在自動駕駛感知系統中，毫米波雷達有著不可替代的作用。由于其工作在微波頻段，能夠輕易穿透雨、雪、霧、煙塵等介質，并在強光、黑暗或光線劇烈變化的極端環境下保持高度的穩定性，因此一直是車輛感知環境的堅實后盾。然而，在過去很長一段時間里，毫米波雷達只能測量目標的距離、相對速度和水平方位角，在垂直高度探測上表現并不盡如人意，這也是毫米波雷達一直無法成為主要感知硬件的原因。

當車輛以較高速度接近前方的立交橋、交通路牌或地面的減速帶、井蓋時，傳統毫米波雷達由于無法分辨物體的垂直位置，就會將這些非障礙物錯誤地識別為前方的靜止障礙物，從而導致頻繁的誤剎車，或者為了避免誤剎車而不得不放寬算法閾值，進而埋下安全隱患。

4D毫米波成像雷達的出現，徹底改變了這一局面。所謂的“4D”，是指在原有三個維度的基礎上，增加了對“俯仰角”或“高度”信息的感知能力。這種跨越式的提升使得雷達不僅可以提供離散點跡的距離，還能夠勾勒物體輪廓、區分不同高度層次的成像傳感器。那4D雷達是如何做到高度識別的？

物理孔徑的重構與MIMO虛擬化技術

毫米波雷達對目標角度的分辨能力，本質上取決于其天線陣列的物理孔徑的大小。根據電磁波干涉原理，天線陣列在某個方向上的尺寸越大，其波束就越窄，能夠分辨的角度細節就越精細。傳統3D毫米波雷達的天線布局一般是水平線性排列的，這使其在水平方向上具備一定的方位分辨力，但在垂直方向上，由于天線孔徑極窄，甚至只有單層陣元，導致其在垂直維度上的波束極寬，根本無法區分處于同一水平方向但高度不同的目標。4D毫米波雷達簡單理解就是改變了天線的物理分布，在垂直方向上構建起足夠的孔徑。

然而，車載雷達對體積和成本有著近乎苛刻的要求。如果單純通過堆疊物理接收天線來增加垂直孔徑，雷達的電路板面積和射頻芯片數量將成倍增加，這在商業化路徑上是不可行的。為了解決這一矛盾，MIMO（多輸入多輸出）技術得到了應用。MIMO技術的神奇之處在于，它通過少量發射天線（TX）和接收天線（RX）的巧妙組合，可以虛擬出遠超物理天線數量的虛擬通道。當毫米波雷達以特定的正交波形發射信號時，每一組發收對都能等效為一個位于特定空間位置的虛擬相位中心。對于一個擁有M個發射通道和N個接收通道的系統，通過MIMO體制可以合成出一個具有M*N個虛擬單元的龐大陣列 。

MIMO技術原理圖，圖片源自：網絡

在4D毫米波雷達的設計中，工程師不再將天線僅排成一行，而是將發射天線在垂直維度上錯開布置。例如，通過將多顆射頻芯片級聯，形成12個發射通道和16個接收通道的配置，雷達就能獲得多達192個虛擬通道。這些虛擬天線不僅在水平方向上延伸，更在垂直方向上拉開了間距，從而形成了一個等效的大孔徑二維平面陣列。這種虛擬陣列的形成是實時的，它通過增加天線的有效覆蓋范圍，使得雷達在俯仰維度上具備了產生尖銳波束的物理基礎，從而能夠準確解算目標的垂直傾角，將立交橋、路牌與路面車輛清晰地剝離。

空間分辨力提升的核心算法體系

對于4D毫米波雷達來說，物理陣列的構建只是第一步，要從復雜的雷達回波中精確提取出高度信息，還需要一套極高復雜度的信號處理算法。4D毫米波雷達一般會采用頻率調制連續波（FMCW）體制。雷達發射的每一個Chirp（啁啾）脈沖在遇到目標后返回，接收端會采集到包含距離、速度、方位和高度信息的相位信號。信號處理時會首先對每個天線通道的數據進行距離FFT和多普勒FFT，這可以將探測區域內的不同目標映射到距離-速度圖譜中，實現目標在運動狀態上的初步分離。

圖片源自：網絡

真正的技術挑戰在于后續的DOA（到達角估計）算法。在獲得距離和速度信息后，系統需要針對每一個目標特征點，分析其在所有虛擬天線通道上的相位差規律。傳統的FFT測角算法雖然計算開銷小，但在天線數量有限的情況下，其角分辨率極易受到限制，且會產生大量的旁瓣干擾，導致高度探測精度不足。4D毫米波雷達引入了超分辨率（Super-Resolution）算法，如MUSIC（多重信號分類）或ESPRIT（旋轉不變子空間估計）算法。這些算法通過分析信號協方差矩陣的特征空間，能夠突破傳統瑞利判據的限制，實現在更小的孔徑下獲得更高的俯仰分辨力。一些高性能的4D雷達能夠將俯仰角的測量精度提升到±0.2度左右，這使得在300米開外區分一個井蓋和一個立交橋成為可能。

在算法層面，4D毫米波雷達還必須解決數據量激增帶來的計算壓力。由于虛擬通道數從十幾個躍升至數百甚至數千個，雷達后端處理器必須具備極強的并行處理能力。目前主流方案采用FPGA或高性能專用SoC來承擔這些復雜的空間譜估算任務。此外，為了提高點云的質量，算法還需要對多路徑反射進行過濾。在城市環境中，雷達波經常會在地面、墻壁和目標之間反復反射，產生“鬼影”目標。4D雷達利用高度信息的冗余性，結合數字波束成形（DBF）技術，可以動態地將能量集中在特定高度層，從而有效地抑制地雜波和天橋頂部的多徑干擾，使輸出的點云更加純凈。

