毫米波雷达到底在自动驾驶中扮演什么角色？
在自动驾驶技术不断演进的背景下，毫米波雷达作为关键传感器之一，承担着不可或缺的角色。那么，它究竟是如何工作的？又为何在各类传感器中占据独特地位？本文将从技术原理、应用价值及发展趋势等多个角度展开解析。
毫米波雷达的基本原理
毫米波雷达是一种基于毫米波段（通常为24GHz、77–79GHz）的无线电波探测系统，通过发射和接收回波信号，实现对周围物体的距离、速度和角度的检测。在工程中，常用的是连续波调频（FMCW）技术，也称为“啁啾”信号。通过对比发射信号与回波信号之间的频率、相位和时间差，系统能够提取目标的运动状态。
在测距方面，毫米波雷达利用频率差与传播时间之间的关系进行计算；而在测速时，则利用多普勒效应带来的频率偏移来推算相对速度。通过多次啁啾采集及天线阵列处理，雷达可构建出目标在距离、速度和角度三个维度的信息，从而形成“4D雷达”或“成像雷达”的原始数据。
与激光雷达或摄像头输出的点云或图像不同，毫米波雷达通常输出的是“热斑”或“回波簇”，每个回波包含距离、速度、强度等信息，有时还可通过相位差估计入射角度。近年来，部分高性能成像雷达已能输出热力图或稠密的深度-速度图，但其分辨率仍难以与激光雷达相提并论。
值得一提的是，毫米波雷达还能输出“微多普勒”信号，用于检测目标的动态特征，例如行人摆臂、车轮旋转等。这种特性在目标分类和行为识别方面具有潜在价值。
毫米波雷达的技术演进
毫米波雷达的性能与其使用的频段和带宽密切相关。高频（如77/79GHz）带来更宽的可用带宽，从而提高距离分辨率，并允许设计更小尺寸、更高角度分辨率的天线阵列，更易集成到车辆中。
当前，77/79GHz已成为行业主流频段，各大半导体厂商纷纷推出车规级单芯片雷达，推动其在汽车领域的广泛应用。相比早期的离散式目标输出，现代雷达逐渐向更精细的数据输出演进，如MIMO天线、合成孔径、稀疏重建等技术的引入，为雷达的成像能力提供了新的可能。
毫米波雷达的角色与优势
在自动驾驶系统中，毫米波雷达主要承担着“运动感知”任务，广泛应用于自适应巡航、盲区监测、变道辅助和碰撞预警等场景。它在雨雪天气、夜间或光线不足环境下仍能稳定工作，具备较强的抗干扰能力。
其优势在于：一是能够原生获取目标速度，这是摄像头难以直接实现的；二是成本较低、体积小巧，便于在量产车辆中部署；三是具有较长的使用寿命与良好的隐蔽性（可集成在保险杠内），符合汽车工程的实际需求。
毫米波雷达的局限性
尽管毫米波雷达在某些方面表现出色，但其在分辨率和语义识别能力上仍存在明显短板。毫米波的波长与带宽限制了雷达在区分小型邻近目标方面的精度，尤其对于低反射率的物体（如塑料袋、布料）检测能力较弱。
此外，毫米波雷达在处理多路径干扰和旁瓣干扰时容易产生误报或漏报，这需要依赖先进的信号处理算法进行优化。相比之下，激光雷达能够提供更稠密的点云数据，摄像头则在颜色、纹理和语义识别方面更具优势。
毫米波雷达能替代激光雷达吗？
行业内对这一问题一直存在广泛讨论。虽然毫米波雷达在成像能力上不断进步，但目前尚未达到激光雷达在空间结构还原方面的精度和稳定性。因此，短期内更现实的路径是“传感器融合”，而非单一替代。
Waymo、Cruise等自动驾驶公司普遍采用“激光雷达+雷达+摄像头”多传感器组合方案，以提升系统在复杂环境下的感知鲁棒性；而特斯拉等企业则尝试通过“纯视觉+雷达”的策略，强调软件算法和大规模数据训练的作用。
成像雷达的出现为系统提供了一种折中方案。通过MIMO天线、合成孔径、深度学习后处理等技术，雷达的分辨率和成像能力显著提升。然而，这些技术仍面临硬件性能、算法复杂度和数据标注等方面的挑战。
毫米波雷达的未来趋势
从产业发展角度看，毫米波雷达正朝着以下几个方向发展：
- 频段与带宽向77/79GHz集中：该频段已成为行业标准，器件和生态链日益成熟。
- 硬件集成度提高：射频前端、模数转换与数字信号处理集成于单芯片或紧凑模块中，进一步降低系统成本和体积。
- MIMO、波束成形与多频设计普及：成为提升角度分辨率和成像能力的主流方案。
- 软件定义雷达（SDR）兴起：支持灵活波形设计，适应多传感器共存与抗干扰需求。
- 传感器深度融合：雷达与激光雷达、摄像头的协同工作成为高阶自动驾驶系统的核心。
如何设计自动驾驶的传感器组合？
对于自动驾驶系统设计者而言，合理配置传感器是实现安全与成本平衡的关键。毫米波雷达可作为“运动感知与安全预警层”使用，尤其在低能见度和高速场景中发挥关键作用；而摄像头适合用于语义识别和交通标志检测；激光雷达则在复杂几何场景中补充雷达的分辨率不足。
在成本敏感的乘用车平台中，可考虑使用高性能成像雷达+摄像头组合，以替代激光雷达；而在追求高可靠性与冗余性的Robotaxi或自动驾驶车队中，保留激光雷达仍为较优选择。传感器的配置应基于企业对自动驾驶能力的定位、应用场景的复杂度及可接受的风险模型进行综合决策。