4D毫米波雷达如何实现高度识别
在自动驾驶感知系统中，毫米波雷达始终扮演着不可或缺的角色。其工作在微波频段，具备穿透雨、雪、雾、烟尘等介质的能力，同时在光线剧烈变化或完全黑暗的环境中仍能保持稳定的探测性能。正因如此，毫米波雷达长期以来是车辆感知外部环境的重要手段。然而，传统毫米波雷达主要提供距离、相对速度和水平方位角这三个维度的信息，在垂直方向上缺乏足够的分辨率，限制了其在复杂场景中的应用。
当车辆高速行驶并接近立交桥、交通标志或地面的井盖、减速带时，传统毫米波雷达由于无法感知目标的高度，往往将这些非障碍物误判为前方静止物，从而引发频繁误刹车。为了避免这一问题，系统通常需要放宽算法阈值，但这又可能带来新的安全隐患。
4D毫米波成像雷达的出现，解决了这一长期存在的技术瓶颈。所谓4D，指的是在原有三个维度的基础上，新增了“俯仰角”或“高度”这一关键维度。这一突破性的能力，使得雷达不仅能提供目标的距离信息，还具备了描绘物体轮廓、识别不同高度层次的能力。
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，本质上依赖于天线阵列的物理孔径。依据电磁波干涉原理，阵列在某一方向上的尺寸越大，其波束越窄，角度分辨能力越高。传统3D毫米波雷达通常采用水平排列的线性天线阵列，虽在水平方向上有一定分辨能力，但在垂直方向上，由于阵列过窄，波束发散严重，难以区分处于同一水平但不同高度的目标。
为克服这一限制，4D毫米波雷达在垂直方向上重构了天线的物理分布，构建出更大的等效孔径。然而，由于车载雷达对体积和成本极为敏感，直接增加物理天线数量并不现实。为此，MIMO（多输入多输出）技术被引入。
MIMO通过少量发射天线（TX）与接收天线（RX）的组合，能够生成远超物理天线数量的虚拟通道。当雷达以正交波形发射信号时，每个发收对等效于一个位于特定空间位置的虚拟相位中心。一个具备M个发射通道和N个接收通道的系统，可以合成出M×N个虚拟单元，形成一个二维虚拟阵列。
MIMO技术原理图，图片源自：网络
在4D毫米波雷达中，工程师将发射天线错开布置于垂直方向，形成例如12发16收的配置，从而获得192个虚拟通道。这些虚拟天线不仅在水平方向延伸，也拉开了垂直间距，构建出一个二维等效平面阵列。该阵列在实时中形成，显著提升了雷达在俯仰方向上的波束聚焦能力，使其能够准确解析目标的垂直角度，将立交桥、路牌与路面车辆清晰区分开。
高精度角度识别的核心算法体系
物理阵列的构建仅为4D毫米波雷达实现高度识别奠定了基础，而真正决定其性能的是复杂的数据处理算法。4D毫米波雷达普遍采用FMCW（频率调制连续波）体制，通过发射啁啾（Chirp）脉冲获取目标的距离、速度、方位和俯仰信息。
在信号处理阶段，首先对每个天线通道的数据执行距离FFT和多普勒FFT，从而在距离-速度图谱上分离不同目标。真正的技术难点在于如何从这些数据中提取高度信息，即到达角（DOA）估计。
传统FFT测角方法虽计算量小，但在天线数量有限时分辨率受限，且易产生旁瓣干扰。因此，4D毫米波雷达引入了如MUSIC和ESPRIT等超分辨率算法。这些算法通过分析信号的协方差矩阵，突破瑞利分辨极限，实现更高的角度分辨力。部分高端产品可将俯仰角精度控制在±0.2度以内，从而在300米外区分井盖与立交桥。
面对数据量激增带来的计算压力，4D毫米波雷达通常采用FPGA或专用SoC处理空间谱估算。此外，为提升点云质量，系统还需进行多路径反射过滤。通过结合DBF（数字波束成形）技术与高度信息，雷达可集中能量于特定高度层，有效抑制地杂波和天桥顶部的多径干扰。
这种高密度点云输出使4D毫米波雷达在功能上逐渐接近激光雷达。通过对点云进行聚类与特征提取，系统不仅能检测物体存在，还能识别其几何形态与垂直分布，例如区分站立行人与低矮护栏，或判断卡车的高度是否允许车辆安全通过。
杂波抑制与点云质量优化
虽然高度识别增强了雷达的数据维度，但也带来了更高的噪声与虚假目标风险。由于探测灵敏度提升，路面积水、雨滴、空气中的尘埃都可能反射雷达波，生成大量噪声点。如果这些杂波未被有效剔除，将影响自动驾驶系统的判断。
为解决这一问题，4D毫米波雷达采用多种基于统计特性与空间一致性的杂波识别算法。例如，通过分析雨滴在距离与速度分布上的特征，系统可将其与真实目标区分开来。此外，算法还可检测相位不连续或能量分散的虚假目标点，并将其从点云中剔除。
针对地面杂波，系统可利用垂直方向的DBF技术实现“高度掩模”功能。根据车辆行驶姿态，动态调整感知窗口范围，避免采集地面干扰信号。结合目标RCS（雷达散射截面积）分析，雷达可识别金属障碍物与背景杂波，从而在点云密度极高的情况下，仍维持较低的虚警率。
为优化实时性能，一些先进系统采用自适应采样策略。在检测到潜在危险目标时，系统自动启动高分辨扫描；而在路况稳定时，降低数据流速以节省功耗。这种智能数据控制机制，使4D毫米波雷达在保持全天候性能的同时，满足车载系统对功耗与计算资源的限制。
硬件演进与多传感器融合
当前自动驾驶感知系统正在由“硬件堆叠”向“高度集成”转型。早期4D毫米波雷达多采用多颗芯片级联方案，虽然可快速实现大规模虚拟通道，但存在体积大、功耗高、同步难度大等问题。
如今，单芯片SoC方案正成为主流。以德州仪器的AWR2188（8T8R）和Arbe的Phoenix平台（48T48R）为例，单芯片方案将发射、接收和数字处理单元全部集成，大幅缩短信号路径，降低相位噪声，同时减少功耗与成本。此外，紧凑的结构也使得雷达可更隐蔽地安装于车前保险杠或格栅后。
4D毫米波雷达在高度识别方面的进步，提升了自动驾驶系统的感知上限。在多传感器融合框架下，它已不再只是视觉或激光雷达的补充，而是在某些关键场景中成为主导传感器。例如，在高速领航（Highway NOA）中，4D雷达可在300米外识别静止车辆，并通过高度信息判断其是否处于当前车道，从而为变道或制动提供更充足的时间。
在城市驾驶中，4D毫米波雷达还能穿透前车遮挡，感知前前车的制动行为，从而降低连环追尾风险。这种能力使其在复杂交通环境中的作用愈发关键。
未来展望
随着技术不断成熟，4D毫米波雷达的高度识别能力正在逐步接近激光雷达水平。未来的发展或将集中在将深度学习模型直接部署于雷达处理器，通过神经网络对点云进行端到端的物体识别与分类。
这种从“感知”到“认知”的演进，将推动4D毫米波雷达在L3及以上自动驾驶系统中成为高性价比的核心感知组件。
-- END --
原文标题 : 4D毫米波雷达是如何识别高度信息的？