4D毫米波雷达实现高度识别的技术解析
在自动驾驶系统的感知链中，毫米波雷达因其在恶劣天气条件下的稳定性，长期以来扮演着关键角色。其工作频段位于微波范围，具备穿透雨雪、雾气和尘霾的能力，在强光、黑暗或光照剧烈变化的环境中依然能稳定运行。然而，传统毫米波雷达的感知能力受限于三维信息——即距离、相对速度与水平方位角，垂直高度维度的分辨能力一直不足，这正是其难以成为核心感知组件的主要原因。
当车辆高速行驶时，面对立交桥、交通标志、减速带或井盖等地面或空中结构物，传统雷达因无法识别其垂直位置，常将其误判为静止障碍物。为了避免频繁误触发，系统不得不放宽检测阈值，导致安全隐患。这一瓶颈的突破，正是4D毫米波雷达技术的出现所带来的。
所谓4D毫米波成像雷达，是在原有三维感知基础上，新增了对“俯仰角”或“高度”维度的探测能力。这种能力使得雷达不仅能够获取点目标的距离信息，还能呈现目标的轮廓与空间分布，从而实现更丰富的环境建模。
天线结构的革新与MIMO虚拟化
毫米波雷达的角度分辨力，本质上依赖于天线阵列的孔径大小。根据电磁波干涉原理，阵列尺寸越大，波束越窄，角度分辨率越高。传统3D雷达的天线通常呈水平排列，因此在水平方向上具备一定分辨能力，而在垂直方向上，受限于单层或极窄的天线孔径，波束较宽，难以区分同一方向上不同高度的目标。
为实现垂直高度探测，4D毫米波雷达重新设计了天线结构，尤其在垂直方向上构建出足够的物理孔径。然而，单纯增加物理天线数量在车载场景中并不现实，因为这将显著增加电路板面积与射频芯片成本。为此，工程师引入了MIMO（多输入多输出）技术。
MIMO技术通过巧妙组合少量发射（TX）和接收（RX）通道，构建出远超物理数量的虚拟通道。当雷达发射正交波形时，每个发收对都可被看作一个位于特定空间位置的虚拟相位中心。若系统配备M个发射通道和N个接收通道，则理论上可以构建出M×N个虚拟阵元，形成一个二维平面的等效阵列。
上图展示了MIMO技术的原理，图源：网络
在4D毫米波雷达中，工程师通常将发射天线在垂直维度上交错排列。例如，通过级联多个射频芯片，系统可构建12个发射通道和16个接收通道，从而虚拟出192个接收通道。这种二维虚拟阵列不仅扩展了雷达的覆盖范围，还在垂直方向上提供了足够的分辨率，使其能够准确测量目标的俯仰角，从而区分不同高度层次的物体。
算法体系支撑高精度高度感知
物理阵列的设计是4D毫米波雷达的基础，而高度信息的提取则依赖于复杂的信号处理算法。此类雷达通常采用FMCW（频率调制连续波）体制，雷达发射的Chirp脉冲在接触目标后反射回来，接收端采集到的回波包含距离、速度、方位和高度等四维信息。
图源：网络
在信号处理阶段，系统首先对各通道数据进行距离FFT和多普勒FFT，将目标映射到距离-速度图谱，初步分离出运动状态相似的目标点。
真正的技术挑战在于到达角（DOA）估计。传统FFT测角算法在天线数量有限时分辨力受限，且容易产生旁瓣干扰。4D毫米波雷达则采用超分辨率算法，如MUSIC（多重信号分类）或ESPRIT（旋转不变子空间估计），通过分析信号协方差矩阵的特征空间，突破传统瑞利准则的限制，实现更精细的角度分辨。部分高端产品已能将俯仰角测量精度控制在±0.2度以内，使300米外的井盖与立交桥清晰区分。
随着虚拟通道数量的大幅增加，数据处理的复杂性也显著上升。主流方案采用FPGA或高性能SoC来执行并行处理任务。同时，为提高点云质量，算法还需过滤多路径反射带来的“鬼影”现象。通过结合高度信息与DBF（数字波束成形）技术，系统可抑制地杂波和多径干扰，从而输出更纯净的目标点云。
这类高密度点云输出使4D雷达在感知功能上接近激光雷达。通过对点云特征进行聚类与建模，系统不仅能识别物体存在，还能分析其几何结构与垂直分布，为自动驾驶决策提供更丰富的语义信息。
杂波抑制与点云优化
高度维度的引入显著提升了探测能力，但也带来了更多噪声与虚假目标。在城市环境中，雨滴、路面反光和空气颗粒都会反射雷达信号，形成杂乱点云。为确保高度信息的可靠性，4D雷达需引入多种杂波抑制算法。
针对雨水干扰，系统可利用雨滴在距离-速度图谱中呈现的统计特性，将其与金属或人体目标区分开。在空间维度，真实目标通常具有连续的相位特征和空间一致性，而噪声点则表现出能量分布不均。通过分析角度FFT的峰值方差，可识别并剔除响应曲线平滑、能量分散的虚假点。
地面杂波的动态抑制同样是关键课题。前向雷达面临的最大干扰即为路面反射。4D雷达通过DBF技术实现“高度掩模”功能，结合车辆姿态动态调整感知窗口，过滤来自地面的非目标回波。此外，系统还可依据目标的RCS（雷达散射截面积）判断其是否为有效障碍物，从而提升点云的可信度。
为兼顾实时性，部分高端产品引入自适应采样策略。在检测到高风险目标时，系统自动提升局部分辨率；而在路况简单时则降低数据流速，以减少处理负担并节省功耗。
硬件架构演进与多传感器协同
自动驾驶感知硬件正从“堆叠式”向“集成式”演进。早期4D雷达多采用芯片级联方案，通过多个3T4R MMIC芯片实现虚拟通道扩展。这种方式虽可快速实现高通道数，但在时钟同步、相位标定和系统稳定性方面面临挑战。
随着单芯片SoC方案的成熟，如德州仪器AWR2188与Arbe的Phoenix平台，越来越多厂商选择将射频收发和数字处理单元集成于单一芯片。此举不仅缩小了整机体积、降低了功耗与成本，还提升了信号路径的稳定性与相位一致性，使雷达更易隐蔽安装，适应车辆设计需求。
高度识别技术的成熟，推动了4D毫米波雷达在多传感器融合系统中的地位升级。在高速公路NOA功能中，4D雷达可提前发现远距离静止障碍物，并通过高度信息判断其是否处于当前车道，从而提前决策变道或刹车。在城市场景中，其还能穿透前车感知“前前车”的急停行为，降低连环事故风险。
结语
随着算法与硬件的持续进步，4D毫米波雷达的高度识别能力有望逐步逼近激光雷达水平。未来的发展方向或将聚焦于将深度学习模型直接部署至雷达处理器，实现对高度点云的端到端分类与识别。这一技术跃迁将使4D毫米波雷达在L3及以上的自动驾驶系统中发挥更加核心的作用，成为高性价比的感知主干。
-- END --
原文标题：4D毫米波雷达是如何识别高度信息的？