自动驾驶中4D毫米波雷达在雨雾中更具优势吗？

[首发于智驾最前沿微信公众号]最近有一位小伙伴留言：假设一个智驾场景，大雾的夜晚，在激光雷达和摄像头的成像效果被削弱的情况下，依靠4D毫米波雷达的数据反馈还能维持智驾吗？在这种情况下增加不同原理的传感器是目前最优解决方案吗？其实这个场景是自动驾驶在现实环境中非常典型，也是非常棘手的边缘场景。对于4D毫米波雷达来说，这个场景的应用到底会如何？

为什么4D毫米波雷达在雾夜环境下表现会更好？

在“雾+夜+光线差+能见度低”的环境下，摄像头依赖光线，在夜里+雾中图像可能模糊、对比差、细节缺失；激光雷达(尤其某些类型)也可能受到雾、雨、雪、水滴、雪花、粉尘等散射、反射、吸收的影响，导致点云质量下降，因此传统以视觉(摄像头)+激光雷达为主的感知方案表现反而不会很好。

相比之下，毫米波雷达的波长更长，对雨、雾、灰尘、水滴等的穿透性较强，不容易受到光照和能见度的影响。尤其是4D毫米波雷达，即便在雾、夜等低能见度条件下，仍能有效探测周围物体，因此被视为一种“全天候/全时段”的感知传感器。

毫米波雷达系统原理，图片源自：网络

相较于传统毫米波雷达，4D毫米波雷达还具有显著的功能提升。它不仅能够测量距离、速度和方位角，还能获取仰角（即高度/俯仰角）信息。这意味着其探测能力不再局限于平面内的粗略感知，而是具备了立体（3D+高度）感知、较好的分辨率以及一定的成像能力。

因此，在雾夜等低能见度场景下，仅靠摄像头与激光雷达（LiDAR）的组合难以实现可靠感知。而加入4D毫米波雷达，则能有效弥补上述传感器的不足，进而将自动驾驶系统的感知能力延伸至对各类目标的探测、检测、持续跟踪、精确测速与测距，形成关键的能力互补。

为什么4D毫米波雷达没有普及？

4D毫米波雷达的确可以完善自动驾驶的感知能力，但为什么现在提到自动驾驶时，更多人想到的感知硬件还是摄像头或者激光雷达？为什么4D毫米波雷达提出来了那么多年，还没有得到大面积的应用？更没有成为主要的感知硬件？

图片源自：网络

1）点云稀疏&分辨率/细节有限

即便是4D毫米波雷达，其点云数量/密度/分辨率与高线束、高分辨率的激光雷达相比，仍然有一定差距。像是在多车并道、小车距离很近、障碍物形态复杂(栏杆、路缘、交通锥、行人、小型电动车…)等复杂场景，4D毫米波雷达可能只能检测到一个“点”或很少几个反射点，难以准确判断物体的形状、边界、尺寸、类别(是车、人、栏杆还是树?)。如果只是这些信息将无法满足规划/决策的要求。

2）高度/形状/类别判断仍弱

虽然4D毫米波雷达可以获得测仰角信息，从而提高对“高度”的分辨能力。但对于某些场景(如行人、骑车人、儿童、小动物、低矮障碍物、半遮挡物…)的识别和分类，还是不如激光雷达+摄像头那样清晰、语义丰富。尤其是对于静止但形态复杂(例如挡在路边半边阴影/半挡住)的障碍物，4D毫米波雷达可以探测到距离/速度/角度信息，但无法明确判断类别和具体边界。

3）点云“噪声+稀疏+不确定性”问题

雷达波反射可能因为地面、湿度、水滴、雾滴、建筑反射、地面铺装、其他车辆金属结构、雨雪、环境杂散波干扰等产生噪声，而4D毫米波雷达点云本来就比激光雷达稀疏，当遇到复杂/静态/低反射目标(比如黑色物体、空气中轻微雾滴、透明物体…)时可能根本没有回波或回波太弱。这样的不确定性使得仅靠4D毫米波雷达判断路况显得不够可靠。

