4D毫米波雷达如何实现高度识别？

4D毫米波雷达如何实现高度识别？

在自动驾驶系统中，毫米波雷达因其独特的性能优势，长期以来在环境感知中扮演着关键角色。该类雷达工作在微波频段，具有良好的穿透能力，能有效穿越雨雪、烟尘等恶劣天气条件，并在强光或黑暗环境中保持稳定的探测能力。然而，传统毫米波雷达的感知维度较为有限，仅能提供距离、相对速度以及水平方位角信息，在垂直高度探测方面存在明显短板。这种局限性也限制了其在高级驾驶辅助系统中的应用。

当车辆高速行驶时，若前方出现立交桥、交通标志、减速带或井盖等障碍物，传统雷达由于缺乏高度信息的识别能力，往往无法准确判断目标的垂直位置。这容易导致系统误将非障碍物识别为静止物体，从而引发误刹车或为规避误判而放宽阈值，带来潜在的安全隐患。

4D毫米波成像雷达的出现，为这一问题带来了突破性解决方案。所谓“4D”，是指在原有距离、速度和方位角三个维度基础上，新增了“俯仰角”或“高度”信息的感知能力。这一提升不仅使雷达能够捕捉更全面的目标数据，还能构建出具有高度层次的点云图像，显著增强了对复杂环境的解析能力。

物理孔径重构与MIMO虚拟化技术

毫米波雷达的角度分辨能力，本质上受限于其天线阵列的物理孔径大小。依据电磁波干涉原理，天线阵列尺寸越宽，波束越窄，从而具备更高的角分辨力。传统3D毫米波雷达的天线布局通常为水平线性排列，虽在水平方向上具备一定分辨能力，但在垂直方向上的波束宽度较大，导致无法区分相同水平方向上但不同高度的目标。

为提升俯仰角识别能力，4D毫米波雷达在天线布局上进行了重构，通过在垂直方向上布置天线，构建出等效的垂直孔径。然而，受限于车载系统对体积与成本的严格要求，单纯增加物理天线数量并不可行。为此，工程师引入了MIMO（多输入多输出）技术。

MIMO技术的核心在于利用少量发射（TX）与接收（RX）天线的组合，实现虚拟化通道的扩展。当雷达发射正交波形的信号时，每对发收通道均可等效为一个虚拟相位中心。对于具备M个发射通道和N个接收通道的系统，MIMO技术可生成M×N个虚拟单元，从而构建出一个等效的大孔径二维平面阵列。

MIMO技术原理图，图片源自：网络

在4D毫米波雷达中，工程师将发射天线在垂直方向上错位分布，形成多层结构。例如，通过12个发射通道与16个接收通道的组合，可生成多达192个虚拟通道。这种虚拟阵列不仅在水平方向上延展，也在垂直方向上扩展，从而显著提升了雷达在俯仰方向上的波束锐度，实现对目标高度的精确解算。

空间分辨力提升的核心算法体系

4D毫米波雷达在硬件基础上，还需依赖一套高度复杂的信号处理算法，才能从海量雷达回波中提取出准确的高度信息。这类雷达通常采用FMCW（频率调制连续波）体制，其发射的每个Chirp信号在接触目标后返回，接收端采集的信号中包含距离、速度、方位及俯仰信息。

在信号处理流程中，首先对每个通道的数据进行距离和多普勒FFT运算，将探测区域内的目标映射到距离-速度图谱上，实现初步的目标分离。随后，系统进入DOA（到达角估计）阶段，分析各虚拟通道的相位差异。

传统FFT测角方法受限于通道数量，在角分辨率和旁瓣抑制方面表现不佳。为克服这一瓶颈，4D毫米波雷达引入了超分辨率算法，例如MUSIC和ESPRIT。这些算法通过协方差矩阵的特征分析，突破瑞利判据的限制，使得即便在有限孔径下，也能获得更高的俯仰角分辨力。目前，一些高性能雷达系统的俯仰角精度已提升至±0.2度，使300米外的井盖与桥梁结构得以准确区分。

