4D毫米波雷达的高度识别机制解析

4D毫米波雷达的高度识别机制解析

在自动驾驶感知系统中，毫米波雷达因其在微波频段的工作特性，具备穿透雨、雪、雾、烟尘等障碍的能力，并在光线剧烈变化或黑暗环境下仍能保持稳定性能，长期以来扮演着车辆感知环境的关键角色。然而，传统毫米波雷达在垂直维度的探测能力有限，仅能提供目标的距离、速度和水平方位角，而难以准确识别高度信息。这一缺陷制约了其作为主要环境感知器件的发展。

当车辆高速行驶时，面对前方的高架桥、交通标志，或地面的减速带、井盖等结构，传统雷达由于缺乏对垂直位置的识别能力，容易将这些非障碍物误判为静止障碍物，导致频繁误刹车。为避免这种误判，系统往往放宽检测阈值，却也带来了潜在的安全隐患。

4D毫米波成像雷达的出现，为这一问题提供了突破性解决方案。4D这一概念，是在传统三个维度（距离、速度、方位）的基础上，新增了对“俯仰角”或“高度”信息的探测能力。这种技术突破使雷达不仅能提供目标的距离数据，还能描绘其轮廓，区分不同高度层次的物体，从而实现更精准的环境建模。

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率，本质上取决于其天线阵列的物理孔径。根据电磁波干涉原理，阵列在特定方向上的尺寸越大，波束越窄，角度分辨能力越强。传统3D毫米波雷达的天线通常采用水平线性布局，这使其在水平方向具有一定的分辨力，但在垂直方向上，由于孔径过窄，甚至可能仅含一个层级的阵列单元，导致其垂直方向波束宽泛，难以区分同一水平方向上高度差异的目标。

4D毫米波雷达通过重构天线的物理布局，在垂直方向上构建起足够的孔径，从而提升了垂直分辨能力。然而，车载雷达对体积和成本具有严格限制，单纯通过堆叠物理天线来扩展垂直孔径并不可行。为此，MIMO（多输入多输出）技术被广泛应用。

MIMO技术的核心优势在于，它通过少量发射（TX）与接收（RX）天线的组合，可生成远超物理通道数量的虚拟通道。当雷达以正交波形发射信号时，每个发收对等效于一个特定空间位置的虚拟相位中心。以M个发射通道和N个接收通道为例，通过MIMO架构可合成出M×N个虚拟单元。

MIMO技术原理图，图片源自：网络

在4D毫米波雷达中，天线不再局限于水平布置，而是在垂直方向上错位分布。例如，通过级联多个射频芯片，构建出12个发射通道和16个接收通道，可生成多达192个虚拟通道。这些虚拟天线在水平和垂直方向上均有分布，从而形成一个二维平面阵列，为雷达在俯仰维度上生成更尖锐的波束奠定了物理基础，使其具备了识别目标垂直角度的能力，从而有效区分高架桥、路牌与路面车辆。

空间分辨力提升的核心算法体系

在物理阵列构建的基础上，4D毫米波雷达还需依靠高度复杂的信号处理算法来提取高度信息。通常采用频率调制连续波（FMCW）体制，雷达发射的每个Chirp（啁啾）脉冲在遇到目标后反射回来，接收端采集的回波包含距离、速度、方位和高度等信息。

处理流程首先对每个通道的数据进行距离FFT与多普勒FFT，将探测区域内的目标映射到距离-速度图谱中，实现初步的目标分离。然而，真正的技术难点在于后续的DOA（到达角估计）算法。

传统FFT测角算法虽然计算开销较低，但在天线数量受限的情况下，角分辨率受到限制，且易产生旁瓣干扰，难以满足高精度高度探测的需求。因此，4D毫米波雷达引入了超分辨率算法，例如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，突破了瑞利判据的限制，从而在更小孔径下实现更高俯仰角分辨率。部分高性能产品已能将俯仰角测量精度提升至±0.2度，在300米外可清晰识别井盖与高架桥。