4）单一传感器的冗余/容错能力有限

自动驾驶要求非常高的安全性与可靠性。4D毫米波雷达如果作为唯一定感知来源，一旦它的波束被遮挡(比如前方有大型障碍物、复杂结构反射、地形起伏、相邻金属结构)、或者反射异常(湿滑地面、水/雪/雾/雨/霰/泥/尘)、或多辆车/多目标密集…那么即便有回波，也可能误判、漏判、定位误差。对于L4/L5级别的自动驾驶来说，这种不确定性风险太大，仅靠4D毫米波雷达是远远不够的。

感知冗余才是最优解？

没有一种感知传感器是万能的，想真正做到在各种环境(晴/雨/雾/夜/隧道/混合光照/复杂交通)都安全可靠，最佳方案只有多传感器组合+融合。这也是为什么现在很多自动驾驶/智能驾驶系统会同时装摄像头、激光雷达、毫米波雷达(特别是4D雷达)的原因。

图片源自：网络

甚至在某些设计中，系统会对不同传感器结果进行可信度评估+模式切换/融合判断，当视觉或激光雷达受损时，毫米波雷达占主导；当天气好、光照佳、视线清晰时，摄像头+激光雷达将提供高精度识别与细节。所有传感器的数据融合后将可以给出更稳健、冗余、高可信度的环境模型。

对于小伙伴一开始提到的雾夜这种感知困难环境里，增加不同原理的传感器+做融合，确实是目前最现实、最可靠、最优的解决方案。

融合就是最优了吗？

尽管多传感器融合方案在当前阶段为自动驾驶提供了不可或缺的感知保障，但我们仍需清醒认识到，融合是提升系统可靠性的必要手段，但并非充分条件。融合不是将多个感知硬件数据进行简单的堆叠，而是要做到1+1＞2的效果，否则会面临非常多的问题。

图片源自：网络

1）算力+数据融合复杂性大

想将来自不同传感器的数据进行有效融合，不仅需要强大的计算能力，融合算法也必须非常成熟，这其中会涉及非常多的关键环节。其中包括多源数据的时空同步、传感器标定、坐标系统一、数据对齐，以及异质信息（如点云、图像、雷达回波）的深度融合、各源数据可信度评估与异常处理等。对于需要实时响应的自动驾驶系统而言，这无疑对算力与软件设计提供了非常高的要求。

2）融合后的校准/同步/冗余管理

想让多传感器融合发挥作用，各传感器之间的空间关系(位置/姿态/标定/校准)、时间同步(不同采样频率/延迟/时延补偿)、数据融合策略(权重/优先级/置信度/冗余切换)等都需要非常严谨的设计，并做好长期测试和维护。

3）边缘场景并非不存在

多传感器融合后，的确可以增加感知的准确性，但依旧会有诸如大雾、大雨、强侧风、水雾、飞溅、反射、复杂地形、金属结构、多目标混杂、强反射、遮挡、小物体(如跌落物、轮胎碎片、塑料袋、行人小动作)等边缘场景，即使是多传感器融合，也会存在感知盲区、误检测、漏检测或延迟等反应。在某些情况下，感知硬件还会被干扰，导致感知失效，无法达到自动驾驶系统的要求。这也是现阶段L3级及以上自动驾驶难以落地的原因。

4）成本/产业化/量产问题

加装多个感知传感器，将不可避免地带来成本、系统复杂度、功耗及维护需求的提升。对于追求量产与商业落地的车企而言，这将对其整车的成本控制、长期可靠性、售后维护体系乃至产品寿命周期等提出更多的要求。也正因如此，现在很多车企对针对不同的市场人群，提供了不同的感知方案，以满足更多消费者的需求。

因此，即便“多传感器+融合”是目前最优方案，也需要时间、技术、产业链、工程实践来不断优化、验证和完善。

最后的话

在大雾夜间，4D毫米波雷达应被视为感知的底座，它能在光学传感失效时维持对距离、速度和大致高度的稳定感知，但它本身无法提供足够的语义与边界精度来支持高级决策；因此正确的做法是把它作为冗余且必需的一环，与激光雷达、摄像头形成互补，同时在软件层面要建立基于置信度的模态权重与退化策略、实时健康监测与自动重标定机制，以及清晰的ODD（可操作域）和故障降级流程。只有把硬件互补性、融合算法、实时置信度管理和运营级的安全边界四者同时做足，自动驾驶系统才能在雾夜这类极端情形下既“看得见”又“走得稳”。

审核编辑 黄宇