4D毫米波雷达如何实现高度感知的技术解析
在自动驾驶系统的感知层中，毫米波雷达凭借其在恶劣环境下的可靠性，长期扮演着核心角色。它的工作频段位于微波范围，能有效穿透雨雪、烟尘等障碍，且在强光、低光或光线骤变等复杂条件下仍能稳定运行，因此被视为车辆环境感知的重要支撑。然而，传统毫米波雷达仅能提供目标的距离、相对速度及水平方位，其在垂直方向上的探测能力较为薄弱，这也是限制其作为主干感知设备的关键瓶颈。
在车辆高速行驶过程中，若遇到立交桥、交通标志、减速带或井盖等垂直障碍物，传统毫米波雷达由于缺乏高度判断能力，容易将这些非威胁性物体误判为前方静止障碍，从而触发不必要的刹车动作，或因放宽算法阈值而增加安全隐患。
4D毫米波成像雷达的出现，显著提升了系统对三维空间的感知能力。所谓“4D”雷达，是指在距离、速度、水平角度的基础上，新增了俯仰角或高度维度的识别能力。这一升级不仅提升了目标识别的准确性，还赋予了雷达描绘物体轮廓、区分不同高度层的能力。那么，4D毫米波雷达是如何实现高度识别的呢？
物理孔径重构与MIMO虚拟化技术
毫米波雷达的角度分辨率，从根本上取决于天线阵列的孔径大小。按照电磁波干涉原理，阵列尺寸越大，波束越窄，角度分辨力越强。传统3D毫米波雷达通常采用水平线性排列的天线结构，使其在水平方向具有较好的分辨能力，但垂直方向的孔径极为有限，甚至仅由单层天线组成，导致垂直波束宽大，难以区分同一水平方向上的不同高度目标。
4D毫米波雷达通过重构天线布局，使垂直方向的孔径得以有效扩展。但受限于车载系统对体积与成本的严格要求，直接增加物理天线数量并不现实。为此，工程师引入了MIMO（多输入多输出）技术。该技术通过少量发射与接收通道的组合，可以合成出远超物理通道数量的虚拟阵列。
在MIMO体制下，雷达通过正交信号发射，每对发射-接收通道对应一个虚拟相位中心。例如，一个具有12个发射通道和16个接收通道的雷达系统，可以生成192个虚拟通道。这些通道不仅在水平方向分布，更在垂直方向拉开了间距，构建出一个二维虚拟阵列，从而为俯仰角的高精度测量打下了基础。
MIMO技术原理示意图，图片源自网络
通过这种虚拟孔径扩展，4D毫米波雷达能够生成更窄的垂直波束，从而实现对目标俯仰角的精准测量，有效区分路面与空中障碍。
高精度高度识别的核心算法支撑
硬件的优化只是起点，4D毫米波雷达还需依赖复杂的算法体系，从回波信号中提取高度信息。这类雷达通常采用FMCW（频率调制连续波）体制，每个Chirp脉冲发射后返回的信号中包含距离、速度、方位和高度信息。
信号处理的第一步是对每个通道的数据进行距离FFT与多普勒FFT，从而将目标映射到距离-速度图谱上，初步实现运动状态分离。但真正的挑战在于DOA（到达角估计）处理。
传统的FFT测角算法虽然计算效率高，但在有限天线数量下存在分辨率低、旁瓣干扰大等问题。为此，4D毫米波雷达引入了超分辨算法，如MUSIC或ESPRIT，通过分析信号协方差矩阵的特征空间，突破瑞利极限，实现更高精度的俯仰角估算。部分高性能雷达的俯仰角精度可达±0.2度，足以在300米外区分井盖与立交桥。
随着虚拟通道数量的急剧增长，数据处理压力也相应上升。当前主流方案采用FPGA或专用SoC处理空间谱估算任务。同时，为了提升点云质量，系统还通过数字波束成形（DBF）技术动态聚焦特定高度层，有效抑制地杂波与天桥顶部的多路径反射，从而输出更清晰的点云。
这些高密度、高分辨率的点云数据，使4D毫米波雷达在功能上逐渐接近激光雷达。通过对点云聚类与特征提取，系统不仅能识别前方物体的存在，还能判断其几何形态与高度分布，为自动驾驶系统提供更丰富的语义感知信息。
杂波抑制与点云质量优化
尽管高度信息的引入增强了雷达的感知能力，但也带来更高的噪声水平与虚假目标风险。在真实道路环境中，路面积水、雨滴、粉尘等都可能反射毫米波，形成大量干扰点。若无法有效抑制这些杂波，将直接影响自动驾驶系统的判断。
针对这一问题，系统已引入多种基于统计特性的识别算法。例如，通过分析雨滴在距离-速度图谱中的分布特征，系统可将其与真实目标区分开来。此外，噪声点通常表现出相位不连续和空间一致性差的特点，算法可通过角度维度FFT的方差分析，识别并剔除能量分布不集中、响应曲线平缓的虚假目标。
另一关键优化方向是动态抑制地面杂波。4D毫米波雷达通过数字波束成形技术，在垂直维度上实现高度掩模。系统根据当前坡度和车辆姿态，动态调整感知窗口的高度范围，过滤来自地面的无用回波。同时，结合RCS（雷达散射截面积）分析，雷达可判断目标的反射特征，进一步提升点云的可靠性。
为平衡实时性与精度，部分先进系统还采用自适应采样策略。在检测到潜在高风险目标时，系统提升局部分辨率；在路况良好时，则降低采样密度以节省功耗。这种灵活的数据处理机制，使4D毫米波雷达在满足高精度高度识别的同时，也能适配车载系统的实时性要求。
硬件架构演进与多传感器协同
当前自动驾驶感知硬件正从早期的硬件堆叠模式，转向更高集成度的解决方案。早期4D成像雷达多采用芯片级联方案，例如多颗3T4R MMIC芯片并行工作，以快速构建虚拟通道。然而，这类方案存在体积大、功耗高、时钟同步困难等问题，尤其在车载高温和振动环境下，相位一致性难以保障。
为推动4D毫米波雷达走向主流市场，单芯片SoC架构成为趋势。例如，德州仪器AWR2188单芯片8T8R雷达及Arbe的Phoenix平台48T48R架构，将发射、接收与数字信号处理高度集成，大幅缩短信号路径，降低相位噪声，同时减小体积与功耗。
单芯片化不仅提升了硬件性能，也改善了雷达的安装灵活性，使其更易于隐藏式集成于保险杠或格栅后部，不影响车辆外观。
高度识别能力的提升，使4D毫米波雷达在多传感器融合框架中发挥更大作用。它在部分关键场景中，如高速公路领航（Highway NOA）中，能够更早发现远处静止车辆，并通过高度信息判断其是否位于当前车道，为系统提供更充裕的响应时间。在城市驾驶中，该雷达还能穿透前车遮挡，感知“前前车”的急刹动作，从而减少追尾风险。
未来展望
随着技术持续演进，4D毫米波雷达的高度识别精度有望向激光雷达靠拢。未来的研究重点或将聚焦于将深度学习算法嵌入雷达处理单元，通过神经网络对高度点云进行端到端目标分类。这种从感知到认知的转变，将使4D毫米波雷达在L3及以上自动驾驶系统中，成为最具成本效益的核心感知设备。
-- END --
原文标题：4D毫米波雷达是如何识别高度信息的？