4D毫米波雷达如何实现对物体高度的识别
毫米波雷达在自动驾驶感知系统中扮演着不可或缺的角色。由于其工作频率位于微波频段，具备穿透雨雪、雾霾和烟尘等环境介质的能力，即便在强光、黑暗或光线波动剧烈的条件下，依然能够维持稳定的探测性能。因此，毫米波雷达长期被视为车辆感知环境的重要支柱。然而，传统的毫米波雷达仅能提供距离、相对速度和水平方位角三项数据，在垂直方向的高度探测能力方面存在明显短板。这种局限性也使得毫米波雷达难以成为主要的环境感知硬件。
当车辆高速行驶并接近立交桥、交通标志或地面减速带、井盖等结构时，传统毫米波雷达由于缺乏高度信息，常常误判目标为前方静止障碍物，从而引发频繁误刹车。为了规避误判风险，系统通常需要放宽识别阈值，这种妥协则可能导致安全隐患的增加。
4D毫米波成像雷达的问世，有效解决了上述问题。这里的“4D”指的是在传统三维度（距离、速度和水平角度）之外，新增了对目标俯仰角或高度的感知能力。这一技术突破不仅提升了雷达的探测精度，还使其具备了绘制物体轮廓、区分不同高度层级的能力。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
毫米波雷达对目标角度的分辨能力，本质上依赖于其天线阵列的物理孔径。根据电磁波干涉原理，天线阵列在某一方向上的尺寸越大，波束越窄，所能分辨的角度细节也越精细。传统3D毫米波雷达通常采用水平线性排列的天线结构，这使得其在水平方向上具备一定的方位分辨力。但由于垂直方向上的天线孔径极窄，甚至仅有一层阵元，因此在垂直维度上波束较宽，难以区分处于相同水平位置但高度不同的目标。
4D毫米波雷达通过重构天线布局，实现在垂直方向上构建足够的孔径。然而，车载雷达对体积和成本要求极为严格。如果仅通过增加物理接收天线来扩展垂直孔径，将显著提升电路板面积和射频芯片数量，显然不利于商业化推广。为解决这一问题，MIMO（多输入多输出）技术被引入。
MIMO技术的核心优势在于，通过少量发射天线（TX）和接收天线（RX）的组合，能够生成远超物理天线数量的虚拟通道。当毫米波雷达发射正交波形信号时，每一组发收对都能在空间中等效为一个虚拟相位中心。一个拥有M个发射通道和N个接收通道的系统，通过MIMO可合成M×N个虚拟阵元。
MIMO技术原理图，来源：网络
在4D毫米波雷达设计中，工程师不再将天线仅线性排列，而是在垂直方向上错开布置发射天线。例如，通过将多颗射频芯片级联，形成12发射、16接收的配置，雷达可获得192个虚拟通道。这些虚拟天线不仅在水平方向上扩展，还在垂直方向上拉开间距，从而构建出一个等效的二维平面阵列。这种虚拟阵列的形成是实时的，它通过增强有效孔径，使得雷达在俯仰方向上具备生成尖锐波束的能力，从而实现对目标垂直倾角的精确解算，有效区分立交桥、路牌与路面车辆。
空间分辨力提升的关键算法体系
对于4D毫米波雷达而言，物理阵列的构建仅是基础，要从复杂的雷达回波中提取出准确的高度信息，还需依赖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。每个Chirp脉冲在遇到目标后返回，接收端采集到的数据包含距离、速度、方位和高度等相位信息。信号处理过程中，首先对各通道数据进行距离FFT和多普勒FFT，以初步分离运动状态不同的目标，将其映射到距离-速度图谱中。
来源：网络
真正的技术挑战在于后续的DOA（到达角）估计算法。在完成距离和速度分离后，系统需进一步分析每一个目标在所有虚拟通道上的相位差。传统FFT测角方法虽然计算开销小，但在天线数量有限的情况下，分辨率受限且易产生旁瓣干扰，导致高度精度不足。为此，4D毫米波雷达引入超分辨率算法，如MUSIC或ESPRIT，通过分析信号协方差矩阵特征，突破瑞利分辨率限制，实现更精细的俯仰角估计。目前，部分高性能雷达可将俯仰角精度提升至±0.2度，使其在300米外仍能区分井盖与立交桥。
