4D毫米波雷达的高度识别机制解析
在自动驾驶系统中，毫米波雷达因其独特的性能优势，始终发挥着不可替代的作用。其工作频段位于微波范围，具备良好的介质穿透能力，即使在雨雪、浓雾、强光或光线波动等恶劣环境下也能保持出色的探测稳定性。传统毫米波雷达虽然能够提供目标的距离、相对速度以及水平方位角等信息，却在垂直高度的识别方面存在明显局限，这限制了其在感知系统中的主导地位。
当车辆以较高速度接近立交桥、交通标志、减速带或井盖等物体时，传统雷达由于缺乏高度感知能力，难以区分这些物体是否构成实际障碍。这不仅容易导致误判引发不必要的刹车，也可能因放宽识别阈值而带来潜在安全隐患。
4D毫米波成像雷达的问世，标志着垂直感知能力的跃升。所谓“4D”，指的是在传统三个维度基础上，新增了对目标高度或俯仰角的测量能力。这一进步使雷达不仅能提供离散点的运动状态，还能够还原物体轮廓，实现高度分层的成像识别。那么，4D毫米波雷达是如何实现这一突破的呢？
物理孔径重构与MIMO虚拟化技术
毫米波雷达对角度的分辨能力，本质上与天线阵列的物理孔径有关。根据电磁波干涉原理，阵列尺寸越大，波束越窄，分辨力越高。传统3D毫米波雷达多采用水平线性天线布局，虽然在水平方向具备一定方位分辨能力，但由于垂直方向孔径极小，甚至仅有一层阵元，导致其无法有效区分垂直方向上的多个目标。
4D毫米波雷达则通过重构天线布局，在垂直方向上扩展了有效孔径。然而，单纯增加物理天线数量会显著提升电路板面积和射频芯片成本，显然不符合车载系统的商业化要求。因此，工程师引入了MIMO（多输入多输出）技术。该技术通过不同发射与接收通道的正交波形组合，能够在不增加天线数量的情况下，生成远超物理通道数的虚拟阵列。对于M个发射通道和N个接收通道的系统，MIMO技术可合成M×N个虚拟单元，实现二维波束成形。
图示为MIMO技术原理图，来源：网络
在4D毫米波雷达中，天线不再仅限于水平排列，而是将发射阵元在垂直方向错开。例如，通过12发16收的通道配置，系统可生成多达192个虚拟通道。这些虚拟单元不仅扩展了雷达的水平覆盖范围，更提升了垂直方向的分辨能力，使其具备了产生尖锐俯仰波束的基础，从而精准识别目标高度。
空间分辨力提升的核心算法体系
物理阵列的构建是实现高度识别的基础，而算法体系则决定了雷达在实际应用中的性能表现。4D毫米波雷达通常采用FMCW（调频连续波）体制，通过Chirp脉冲采集目标的距离、速度、方位和高度等多维信息。
信号处理阶段，系统首先对各通道数据执行距离FFT和多普勒FFT，将目标映射至距离-速度图谱，完成初步分离。但真正的挑战在于后续的DOA（到达角估计）计算。传统FFT测角法在天线数量有限的情况下，分辨率受限，且易产生旁瓣干扰。因此，4D雷达引入了超分辨率算法，如MUSIC和ESPRIT，这些方法基于信号协方差矩阵的子空间分析，能够在小孔径条件下实现更高的俯仰角精度。
图示为信号处理流程，来源：网络
此外，由于虚拟通道数大幅增加，算法面临更大的数据处理压力。目前主要依赖FPGA或高性能SoC实现并行计算。同时，系统还需通过数字波束成形和多路径抑制技术，提升点云质量，避免由于环境反射导致的“鬼影”目标。这使得4D雷达在功能上逐步向激光雷达靠近，能够输出更丰富的几何特征。
杂波抑制与点云质量优化
尽管4D毫米波雷达带来了更高的探测维度，但也因此面临更多噪声和虚假目标点的挑战。雨滴、粉尘、积水等环境因素均可能反射雷达波，形成干扰点云。为提升高度识别的可靠性，系统需配备高效的杂波抑制算法。
在处理雨水杂波时，系统可结合距离-速度分布特性，将雨滴与金属目标分离。此外，算法通过分析相位连续性与能量集中度，剔除那些缺乏空间一致性的虚假点，确保点云在恶劣天气下依然具备高可信度。
另一个关键环节是地面杂波的动态抑制。4D雷达通过垂直数字波束成形技术，构建“高度掩模”功能。系统可根据车辆姿态动态调整感知窗口，过滤掉地面不必要的反射信号。结合RCS（雷达散射截面积）分析，可进一步区分强反射目标与背景噪声。这种多维融合机制，使高密度点云在保持高分辨率的同时，仍能维持低虚警率。
为提升实时性，部分4D毫米波雷达还引入了自适应采样策略。在检测到潜在危险目标时，系统会自动提升局部区域的扫描密度，而在路况良好时则降低数据速率，以节省计算资源并优化整车能耗。
硬件架构演进与多传感器协同
当前，4D毫米波雷达正处于从“芯片堆叠”向“高度集成”演进的关键阶段。早期方案多采用多颗3T4R芯片级联，虽然便于快速部署，但存在功耗高、体积大及同步复杂等缺点。为改善这些问题，业界正逐步转向单芯片SoC架构。
如TI的AWR2188和Arbe的Phoenix平台，均采用高集成度设计，将射频收发与数字处理单元整合于单一芯片中。这种架构大幅缩短了信号链路，降低了相位噪声和功耗，同时提升了整体稳定性与适配性。
随着高度识别能力的提升，4D毫米波雷达在多传感器融合系统中的角色也发生了转变。它不再仅作为辅助模块，而是在高速公路NOA、城市辅助驾驶等场景中发挥核心作用。例如，其可提前300米识别故障车辆，并通过高度信息判断其是否处于当前车道，从而为车辆预留更多反应时间。
未来展望
随着硬件和算法的不断演进，4D毫米波雷达的高度识别性能有望进一步提升。未来的发展方向或将围绕神经网络模型在雷达处理器上的部署展开，通过深度学习实现点云的端到端分类与语义识别。
这种从“感知”到“认知”的转变，将使4D毫米波雷达在L3及以上自动驾驶系统中占据更为关键的位置，成为兼具高可靠性和成本优势的感知核心。
-- END --
原文标题：4D毫米波雷达是如何识别高度信息的？