4D毫米波雷达如何实现高度信息识别
在自动驾驶系统的感知体系中，毫米波雷达始终扮演着不可或缺的角色。其工作频段位于微波波段，具备穿透雨雪、雾气和烟尘的能力，并在强光、低光或光照剧烈变化等极端条件下仍能保持稳定表现，因此成为车载环境感知系统的重要组成部分。然而，传统毫米波雷达仅能提供目标的距离、速度和水平方位角，难以准确判断其垂直位置，这一局限性也使其在主控感知硬件中长期处于辅助地位。
当车辆以高速接近立交桥、交通标志或地面的减速带、井盖时，传统雷达由于缺乏高度辨识能力，容易将这些非障碍物误判为前方静止障碍，进而引发不必要的紧急刹车，或者为了避免误判而放宽检测阈值，从而埋下安全隐患。
4D毫米波成像雷达的推出，打破了这一技术瓶颈。所谓“4D”，即在传统三维（距离、速度、方位）基础上，新增了对“俯仰角”或“高度”的识别能力。这项突破性进展不仅使雷达能够提供更精确的目标点迹，还能构建出物体的三维轮廓，实现更细致的目标分层成像。那么，4D毫米波雷达是如何实现高度识别的呢？
物理孔径重构与MIMO虚拟化技术
毫米波雷达的角度分辨率在本质上依赖于天线阵列的物理孔径尺寸。根据电磁波干涉原理，阵列在特定方向上的物理宽度越大，其波束越窄，角度分辨能力越强。传统3D雷达的天线阵列通常是水平线性排列的，因此在水平方向具备一定的方位分辨能力，但垂直方向由于孔径极窄，甚至仅有一层天线，导致波束过宽，难以区分处于同一方向但不同高度的目标。
4D毫米波雷达通过重新设计天线布局，在垂直方向上构建出足够的阵列孔径，从而实现俯仰角的测量。然而，车载雷达在体积和成本方面受到严格限制，若仅靠物理天线堆叠来实现垂直孔径扩展，将显著增加电路板面积和射频芯片数量，这在商业化应用中并不可行。
为了解决这一矛盾，MIMO（多输入多输出）技术被引入。该技术通过合理组合少量发射（TX）和接收（RX）天线，可“虚拟”出远超物理数量的通道。当雷达以正交波形发射信号时，每个发收对都能形成一个虚拟相位中心。一个M发射、N接收的系统，理论上可合成M×N个虚拟阵元，从而形成二维虚拟阵列。
MIMO技术示意图，图片来源：网络
在4D毫米波雷达中，工程师将发射天线在垂直方向错开分布。通过将多个射频芯片进行级联，形成如12发射16接收的配置，即可获得多达192个虚拟通道。这些虚拟通道在水平与垂直方向上均具有扩展性，从而形成一个等效的二维平面阵列。这种虚拟阵列的构建是实时进行的，极大地提升了雷达在俯仰方向上的波束聚焦能力，使其能够准确辨识不同高度层次的目标。
空间分辨力提升的核心算法体系
4D毫米波雷达的高分辨率不仅依赖于硬件架构，更需要一套复杂的信号处理算法体系来支撑。通常，这类雷达采用FMCW（频率调制连续波）体制，通过发射啁啾脉冲并接收回波，获取包含距离、速度、方位和高度等信息的相位信号。
图片来源：网络
信号处理流程通常包括距离FFT和多普勒FFT，以将探测区域内的目标映射到距离-速度图谱中，实现初步分类与分离。然而，真正的挑战在于后续的DOA（到达角估计）算法。传统FFT测角方式虽然计算效率高，但在有限天线数量下，分辨率受限，并可能引入旁瓣干扰，导致高度估计不准。
为提升高度分辨率，4D雷达引入了如MUSIC和ESPRIT等超分辨率算法。这些算法通过分析信号协方差矩阵的特征空间，突破了瑞利分辨率的限制，从而在更小孔径下实现更高角度分辨率。某些高性能4D雷达的俯仰角测量精度可达±0.2度，在300米外也能清晰区分井盖与桥梁。
此外，由于虚拟通道数量显著增加，数据处理复杂度也随之上升。为此，系统通常采用FPGA或高性能SoC进行并行计算。同时，针对多路径反射引发的“鬼影”问题，4D雷达结合数字波束成形（DBF）技术，动态聚焦于特定高度层，从而有效抑制地面杂波和天桥顶部的干扰，提升点云质量。
在点云处理方面，4D毫米波雷达的功能逐渐接近激光雷达。通过聚类与特征提取，雷达不仅能识别物体存在，还能判断其几何形状与高度分布，为自动驾驶系统提供更丰富的语义信息，例如区分站立行人与低矮护栏，或判断卡车高度以评估是否可通过下方通道。
杂波抑制与高密度点云优化
尽管高度识别能力提升了系统感知维度，但同时也引入了更多的噪声点和虚假目标。路面积水、雨滴甚至空气中的颗粒都有可能被误识别为目标，干扰系统判断。
为应对环境杂波问题，已开发出多种基于统计特性的识别算法。例如，利用雨滴在距离和速度分布上的特定规律，可将其与真实目标区分。在空间维度上，虚假点通常具有相位不连续和空间分布不一致的特征，通过分析角度维度FFT的峰值方差，算法可识别并剔除这些噪声点，确保即使在恶劣天气下，高度信息依然可靠。
地面杂波的抑制同样是关键问题。4D毫米波雷达采用数字波束成形，通过“高度掩模”功能动态调整感知窗口，屏蔽来自地面的非目标回波。同时，结合RCS（雷达散射截面积）分析，雷达可识别强反射与弱反射目标，实现更精确的特征融合。
为提升处理效率，一些4D毫米波雷达引入了自适应采样策略。在检测到潜在威胁目标时，系统优先进行高分辨率扫描，而在道路通畅时则降低数据采样率，以节省计算资源与功耗。这种智能化的数据处理方式，使4D雷达在满足高性能需求的同时，也更贴合车载系统架构。
硬件架构演进与多传感器协同
当前，自动驾驶感知硬件正从“硬件堆叠”走向“高度集成”阶段。早期4D雷达多采用多颗3T4R MMIC芯片级联方案，虽然可快速构建大通道数，但也导致系统体积大、功耗高、调试复杂等问题。
随着技术进步，单芯片SoC方案逐渐成为主流。如德州仪器的AWR2188 8T8R单芯片雷达和Arbe的Phoenix 48T48R系统，将射频发射、接收与数字处理单元集成于单一芯片中，大幅缩短信号路径、降低功耗和制造成本。更重要的是，这种高度集成方案使得雷达可更隐蔽地安装于车辆保险杠或格栅后方，不影响整车外观。
高度识别能力的提升，推动了4D毫米波雷达在自动驾驶系统中角色的转变。在高速领航（NOA）功能中，它可提前发现300米外的静止障碍并识别其是否位于当前车道，从而为车辆提供更充足的应对时间。在城市辅助驾驶场景中，4D雷达还可穿透前车，通过底盘与路面的反射，感知“前前车”的急刹动作，有效预防连环碰撞。
展望未来
随着4D毫米波雷达技术的不断成熟，其高度识别能力正逐步接近激光雷达的水平。未来的发展或将集中于在雷达端直接部署深度学习模型，以实现对高度点云的端到端目标识别与分类。这一从“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，成为最具性价比的核心传感器。
-- END --
原文标题 : 4D毫米波雷达是如何识别高度信息的？