本文首發于公眾號【調皮連續波】，其他平臺為自動同步，內容若不全或亂碼，請前往公眾號閱讀。保持關注調皮哥，和1.6W雷達er一起學習雷達技術！

【正文】

編輯|雷達小助理 審核|調皮哥

---

1、概述

4D高分辨毫米波雷達(4D High Resolution Radar)，也叫做4D成像毫米波雷達，簡稱4D成像雷達。不論是傳統毫米波雷達(mmWave Radar)，還是4D成像雷達，或者是其他汽車上使用的雷達，都可以統稱為汽車雷達。

4D指的是距離(Range)、速度(Velocity)、水平角度(Azimuth)和俯仰角度或高度(Elevation)四個維度的信息，但極少數雷達廠商為了吸引投資者眼球，在4D的基礎上增加上雷達散射截面積(Radar Cross Section，RCS)、微多普勒（Micro-Doppler)或者其他維度信息，自稱5D成像雷達。不過業內一般僅提4D成像雷達，把RCS、微多普勒等信息當作目標的特殊屬性提取特征，并采用機器學習模型實現目標分類(Classification)。上述的每一個維度的信息獲取，都是4D成像雷達的一個子課題或者關鍵技術，后續會慢慢提及這些關鍵技術。

雖然，在未來4D成像雷達將承擔自動駕駛關鍵傳感器的角色，如360°環視感知、行泊一體、全自動駕駛等，但目前(2023年5月)4D成像雷達還沒有大規模使用，用于車載的雷達仍舊以低成本的傳統前向雷達為主。

現代雷達是一個龐大且復雜的系統，涉及天線、射頻、信號處理、數據處理等“軟硬算測”等多方面的內容，而毫米波雷達麻雀雖小但五臟俱全，其復雜程度沒有半點降低，且面對的場景更加復雜。對天的軍事雷達工作環境背景比較干凈，但其模式比較復雜（如搜索、跟蹤、監視、導引）。

目前，車載4D成像雷達工作模式可以說比較單一，即使目前的車載前向雷達可以具備多模功能，可同時探測“遠中近”的目標。但在城市道路十分復雜的環境背景，存在多徑干擾和目標形態各異等原因，要做好一款4D成像雷達并不簡單。可以說很多事情都是摸著石頭過河，并不是光砸錢就能解決的，而未來汽車雷達也可能具備復雜的工作模式。

本文主要介紹4D成像雷達的一些實現技術和可以拓展的功能，毫米波雷達未來的發展趨勢是：小體積、低功耗、高實時性(低算力)、低成本、多模式、高分辨、智能化、全方位感知。更進一步說，目前在硬件趨于同質化的情況下，如果沒有新的技術從底層硬件材料或者信號處理算法上得到突破，那么未來的雷達將在智能化方面聯合人工智能(AI)算法，增強雷達的數據處理以及目標識別與分類的能力。但前提是，底層信號處理鏈路提供的點云能夠保質保量，正所謂：兵不在多，而在精。

2、高分辨點云

與傳統毫米波雷達相比，4D成像雷達的優勢就是高分辨，即讓目標在距離維度和角度維上的分辨率更高，得到的散點簇(Cluster)數量是傳統毫米波雷達的數十倍，根據目前雷達企業的產品指標一般每秒(15~20幀)數萬個點。如此密集的散點簇組合后被稱為點云(Point cloud)，點云能夠在一定程度上體現目標的輪廓，達到“成像”的效果，這就是4D成像雷達4D Imaging Radar）的由來，但和激光雷達(Lidar)、合成孔徑雷達（SAR）相比還遠遠不夠。

前面提到，一味追求點云數量并非明智之選，還需要保證點云的質量。點云數量多實時性難以保證，冗余的點云信息其實沒有用。也就是說需要在保證點云質量的基礎上，提高點云的數量，即使數量少一些也要保證質量。

