4D毫米波雷达如何实现对高度信息的识别
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。由于其工作频段处于微波波段，可以轻松穿透雨、雪、雾、烟尘等多种介质，并在强光、黑暗或光线剧烈变化的环境下仍保持出色的稳定性，因此成为车辆环境感知的重要组成部分。然而，长期以来，毫米波雷达仅能提供目标的距离、相对速度以及水平方位角信息，却难以精准探测垂直方向的高度信息。这一局限性也使其无法作为主感知单元广泛部署。
在高速行驶过程中，当车辆接近立交桥、交通标志或路面的减速带、井盖等物体时，传统毫米波雷达因缺乏垂直分辨率，容易将这些物体误判为前方静止障碍物，进而导致频繁误刹车，或为了规避误触发而放宽判断阈值，从而带来潜在的安全风险。
4D毫米波成像雷达的出现，彻底改变了这一局面。所谓的“4D”是指雷达在原有的距离、速度和方位角基础上，新增了对目标俯仰角或高度的感知能力。这种能力的提升，不仅使得雷达能提供精确的距离信息，还能描绘物体轮廓，区分不同高度层次的结构，从而提升整体感知能力。那么，4D毫米波雷达是如何实现高度识别的？
物理孔径重构与MIMO虚拟阵列技术
毫米波雷达的目标角度分辨能力，本质上依赖于天线阵列的物理孔径大小。根据电磁波干涉原理，阵列在某一方向上的物理尺寸越大，其波束越窄，角度分辨率越高。传统毫米波雷达的天线布局通常是水平线性分布，这使它在水平方向上具备一定的方位分辨率，但在垂直方向上，由于阵列孔径过窄，甚至仅有单层接收单元，导致其垂直方向的波束过宽，难以区分处于同一水平方向但高度不同的目标。
4D毫米波雷达通过重构天线阵列的物理布局，在垂直方向上实现了有效孔径的扩展。然而，受限于车载设备对体积和成本的严格要求，单纯依靠增加物理接收天线的方式并不可取。为了解决这一问题，MIMO（多输入多输出）技术被引入。
MIMO技术的核心在于通过有限数量的发射天线（TX）和接收天线（RX）的组合，实现虚拟天线数量的指数级增长。当雷达发射正交调制的信号时，每个发射-接收对可等效为一个虚拟相位中心。对于具备M个发射通道和N个接收通道的系统，MIMO技术可以合成出M × N个虚拟通道，从而形成一个等效的二维平面阵列。
在4D毫米波雷达中，工程师将发射天线在垂直方向上错开布置。例如，通过级联多颗射频芯片，构建12发16收的配置，雷达即可拥有多达192个虚拟通道。这些虚拟通道不仅在水平方向上形成阵列，更在垂直方向上扩展了距离，从而构建出一个具有大孔径的等效二维天线平面。这种结构为雷达在俯仰维度上生成窄波束提供了物理基础，使其能够准确计算目标的垂直角度，实现对桥梁、路标与路面车辆的清晰区分。
MIMO技术原理图，图片源自：网络
实现高分辨力的算法体系
在构建物理阵列的基础上，4D毫米波雷达还需依赖高度复杂的信号处理算法，以从雷达回波中提取高度信息。4D雷达通常采用FMCW（频率调制连续波）体制，雷达发射的每个Chirp脉冲在与目标交互后返回，接收端可获取包含距离、速度、方位和高度信息的相位数据。
在信号处理阶段，系统首先对每个通道的回波数据进行距离和多普勒FFT变换，将目标映射到距离-速度图谱中，实现初步的目标分离。接下来的关键在于DOA（方向到达角）估计。
传统FFT测角方法虽然计算量小，但在有限天线条件下分辨力受限，并可能引入大量旁瓣干扰，影响高度识别精度。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）。这些算法通过对信号协方差矩阵的特征分析，突破传统瑞利分辨率的限制，在较小孔径下实现更高的俯仰角分辨力。部分高性能4D雷达已能将俯仰角测量精度提升至±0.2度，从而在300米距离内分辨井盖与立交桥。
