4D毫米波雷达如何实现对高度信息的精准识别
在自动驾驶的感知体系中，毫米波雷达长期占据着关键地位。得益于其工作在微波频段，雷达信号能够穿透雨雪、烟尘及浓雾等复杂环境，在光线强烈、昏暗或剧烈变化的条件下依然保持高度稳定。然而，传统毫米波雷达主要依赖于距离、相对速度和水平方位角这三个维度进行目标探测，对垂直高度的识别能力较为有限，这也限制了其在主干感知系统中的应用。
在实际场景中，当车辆高速接近桥下空间、路牌、减速带或井盖等非障碍物时，传统雷达由于缺乏对高度的判断能力，往往误将这些物体识别为前方静止障碍物，从而引发频繁的误刹车或迫使系统放宽检测阈值，带来潜在的安全隐患。
4D毫米波成像雷达的问世，为这一难题提供了突破性的解决方案。其中，“4D”意味着在原有三个维度基础上，新增了对“俯仰角”或“高度”的感知能力。这一进步不仅提升了目标识别的准确性，还使雷达具备了对物体轮廓和空间层次的分辨能力。那么，4D毫米波雷达究竟如何实现对高度的识别？
天线布局优化与MIMO虚拟阵列技术
毫米波雷达的角度分辨能力与天线阵列的物理孔径密切相关。根据电磁波干涉原理，天线在某一方向上的尺寸越大，波束越窄，角度分辨力越高。传统3D毫米波雷达天线通常呈水平线性排布，虽然在水平方向具备一定的角分辨能力，但在垂直方向由于孔径狭窄，甚至仅设单层接收单元，导致波束发散，难以区分同一方位但不同高度的目标。
4D毫米波雷达通过重新设计天线的布局方式，增强了垂直方向的孔径。然而，直接增加物理接收通道会显著提高成本和硬件复杂度，因此引入了MIMO（多输入多输出）技术。该技术通过精心组合有限数量的发射和接收通道，构建出远超物理数量的虚拟通道。当雷达以正交波形发射信号时，每个发收对可对应一个特定空间位置的虚拟相位中心。例如，一个具备M发射通道和N接收通道的系统，能够合成出M×N个虚拟单元。
MIMO技术原理示意图，图片源自网络
在4D毫米波雷达中，发射天线在垂直方向上被错位排布，配合多颗射频芯片的级联，可实现如12发射16接收的配置，从而生成多达192个虚拟通道。这些通道不仅在水平维度延伸，在垂直方向上也形成较大间距，构成一个等效的二维平面阵列。这种虚拟阵列的建立，使得雷达具备了在俯仰维度生成窄波束的能力，从而实现对目标垂直角度的精准计算。
空间分辨力提升的核心算法支持
4D毫米波雷达在硬件设计上的突破，需要高度复杂的信号处理算法来实现对高度信息的准确提取。这类雷达通常采用FMCW（调频连续波）体制。雷达发射的每一个Chirp脉冲经目标反射后，接收端可获得包含距离、速度、方位和高度的多维相位信息。
信号处理首先通过距离和多普勒FFT将目标映射到距离-速度图谱中，完成目标的初步分离。接下来的挑战在于DOA（到达角估计）算法，用于分析所有虚拟通道中目标反射点的相位差。
图片源自网络
传统FFT测角算法在通道数较少时存在分辨率不足和旁瓣干扰问题。为此，4D毫米波雷达引入了MUSIC或ESPRIT等超分辨率算法，通过分析信号协方差矩阵的特征空间，突破传统瑞利判据的限制，在有限孔径下实现更高的俯仰角分辨率。部分高端产品可将俯仰角精度提升至±0.2度，在300米距离外仍能区分井盖与立交桥。
此外，随着虚拟通道数量的激增，系统对计算能力的需求也大幅上升。目前主流方案采用FPGA或高性能SoC来执行空间谱估算任务。为提升点云质量，雷达还需结合DBF（数字波束成形）技术，动态抑制地杂波和多路径干扰。
这种高质量点云输出，使4D毫米波雷达在感知能力上逐步接近激光雷达。通过对点云聚类和特征提取，雷达不仅能识别目标的存在，还能判断其几何形态与高度分布，为自动驾驶系统提供更丰富的语义信息。
点云优化与杂波抑制策略
高度信息的引入虽提升了感知维度，但也带来了噪声点和虚假目标的增加。在复杂环境中，路面积水、雨滴甚至空气中的微粒都可能成为干扰源。因此，4D毫米波雷达在工程实践中需重点优化点云质量与杂波抑制。
针对环境噪声，系统采用多种基于统计分析的识别方法。例如，利用雨滴在距离-速度图上的分布规律，将其与真实目标区分开。在空间维度上，通过计算角度维FFT的峰值幅度方差，识别出无明显相位连续性的虚假点，并从点云中剔除。
地面杂波是前向雷达的主要干扰源之一。4D毫米波雷达通过数字波束成形技术，结合高度掩模功能，根据车辆姿态动态调整感知窗口，过滤掉来自地面的非目标回波。此外，通过分析目标的RCS（雷达散射截面积），雷达可进一步区分金属障碍物与环境背景。
为提升实时性，一些先进系统采用自适应采样策略，在检测到潜在危险目标时提升局部分辨率，在普通路段则降低采样密度以节省资源。这种动态控制机制，使4D毫米波雷达在保持高精度的同时，也能适配车辆的功耗与处理能力。
硬件演进与多传感器协同
随着技术发展，4D毫米波雷达的硬件架构正从芯片级联向单芯片集成方向演进。早期方案依赖多颗3T4R MMIC芯片并联以构建虚拟通道，虽利于快速部署，但在体积、功耗及时钟同步方面面临挑战。
当前主流趋势是采用单芯片SoC方案。如德州仪器AWR2188和Arbe的Phoenix平台均采用8T8R或48T48R架构，将射频发射、接收与信号处理单元集成于单一芯片中，显著提升了系统性能与可靠性，同时降低了功耗与成本。
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逐渐从辅助角色转变为关键角色。在高速公路领航场景中，雷达可更早识别远距离静止障碍物，并通过高度信息判断其是否处于当前车道，为车辆提供更充分的反应时间。在城市交通中，雷达可穿透前车遮挡，感知前前车急刹，有效避免追尾事故。
未来展望
随着技术的不断成熟，4D毫米波雷达在高度识别精度方面已逐步接近激光雷达的水平。未来的发展方向或在于将深度学习模型嵌入雷达处理器，通过神经网络实现点云的端到端分类。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扮演更加核心的角色。
-- END --
原文标题：4D毫米波雷达是如何识别高度信息的？