4D毫米波雷达是如何识别高度信息的？

[首发于智驾最前沿微信公众号]在自动驾驶感知系统中，毫米波雷达有着不可替代的作用。由于其工作在微波频段，能够轻易穿透雨、雪、雾、烟尘等介质，并在强光、黑暗或光线剧烈变化的极端环境下保持高度的稳定性，因此一直是车辆感知环境的坚实后盾。然而，在过去很长一段时间里，毫米波雷达只能测量目标的距离、相对速度和水平方位角，在垂直高度探测上表现并不尽如人意，这也是毫米波雷达一直无法成为主要感知硬件的原因。

当车辆以较高速度接近前方的立交桥、交通路牌或地面的减速带、井盖时，传统毫米波雷达由于无法分辨物体的垂直位置，就会将这些非障碍物错误地识别为前方的静止障碍物，从而导致频繁的误刹车，或者为了避免误刹车而不得不放宽算法阈值，进而埋下安全隐患。

4D毫米波成像雷达的出现，彻底改变了这一局面。所谓的“4D”，是指在原有三个维度的基础上，增加了对“俯仰角”或“高度”信息的感知能力。这种跨越式的提升使得雷达不仅可以提供离散点迹的距离，还能够勾勒物体轮廓、区分不同高度层次的成像传感器。那4D雷达是如何做到高度识别的？

物理孔径的重构与MIMO虚拟化技术

毫米波雷达对目标角度的分辨能力，本质上取决于其天线阵列的物理孔径的大小。根据电磁波干涉原理，天线阵列在某个方向上的尺寸越大，其波束就越窄，能够分辨的角度细节就越精细。传统3D毫米波雷达的天线布局一般是水平线性排列的，这使其在水平方向上具备一定的方位分辨力，但在垂直方向上，由于天线孔径极窄，甚至只有单层阵元，导致其在垂直维度上的波束极宽，根本无法区分处于同一水平方向但高度不同的目标。4D毫米波雷达简单理解就是改变了天线的物理分布，在垂直方向上构建起足够的孔径。

然而，车载雷达对体积和成本有着近乎苛刻的要求。如果单纯通过堆叠物理接收天线来增加垂直孔径，雷达的电路板面积和射频芯片数量将成倍增加，这在商业化路径上是不可行的。为了解决这一矛盾，MIMO（多输入多输出）技术得到了应用。MIMO技术的神奇之处在于，它通过少量发射天线（TX）和接收天线（RX）的巧妙组合，可以虚拟出远超物理天线数量的虚拟通道。当毫米波雷达以特定的正交波形发射信号时，每一组发收对都能等效为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，通过MIMO体制可以合成出一个具有M*N个虚拟单元的庞大阵列 。

MIMO技术原理图，图片源自：网络

在4D毫米波雷达的设计中，工程师不再将天线仅排成一行，而是将发射天线在垂直维度上错开布置。例如，通过将多颗射频芯片级联，形成12个发射通道和16个接收通道的配置，雷达就能获得多达192个虚拟通道。这些虚拟天线不仅在水平方向上延伸，更在垂直方向上拉开了间距，从而形成了一个等效的大孔径二维平面阵列。这种虚拟阵列的形成是实时的，它通过增加天线的有效覆盖范围，使得雷达在俯仰维度上具备了产生尖锐波束的物理基础，从而能够准确解算目标的垂直倾角，将立交桥、路牌与路面车辆清晰地剥离。

参数项	传统3D雷达典型配置	4D级联成像雷达典型配置	4D单芯片(如Arbe)配置
发射/接收通道数	3T/4R	12T/16R(4芯片级联)	48T/48R
虚拟通道总数	12个	192个	2304个
俯仰角分辨率	无高度识别能力	1°-2°	0.8°-1.5°
方位角分辨率	3°-10°	1°	0.7°-1°
典型探测距离	150m-200m	300m-350m	300m-350m

空间分辨力提升的核心算法体系

对于4D毫米波雷达来说，物理阵列的构建只是第一步，要从复杂的雷达回波中精确提取出高度信息，还需要一套极高复杂度的信号处理算法。4D毫米波雷达一般会采用频率调制连续波（FMCW）体制。雷达发射的每一个Chirp（啁啾）脉冲在遇到目标后返回，接收端会采集到包含距离、速度、方位和高度信息的相位信号。信号处理时会首先对每个天线通道的数据进行距离FFT和多普勒FFT，这可以将探测区域内的不同目标映射到距离-速度图谱中，实现目标在运动状态上的初步分离。

图片源自：网络

真正的技术挑战在于后续的DOA（到达角估计）算法。在获得距离和速度信息后，系统需要针对每一个目标特征点，分析其在所有虚拟天线通道上的相位差规律。传统的FFT测角算法虽然计算开销小，但在天线数量有限的情况下，其角分辨率极易受到限制，且会产生大量的旁瓣干扰，导致高度探测精度不足。4D毫米波雷达引入了超分辨率（Super-Resolution）算法，如MUSIC（多重信号分类）或ESPRIT（旋转不变子空间估计）算法。这些算法通过分析信号协方差矩阵的特征空间，能够突破传统瑞利判据的限制，实现在更小的孔径下获得更高的俯仰分辨力。一些高性能的4D雷达能够将俯仰角的测量精度提升到±0.2度左右，这使得在300米开外区分一个井盖和一个立交桥成为可能。

