑物、道路、植被等典型目标，飞行高度300m，测绘带宽1km。
2. 补偿性能测试结果
（1）静态误差补偿效果：采用双天线校准法获取固定偏移参数，补偿后目标定位误差从0.8m降至0.2m，成像几何畸变率降低75%；
（2）动态误差补偿效果：对比PGA算法与SSA算法，在姿态波动±3°的场景下，PGA算法将峰值旁瓣比从-13dB优化至-21dB，SSA算法进一步提升至-24dB，聚焦质量更优，但运算时间增加30%；
（3）空变误差补偿效果：在宽波束成像场景中，传统方法边缘区域分辨率为0.6m，采用空变模型补偿后提升至0.35m，聚焦均匀性显著改善；
（4）实时性测试：轻量化并行处理优化后，1GB回波数据的补偿与成像总时间为7.8s，内存占用0.9GB，满足无人机实时数据处理需求。
3. 结果分析
实验表明：传感器融合方法适用于动态误差主导的场景，补偿精度依赖传感器性能；数据驱动方法无需外部硬件，适配低信噪比、宽波束场景，但运算复杂度略高；成像算法适配方法兼顾精度与效率，是MiniSAR系统的优选方案。实际应用中，可采用"静态校准+动态补偿+空变优化"的组合策略，实现全场景下的高精度误差补偿。
无人机载MiniSAR的相位中心偏移误差补偿是提升成像精度的关键技术，其核心在于精准建模误差特性与适配硬件约束的高效算法设计。本文提出的三类补偿方法分别针对不同误差来源与应用场景，形成了完整的技术体系：传感器融合方法实时性强，数据驱动方法适应性广，成像算法适配方法兼顾效率与精度。实验验证表明，这些方法能够有效降低PCO误差的影响，提升成像分辨率与定位精度。
MiniSAR聚焦于微型合成孔径雷达（SAR）制造研发，为用户提供定制化机载SAR、轻型MiniSAR、无人机载MiniSAR、SAR数据采集服务、SAR飞行服务等。如您有相关业务需求，欢迎联系！
150-110-63408