4D毫米波雷达如何实现高度信息识别
在自动驾驶感知系统中，毫米波雷达始终扮演着不可替代的角色。其工作频段位于微波范围，具备穿透雨雪、烟尘、浓雾等复杂环境的能力，即便在强光、黑暗或光线剧烈变化的条件下也能保持高度的探测稳定性，因此成为车辆环境感知的关键技术支撑。然而，传统毫米波雷达在较长时间内仅能提供目标的距离、相对速度和水平方位角信息，对垂直维度的识别能力较弱，这也是它难以作为主感知硬件的原因之一。
在高速行驶过程中，当车辆接近立交桥、交通标志或地面的减速带、井盖等物体时，传统毫米波雷达因缺乏对高度的感知能力，容易将这些非障碍物误判为前方静止障碍物，导致误刹车频发。为了避免误报，部分系统不得不放宽算法阈值，从而带来潜在的安全隐患。
4D毫米波成像雷达的出现，打破了这一局限。所谓“4D”，即在原有三维（距离、速度、方位角）的基础上，新增了对目标俯仰角或高度的识别能力。这种突破使得毫米波雷达不仅能够提供点云数据，还能描绘目标轮廓，实现多层高度的成像。那么，它是如何实现高度识别的呢？
天线阵列的重构与MIMO虚拟化技术
毫米波雷达对目标角度的分辨能力，本质上依赖于其天线阵列所构成的物理孔径。根据电磁波干涉原理，阵列在某一方向的尺寸越大，波束越窄，角度分辨力越强。传统3D毫米波雷达通常采用水平线性天线布局，虽然在水平方向具备一定分辨能力，但由于垂直方向天线孔径极小，甚至仅有一层阵元，其波束宽度极宽，无法区分同一方位但不同高度的目标。
4D毫米波雷达通过重构天线阵列，在垂直方向上构建起足够孔径，从而提升高度分辨能力。然而，车载雷达对体积和成本要求较高，单纯增加物理接收天线会导致电路板面积和射频芯片数量成倍增长，难以实现商业化。为此，MIMO（多输入多输出）技术被广泛应用。
MIMO技术通过少量发射天线（TX）与接收天线（RX）的组合，可以等效生成远超物理天线数量的虚拟通道。当雷达发射正交波形信号时，每个发收对都会形成一个虚拟相位中心。以M个发射通道和N个接收通道的系统为例，MIMO体制能合成出M×N个虚拟单元，形成一个虚拟阵列。
MIMO技术原理图，图片源自：网络
在4D毫米波雷达中，发射天线在垂直维度上交错布置，例如通过多颗射频芯片级联，实现12发射和16接收的配置，从而生成多达192个虚拟通道。这些虚拟天线不仅在水平方向延伸，也垂直分布，形成一个等效的大孔径二维平面阵列。这种阵列结构的构建，使得雷达具备了生成尖锐波束的能力，从而准确解算目标的垂直角度，清晰区分立交桥、路牌与路面车辆。
图片源自：网络
空间分辨力提升的核心算法体系
对于4D毫米波雷达而言，构建物理阵列只是实现高度识别的第一步。要从复杂的雷达回波中提取精确的高度信息，还需依赖一套高度复杂的信号处理算法。4D毫米波雷达通常采用频率调制连续波（FMCW）体制，雷达发射的每一个Chirp（啁啾）脉冲在与目标作用后返回，接收端采集到的相位信号中包含距离、速度、方位及高度信息。
信号处理阶段首先对每个通道进行距离FFT和多普勒FFT，从而在距离-速度图谱中初步分离出运动目标。真正的挑战在于后续的DOA（到达角）估计。
在获得距离与速度信息后，系统需要对目标点在所有虚拟通道上的相位差进行分析。传统FFT测角方法计算量低，但在天线数量有限的情况下，分辨率受限，且容易产生旁瓣干扰，导致高度探测精度不足。4D毫米波雷达引入了超分辨率算法，如MUSIC（多重信号分类）或ESPRIT（旋转不变子空间估计），通过分析协方差矩阵的特征空间，突破瑞利判据限制，实现更高的俯仰角分辨力。一些高性能雷达已能将俯仰角测量精度提升至±0.2度，使300米外井盖与立交桥的区分成为可能。
