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

在自动驾驶的感知系统中，毫米波雷达始终扮演着关键角色。凭借其在微波频段工作，不受雨雪、烟雾等环境因素干扰，且在强光、黑暗等复杂光照条件下仍能保持稳定性能，使其成为车辆感知环境的重要技术支撑。不过，传统毫米波雷达长期以来仅能提供距离、速度和水平方位角信息，在垂直维度上的探测能力较弱，这限制了其在主感知传感器中的应用。

在车辆高速行驶过程中，例如接近立交桥、交通标志或地面减速带时，传统毫米波雷达因无法分辨目标的垂直位置，常会将非障碍物误判为前方静止障碍，导致误刹车或算法过于宽松而带来安全隐患。

4D毫米波成像雷达的出现，改变了这一局面。4D雷达在传统三维（距离、速度、方位角）基础上，增加了对目标俯仰角的识别，从而具备了高度感知能力。这项突破不仅提升了目标检测的准确性，还使雷达能够区分不同高度层的目标，实现更精细的成像。

物理孔径重构与MIMO虚拟化技术

毫米波雷达对目标角度的分辨能力，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，阵列在某一方向上的尺寸越大，波束越窄，角度分辨率越高。传统3D雷达的天线多为水平线性排列，这使其在水平方向具备一定分辨力，但在垂直方向由于孔径过小，无法有效区分不同高度的目标。

4D毫米波雷达通过重构天线布局，实现垂直方向上的有效孔径扩展。然而，受限于车载空间和成本，单纯增加物理天线数量并不可行。为解决这一问题，MIMO（多输入多输出）技术被引入雷达系统。MIMO通过少量发射（TX）与接收（RX）天线的组合，构建出远超物理通道数的虚拟阵列。

具体而言，当雷达以正交波形发射信号时，每一组发射-接收对等效为一个空间中的虚拟相位中心。在一个M发射通道和N接收通道的系统中，MIMO体制可以生成M×N个虚拟通道。这种虚拟孔径的构建，极大提升了垂直方向的覆盖能力，为俯仰角测量提供了物理基础。

MIMO技术原理示意图，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开布置，通过多颗射频芯片级联，形成12发射+16接收的阵列配置，从而获得192个虚拟通道。这些虚拟天线在水平与垂直两个方向上延伸，构建出一个二维平面虚拟阵列，使雷达能够准确解算目标的垂直角度。

图片源自网络

提升空间分辨率的核心算法体系

4D毫米波雷达的信号处理算法同样至关重要。这类雷达通常采用频率调制连续波（FMCW）体制，通过发射Chirp信号并分析回波，提取目标的距离、速度、方位及俯仰角度信息。

在信号处理过程中，首先进行距离和多普勒FFT变换，将目标映射到距离-速度图谱中，实现初步分类。随后，通过DOA（到达角估计）算法，分析每个目标在所有虚拟通道上的相位差，从而估算目标的角度。

图片源自网络

传统FFT测角算法在天线数量受限时分辨率较低，且易受旁瓣干扰，影响高度识别精度。为此，4D毫米波雷达引入了超分辨率算法，如MUSIC和ESPRIT。这些算法通过分析信号协方差矩阵的特征子空间，突破瑞利分辨极限，使雷达在垂直方向获得更高的角度精度。目前，部分高性能4D雷达可实现±0.2度的俯仰角测量精度，足以在300米外区分井盖和桥梁。

此外，4D雷达还需处理因虚拟通道数量激增带来的计算压力。当前主流方案依赖FPGA或高性能SoC进行并行处理。同时，为提高点云质量，还需对多径反射进行抑制。4D雷达结合数字波束成形（DBF）技术，聚焦特定高度层，降低地面杂波干扰，输出更清晰的点云。

杂波抑制与高密度点云的优化

随着高度识别能力的增强，雷达点云的复杂性也随之上升，导致噪声和虚假目标点的增加。在真实道路环境中，雨水、积尘等均可能反射雷达波，形成杂乱点云。为提升识别可靠性，4D雷达引入多种统计特性算法。

例如，针对雨滴杂波，可依据其在距离和速度分布上的特征，将其与真实目标分离。通过分析角度维度FFT的峰值幅度方差，系统可识别并剔除那些响应不连续、能量分散的噪声点。

地面杂波的动态抑制也是关键环节。4D雷达通过数字波束成形实现“高度掩模”功能，结合车辆姿态信息，动态调整感知范围，自动过滤地面低空非障碍物回波。同时，雷达还可利用目标的RCS分布特性，区分强反射的金属障碍与弱反射的背景。

为了兼顾实时性，部分4D雷达采用自适应采样策略：在检测到高风险目标时，提高局部分辨率；在路况平稳时则降低采样频率，节省系统资源。

硬件架构演进与多传感器融合

自动驾驶感知硬件正逐步从“堆叠式”向“高集成度”过渡。早期4D雷达多采用多芯片级联架构，尽管能实现大量虚拟通道，但存在体积大、功耗高、同步复杂等问题。在车载环境的振动和高温条件下，多芯片的相位一致性难以保障。

为实现4D雷达的低成本、高可靠性应用，单芯片SoC架构正成为主流。如德州仪器的AWR2188 8T8R雷达芯片，以及Arbe的Phoenix 48T48R雷达平台，均将射频发射、接收与信号处理集成在单一芯片内，大幅降低功耗和成本，同时提升了安装灵活性。

高度识别能力的提升，使得4D毫米波雷达在自动驾驶系统中具备更强的独立感知能力。在高速公路NOA（无接管驾驶）场景中，雷达可提前识别300米外的故障车辆，并通过高度信息判断其是否位于当前车道，从而为车辆提供更充分的响应时间。在城市驾驶中，雷达还能穿透前车识别“前前车”的急刹动作，有效预防追尾。

未来展望

随着技术不断演进，4D毫米波雷达的性能正逐步逼近激光雷达的水平。下一步发展或将围绕将深度学习模型部署在雷达端，实现对高度点云的端到端目标识别。这种从“感知”到“认知”的跃迁，将使4D毫米波雷达在L3及以上自动驾驶系统中成为最具性价比的核心传感器。

-- END --

原文标题：4D毫米波雷达是如何识别高度信息的？