图片源自：网络
同时，由于虚拟通道数量大幅增加，4D毫米波雷达在后端计算方面面临巨大压力。目前主流采用FPGA或高性能专用SoC实现并行处理，以支持复杂的空间谱估算。此外，为了提升点云质量，系统还需对多路径反射进行过滤。在城市环境中，雷达波往往会在地面、墙壁与目标之间多次反射，形成“鬼影”目标。4D雷达通过结合高度信息的冗余性与数字波束成形（DBF）技术，能够将能量集中于特定高度层，有效抑制地面杂波和天桥顶部的多径干扰，从而输出更纯净的点云。
这些密集的点云输出使4D毫米波雷达的功能逐渐向激光雷达靠拢。通过对点云聚类进行几何特征提取，雷达不仅能识别物体的存在，还能判断其形状与高度分布。这意味着自动驾驶系统可获取更丰富的语义信息，如区分行人与护栏、判断卡车下方通道是否可通过等。
杂波抑制与点云质量调优
尽管4D毫米波雷达在高度识别方面具有突破性优势，但其带来的副作用也不容忽视。更高的探测灵敏度与更复杂的天线结构，导致雷达回波中包含大量噪声点与虚假目标，如雨滴、粉尘、积水等非结构化目标，都可能形成杂乱点云。
为了提升点云质量，4D雷达引入了多种杂波抑制算法。例如，针对雨水杂波，系统可以利用其在距离与速度分布上的统计特性，将其与真实目标区分。此外，噪声点通常表现出相位不连续性和缺乏空间一致性，系统可通过角度维度FFT的峰值幅度方差进行识别与过滤，从而剔除响应曲线平坦的目标点。
另一个关键方向是地面杂波的动态抑制。前向雷达面对的最强杂波源是路面反射。4D毫米波雷达借助垂直方向数字波束成形，实现了“高度掩模”功能。系统可根据行驶坡度和车身姿态动态调整高度感知窗口，屏蔽来自地面过低区域的非障碍物回波。同时，结合RCS（雷达散射截面积）分析，系统可识别强反射目标与弱反射背景，从而在数万点/秒的高密度点云中维持极低虚警率。
为了兼顾实时性，部分4D毫米波雷达采用了自适应采样策略。在检测到潜在风险目标（如行人或急刹车车辆）时，系统自动提升局部区域的扫描精度；而在道路开阔区域，则保持较低采样频率以降低功耗。这种智能化策略，使4D雷达在高性能的同时，满足车载系统的功耗与计算边界。
硬件架构演进与多传感器融合
自动驾驶感知硬件正在从“硬件堆叠”走向“高度集成”。早期4D成像雷达采用多颗芯片级联方式，如3T4R MMIC芯片并行工作，虽能快速构建大量虚拟通道，但存在体积大、功耗高、相位同步困难等问题，难以适应车载环境。
为推动4D毫米波雷达更广泛部署，单芯片SoC方案逐渐成为主流。例如，德州仪器的AWR2188 8T8R单芯片雷达与Arbe的Phoenix 48T48R雷达平台，均将射频收发与数字信号处理单元高度集成于单一芯片上。这种方式不仅减少了信号传输路径、降低了相位噪声，也显著降低了整体功耗与成本，并使雷达可更隐蔽地安装。
高度识别能力的提升，正推动4D毫米波雷达在多传感器融合框架中发挥更大作用。在高速公路领航（Highway NOA）场景中，4D雷达可更早探测到远处静止车辆，并借助高度信息判断其是否处于本车道，从而为变道或刹车提供更大时间窗口。在城市驾驶中，它还能穿透前车，通过底盘与地面缝隙的反射，感知前前车的急刹动作，有效避免连环追尾。
未来展望
随着技术不断成熟，4D毫米波雷达在高度识别方面的表现正逐步逼近激光雷达。未来的发展趋势或将进一步结合深度学习模型，通过神经网络对点云数据进行端到端的语义识别。这种从“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？