4D毫米波雷达如何实现高度信息的识别
在自动驾驶技术持续演进的背景下，毫米波雷达因其卓越的穿透能力和环境适应性，一直被视为车辆感知系统中不可或缺的组成部分。相较于其他感知手段，它在雨、雪、雾、烟尘等恶劣天气下依然能保持稳定，甚至在强光或无光照条件下也能提供可靠的探测信息。然而，传统毫米波雷达在高度识别方面存在明显短板，这限制了其在关键自动驾驶场景中的应用。
过去，毫米波雷达主要提供目标的距离、相对速度和水平方位角等三维信息，但在垂直方向上的分辨能力较弱。当高速行驶的车辆接近立交桥、交通标志或地面的减速带、井盖等物体时，因无法判别其高度位置，雷达可能会误判为前方障碍，从而引发误刹车或触发过于宽松的检测阈值，带来潜在安全隐患。
4D毫米波成像雷达的推出，标志着这一技术瓶颈的突破。所谓“4D”，即在传统三维度基础上，新增了对目标俯仰角或高度的精确测量。这项技术提升不仅使雷达具备了更丰富的环境感知能力，还使其能够绘制目标轮廓，区分多个高度层次，从而显著增强系统的感知精度。
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率，主要取决于其天线阵列的孔径大小。基于电磁波干涉原理，较大的天线阵列能产生更窄的波束，从而实现更精细的角度分辨。传统3D毫米波雷达通常采用水平线性天线布局，在水平方向具备一定方位分辨能力，但在垂直方向因孔径过小，难以区分同一水平方向上不同高度的目标。
4D毫米波雷达通过重构天线布局，增强垂直方向的孔径能力。然而，受限于车载系统对体积和成本的严格要求，单纯增加物理天线数量并不现实。为应对这一挑战，MIMO（多输入多输出）技术被引入，通过组合少量发射（TX）与接收（RX）天线，生成大量虚拟通道。
在MIMO技术的支持下，每个发收对均可视为一个位于特定空间位置的虚拟相位中心。对于M发射和N接收通道的系统，理论上可合成M×N个虚拟单元。通过在垂直方向错开布置发射天线，形成一个等效的二维平面阵列，从而获得足够的垂直分辨率。
MIMO技术原理图，图片源自：网络
提升空间分辨力的核心算法体系
构建物理阵列是4D毫米波雷达实现高精度高度识别的基础，而真正的技术难点在于后续的信号处理算法。这类雷达通常采用FMCW（频率调制连续波）体制，通过啁啾信号的发射和回波分析，提取目标的距离、速度、方位及高度信息。
在信号处理流程中，首先进行距离FFT和多普勒FFT，以将目标映射到距离-速度图谱，实现初步的运动状态分离。随后，系统利用DOA（到达角估计）算法，分析各虚拟通道间的相位差，以确定目标的俯仰角。
为突破传统FFT测角的限制，4D毫米波雷达引入了超分辨率算法，如MUSIC和ESPRIT。这些方法通过分析信号协方差矩阵的特征空间，能够显著提升角分辨力，使雷达在300米距离内对井盖和立交桥等目标实现高精度识别。
随着虚拟通道数量的激增，雷达对计算资源的需求也随之上升。目前，多数系统采用FPGA或专用SoC作为后端处理平台。此外，为提升点云质量，算法还需进行多路径反射抑制和地杂波过滤，以减少“鬼影”目标的干扰。
杂波抑制与高密度点云优化
尽管高精度高度识别提升了感知能力，但雷达系统也面临更多噪声和虚假目标点的问题。在城市环境中，路面积水、雨滴、粉尘等都可能反射雷达波，形成杂乱点云。若不加以过滤，这些噪声将对自动驾驶决策系统造成干扰。
针对雨杂波，系统可通过距离-速度分布特征进行区分。同时，利用角度维度FFT的峰值幅度方差，可识别出那些相位不连续、能量分布不均的虚假目标。这类噪声过滤机制确保了高度信息在复杂天气条件下的可靠性。
在处理地面杂波方面，4D毫米波雷达采用数字波束成形技术，通过“高度掩模”功能动态调整感知窗口，忽略来自低高度位置的无效回波。此外，结合RCS（雷达散射截面积）分析，系统能够区分强反射目标与背景噪声，从而提升点云质量。
为平衡高密度点云与处理实时性之间的矛盾，部分4D雷达引入了自适应采样策略。在识别到潜在风险目标时，系统会提升局部分辨率；而在平稳路段则维持较低的数据吞吐量，以降低功耗。
硬件架构演进与多传感器融合
随着技术发展，4D毫米波雷达的硬件架构也经历了从“多芯片级联”向“单芯片集成”的转变。早期方案虽能快速实现高虚拟通道数，但存在体积大、功耗高、同步难度大等问题。
如今，单芯片SoC方案逐渐成为主流。例如，德州仪器推出的AWR2188 8T8R芯片，以及Arbe的Phoenix平台，都实现了射频发射、接收与数字信号处理的集成化，大幅降低系统复杂度与功耗，并提升相位一致性。
在多传感器融合系统中，4D毫米波雷达正从辅助角色转向关键感知节点。在高速公路导航（Highway NOA）中，它可以更早探测远处静止车辆，并通过高度信息判断其是否在当前车道内，从而提供更充分的避障准备时间。在城市驾驶中，4D雷达可穿透前车，感知“前前车”的动作，有效预防连环碰撞。
未来展望
随着算法与硬件的不断进步，4D毫米波雷达的高度识别精度正逐步接近激光雷达水平。未来发展趋势或将集中在将深度学习模型直接部署于雷达处理器上，通过神经网络对点云进行端到端分类，实现从感知到认知的跃迁。
这一进步将使4D毫米波雷达在L3及以上自动驾驶系统中发挥更重要的作用，成为兼具高性价比与高可靠性的核心感知元件。
-- END --
原文标题：4D毫米波雷达是如何识别高度信息的？