自动驾驶中毫米波雷达到底有何作用？

[首发于智驾最前沿微信公众号]自动驾驶汽车为了能够更好地勘测到交通环境，需要多个感知硬件协同工作，由于各感知硬件的功能不同，在自动驾驶行业中被讨论的热度也不一样，摄像头与激光雷达作为主要的感知硬件，一直是行业讨论的热点，而毫米波雷达、超声波雷达等感知硬件，更像是一个配角，成为自动驾驶技术实现的辅助硬件。那在自动驾驶中毫米波雷达到底有何作用？

毫米波雷达是什么？

毫米波雷达，顾名思义是一种用毫米级波长的无线电波去“看”路面周围事物的传感器，汽车里常见的工作频段主要是以24GHz（过去），以及现在主流的77–79GHz为主。雷达发射一串受控的电磁波（工程上常用的是连续波调频——FMCW，俗称“啁啾”信号），当波遇到物体反射回来后，雷达把回波和发射信号做频率差、相位差和时间差的处理，换成可读的数据，目标的距离、相对速度（靠多普勒频移）以及朝向（靠天线阵列的相位差或多天线合成）等信息都能被估算出来。这套从发射到数字信号处理再到最终输出的链条，决定了雷达在检测距离、速度精度和抗恶劣天气能力上有天然优势。

那它是怎么测出距离和速度？简而言之，毫米波雷达就是把频率从低到高匀速扫一圈，这就是一段啁啾（chirp）。回波回来的时候，雷达接收到的信号在频率上和当前发射的信号存在差别，这个“差频”正比于往返传播时间，从而换算成距离；如果目标在移动，反射波的频率还会因为多普勒效应整体偏移，这个偏移又直接给出径向速度（相对于雷达的速度分量）。把很多个啁啾放在一起、并结合天线的空间布局（多发或多收），雷达可以通过傅里叶变换把时间/频率信息变成距离轴、速度轴，再结合阵列信号处理估计角度，最后形成基于距离-角度-速度的三维信息图（有时称为“4D雷达”或“成像雷达”的原始数据）。很多智能汽车雷达已经实现了在单芯片上完成射频到数字的紧密集成，这让雷达既便宜又小巧。

毫米波雷达工作示意图，图片源自：网络

那毫米波雷达产出的到底是什么样的数据？它不像激光雷达给你一张密集的点云，也不像摄像头给你一张有色的照片。传统的毫米波雷达更像是给出许多“热斑”或“回波簇”，每个回波携带距离、径向速度和回波强度，有时候还能通过相位信息估计入射角。早期的雷达输出是离散的目标列表（track），而现在有的成像雷达会输出类似热力图或稠密的深度-速度图，但总体上分辨率（尤其是方位分辨率、跨距分辨率）仍然不如激光雷达。毫米波雷达还会有一类特殊输出叫“微多普勒（micro-Doppler）”，它能反映目标内部的振动或转动特征，比如行人的摆臂、车轮的旋转等信息，这对区分目标类型非常有帮助。

毫米波雷达的距离分辨率和可用带宽直接相关，带宽越宽、能把近邻目标分离得越清楚；短波长（高频）则有利于做更小、更高角度分辨能力的天线阵列。因此产业上从过去的24GHz逐步迁移到77/79GHz，是因为77GHz带来更宽的许可带宽，从而提升距离分辨力并允许更紧凑的天线阵列布局（车上更易集成多路收发天线以实现高角分辨率）。许多主流半导体厂商都把77–79GHz作为主力产品线，车规级单芯片雷达也相继推出，推动了雷达在汽车里的普及。

毫米波雷达的角色及优劣势？

把雷达放到自动驾驶行业中，它主要扮演哪些角色？其最基础的功能就是做距离与速度的“守门员”，被应用在自适应巡航、盲区监测、并线辅助和碰撞预警这些场景，毫米波雷达能够直接并可靠地给出前车或侧后方车辆的相对速度和距离，尤其在雨、雪、雾、夜间这些视觉受损场景里表现稳定。毫米波雷达还有更高级的应用，那就是通过阵列和先进处理（如MIMO合成大孔径、时频域成像、相位补偿等）把分辨率往上传，产生可以支持目标分类和姿态估计的更丰富表征。这就是为什么近几年人们开始讲“成像雷达”或“4D雷达”的原因，其目的就是试图把雷达从一个粗粒度的运动传感器，变成能参与语义感知的传感器之一。

紧急避让，图片源自：网络

那雷达的优势到底在哪儿？抗恶劣天气能力是它的杀手锏。电磁波在毫米波段穿透雨雪和部分尘土的能力强于可见光，激光雷达和摄像头在大雨大雪、尘暴、逆光或夜间都会显著退化，而毫米波雷达通常还能稳定工作。此外，毫米波雷达能“原生”给出速度（多普勒）信息，这是摄像头单独难以做到的（虽然光学光流能估速度，但受遮挡和纹理影响很大）。毫米波雷达的成本也相对友好、寿命长、易于隐藏和保护（可以装在保险杠背后），这些都是量产车很在意的工程属性。

