4D毫米波雷达如何实现高度识别能力
毫米波雷达在自动驾驶感知系统中扮演着至关重要的角色。由于其工作频段为微波，能有效穿透雨、雪、雾、烟尘等介质，并在强光、低光或光照剧烈变化的极端条件下保持稳定运行，因此长期以来被视为车辆环境感知的重要支柱。然而，传统毫米波雷达在垂直方向上感知能力有限，仅能提供目标的距离、相对速度与水平方位角，难以区分不同高度的目标，这也限制了其在自动驾驶感知系统中的核心地位。
在车辆高速行驶过程中，若遇到立交桥、交通标识、减速带或井盖等结构，传统雷达因缺乏垂直分辨率，容易将这些非障碍物误判为前方静止障碍物，从而引发不必要的紧急制动，或为防止误判而放宽判定阈值，带来潜在安全隐患。
4D毫米波成像雷达的出现，改变了这种状况。所谓“4D”，是在传统3D雷达的基础上新增了对目标“俯仰角”或“高度”的感知维度。这一进步意味着雷达不仅能提供点状目标的距离信息，还能描绘出目标轮廓，并分辨不同高度层上的物体，从而显著提升整体感知精度。
物理孔径重构与MIMO虚拟化技术
毫米波雷达对角度的分辨率取决于其天线阵列的孔径大小。根据电磁波干涉原理，天线阵列在特定方向上的物理长度越大，波束越窄，角度分辨率越高。传统3D毫米波雷达通常将天线水平排列，虽然在水平方向具备一定方位分辨率，但在垂直方向由于孔径极小，甚至只有一层阵元，波束极宽，无法识别高度差异。
4D毫米波雷达通过在垂直方向扩展天线布局，显著提升了垂直分辨率。但车载雷达受限于空间和成本，无法简单通过增加物理天线数量来扩大孔径。为此，MIMO（多输入多输出）技术被引入。该技术通过巧妙组合少量发射和接收通道，能够虚拟生成远超物理天线数量的虚拟通道。当雷达发射正交波形信号时，每个发收对可被视作一个位于特定空间位置的虚拟相位中心。
对于一个拥有M个发射通道和N个接收通道的系统，MIMO技术可构建出M×N个虚拟单元，形成一个二维虚拟阵列。例如，12发16收的配置即可生成192个虚拟通道，这些虚拟天线在水平和垂直方向上均分布均匀，形成等效的大孔径阵列，为俯仰角的精准测量提供了物理基础。
MIMO技术原理图，图片源自网络
高精度空间分辨力的核心算法
构建物理阵列只是第一步，4D毫米波雷达还需通过复杂算法从回波中提取高度信息。目前主流采用的是FMCW（频率调制连续波）体制。雷达发射的每一个Chirp脉冲在反射后返回，接收端获取的信号包含距离、速度、方位与高度信息。信号处理流程通常包括距离FFT和多普勒FFT，用于在距离-速度图谱中初步分离目标。
图片源自网络
在到达角（DOA）估计方面，传统FFT测角算法虽计算量低，但在天线数量有限时分辨率受限，易产生旁瓣干扰。为提升精度，4D毫米波雷达引入了超分辨率算法，如MUSIC或ESPRIT，通过分析信号协方差矩阵的特征空间，突破传统瑞利准则限制，从而在更小孔径下实现更高分辨率。一些高端雷达可将俯仰角精度提升至±0.2度，使300米外的井盖与立交桥清晰区分。
为应对数据量激增，4D雷达通常采用FPGA或高性能SoC进行并行处理。此外，算法还需过滤多路径干扰，尤其是在城市环境中，雷达波在地面、墙壁和目标间多次反射，容易产生“鬼影”。4D雷达利用高度信息的冗余性，结合数字波束成形（DBF）技术，可动态聚焦特定高度层，有效抑制地杂波和天桥顶部的干扰，提升点云质量。
杂波抑制与点云优化
随着高度信息的引入，雷达对噪声和虚假目标的敏感度显著提升。雨水、粉尘等环境因素都可能反射雷达波，生成大量杂乱点云。若这些噪声无法过滤，将严重影响自动驾驶系统的决策。
为应对环境杂波，系统引入了多种基于统计特性的过滤算法。例如，雨滴在距离-速度图中表现出特定分布，可用于识别并剔除。此外，噪声点通常表现为相位不连续和空间分布无序。通过分析角度维度FFT的峰值幅度方差，算法可识别并过滤能量不集中的虚假点，确保点云在恶劣天气下仍具备高可靠性。
地面杂波是另一个主要干扰源。4D雷达利用垂直波束成形实现“高度掩模”，根据车辆姿态动态调整探测高度范围，排除低空背景干扰。同时，结合RCS（雷达散射截面积）分析，系统可区分强反射目标与弱反射环境，进一步提升虚警抑制能力。
为平衡计算复杂度与实时性，部分4D雷达采用自适应采样策略。在识别高风险目标时，系统会集中资源进行高精度扫描；而在路况平稳时则降低数据流速，以节省功耗。
硬件演进与多传感器融合
随着4D毫米波雷达的普及，其硬件架构正从“多芯片级联”向“单芯片集成”演进。早期方案依赖多颗3T4R MMIC芯片并联，虽能快速扩展虚拟通道，但带来功耗高、体积大、时钟同步复杂等问题。当前主流趋势是采用单芯片SoC架构，如TI的AWR2188或Arbe的Phoenix平台，实现发射、接收和信号处理的高度集成，显著减小体积、功耗并提升稳定性。
这种硬件演进不仅使4D雷达更容易集成至车前保险杠或格栅后方，也使其在多传感器融合中扮演更重要的角色。在高速公路领航（NOA）场景中，4D雷达可提前发现300米外的故障车辆，并通过高度信息判断其是否位于本车道；在城市辅助驾驶中，它还能穿透前车，感知“前前车”的制动动作，有效预防连环碰撞。
未来展望
随着深度学习技术的发展，4D毫米波雷达正从“感知”向“认知”演进。未来趋势或将聚焦于在雷达处理器中部署神经网络，实现对高度点云的端到端分类，从而推动其在L3及以上自动驾驶系统中的核心感知地位。
——END——
原文标题：4D毫米波雷达是如何识别高度信息的？