4D成像雷達最具優勢的特點就是提供高質量的點云，高質量的點云卻極大地擴展了毫米波的應用范圍，傳統毫米波雷達只能在ADAS(L2和L3級別的自動駕駛)中使用。而4D成像雷達的推出，為毫米波雷達家族(前向、后向、側向、角雷達、艙內活體檢測、360環視感知)進入高級無人駕駛提供入場券，可與攝像頭、激光雷達、超聲波雷達同分一杯羹了。

3、4D成像雷達功能

4D成像雷達下述的功能，使其更進一步獲得與激光雷達和相機相提并論的資格。

（1）360環視場景感知

（2）自動泊車（APS）或行泊一體化

（3）可行駛區域檢測（Freespace）

（4）目標分類（Classification）

（5）目標局部定位（Locallization）

（6）SLAM（landmark based SLAM）

目前國內的大部分雷達廠商都還不具備量產資格，即使從2018年開始研發4D成像雷達，如今（2023年）5年的時間過去了，也只有幾家企業官宣量產上車。

國外雷達企業如大陸、博世、安波福、海拉、奧托立夫等玩法諸多，有多芯片級聯方案、有特殊的天線結構、布陣形式等。METAWAVE的核心技術是利用超材料構建波束掃描收發陣列，采用基于Pencil Beam的窄波束掃描整個FoV，并在算法層面引入AI Engine，實現了一款高分辨智能雷達。另外，Cognitive、Arbe、Oculii、Uhnder、Vayyar、Lunewave、Echodyne、瑞薩等公司都在相繼研發4D成像雷達。

4、4D成像雷達實現方案

總的來說，目前主要有以下四種方案，未來可能還會出現新的方案。

（1）軟件虛擬孔徑雷達方案

本方案強調“軟件定義的雷達”，主要廠家有傲酷（Oculii）、Mobileye、Zadar等。軟件虛擬孔徑雷達（VAR），其核心在于通過軟件模擬，增大毫米波雷達的孔徑以提升角分辨率。角分辨率即為雷達的指向精度。比如雷達指向精度0.01rad（換算成角度就是0.6°），則自動駕駛車輛可以在100米的距離獲得1米的分辨率。在雷達中，角分辨率的高低與波長與孔徑大小有關（3dB波束寬度或半功率波束寬度），即波長越長，角分辨率越低，孔徑越大，分辨率越高。

傳統毫米波雷達大多為24GHz，波長較長且孔徑小，其特性注定角度分辨率低。倘若擴展天線的尺寸或者增加天線的數量，可以提高雷達性能，但也會顯著增加成本、尺寸和功耗。而

4D成像雷達可通過虛擬孔徑成像軟件算法和天線設計模擬數倍、甚至數十倍天線以提升角分辨率。4D成像雷達公司傲酷（美國）推出的商用4D成像雷達EAGLE，其搭載虛擬孔徑成像軟件可動態發送相位調制的自適應波形。該波形可跟隨環境實時變化，并隨時間編碼數據，從而可雷達硬件的角分辨率最高提升達100倍。最終實現水平120°和縱向30°的寬視場中提供0.5°水平x1°縱向的角分辨率。傲酷的點云數量看似很多，但其犧牲了置信度換取更高的分辨率，實則點云的質量并不高，且國內反響并不明顯。

（2）專用成像雷達芯片方案

本方案主要是如Arbe、Vayyar等。成像雷達芯片是整個系統的核心，包括多種功能電路，如低噪聲放大器（LNA）、功率放大器（PA）、混頻器、壓控振蕩器（VCO）、鎖相環頻率綜合器（PLL）、本振鏈路（LO）、移相器（Phase shifter）、倍頻器（Frequency multiplier）、分頻器（Divider）、可編程增益放大器（PGA）、濾波器（Filter）、甚至收發天線等，需要具備射頻損耗小、噪聲低、頻帶寬、動態范圍大、輸出功率大、功率附加效率高、抗電磁輻射能力強、收發隔離度高等特點。

目前量產的76GHz~81GHz毫米波雷達芯片技術大都采用SiGe制程，接收通道、發射通道和本振(LO)通道分開實現。目前正在向成本更低、集成度更高的硅基CMOS技術演進，從65nm、40nm逐步向28nm、16nm工藝演進，同時集成度進一步提高，實現射頻前端、ADC、MCU和存儲器單片全集成，達到成本低、封裝小、重量輕、功耗低的設計要求。

