4D毫米波雷达是如何实现高度识别的？
在自动驾驶的感知体系中，毫米波雷达扮演着关键角色。由于其工作频段处于微波范围，具备良好的环境穿透能力，能够在雨雪、烟尘等复杂天气下稳定运行，并在光线剧烈变化的条件下依旧保持可靠性能，因此被视为车辆环境感知的重要工具。不过，在相当长的一段时间里，毫米波雷达主要能够获取目标的距离、相对速度以及水平方位角，但在垂直方向上的探测能力较弱，这也限制了其在自动驾驶中的主导地位。
当车辆高速行驶并接近立交桥、交通标志或路面障碍物如减速带、井盖时，传统毫米波雷达因缺乏垂直信息识别能力，容易将这些结构误判为前方静止障碍物，从而引发误刹车。为了避免误判，系统常需放宽检测阈值，而这又可能带来安全隐患。
4D毫米波成像雷达的推出，显著提升了感知能力。4D在这里意味着雷达不仅能获取传统三维信息，还具备对目标高度（或俯仰角）的识别能力。这一能力使得雷达在提供点迹信息的同时，还能描绘物体轮廓，实现多层高度的成像。那么，4D雷达是如何实现高度识别的呢？
物理孔径重构与MIMO虚拟阵列技术
毫米波雷达对角度的分辨能力，主要取决于其天线阵列的物理孔径。根据电磁波干涉原理，孔径越大，波束越窄，角度分辨率越高。传统3D毫米波雷达的天线布局多为水平线性排列，虽能在水平方向上提供一定的分辨力，但在垂直方向上因孔径过小，分辨能力受限。
4D毫米波雷达通过在垂直方向上扩展天线布局，显著提升了俯仰角分辨能力。然而，受限于车辆对雷达尺寸和成本的严格要求，直接增加物理接收通道并非最优解。为此，MIMO（多输入多输出）技术被引入。
MIMO通过合理组合少量发射（TX）和接收（RX）通道，可生成远超物理通道数量的虚拟通道。当雷达发射正交波形时，每对发射-接收通道可等效为一个虚拟相位中心。在一个M发射通道和N接收通道的系统中，通过MIMO可以合成出M×N个虚拟阵元，构成一个二维虚拟阵列。
在实际设计中，工程师将发射通道在垂直方向上错开布置。例如，采用12发射、16接收的配置，即可获得192个虚拟通道。这种虚拟阵列不仅扩展了水平方向的覆盖范围，还在垂直方向上形成了有效孔径，为高精度俯仰角测量提供了物理基础。
提升空间分辨力的算法体系
对于4D毫米波雷达而言，虚拟阵列的构建只是起点。要从雷达回波中提取高度信息，还需依赖高复杂度的信号处理算法。
4D雷达通常采用FMCW（频率调制连续波）体制。雷达发射的每个啁啾脉冲在碰到目标后返回，接收端采集的信号中包含距离、速度、方位和高度信息。处理流程一般包括距离FFT和多普勒FFT，将目标映射到距离-速度图谱中，实现初步的目标分离。
真正的技术难点在于DOA（到达角估计）算法。在获得距离与速度信息后，系统需分析各虚拟通道的相位差，以估算目标的角度信息。传统FFT算法虽然计算效率高，但受限于阵列规模，分辨率较低且易产生旁瓣干扰。
4D毫米波雷达采用MUSIC或ESPRIT等超分辨率算法，通过协方差矩阵特征分析，突破了瑞利分辨率限制，在有限孔径下实现更高角度分辨率。部分高端雷达可将俯仰角精度提升至±0.2度，使在300米外区分井盖与桥梁成为可能。
此外，算法还需应对数据量激增带来的计算压力。为实现高效处理，雷达后端通常采用FPGA或专用SoC。同时，为提升点云质量，还需通过数字波束成形（DBF）技术，动态聚焦特定高度层，抑制地杂波和多路径干扰。
这种高密度点云输出，使得4D毫米波雷达的功能逐步向激光雷达靠拢。通过对点云进行聚类与特征提取，系统不仅能识别物体存在，还能判断其形状和高度分布，为自动驾驶决策提供更丰富的语义信息。
杂波抑制与点云质量优化
虽然4D雷达在高度探测方面表现优异，但高灵敏度和复杂阵列结构也带来了更多噪声和虚假目标。在实际道路场景中，雨滴、粉尘甚至积水都可能产生杂乱点云，干扰自动驾驶系统。
为此，系统引入了基于统计特性的杂波识别算法。例如，利用雨滴在距离和速度分布上的规律，可以区分真实目标与环境杂波。此外，通过分析角度维度FFT的方差，可剔除能量不集中、相位不连续的虚假点。
针对地面杂波，雷达还采用动态高度掩模功能，结合RCS（雷达散射截面积）分析，有效识别出强反射障碍物，过滤环境背景。这种多维度融合方法，确保了高点云密度下的低虚警率。
为平衡实时性与分辨率，一些先进雷达还支持自适应采样策略。在检测到高风险目标时，系统可局部提升分辨率；在安全路段则降低数据流速，节省计算资源。
硬件演进与多传感器协同
当前，4D毫米波雷达正从“多芯片堆叠”向“单芯片集成”演进。早期方案多采用芯片级联方式，通过多个3T4R MMIC芯片实现虚拟通道扩展，但存在体积大、功耗高、时钟同步困难等问题。
而如今，单芯片SoC方案正逐渐成为主流。例如，德州仪器推出的AWR2188 8T8R芯片，以及Arbe的48T48R Phoenix平台，将射频、接收与信号处理功能集成于单一芯片中，大幅降低了功耗和成本，同时提高了安装隐蔽性。
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地位愈发关键。在高速NOA场景中，其可提前发现远距离静止障碍物；在城市驾驶中，则能穿透遮挡，识别前方车辆的刹车行为，从而有效避免连环事故。
未来展望
随着技术持续发展，4D毫米波雷达的高度识别能力正逐步接近激光雷达水平。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器中，实现点云的端到端目标分类。这种感知到认知的转变，将推动4D毫米波雷达成为L3及以上自动驾驶系统中最具成本效益的感知核心。
-- END --
原文标题：4D毫米波雷达是如何识别高度信息的？