4D毫米波雷达如何实现高度识别
在自动驾驶系统的环境感知中，毫米波雷达始终扮演着关键角色。由于其工作频段为微波，能轻松穿透雨雪、雾霭、烟尘等环境干扰，并在强光、黑夜或光照剧烈变化的复杂条件下保持稳定表现，因此在车辆感知系统中具有不可替代的地位。然而，传统毫米波雷达在高度维度上一直存在明显短板，仅能提供目标的距离、相对速度和水平角度，难以有效区分位于不同高度层级的物体。这使其难以胜任自动驾驶中对三维空间的全面感知需求。
在实际驾驶过程中，传统雷达由于缺乏对垂直高度的识别能力，容易将立交桥、路牌或路面井盖等非障碍物误判为前方静止物体，从而导致频繁误触发刹车。为避免误报，系统不得不放宽算法阈值，这又可能带来安全隐患。随着4D毫米波成像雷达的出现，这一问题终于迎来了根本性突破。
“4D”指的是在距离、速度和方位角三个维度基础上，新增了对俯仰角或高度的感知能力。这种升级不仅提升了雷达的分辨率，还使其具备了构建物体轮廓、区分空间层次的能力。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虚拟化技术
毫米波雷达的角度分辨能力与其天线阵列的孔径大小密切相关。根据电磁波干涉原理，天线在某一方向上的物理尺寸越大，其波束越窄，角度分辨力越高。传统3D毫米波雷达通常采用水平线性排列的天线，虽然在水平方向具备一定分辨能力，但垂直方向由于孔径过窄，甚至仅有一层阵元，导致波束宽、分辨率差，难以区分同一水平方向上不同高度的目标。
4D毫米波雷达通过重新布局天线，使得在垂直方向上也能形成足够的物理孔径，从而提高俯仰角的测量能力。然而，受限于车载空间与成本，单纯增加物理天线数量并不现实。MIMO（多输入多输出）技术的引入，为这一难题提供了创新解决方案。
MIMO技术能够通过少量发射天线（TX）和接收天线（RX）的组合，生成远超物理通道数量的虚拟通道。当雷达发射正交波形信号时，每一组发收对都会对应一个虚拟相位中心。例如，一个拥有12个发射通道和16个接收通道的4D毫米波雷达，能够通过MIMO技术合成出192个虚拟通道，形成等效的二维平面阵列。这种虚拟阵列不仅扩展了天线的有效覆盖范围，还为垂直方向上的波束锐化提供了物理基础，从而实现对目标高度的高精度识别。
MIMO技术原理图，图片源自：网络
核心算法提升空间分辨力
除了物理阵列的重构，4D毫米波雷达的高度识别能力也依赖于先进的信号处理算法。这类雷达通常采用FMCW（调频连续波）体制，每个Chirp信号在遭遇目标后返回，接收端采集到的信号中包含目标的距离、速度、方位和高度信息。
信号处理流程通常从距离和多普勒FFT开始，将目标映射到距离-速度图谱中，实现初步分离。但真正的技术难点在于后续的DOA（到达角估计）算法。传统的FFT测角方式在通道数量受限时容易受限，且产生旁瓣干扰。为提升俯仰角的分辨力，4D毫米波雷达引入了超分辨率算法，如MUSIC和ESPRIT，这些算法通过分析信号协方差矩阵的特征空间，能够突破瑞利极限，实现更高精度的角度估计。
图片源自：网络
为应对数据量激增带来的计算压力，4D毫米波雷达通常采用FPGA或高性能SoC进行并行处理。此外，为提升点云质量，系统还需对多路径反射进行抑制。结合数字波束成形（DBF）技术，雷达能动态聚焦于特定高度层，有效抑制地杂波和天桥顶部的干扰。
杂波抑制与点云优化
高度信息的引入虽提升了数据维度，但也带来了更多噪声和虚假目标。例如，路面积水、雨滴和空气中的粉尘都可能形成杂乱点云，影响自动驾驶系统的判断。为此，4D毫米波雷达引入了多种基于统计特性的杂波抑制算法。
针对雨滴杂波，系统可利用其在距离和速度分布上的统计规律进行区分。在空间维度上，噪声点通常表现出相位不连续和缺乏一致性，通过计算角度FFT的峰值方差，可识别并剔除这些低置信度目标。此外，4D毫米波雷达还具备“高度掩模”功能，能够根据车辆行驶状态动态调整感知窗口，屏蔽地面低高度的非目标回波。
为提升系统实时性，一些先进的4D毫米波雷达采用自适应采样策略，当检测到潜在风险目标时自动触发高分辨率扫描，而在路况平稳时则降低数据流速以节省功耗。这种智能化的资源调配机制，使4D毫米波雷达在高精度识别的同时，也能满足车载系统对实时性和功耗的严格要求。
硬件演进与多传感器融合
随着4D毫米波雷达向主流车型渗透，其硬件架构也正从芯片级联逐步向单芯片SoC方案演进。早期方案依赖多颗3T4R射频芯片并行工作，虽然可快速实现高虚拟通道数，但存在体积大、功耗高、相位标定困难等缺点。
如今，单芯片方案已成为趋势。例如德州仪器的AWR2188 8T8R雷达芯片，以及Arbe的Phoenix 48T48R雷达平台，均将发射、接收和数字信号处理单元集成于单一芯片内，显著降低了相位噪声和功耗，同时提升了系统的紧凑性和安装灵活性。
4D毫米波雷达的高度识别能力正在重塑自动驾驶的感知体系。在多传感器融合架构中，它不再仅是摄像头或激光雷达的补充，而是在某些关键场景中成为主导传感器。在高速公路领航（NOA）功能中，它能够更早识别远处静止目标；在城市驾驶中，它可穿透遮挡物，感知“前前车”状态，有效预防追尾。
未来展望
随着算法与硬件技术的不断进步，4D毫米波雷达的高度识别精度有望进一步提升，逐步接近激光雷达的性能。未来研究或将聚焦于将深度学习模型部署在雷达处理单元中，通过神经网络实现对高度点云的端到端目标识别，推动雷达系统从“感知”迈向“认知”。
可以预见，4D毫米波雷达将在L3及以上自动驾驶系统中成为最具性价比的核心感知硬件。
—— END ——