毫米波雷達根據點云密度由低至高可分為24GHz、77GHz、79GHz三種，以前24GHz為市場主流，目前77GHz及79GHz初入量產階段，逐漸替代24GHz。點云密度低意味著自動駕駛車輛在行駛中無法對周圍行人、車輛、樁桶點云成像，使得僅搭載毫米波雷達的車輛無法在復雜路段行駛。而目前4D成像雷達普遍為77GHz及以上頻段，車輛可在行駛中達到類似激光點云的成像方式。

但存在問題是，Arbe的超高通道方案目前行業整體反饋并不好，Vayyar則被TI拆解后發現造假。

（3）多芯片級聯方案

本方案主要目的是以增加天線數量，提高角度分辨率，比如大陸、博世、采埃孚(ZF)、森思泰克、楚航科技、行易道等一眾公司。

毫米波雷達天線的主流方案是微帶陣列，利用較小的高頻印刷電路板（PCB）空間產生足夠的天線輻射強度，并實現與芯片的互連。基于多芯片級聯的79GHz MIMO毫米波成像雷達是未來產業化方向，采用多芯片級聯和微型化PCB板載天線陣列，加上雷達信號處理，可以實現面向高精度多維成像的79GHz MIMO虛擬陣列雷達，將識別精度進一步提升到微米級別，支持距離、速度、角度、高度測量和多視角可調多工作模式，實現全天候下的多維毫米波成像。

芯片級聯可分為雙級聯、四級聯、六級聯和八級聯4種方式，通過3發4收的芯片聯為一體組成6發8收、12發16收、18發24收、24發32收芯片。然而，此種傳統提高角分辨率的方式，只是簡單堆砌更多芯片、更多天線。例如提高角分辨率到1度角，必須通過多個芯片級聯、增加天線孔徑，但缺點是雷達硬件受成本、尺寸、功耗的限制較大，部分四級聯成像雷達功耗都達到25W。

（4）超材料方案

采用超材料研發新型雷達架構，代表廠家有Metawave等。通過在超材料表面上嵌入顯微結構，該結構可結合電磁波傳播技術，以此創建出比傳統電路要小很多的電路。此類技術為代表的公司是Metawave，其SPEKTRA雷達通過模擬波束并不斷轉向波束，可對350米以上的車輛和200米以上的行人進行檢測和分類。

Metawave采用的方法是把電磁波束緊緊地聚攏起來，讓其能量集中在一處，要實現這樣的效果，在數字空間（Digital Space）是辦不到的，只有在模擬空間（AnalogSpace）里才能做到。實際上，WARLORD可以說是一款模擬波束雷達產品（Analog Beam Forming Radar）。WARLORD的技術特性如下所示：

（1）Metawave采用的是單天線，而非天線陣列，同時接收也是單線的。這種天線由復合超材料結構而成，每一個超材料單元（Unit Cell）都有活躍組件能夠參與波束成形，還能調整波束角度，這相較于如今大部分雷達用的多天線結構有很大的優勢。

（2）Metawave采用了英飛凌、NXP和TI等Tier2的芯片將天線和芯片組進行了整合。

（3）采用優越的微控制技術，比如要控制天線探測前方的物體，追蹤其距離、角度、速度以及運動的方式，同時還要判斷這些物體的類別，最后還要把這些經過處理的信息傳送給（自動駕駛汽車）的傳感器融合單元。

5、4D成像雷達算法

雷達算法分為信號處理和數據處理兩個部分，信號處理偏底層，是雷達算法的關鍵基礎技術，雷達信號處理（Radar Signal Processing，RSP），主要要包含如下幾個方面：

(1)陣列天線設計

陣列天線布局設計與優化，涉及到均勻線陣(ULA)、非均勻線陣(NLA)、最小冗余陣(MRA)、嵌套陣(NA)、互質陣(CPA)，4D成像雷達的方位角分辨率和俯仰角度分辨率需要達到1°以內。