在算法层面，4D毫米波雷达还必须解决数据量激增带来的计算压力。由于虚拟通道数从十几个跃升至数百甚至数千个，雷达后端处理器必须具备极强的并行处理能力。目前主流方案采用FPGA或高性能专用SoC来承担这些复杂的空间谱估算任务。此外，为了提高点云的质量，算法还需要对多路径反射进行过滤。在城市环境中，雷达波经常会在地面、墙壁和目标之间反复反射，产生“鬼影”目标。4D雷达利用高度信息的冗余性，结合数字波束成形（DBF）技术，可以动态地将能量集中在特定高度层，从而有效地抑制地杂波和天桥顶部的多径干扰，使输出的点云更加纯净。

这种密集的点云输出，使得4D毫米波雷达在功能上开始向激光雷达靠拢。通过对聚类后的点云进行特征提取，雷达不仅能知道前方有个物体，还能判断该物体的几何形状和垂直分布。这意味着自动驾驶系统可以获得更丰富的语义信息，如可以区分站立的行人与低矮的护栏，或是识别前方卡车的真实高度以判断车辆是否能够安全通过下方空隙。

杂波抑制与高密度点云的质量调优

高度识别能力的加入虽然极大地丰富了数据维度，但也带来了一个严重的副作用，那就是由于探测灵敏度提高和天线阵列复杂化，雷达系统会产生比以往更多的噪声点和虚假目标点。在实际道路场景中，路面的积水、雨滴、甚至空气中的粉尘都可能反射雷达波，形成散布在空间中的杂乱点云。如果这些噪声点不能被有效过滤，将会极大干扰自动驾驶决策系统的判断。因此，4D毫米波雷达在高度识别的工程化过程中，需投入大量精力在杂波抑制与点云优化上。

针对环境杂波，其实已经开发了多种基于统计特性的识别算法。例如，针对雨水杂波，系统可以利用雨滴在距离和速度分布上的特定统计规律，将其与真实的金属或人体目标区分开来。在空间维度，噪声点通常表现为相位不连续且缺乏空间一致性。通过计算角度维度FFT的峰值幅度方差，算法可以识别出那些响应曲线平坦、能量不集中的虚假目标点，并将其从点云中剔除。这种精细化的过滤机制确保了即便在恶劣天气下，4D毫米波雷达输出的高度信息依然具有极高的可信度。

另一个关键点在于地面杂波的动态抑制。对于前向雷达而言，路面的反射是最大的杂波来源之一。4D毫米波雷达通过垂直方向上的数字波束成形，可以实现“高度掩模”功能。系统可以根据车辆当前的行驶坡度和姿态，动态调整感知窗口的高度范围，自动忽略掉来自地面过低位置的非障碍物回波。同时，通过分析目标点云的RCS（雷达散射截面积）分布，雷达能够识别出哪些是具有强反射特征的金属障碍物，哪些是弱反射的环境背景。这种多维度的特征融合，使得4D毫米波雷达的点云密度虽然可以高达每秒数万点，但依然能够保持极低的虚警率。

虽然高密度点云有助于描绘物体轮廓，但过细的采样也会带来处理延迟。为了优化实时性，一些先进的4D毫米波雷达采用了自适应采样策略。在检测到潜在危险目标（如横穿马路的行人或前方急刹的摩托车）时，系统会自动调配计算资源进行局部的高分辨扫描；而在开阔平直的路段，则保持较低的数据流速以节省功耗。这种智能化的数据流控制，使得4D毫米波雷达在满足全天候高度识别需求的同时，能够更好地融入车载电子电气架构的性能边界内。

硬件架构演进与多感知融合的协同

自动驾驶感知硬件其实正在经历从“暴力堆叠”到“极致集成”的转变。早期的4D成像雷达普遍采用芯片级联方案，即通过多颗通用的3T4R（3发射4接收）射频MMIC芯片并行工作。这种方式的优点是利用了成熟的供应链，能够快速实现大规模虚拟通道的构建。然而，级联方案也带来了明显的短板，整机体积庞大、功耗高、且多芯片间的时钟同步和相位标定异常困难。在车辆这种高温、高振动的复杂环境下，保持多颗芯片之间的相位一致性其实是极大的工程挑战。

为了推动4D毫米波雷达走向主流车型，单芯片SoC方案正逐渐占据主导地位。如德州仪器推出的AWR2188单芯片8T8R收发器，以及Arbe公司自主研发的具备48T48R超大规模阵列的Phoenix平台，单芯片方案将原本分散的射频发射、接收以及复杂的数字信号处理单元全部集成在一颗硅片上，极大地缩短了信号传输路径，降低了相位噪声，同时也使功耗和成本大幅下降。更重要的是，单芯片化使得雷达可以更加隐蔽地安装在保险杠内部或格栅后方，而不影响车辆的外观设计。

高度识别技术的突破，最终体现在它如何提升整个自动驾驶系统的感知上限。在多传感器融合框架下，4D毫米波雷达不再仅仅是摄像头或激光雷达的“辅助者”，而是在某些核心场景下成为了“主导者”。在高速公路领航（Highway NOA）功能中，4D雷达可以更早地发现300米外静止的故障车辆，并凭借高度信息确认其在当前车道内，从而为车辆争取更多的变道或刹车时间 。在城市辅助驾驶场景中，它能够穿透前车的遮挡，利用地面与底盘间的缝隙反射，感知到“前前车”的急刹动作，从而有效预防连环追尾事故。

最后的话

随着技术的进一步成熟，4D毫米波雷达的高度识别精度有望向激光雷达看齐。未来的研究重点或将集中在将深度学习模型直接部署在雷达处理器上，通过神经网络对高度点云进行端到端的物体分类。这种从“感知”到“认知”的跨越，将使4D毫米波雷达成为L3及以上自动驾驶系统中最具性价比的感知核心。