此外，4D毫米波雷达还需应对因虚拟通道数激增带来的计算压力。当前主流解决方案依赖于FPGA或高性能专用SoC进行并行处理。同时，为提升点云质量，系统还需执行多路径反射过滤。在城市环境中，雷达波易在地面、墙壁和目标间多次反射，产生“鬼影”目标。4D雷达通过结合高度信息和DBF（数字波束成形）技术，动态聚焦特定高度层，有效抑制地杂波和多径干扰，使点云更加纯净。
这种高密度点云的输出，使4D毫米波雷达在功能上逐渐逼近激光雷达。通过对点云聚类并提取特征，雷达不仅能识别物体的存在，还可判断其几何结构与垂直分布，从而为自动驾驶系统提供更丰富的语义信息，如行人与护栏的区分，或判断卡车高度是否允许安全通行。
杂波抑制与点云优化
尽管高度识别提升了感知维度，但也带来了更多的噪声和虚假目标。在实际道路场景中，雨水、粉尘等介质可能反射雷达波，生成杂乱点云。若未有效过滤，将干扰自动驾驶决策。因此，4D毫米波雷达在工程化过程中需大量投入于杂波抑制与点云优化。
针对环境杂波，已有多种基于统计特性的识别算法。例如，雨滴在距离与速度分布上具有特定规律，可将其与金属或人体目标区分开。在空间维度上，噪声点通常表现为相位不连续，缺乏一致性。通过计算角度维度FFT的方差，算法可识别并剔除响应曲线平坦、能量分散的虚假目标点，从而保障高度信息在恶劣天气下的可靠性。
另一重点是地面杂波的抑制。对于前向雷达，地面反射是主要杂波来源。4D毫米波雷达通过垂直维度的数字波束成形实现高度掩模功能，结合当前车辆姿态动态调整感知窗口范围，自动忽略地面低高度的非障碍物回波。同时，通过分析点云的RCS分布，系统可识别强反射的障碍物与弱反射背景，进一步提升点云可靠性。
虽然高密度点云有助于描绘物体轮廓，但过细的采样也带来处理延迟。为优化实时性，一些先进4D雷达采用自适应采样策略，在检测到潜在风险目标时进行高分辨率扫描，而在空旷路况下则降低采样频率以节省功耗。
硬件架构演进与多传感器融合
自动驾驶感知系统正从“堆叠式”设计向“集成化”发展。早期4D雷达普遍采用芯片级联方式，利用多颗3T4R射频芯片并行工作，实现虚拟通道扩展。这种方案虽利于快速部署，但也带来体积大、功耗高、相位标定复杂等问题。
为推动4D毫米波雷达普及，单芯片SoC方案正逐渐成为主流。例如，TI的AWR2188 8T8R雷达芯片，以及Arbe的48T48R Phoenix平台，均将射频发射、接收与数字信号处理单元高度集成于单一芯片上，有效缩短信号路径，降低相位噪声与功耗，同时提升安装灵活性。
4D毫米波雷达的高度识别能力，显著提升了自动驾驶系统的感知上限。在多传感器融合架构中，它不再仅仅是摄像头或激光雷达的补充，而在某些关键场景中成为主导传感器。例如，在高速公路领航（NOA）功能中，4D雷达可更早识别300米外的故障车辆，并通过高度信息判断其是否位于当前车道，从而为系统争取变道或刹车时间。在城市辅助驾驶中，它还能穿透前车遮挡，利用底盘缝隙反射探测“前前车”的急刹动作，降低连环碰撞风险。
结语
随着技术持续演进，4D毫米波雷达的高度识别能力有望进一步提升，逐步接近激光雷达的精度。未来研究或将聚焦于在雷达处理器中部署深度学习模型，以实现端到端的物体分类。这种从“感知”到“认知”的转变，将使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？