此外，算法还需应对虚拟通道数骤增带来的计算压力。随着虚拟通道从数十跃升至数千，雷达处理器需具备强大并行处理能力。目前主流方案采用FPGA或高性能专用SoC。同时，为提高点云质量，还需对多路径反射进行过滤。在复杂城市环境中，雷达波常在地面、墙壁与目标间多次反射，生成“鬼影”目标。4D雷达利用高度冗余信息，并结合数字波束成形（DBF）技术，可动态聚焦于特定高度层，有效抑制地杂波与多径干扰，提升点云纯净度。
这种高密度点云输出，使4D毫米波雷达在功能上逐渐接近激光雷达。通过点云聚类与特征提取，雷达不仅能够识别前方物体，还能分析其几何形状与垂直分布。这意味着自动驾驶系统可获得更丰富的语义信息，如区分站立行人与低矮护栏，或判断卡车下方是否具备安全通过空间。
杂波抑制与点云质量调优
虽然高度识别扩展了数据维度，但也带来了更高的噪声与虚假目标问题。在实际道路场景中，路面的积水、雨滴或空气粉尘都可能反射雷达波，生成杂乱点云。若这些噪声点未能有效过滤，将显著干扰自动驾驶系统的决策。因此，在4D毫米波雷达的工程化过程中，杂波抑制与点云优化成为关键环节。
针对环境杂波，已开发出多种基于统计特性识别算法。例如，系统可利用雨水在距离与速度上的特定分布规律，将其与真实目标区分开来。空间维度上，噪声点通常相位不连续，空间一致性差。通过分析角度维度FFT的峰值幅度方差，系统可识别出响应曲线平坦、能量分布不集中的虚假点，并将其剔除。这种精细化的过滤机制确保了即使在恶劣天气下，高度信息依然具备高可信度。
另一关键点在于地面杂波的抑制。对于前向雷达而言，路面反射是主要干扰源之一。4D毫米波雷达通过垂直方向的数字波束成形，实现了“高度掩模”功能，可根据车辆行驶姿态动态调整感知高度范围，忽略来自地面过低位置的非障碍物回波。同时，结合雷达散射截面积（RCS）分析，系统可识别出强反射的金属障碍物与弱反射的环境背景。
尽管高密度点云有助于目标建模，但过密采样也可能影响实时性。为优化响应速度，一些4D雷达采用自适应采样策略。在检测到潜在危险目标（如横穿马路的行人或前方急刹车辆）时，系统会局部提高采样率；而在开阔路段则保持低数据流，以节省功耗。这种智能化策略使4D毫米波雷达在实现高精度高度识别的同时，更好地适应车载系统的性能约束。
硬件架构演进与多感知融合
自动驾驶感知系统正从“硬件堆叠”向“极致集成”演进。早期4D毫米波雷达多采用多颗通用射频芯片级联方案，例如3T4R结构，虽能快速构建虚拟通道，但存在体积大、功耗高、时钟同步和相位标定困难等问题。在车辆高温、高振动环境下，维持多芯片间相位一致性是一项重大挑战。
为推动4D毫米波雷达进入主流车型，单芯片SoC方案正逐步取代级联结构。例如，德州仪器推出的AWR2188单芯片8T8R收发器，以及Arbe公司Phoenix平台的48T48R架构，均将射频发射、接收与数字信号处理单元集成于单一芯片中，显著缩短了信号路径，降低了相位噪声与功耗，同时使安装更加隐蔽，便于集成于车身设计。
高度识别能力的提升，也推动了4D毫米波雷达在多传感器融合系统中的定位转变。它不再仅仅作为摄像头或激光雷达的补充，而是在部分关键场景中成为主导感知源。例如，在高速公路领航（Highway NOA）功能中，4D雷达可更早发现300米外静止车辆，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充足时间。在城市辅助驾驶中，它还能穿透前车遮挡，感知“前前车”急刹，有效避免连环追尾。
结语
随着技术的持续发展，4D毫米波雷达的高度识别能力正逐渐向激光雷达靠拢。未来，研究或将聚焦于将深度学习模型直接部署于雷达处理单元，利用神经网络对高度点云进行端到端分类，实现从“感知”向“认知”的升级。这一趋势将使4D毫米波雷达成为L3及以上自动驾驶系统中最具性价比的核心感知组件。
-- END --
原文标题 : 4D毫米波雷达是如何识别高度信息的？