此外，4D雷达还面临数据处理复杂度上升的挑战。由于虚拟通道数量从十几跃升至数百甚至数千，后端处理器需要具备强大的并行计算能力。当前主流方案采用FPGA或专用SoC来处理空间谱估算。同时，为提升点云质量，算法还需对多路径反射进行滤除。在城市复杂环境中，雷达波常在地面、墙壁和物体之间反复反射，形成“鬼影”目标。4D雷达结合高度信息的冗余性与数字波束成形（DBF）技术，可以动态聚焦于特定高度层，从而抑制地杂波和天桥顶部的干扰。

这种高密度点云输出，使得4D毫米波雷达的功能逐渐逼近激光雷达。通过对点云进行聚类和特征提取，雷达不仅能识别前方存在物体，还能判断其几何形状和垂直分布，为自动驾驶系统提供更丰富的语义信息。

杂波抑制与高密度点云的质量调优

虽然高度识别能力提升了数据维度，但也增加了噪声和虚假目标的干扰。在实际道路场景中，诸如积水、雨滴、空气中的粉尘等都可能反射雷达波，形成杂乱点云。若无法有效过滤，将影响自动驾驶系统的判断。

为此，4D毫米波雷达引入了基于统计特性的杂波识别算法。例如，针对雨水杂波，系统可以依据雨滴在距离和速度上的分布规律，将其与金属或人体目标区分开。在空间维度上，噪声点通常表现出相位不连续、空间一致性差的特点。通过分析角度FFT的峰值幅度方差，算法可识别出响应曲线平坦、能量不集中的虚假目标点。

另一个关键方面是地面杂波的动态抑制。4D毫米波雷达利用垂直方向的数字波束成形实现“高度掩模”功能。系统可根据当前行驶坡度与姿态，动态调整感知窗口的高度范围，自动排除来自地面过低位置的非障碍物回波。同时，通过分析点云的RCS（雷达散射截面积）分布，雷达可识别强反射的金属障碍物与弱反射的背景环境。

虽然高密度点云有助于描绘物体轮廓，但过细的采样也可能带来处理延迟。为此，部分4D毫米波雷达采用自适应采样策略，在检测到高风险目标（如横穿马路的行人）时，局部增强分辨率；而在路况平直时保持较低数据流速，以降低功耗并提升处理效率。

硬件架构演进与多感知融合的协同

自动驾驶感知硬件正在经历从“堆叠式”向“高集成化”的过渡。早期4D雷达多采用芯片级联方案，例如多个3T4R MMIC芯片并行工作，便于快速实现大量虚拟通道。然而，该方式存在体积大、功耗高、相位同步困难等问题。

为推动4D毫米波雷达在主流车型上的应用，单芯片SoC方案正逐步成为主流。如德州仪器的AWR2188 8T8R芯片，以及Arbe的Phoenix平台48T48R阵列，将射频发射、接收及数字信号处理单元集成于单颗芯片中，缩短了信号路径，降低了相位噪声和功耗，也提升了可靠性。更重要的是，单芯片化设计使雷达可隐蔽安装于车前格栅或保险杠内部，不影响外观。

高度识别技术的突破，显著提升了自动驾驶系统的感知能力。在多传感器融合框架中，4D毫米波雷达不再只是辅助设备，而在某些关键场景中成为核心传感器。例如，在高速公路NOA（无保护变道）功能中，4D雷达可更早识别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，从而为变道或刹车提供更充裕的时间。

未来展望

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接近激光雷达的水平。未来的研究方向或将聚焦于将深度学习模型部署至雷达处理器，通过神经网络对点云进行端到端的物体分类。这一趋势将推动毫米波雷达从“感知”迈向“认知”，使其成为L3及以上自动驾驶系统中最具性价比的感知核心。

-- END --

       原文标题 : 4D毫米波雷达是如何识别高度信息的？