4D毫米波雷达是如何实现高度识别的？
在自动驾驶感知系统中，毫米波雷达因其在微波频段运行，具备穿透雨、雪、雾、烟尘等介质的能力，在极端光照或黑暗环境中也能保持稳定工作，因此一直是汽车感知系统的重要组成部分。然而，传统毫米波雷达长期受限于其只能提供目标的距离、相对速度和水平方位角信息，在垂直方向上的探测能力较弱，这在一定程度上限制了其在感知系统中的核心作用。
当车辆高速行驶时，面对立交桥、交通标识或地面的减速带、井盖等物体，传统毫米波雷达由于无法准确判断其垂直位置，容易误判为静止障碍物，进而引发不必要的刹车或为避免误触发而放宽检测阈值，带来潜在的安全隐患。
随着4D毫米波成像雷达的出现，这一问题得到了根本性解决。4D雷达之所以得名，是因为在原有距离、速度和水平角度的基础上，增加了对物体高度或俯仰角的感知能力。这使得雷达不仅能提供点状目标的距离信息，还能描绘出完整的三维轮廓，从而更准确地识别不同高度层的目标。
物理孔径重构与MIMO虚拟化技术的应用
毫米波雷达对目标角度的分辨能力，本质上取决于天线阵列的物理孔径大小。根据电磁波干涉原理，天线在某一方向的尺寸越大，其波束越窄，角度分辨能力越强。传统3D毫米波雷达多采用水平线性天线布局，虽在水平方向具备一定角度分辨能力，但在垂直方向，由于孔径过小甚至仅有一层阵元，导致波束过宽，难以区分同一水平位置但高度不同的目标。
为提升垂直分辨能力，4D毫米波雷达对天线布局进行了重新设计，使垂直方向也具备足够的物理孔径。然而，车载雷达对空间和成本有严格限制，单纯增加物理天线数量并不可行。为解决这一难题，MIMO（多输入多输出）技术被引入。
MIMO技术的核心在于利用少量发射天线（TX）和接收天线（RX）的组合，生成远超物理天线数量的虚拟通道。通过正交波形发射，每一组发射-接收对都能被等效为一个虚拟相位中心。例如，一个具备12个发射通道和16个接收通道的系统，理论上可以合成多达192个虚拟天线，形成一个二维等效阵列。这种虚拟天线的分布不仅在水平方向展开，也在垂直方向拉开间距，从而增强了雷达在俯仰维度的分辨力。
MIMO技术原理图，图片源自：网络
核心算法体系提升空间分辨力
4D毫米波雷达的算法体系是其高度识别能力的关键支撑。这类雷达通常采用FMCW（调频连续波）体制，通过发射一系列“啁啾”信号，并在接收到回波后进行距离和多普勒FFT处理，以分离出多个目标的距离和速度信息。
真正的技术难点在于如何从多个虚拟通道中提取出俯仰角信息。传统FFT测角方式虽然计算效率高，但在通道数量有限的情况下分辨力不足。为提升精度，4D毫米波雷达引入了超分辨率算法，如MUSIC和ESPRIT，这些算法通过分析信号协方差矩阵的子空间特征，突破了传统瑞利分辨率的限制，从而在较小孔径下实现高角度精度。
图片源自：网络
此外，随着虚拟通道数量的显著提升，雷达后端处理面临的计算压力也大幅增加。当前主流解决方案依赖于高性能FPGA或专用SoC来执行复杂的谱估计和波束形成任务。同时，4D毫米波雷达还通过数字波束成形（DBF）技术，结合高度信息的冗余性，有效抑制地杂波与多路径干扰，提升了点云质量。
杂波抑制与点云质量优化
虽然高度信息的引入极大丰富了感知维度，但也导致了更多噪声点和虚假目标的产生。在实际道路环境中，诸如雨水、粉尘等微粒都可能反射雷达波，形成干扰点。若不加以过滤，将对自动驾驶系统的判断造成干扰。
为此，4D毫米波雷达广泛采用基于统计特征的杂波抑制算法。例如，针对雨水杂波，系统可通过其在距离-速度图谱上的分布特性进行区分。噪声点通常表现出相位不连续、空间一致性差的特点，系统可通过分析角度维度的FFT方差，识别并剔除这些无效点。
地面杂波是另一个主要干扰来源。4D毫米波雷达通过动态高度掩模技术，结合车辆的姿态和行驶坡度信息，可有效屏蔽来自地面过低区域的非障碍物回波。同时，利用RCS（雷达散射截面积）特征，系统能够区分强反射的金属障碍物与弱反射的背景，从而进一步提升点云纯净度。
此外，为兼顾实时性与系统资源，一些先进4D雷达还引入了自适应采样机制。在检测到高优先级目标时，系统会提高局部区域的扫描分辨率；而在道路条件良好时，则降低采样频率以节省功耗。这种智能调节机制使4D毫米波雷达在保证高密度点云输出的同时，仍能保持良好的响应速度。
硬件架构演进与多传感器融合
随着技术的发展，4D毫米波雷达正从早期的多芯片级联方案向单芯片SoC架构演进。级联方案虽便于快速构建大规模虚拟通道，但存在功耗高、体积大、相位标定复杂等问题。为解决这些问题，行业正逐步转向集成度更高的SoC方案。
以德州仪器的AWR2188和Arbe的Phoenix平台为例，这些单芯片解决方案将发射、接收和数字信号处理单元集成于同一芯片中，不仅大幅提升了信号处理效率，也降低了系统整体功耗和成本。更重要的是，这种高度集成的方案便于雷达隐蔽安装，不影响车辆外观。
4D毫米波雷达的高度识别能力，使其在多传感器融合系统中地位显著提升。在高速公路领航（Highway NOA）等场景中，它可以更早识别静止障碍物，并通过高度信息判断其是否在当前车道内，从而为决策系统预留更多反应时间。在城市驾驶中，它还能穿透前车遮挡，感知前前车的急刹动作，有效预防连环碰撞事故。
未来展望
随着算法优化和硬件升级，4D毫米波雷达的高度识别能力正逐步向激光雷达靠拢。未来的发展方向或将聚焦于将深度学习模型部署至雷达处理单元，实现对高度点云的端到端分类和语义理解。
这一转变不仅标志着从“感知”向“认知”的跨越，也预示着4D毫米波雷达将在L3及以上自动驾驶系统中扮演更加核心的角色。凭借其高精度、高可靠性、以及成本优势，4D毫米波雷达正在成为下一代智能汽车感知系统的关键技术。
-- END --
原文标题：4D毫米波雷达是如何识别高度信息的？