4D毫米波雷达如何实现高度信息的精准识别

4D毫米波雷达如何实现高度信息的精准识别

毫米波雷达在自动驾驶感知系统中扮演着不可替代的关键角色。其工作频段位于微波范围，具备穿透雨雪、烟尘和雾霭的能力，并能在强光或黑暗条件下保持稳定运行。这使其成为车辆在复杂环境中获取外部信息的可靠工具。然而，传统毫米波雷达长期以来仅能提供目标的距离、相对速度与水平方位角，对于垂直高度的识别能力有限，这一瓶颈也限制了其作为核心感知硬件的普及。

在实际驾驶场景中，例如车辆以较高车速接近立交桥、地面减速带或交通标志时，若雷达无法判断物体的垂直位置，就可能将这些非障碍物误识别为前方静止目标，从而引发不必要的刹车。为了避免误判，系统往往需要放宽识别阈值，而这又会带来潜在的行车风险。

4D毫米波成像雷达的出现，有效解决了这一难题。所谓“4D”，是指雷达在原有距离、速度和方位的基础上，新增了对目标俯仰角或高度的感知能力。这项技术的突破不仅提升了雷达的空间分辨率，还使其具备描绘物体轮廓、识别不同高度层次的能力。那么，4D毫米波雷达究竟是如何实现高度识别的？

物理孔径重构与MIMO虚拟化技术的应用

毫米波雷达的角度分辨率本质上取决于天线阵列的物理孔径大小。根据电磁波干涉原理，阵列在某一方向的尺寸越大，其波束越窄，角度分辨力也越高。传统3D毫米波雷达的天线通常呈水平排列，因此在水平方向上具备一定的分辨能力，但在垂直方向上由于孔径狭窄，甚至仅有一层阵元，导致其垂直波束过宽，难以区分同一水平方向但高度不同的目标。

4D毫米波雷达通过重新布置天线分布，显著提升了垂直方向的孔径。然而，受限于车载系统对体积和成本的严苛要求，单纯增加物理接收天线数量并不现实。为此，MIMO（多输入多输出）技术被引入。该技术通过合理组合少量发射天线（TX）与接收天线（RX），生成远超物理通道数的虚拟通道。

在毫米波雷达中，当以正交波形发射信号时，每个发射-接收对可被等效为一个特定空间位置的虚拟相位中心。对于一个拥有M个发射通道和N个接收通道的系统，其虚拟天线数量可达M×N个。在4D毫米波雷达中，工程师将发射天线在垂直方向上错开布局。例如，通过12个发射通道与16个接收通道的组合，即可生成多达192个虚拟通道。这些虚拟天线在水平与垂直方向上形成一个等效的二维平面阵列，为雷达在俯仰维度上形成尖锐波束提供了物理基础，从而实现对目标垂直角度的精准解算。

MIMO技术原理图，图片源自网络

空间分辨力提升背后的算法支撑

构建物理阵列是4D毫米波雷达实现高度识别的第一步，而更关键的在于如何通过信号处理算法从复杂回波中提取高度信息。这类雷达通常采用频率调制连续波（FMCW）体制。雷达发射的每个Chirp脉冲在遇到目标后返回，接收端采集到的信号包含目标的距离、速度、方位和高度信息。

在信号处理过程中，首先进行距离和多普勒FFT变换，以将探测区域内的目标映射到距离-速度图谱中，初步实现目标分离。随后，系统需要分析每个目标在所有虚拟通道上的相位差，以估计其到达角（DOA），这是高度识别的关键步骤。

传统基于FFT的测角方法在天线数量有限的情况下，角分辨率受限，且易产生旁瓣干扰，导致高度测量精度下降。为此，4D毫米波雷达引入了超分辨率算法，如MUSIC（多重信号分类）和ESPRIT（旋转不变子空间估计）。这些算法通过分析信号协方差矩阵的特征空间，突破了瑞利分辨限，在较小孔径下实现更高精度的俯仰角测量。一些高性能4D雷达的俯仰角测量精度可达到±0.2度，足以在300米距离上区分井盖与立交桥。

为应对虚拟通道数激增带来的计算压力，雷达系统常采用FPGA或高性能SoC实现并行处理。此外，为提升点云质量，系统还需进行多路径反射的滤除。在城市环境中，雷达波可能在地面、墙壁与目标之间多次反射，形成“鬼影”干扰。4D雷达结合高度信息与数字波束成形（DBF）技术，可动态聚焦于特定高度层，有效抑制地杂波和天桥顶部的反射信号，从而输出更纯净的点云。

这种高密度点云输出使得4D毫米波雷达在功能上逐渐接近激光雷达。通过对聚类后的点云进行特征提取，雷达不仅能识别目标存在，还能判断其几何形状和垂直分布，从而为自动驾驶系统提供更丰富的语义信息，如行人站立状态与低矮护栏的区别，或卡车底盘高度的判断。

图片源自网络

杂波抑制与高密度点云质量调优

高度识别的引入虽然提升了雷达的探测能力，但也带来了噪声点和虚假目标增多的问题。在复杂道路环境中，路面积水、雨滴甚至空气中的粉尘都可能反射雷达信号，形成杂乱点云。若无法有效过滤，将对自动驾驶决策系统造成干扰。

针对此类杂波，系统已开发了多种基于统计特征的识别算法。例如，利用雨滴在距离和速度上的分布特征，将其与真实目标区分开来；在空间维度，通过计算角度维度FFT的峰值幅度方差，识别出能量分布不均的虚假目标点。

另一个关键挑战是地面杂波的抑制。4D毫米波雷达通过垂直方向的数字波束成形，可实现“高度掩模”功能。系统根据车辆当前的行驶姿态动态调整感知窗口，排除来自地面过低位置的非障碍物回波。同时，结合RCS（雷达散射截面积）分布，系统可识别金属障碍物与环境背景。

为优化实时性，部分先进4D雷达采用自适应采样策略。在检测到潜在危险目标时，系统会启动高分辨率局部扫描；在开阔路段则降低采样率以节省功耗，实现性能与效率的平衡。

硬件架构演进与多传感器协同

当前自动驾驶感知硬件正从“堆叠式”向“集成化”发展。早期4D雷达多采用多芯片级联方案，如多个3T4R MMIC芯片并行工作，以实现虚拟通道数量的快速扩展。但这种方式存在功耗高、体积大、时钟同步复杂等问题。

为推动4D毫米波雷达向主流车型渗透，单芯片SoC方案日益普及。如TI的AWR2188 8T8R芯片及Arbe的Phoenix 48T48R平台，将射频发射、接收与数字信号处理单元集成于单一芯片，显著降低相位噪声、功耗和成本，同时便于雷达隐藏式安装。

高度识别能力的提升，使其在多传感器融合系统中发挥更为关键的作用。在高速NOA场景中，4D雷达可提前发现300米外的故障车辆并确认其车道位置，为变道或刹车提供决策支持。在城市交通中，其穿透能力使其能感知前前车的急刹动作，从而预防连环追尾。

随着算法与硬件的持续发展，4D毫米波雷达的高度识别精度有望接近激光雷达水平。未来趋势或将聚焦于将深度学习模型嵌入雷达处理器，通过神经网络实现高度点云的端到端目标分类，推动雷达从“感知”向“认知”跃迁。

– END –

原文标题：4D毫米波雷达是如何识别高度信息的？