4D毫米波雷达如何实现高度信息识别
在现代自动驾驶系统的感知链中，毫米波雷达始终扮演着不可或缺的角色。由于其工作频段位于微波范围，具备穿透雨、雪、雾、烟尘等复杂环境的能力，并能在光线剧烈变化或完全无光条件下保持稳定输出，因此被广泛应用于车辆的环境感知。然而，传统毫米波雷达在很长一段时间内仅能提供目标的距离、速度和水平方位信息，在垂直高度的识别能力上存在明显不足，这也是其无法作为主要感知设备的根本原因。
在实际驾驶中，当高速行驶的车辆接近立交桥、交通标志、减速带或井盖等非障碍物时，传统雷达由于缺乏对高度的感知，往往误判这些物体为前方静止障碍物。这不仅容易引发误刹车，还可能导致系统放宽误判阈值，从而带来潜在的安全隐患。
4D毫米波成像雷达的问世，极大地改变了这一技术瓶颈。所谓“4D”，即在距离、速度和水平角度的基础上，新增了对俯仰角或高度的感知能力。这一突破性进步，使雷达不仅能获取单点的距离信息，还能对物体轮廓和空间分布进行建模，实现多维度的成像感知。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
毫米波雷达对角度的分辨能力，本质上依赖于其天线阵列的物理孔径大小。根据电磁波的干涉原理，孔径越宽，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排列的天线结构，使得其在水平方向具备一定分辨率，但在垂直方向由于孔径极小，甚至只有单层天线，导致俯仰分辨力严重不足，难以区分同一水平方向上但高度不同的目标。
4D毫米波雷达则通过重构天线布局，实现垂直方向的孔径扩展。然而，受限于车载系统对体积和成本的高要求，单纯增加物理接收天线并非可行方案。为此，MIMO（多输入多输出）技术被引入。MIMO通过有限的发射（TX）和接收（RX）通道组合，生成远超物理数量的虚拟阵列。当雷达发射正交调制信号时，每一组发收对均可视为一个位于空间特定位置的虚拟相位中心。
对于一个包含M个发射通道和N个接收通道的系统，MIMO技术能合成出M×N个虚拟天线单元，从而构建出二维的等效阵列。在4D雷达中，发射通道在垂直方向上错开布置，通过多颗射频芯片级联形成如12×16的配置，实现192个虚拟通道。这些通道不仅扩展了水平覆盖，也拉大了垂直间距，使雷达在俯仰方向具备更窄的波束，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
核心算法驱动的高分辨率感知
对于4D毫米波雷达而言，构建物理阵列只是技术实现的第一步。要从回波数据中准确提取高度信息，还需依赖复杂的信号处理算法体系。4D雷达通常基于FMCW（频率调制连续波）体制，通过发射一系列Chirp（线性调频）脉冲，接收端采集到的距离、速度、方位与高度信息被编码于相位信号中。
在信号处理阶段，系统首先对各通道数据进行距离和多普勒FFT处理，将探测区域中的目标映射到距离-速度图谱，实现对运动状态的初步分类。这一过程为后续的高维识别打下基础。
图片源自网络
真正的挑战在于后续的DOA（到达角）估计。传统FFT测角算法虽计算效率高，但受限于物理天线数量，角分辨率和抗干扰能力较低。4D雷达引入了超分辨率算法，如MUSIC和ESPRIT，通过分析信号协方差矩阵的特征空间，突破瑞利判据的限制，实现在有限孔径下的高角分辨率。部分高性能4D雷达可将俯仰角测量精度提升至±0.2度，足以在300米外区分井盖与立交桥。
为应对数据量激增，雷达后端处理单元通常搭载FPGA或高性能SoC以实现并行计算。同时，4D雷达还采用数字波束成形（DBF）技术，结合高度信息的冗余性，抑制地杂波和多径干扰，提高点云纯净度。
这种高密度点云输出使4D毫米波雷达在感知能力上与激光雷达日益接近。通过对点云聚类和特征提取，雷达不仅能识别物体的存在，还能判断其几何形态与高度分布，从而提升自动驾驶系统对场景的语义理解。
环境噪声抑制与点云优化
随着高度维度的引入，雷达的探测灵敏度显著提升，但也带来了更多环境噪声和虚假目标点。在城市道路场景中，路面积水、雨滴甚至空气中悬浮颗粒都可能形成杂乱点云，干扰自动驾驶系统的决策判断。
为此，4D毫米波雷达在工程实现中需要投入大量精力进行杂波抑制与点云质量优化。针对雨水杂波，系统可以利用其在距离和速度分布上的统计特性，将其从真实目标中分离。在角度维度，虚假目标通常表现为相位不连续、能量分布不均的点，可通过分析角度FFT峰值方差进行识别和剔除。
地面杂波的动态抑制同样是关键挑战。通过垂直波束成形，4D雷达可实施“高度掩模”策略，根据车辆行驶状态动态调整感知窗口，屏蔽来自地面过低位置的非障碍物回波。结合目标点云的RCS（雷达散射截面积）分析，系统还能进一步区分强反射体与背景噪声。
为提高实时性，部分4D雷达采用自适应采样机制，根据场景复杂度动态调配计算资源。在检测到高风险目标时，系统会切换至高分辨率扫描模式；在路况简单时则降低采样频率，以优化功耗与响应速度。
硬件集成化演进与多传感器融合
随着自动驾驶系统对感知性能的提升需求，4D毫米波雷达的硬件架构也正从“芯片堆叠”向“单芯片集成”演进。早期方案多采用多颗3T4R MMIC芯片级联，虽能快速扩展虚拟通道数，但存在体积大、功耗高、时钟同步复杂等缺陷。在车载环境的高温与振动条件下，保持芯片间的相位一致性是重大挑战。
当前，单芯片SoC架构正逐渐成为主流。例如德州仪器的AWR2188和Arbe的Phoenix平台，将发射、接收与数字信号处理模块集成于单一芯片上。这种设计大幅缩短了信号路径，降低了相位噪声，同时显著改善了功耗与成本表现。此外，单芯片方案也有助于雷达的隐蔽式安装，减少对车辆外观的影响。
在多传感器融合框架中，4D毫米波雷达正从辅助角色走向核心感知层。在高速NOA（导航辅助驾驶）中，4D雷达可在300米外识别静止故障车辆并判断其是否处于当前车道；在城市交通中，它能穿透前车遮挡，感知后车的急刹行为，从而降低连环碰撞的风险。
未来展望
4D毫米波雷达的高度识别能力仍在持续进化，未来或将向激光雷达的精度水平靠拢。研究方向可能聚焦于将深度学习模型直接部署到雷达处理器中，实现对高度点云的端到端目标分类。这种从感知到认知的转变，将进一步巩固4D毫米波雷达在L3及以上自动驾驶系统中的核心地位。
-- END --
原文标题 : 4D毫米波雷达是如何识别高度信息的？