這種密集的點云輸出，使得4D毫米波雷達在功能上開始向激光雷達靠攏。通過對聚類后的點云進行特征提取，雷達不僅能知道前方有個物體，還能判斷該物體的幾何形狀和垂直分布。這意味著自動駕駛系統可以獲得更豐富的語義信息，如可以區分站立的行人與低矮的護欄，或是識別前方卡車的真實高度以判斷車輛是否能夠安全通過下方空隙。

雜波抑制與高密度點云的質量調優

高度識別能力的加入雖然極大地豐富了數據維度，但也帶來了一個嚴重的副作用，那就是由于探測靈敏度提高和天線陣列復雜化，雷達系統會產生比以往更多的噪聲點和虛假目標點。在實際道路場景中，路面的積水、雨滴、甚至空氣中的粉塵都可能反射雷達波，形成散布在空間中的雜亂點云。如果這些噪聲點不能被有效過濾，將會極大干擾自動駕駛決策系統的判斷。因此，4D毫米波雷達在高度識別的工程化過程中，需投入大量精力在雜波抑制與點云優化上。

針對環境雜波，其實已經開發了多種基于統計特性的識別算法。例如，針對雨水雜波，系統可以利用雨滴在距離和速度分布上的特定統計規律，將其與真實的金屬或人體目標區分開來。在空間維度，噪聲點通常表現為相位不連續且缺乏空間一致性。通過計算角度維度FFT的峰值幅度方差，算法可以識別出那些響應曲線平坦、能量不集中的虛假目標點，并將其從點云中剔除。這種精細化的過濾機制確保了即便在惡劣天氣下，4D毫米波雷達輸出的高度信息依然具有極高的可信度。

另一個關鍵點在于地面雜波的動態抑制。對于前向雷達而言，路面的反射是最大的雜波來源之一。4D毫米波雷達通過垂直方向上的數字波束成形，可以實現“高度掩模”功能。系統可以根據車輛當前的行駛坡度和姿態，動態調整感知窗口的高度范圍，自動忽略掉來自地面過低位置的非障礙物回波。同時，通過分析目標點云的RCS（雷達散射截面積）分布，雷達能夠識別出哪些是具有強反射特征的金屬障礙物，哪些是弱反射的環境背景。這種多維度的特征融合，使得4D毫米波雷達的點云密度雖然可以高達每秒數萬點，但依然能夠保持極低的虛警率。

雖然高密度點云有助于描繪物體輪廓，但過細的采樣也會帶來處理延遲。為了優化實時性，一些先進的4D毫米波雷達采用了自適應采樣策略。在檢測到潛在危險目標（如橫穿馬路的行人或前方急剎的摩托車）時，系統會自動調配計算資源進行局部的高分辨掃描；而在開闊平直的路段，則保持較低的數據流速以節省功耗。這種智能化的數據流控制，使得4D毫米波雷達在滿足全天候高度識別需求的同時，能夠更好地融入車載電子電氣架構的性能邊界內。

硬件架構演進與多感知融合的協同

自動駕駛感知硬件其實正在經歷從“暴力堆疊”到“極致集成”的轉變。早期的4D成像雷達普遍采用芯片級聯方案，即通過多顆通用的3T4R（3發射4接收）射頻MMIC芯片并行工作。這種方式的優點是利用了成熟的供應鏈，能夠快速實現大規模虛擬通道的構建。然而，級聯方案也帶來了明顯的短板，整機體積龐大、功耗高、且多芯片間的時鐘同步和相位標定異常困難。在車輛這種高溫、高振動的復雜環境下，保持多顆芯片之間的相位一致性其實是極大的工程挑戰。

為了推動4D毫米波雷達走向主流車型，單芯片SoC方案正逐漸占據主導地位。如德州儀器推出的AWR2188單芯片8T8R收發器，以及Arbe公司自主研發的具備48T48R超大規模陣列的Phoenix平臺，單芯片方案將原本分散的射頻發射、接收以及復雜的數字信號處理單元全部集成在一顆硅片上，極大地縮短了信號傳輸路徑，降低了相位噪聲，同時也使功耗和成本大幅下降。更重要的是，單芯片化使得雷達可以更加隱蔽地安裝在保險杠內部或格柵后方，而不影響車輛的外觀設計。

高度識別技術的突破，最終體現在它如何提升整個自動駕駛系統的感知上限。在多傳感器融合框架下，4D毫米波雷達不再僅僅是攝像頭或激光雷達的“輔助者”，而是在某些核心場景下成為了“主導者”。在高速公路領航（Highway NOA）功能中，4D雷達可以更早地發現300米外靜止的故障車輛，并憑借高度信息確認其在當前車道內，從而為車輛爭取更多的變道或剎車時間 。在城市輔助駕駛場景中，它能夠穿透前車的遮擋，利用地面與底盤間的縫隙反射，感知到“前前車”的急剎動作，從而有效預防連環追尾事故。

最后的話

隨著技術的進一步成熟，4D毫米波雷達的高度識別精度有望向激光雷達看齊。未來的研究重點或將集中在將深度學習模型直接部署在雷達處理器上，通過神經網絡對高度點云進行端到端的物體分類。這種從“感知”到“認知”的跨越，將使4D毫米波雷達成為L3及以上自動駕駛系統中最具性價比的感知核心。

-- END --

       原文標題 : 4D毫米波雷達是如何識別高度信息的？