图片源自：网络

为了应对虚拟通道数激增带来的计算压力，雷达后端普遍采用FPGA或高性能SoC进行并行处理。此外，为提升点云质量，系统还需执行多路径回波抑制。在城市道路中，雷达波在建筑物、地面和目标间多次反射，容易形成“鬼影”干扰。4D雷达通过数字波束成形技术，结合高度信息的冗余性，动态抑制地杂波和多径干扰，使输出的点云更为清晰。

这种高密度点云数据的获取，使4D毫米波雷达在功能上逐渐向激光雷达靠拢。通过对点云进行聚类分析和特征提取，系统不仅能识别物体的存在，还能判断其几何形态与空间分布。这意味着自动驾驶系统可以更准确地区分行人与护栏，或判断前方卡车是否具有足够的高度容限以供安全通过。

杂波抑制与点云质量优化

虽然高度信息的引入提升了感知维度，但也带来了新的挑战——杂波与噪声点的增加。在复杂环境中，雨滴、积水甚至空气中的尘粒都可能反射雷达波，形成虚假点云。如果这些噪声点未被有效过滤，将严重影响系统的感知决策。

为应对这一问题，雷达系统已引入多种基于统计特征的识别算法。例如，针对雨水杂波，系统可以依据其在距离与速度分布中的规律，与真实目标进行区分。在空间维度上，噪声点通常表现为相位不连续且空间分布不具一致性。通过分析角度维度FFT的方差，系统可识别出响应曲线平坦、能量分布稀疏的虚假点，并将其排除。

在地面杂波抑制方面，4D毫米波雷达通过数字波束成形技术实现“高度掩模”。系统根据车辆当前的行驶坡度和姿态，动态调整感知高度窗口，屏蔽来自地面的非障碍物回波。同时，结合RCS（雷达散射截面积）分析，系统能区分强反射的金属障碍物与弱反射的环境背景，从而在高点云密度下维持极低的虚警率。

为优化实时性，部分4D雷达采用自适应采样策略。在检测到潜在危险目标时，系统会集中资源进行局部高分辨率扫描，而在路况良好时则降低采样率，以降低功耗。这种智能化的数据流控制策略，使4D毫米波雷达在满足高度识别需求的同时，兼顾车辆的计算资源限制。

硬件架构演进与多感知融合

自动驾驶感知硬件正经历从“堆叠”到“集成”的发展路径。早期4D雷达普遍采用多颗3T4R MMIC芯片级联方案，虽然有助于快速构建大规模虚拟通道，但存在体积大、功耗高、时钟同步困难等问题。

为推动4D毫米波雷达的普及，单芯片SoC方案正逐步成为主流。例如，德州仪器推出的AWR2188单芯片8T8R雷达芯片，以及Arbe的48T48R Phoenix平台，将射频发射、接收与数字信号处理单元高度集成，显著降低了信号路径和相位噪声，同时大幅减少功耗与成本。此外，单芯片结构还便于将雷达隐蔽地安装在车辆前保险杠或进气格栅后，不影响整车外观。

高度识别能力的提升，使4D毫米波雷达在多传感器融合系统中扮演着更加重要的角色。在高速公路领航（Highway NOA）等场景中，4D雷达不仅能更早发现远处静止车辆，还能通过高度信息确认其所在车道，为变道或制动提供更长的反应时间。在城市环境中，4D雷达可穿透前车遮挡，检测“前前车”的急刹行为，有效预防多车连撞事故。

展望未来

随着技术的不断进步，4D毫米波雷达的高度识别精度有望进一步逼近激光雷达水平。未来的研究方向可能包括将深度学习模型部署于雷达处理器，对高度点云进行端到端的目标分类。这种从“感知”向“认知”的演进，将使4D毫米波雷达在L3及以上自动驾驶系统中发挥更核心的作用。

-- END --

原文标题：4D毫米波雷达是如何识别高度信息的？