4D毫米波雷达实现高度识别的技术解析
毫米波雷达作为自动驾驶感知系统中的关键组件，凭借其在恶劣天气和复杂光照条件下的稳定性，长期承担着环境感知的重任。然而，在很长一段时间里，该类雷达仅能提供距离、速度和水平方向信息，垂直维度的信息缺失使其在某些应用中难以胜任。
当车辆高速通过立交桥、交通标志或地面障碍物时，传统毫米波雷达无法有效区分垂直位置，易将这些非障碍物识别为前方静止目标，进而引发不必要的制动或降低算法灵敏度，带来潜在的安全隐患。
4D毫米波成像雷达的问世，显著提升了垂直维度的感知能力。“4D”指的是在原有的距离、速度和方位角基础上，新增了对目标俯仰角或高度的探测能力。这项进步不仅增强了雷达的环境建模能力，还使其具备识别多层物体轮廓的潜力。
天线阵列重构与MIMO虚拟化技术
毫米波雷达的角度分辨率本质上受天线孔径大小的影响。根据电磁波干涉理论，孔径越大，波束越窄，角度分辨力越强。传统3D雷达的天线阵列主要为水平排列，因此在垂直方向上分辨率较低，难以区分不同高度的目标。
4D毫米波雷达通过在垂直方向上扩展天线分布，提升垂直孔径，从而增强俯仰角分辨率。考虑到车载系统对体积与成本的高要求，单纯增加物理天线数量并不可行，MIMO（多输入多输出）技术因此被引入。
MIMO技术的核心在于，通过少量发射（TX）与接收（RX）通道的组合，生成远超物理数量的虚拟通道。当雷达发射正交波形时，每一对发收单元可等效为一个虚拟相位中心。对于M个发射和N个接收通道的系统，其虚拟通道总数可达到M×N。
图示为MIMO技术原理示意图，来源网络。
在4D毫米波雷达中，发射通道被垂直排列，形成较大的二维阵列。例如，12个发射通道与16个接收通道的组合可生成多达192个虚拟通道，使雷达在垂直方向上具备更精确的俯仰角探测能力。
空间分辨力提升的算法支撑
在构建物理阵列的基础上，4D毫米波雷达还需依赖一套复杂的信号处理算法来提取高度信息。该类雷达通常采用FMCW（频率调制连续波）体制，通过啁啾脉冲采集包含距离、速度、方位与高度的回波信号。
在信号处理阶段，首先对各个通道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，初步分离运动状态。
图示来源：网络。
真正的技术挑战在于DOA（到达角估计）处理。传统FFT测角法在有限天线数量下存在分辨率瓶颈和旁瓣干扰问题。4D雷达采用超分辨率算法，如MUSIC或ESPRIT，分析信号协方差矩阵的特征空间，从而突破瑞利判据限制，显著提高俯仰角精度。部分高性能雷达已实现±0.2度的精度，能够在300米外区分井盖和桥体。
此外，雷达还需应对虚拟通道数量激增带来的计算压力。FPGA和高性能SoC被广泛用于后端处理，以满足并行运算需求。同时，为提升点云质量，4D雷达引入DBF（数字波束成形）技术，抑制多路径杂波干扰。
4D毫米波雷达输出的高密度点云使其具备类似激光雷达的建模能力，不仅能探测目标，还能解析其几何结构与高度分布，为自动驾驶系统提供更丰富的语义信息。
杂波抑制与点云质量优化
高度信息的引入虽然提升了感知维度，但也增加了噪声和虚警风险。雨滴、粉尘和积水等环境干扰容易生成大量虚假目标点，影响系统决策。
为应对这一问题，4D雷达采用基于统计特性的杂波识别算法。例如，利用雨滴在距离-速度空间的分布规律进行过滤；通过分析相位连续性和角度FFT峰值分布，剔除能量不集中的虚假目标。
地面杂波是另一大挑战。4D雷达通过高度掩模功能，动态调整感知范围，过滤掉与路面相关的低空回波。结合RCS（雷达散射截面积）分析，区分金属障碍与环境背景，从而降低误报率。
为优化实时响应能力，部分雷达系统引入自适应采样机制，在高风险区域提升分辨率，在平直路段则降低数据速率，从而在性能与功耗之间取得平衡。
硬件架构演进与多传感器协同
随着技术发展，4D毫米波雷达正从早期的芯片级联方案转向单芯片SoC架构。虽然级联系统能快速构建虚拟通道，但存在体积大、功耗高、时钟同步困难等问题。
单芯片方案如TI的AWR2188和Arbe的Phoenix平台，将射频、接收与数字处理单元高度集成，大幅降低功耗与成本，同时提升安装灵活性。
高度识别能力的提升也增强了4D雷达在自动驾驶系统中的地位。在高速NOA场景中，该雷达可更早发现远距离静止障碍物，并判断其是否位于当前车道，为车辆提供决策时间。在城市辅助驾驶中，雷达可穿透前车，感知前方车辆的急刹，减少连环碰撞风险。
未来展望
随着算法与硬件的持续优化，4D毫米波雷达的高度识别精度正逐步接近激光雷达。未来趋势将聚焦于将深度学习模型部署于雷达处理器中，实现从点云到物体分类的端到端识别。
这一演进将使4D毫米波雷达在L3及以上自动驾驶系统中发挥核心作用，成为最具成本效益的感知方案。
— END —
原文标题：4D毫米波雷达是如何识别高度信息的？