既然毫米波雷达有这么多优势，为何在自动驾驶感知硬件中一直处于第二梯队？其实毫米波雷达的短板也很明显并且决定了它不太可能单独完成所有自动驾驶感知任务，其核心问题在于分辨率和语义能力。毫米波雷达的波长和可用带宽决定了它的角分辨率和距离分辨率，传统雷达在区分相邻小目标（比如一个倒在路中央的小塑料袋和小型石块）时能力会明显不足。毫米波雷达的反射强度受目标材质、形状和入射角影响也很大，塑料、布料等弱反射体往往难以被检测；而激光雷达能给出更稠密和更直观的几何点云，摄像头则提供丰富的颜色和纹理信息，便于语义理解（行人、交通标志、路缘石、车道线等）。再者，毫米波雷达的多径和鬼影（multipath、side-lobe）问题会带来假目标，如果没有足够高阶的信号/算法处理，易误报或漏报。综合起来，就是“雷达很会测距离和速度，但不太会讲故事（语义）”。

毫米波雷达可以替代激光雷达吗？

聊到这里，也自然会把我们引向一个行业争论的核心话题，雷达能不能替代激光雷达？其实这个话题之前单独和大家聊过（相关阅读：都是点云数据，毫米波雷达能否替代激光雷达？），这里再和大家简单聊聊。先说答案，那就是“目前看不太可能完全替代”。更准确的表述是“雷达正在变得越来越像激光雷达（分辨率和成像能力提升），但两者的物理特性决定了它们各有擅长的领域，短时间内更现实的路径是传感器融合而不是单一替代”。在很多产品和路测中，有些技术方案的做法就是把摄像头、雷达和激光雷达结合起来，互补各自的短板。以Waymo、Cruise这类做Robotaxi的公司为例，它们在不同代次的车辆上同时采用激光雷达和雷达，再用大量的摄像头作为语义判别的主力，展示了多传感器融合在极端场景下提高鲁棒性的价值；而像Tesla这样强调“纯视觉+雷达（或纯视觉）”路线的玩家则认为软件和大规模数据标注可以弥补硬件差距，行业对此仍然存在激烈争议与分歧。

图片源自：网络

既然雷达不能完全代替激光雷达，那“成像雷达”技术能不能把差距缩小到足够的程度，使系统只用雷达+摄像头就能达到类似激光雷达的表现？通过MIMO（多输入多输出）天线、稀疏重建、Dopplerbeamsharpening、合成孔径雷达（SAR）思想以及深度学习驱动的后处理，其实可以把传统雷达从“只有几个目标输出”逐步推进到“能够输出更稠密的角度-距离图像”。最近几年的论文与产业预研显示，采用更复杂的时空信号处理和更宽的带宽，可以显著提升横向分辨力与旁瓣抑制，这使雷达在特定场景下能看到之前看不清的细节，同时微多普勒等信息也为分类提供了新的线索。不过这些方案对计算资源、算法鲁棒性和标注数据量提出了更高要求，且在极端复杂场景（例如遮挡、低反射小物体）下仍然面临挑战。

从工程实现角度说，成像雷达要达到激光雷达那种在空间结构上“显式还原环境”的能力，会涉及三方面的瓶颈。一是硬件，要更宽的带宽、更密的天线阵列和更高线性度的射频链路；二是信号处理与算法，要处理海量的原始回波，做更精准的相位校正、运动校准与波束成形；三是数据与验证，需要大量现实世界下不同天气、不同路况的数据来训练和验证模型以避免边界崩溃。虽然有少数厂商的demo实现了很大进展，但把这一套做到量产、车规、低功耗、低成本，并在数百万辆车上稳定运行，依然是工程上很大的挑战。

毫米波雷达的未来发展趋势

从产业趋势来看，毫米波雷达有几个比较清晰的方向，一是频段与带宽的规范化向77/79GHz聚拢，行业主流器件生态在这个频段已经成熟；二是硬件的集成度越来越高，射频前端、AD/DA和DSP在单芯片或紧凑的模块内完成，成本和体积下降；三是MIMO、波束成形和多频多模设计成为提升角分辨率的常态化手段；四是软件定义雷达（SDR）和更灵活的波形设计开始被重视，以应对多传感器电磁共存和抗干扰要求；五是雷达与其他传感器的深度融合成为量产路线，这一点在很多高阶自动驾驶公司与传统Tier1厂商的战略里都能看到。

图片源自：网络

那对于产品工程师与系统设计师来说，面对毫米波雷达技术突飞猛进的局面，应该怎么取舍与设计传感器栈？智驾最前沿给出一些自己的见解，可以把雷达的功能定位为“稳定的运动与危险预警层”，在低可见度或高相对速度场景下担任主力，同时用摄像头做语义判别（识别行人、交通标志、车道线），激光雷达用于在复杂几何场景、精细定位与稠密地图构建时补足雷达的短板。对于成本敏感的乘用车平台，厂商会权衡激光雷达的使用（目前高性能激光雷达成本仍然偏高），可以尝试选择更强的成像雷达+摄像头作为替代方案；而对于需要极高安全裕度和冗余的纯自动驾驶车队或机器人出租车，短期内还是建议保留激光雷达以获得更可靠的几何感知。传感器的选型必须和公司对自动驾驶能力的定位、任务边界和可接受的风险模型相匹配。

最后的话

毫米波雷达是自动驾驶感知系统里极其重要的基础传感器，它以稳定的距离和速度测量、优秀的恶劣天气鲁棒性和量产友好的工程特性为系统提供“骨架式”的空间感知；成像雷达与算法进步正在缩小它与激光雷达在分辨率和语义能力上的差距，但两种传感器的物理特性仍然互补，短期内更现实的路径是“融合而非替代”。