4D毫米波雷达如何实现对高度信息的识别
在自动驾驶感知系统中，毫米波雷达发挥着不可替代的作用。作为微波频段的主动探测手段，它能够轻松穿透雨雪雾霭等复杂介质，在强光、黑暗或光照剧烈变化的环境下依然保持良好的工作性能。这使其成为车辆感知外部世界的重要工具。然而，传统毫米波雷达在感知维度上存在明显局限，仅能提供距离、相对速度和水平方位角三项数据，对目标垂直高度的识别能力较弱，限制了其作为核心感知设备的发展。
在车辆高速行驶过程中，面对立交桥、交通标识或地面上的减速带、井盖等目标，传统雷达因无法区分垂直位置，常将非障碍物误判为静止障碍物，从而引发频繁误刹或系统误放，带来潜在安全隐患。
4D毫米波成像雷达的问世，彻底改变了这一现状。4D概念在传统三个维度基础上，新增了对目标“俯仰角”或“高度”的识别能力。这一技术进步使雷达不仅能够提供离散的距离点迹，还能描绘物体轮廓，并实现对不同高度层次的成像识别。那么，4D雷达是如何实现高度信息的准确识别的呢？
物理孔径重构与MIMO虚拟化技术的结合
毫米波雷达对目标角度的分辨率，取决于天线阵列的物理孔径。根据电磁波干涉原理，阵列在某一方向上的尺寸越大，其波束越窄，角度分辨率越高。传统3D毫米波雷达通常采用水平线性天线布局，虽然在方位角上具备一定分辨能力，但垂直方向的孔径往往十分有限，导致波束过宽，难以区分同一水平方向上不同高度的目标。
4D毫米波雷达则通过重构天线布局，在垂直方向构建出足够孔径。然而，受限于车载系统的空间与成本，单纯通过增加物理接收天线来扩展垂直孔径并不可行。为此，MIMO（多输入多输出）技术被广泛采用。该技术通过合理组合少量发射和接收天线，生成远超物理通道数量的虚拟通道。当毫米波雷达以正交波形发射信号时，每个发射-接收对等效于一个虚拟相位中心，从而形成一个虚拟阵列。
例如，一个拥有12个发射通道和16个接收通道的系统，可以合成出192个虚拟单元。这些虚拟通道在水平和垂直方向上分布，形成一个二维虚拟阵列，使雷达在俯仰维度上具备更窄的波束，从而实现对目标垂直角度的高精度识别。
空间分辨能力的提升与核心算法支撑
4D毫米波雷达的实现，不仅依赖于硬件阵列的重构，更需要强大的信号处理算法支撑。这类雷达通常采用FMCW（频率调制连续波）体制，通过发射啁啾信号并接收回波，采集包含距离、速度、方位和高度信息的相位数据。
在信号处理阶段，系统首先进行距离和多普勒FFT，以将目标分离到不同的距离-速度图谱中。但这只是初步处理，真正的挑战在于如何从这些数据中提取俯仰角信息。
传统的FFT测角方法虽然计算量小，但在有限天线条件下存在角分辨能力差和旁瓣干扰多等问题。为此，4D毫米波雷达引入了超分辨率算法，如MUSIC（多重信号分类）和ESPRIT（旋转不变子空间估计）。这些算法通过分析信号协方差矩阵的特征空间，突破瑞利判据限制，实现更高角度分辨率。部分高性能系统可将俯仰角精度提升至±0.2度，从而在300米外区分井盖与立交桥。
同时，算法还需处理因虚拟通道数量增加带来的计算压力。当前主流方案采用FPGA或高性能SoC进行并行处理，并通过数字波束成形（DBF）技术，抑制地杂波和多路径反射干扰，提升点云纯净度。
高密度点云的优化与杂波抑制策略
高度识别能力的增强，使得点云数据密度大幅提升，但同时也引入了更多的噪声和虚假目标。路面积水、雨滴甚至空气中的微粒，都可能反射雷达波，形成杂乱点云。若无法有效过滤，将影响自动驾驶系统的判断。
针对此类问题，4D毫米波雷达采用多种统计特性分析方法，如根据雨滴在距离与速度分布上的规律进行识别，或通过相位不连续性筛选虚假目标。此外，系统还可利用“高度掩模”功能，动态屏蔽地面杂波，并结合雷达散射截面积（RCS）分析，区分强反射障碍物与弱反射背景。
为了兼顾实时性与计算效率，一些高端系统还引入了自适应采样策略。在检测到潜在风险目标时，雷达会自动提升局部区域的采样率，而在路况平稳时则降低数据量，以平衡性能与功耗。
硬件架构演进与多传感器融合趋势
随着技术的发展，4D毫米波雷达的硬件架构正从多芯片级联向单芯片集成演进。早期方案通过多个3T4R射频模块并联工作，虽然能快速构建虚拟阵列，但存在体积大、功耗高、同步困难等问题。
目前，以TI的AWR2188和Arbe的Phoenix为代表的单芯片8T8R和48T48R方案，正成为行业主流。这类芯片将射频与数字处理集成于同一芯片，不仅提升了信号一致性，还大幅降低了功耗与成本。同时，紧凑的结构也使雷达更易集成于车辆外观中。
在多传感器融合框架下，4D毫米波雷达不再只是辅助设备，而成为某些关键场景下的主导传感器。它能在高速公路领航中提前识别300米外的故障车辆，并在城市交通中穿透前车遮挡，感知“前前车”的刹车动作，从而降低事故风险。
未来展望
随着算法和硬件的进一步优化，4D毫米波雷达的高度识别精度有望接近激光雷达水平。未来，深度学习模型或将被直接部署于雷达处理器上，实现对点云数据的端到端识别与分类。这将推动毫米波雷达从“感知”迈向“认知”，成为L3及以上自动驾驶系统中最具性价比的感知核心。
-- END --