通常布陣后續的MIMO信號處理和超分辨DOA估計是聯合在一起的，需要系統考慮。

(2)MIMO信號處理

MIMO信號處理主要是通道分離，主要涉及到波形設計技術，如TDMA、BPMA、DDMA、CDMA、TDMA+DDMA-MIMO等波形，另外還有采用PMCW波形。

(3) 目標檢測與參數估計

雷達鏈路預算、CFAR、測距、測速、測角，比如FFT+插值細化。

(4) 超分辨DOA估計

FFT、DBF、Capon等算法分辨率不夠，無法提供角度高分辨，因此需要采用超分辨算法，比如ROMP、IAA、DML、CS、神經網絡DOA估計等。DOA算法大概有20多種，傳統的毫米波雷達采用的算法還是ULA+FFT，但對于4D成像雷達還不夠，一般為了滿足實時性要求，在工程上大多數方案喜歡ULA(稀疏陣)+FFT粗搜+超分辨細搜方案。

(5)通道校準(Calibration)

天線通道校準是必須的，校準方面如通道幅相誤差、頻率誤差、陣列互耦誤差、陣元位置誤差、方向圖一致性誤差、有限采樣誤差(Finite Samping Error)、安裝誤差(Mount Error)等。

(6)點云聚類算法

聚類算法并不是必須的，有時候無須聚類也行。常用的聚類算法是DBSCAN，但對于實際場景中如何區分汽車和汽車旁邊的行人，并不會引起同簇分裂和異簇合并，卻沒有那么簡單。一些新的聚類算法被提出用于提高算法執行效率或者改善聚類效果，比如多幀聯合聚類(ICP)、分階段二次聚類，或者基于Kd-tree的加速聚類算法。

(7)目標跟蹤算法

目標跟蹤算法主要涉及航跡起始、跟蹤濾波和數據關聯三大核心技術。航跡起始有邏輯法(滑窗法)、直觀法、Hough變換法。跟蹤濾波采用卡爾曼濾波，卡爾曼濾波有很多種，如KF、EKF、UKF、CKF。關聯算法有單目標采用NN、PDA，多目標采用JPDA、匈牙利匹配。

(8)目標分類與識別算法

目標識別技術可以對被檢測物體進行區分和分類，識別完成之后，就有可以針對特定類型的目標優化信號處理算法，例如，針對客車和行人可以采用不同的跟蹤和濾波算法，這樣可以提高雷達的檢測效果，這種就有點類似于自適應動態調整。

常見的機器學習算法有KNN、SVM、隨機森林、決策樹等等。

(9)多傳感器融合

雷雷融合、雷視融合等。

（10）可行駛區域檢測

可行駛區域檢測可以幫助自動駕駛汽車規劃行駛路線。

上述技術的具體實現方法，本文不做詳細論文，留待后續的文章中詳細解析。

6、4D成像雷達效果展示

(1)ARS548

點云數量并不多，但質量是真的高。

(2)Arbe

(3)華為

（4）特斯拉

（5）傲酷

從本文開始，博主將做一個4D成像雷達專欄，主要分析當下的4D成像雷達前沿技術和工程應用技術，幫助讀者認識4D成像雷達。當然，其他種類的雷達也可以借鑒4D成像雷達技術，因為大多數內容是相通的。所有文章的Word版會陸續放在了年度會員文章庫中，會員可直接下載閱讀。

【本期結束】

---

2023年度會員內容更新公告（05.20）

序號	類別	內容	文件路徑
1	雷達文章	本文內容Wrod版	根目錄雷達文章庫

【點擊以下鏈接可直達各個業務模塊】

加入雷達技術交流群	加入年度會員（專屬VIP群）
雷達項目交流與合作	付費咨詢
商業推廣合作	文章投稿指南

---

本文是空閑時個人的心得體會，僅供參考。目前我還有很多內容需要學習，如果還有沒有說到或者不全面的地方，還請指正，感謝大家。喜歡本文，可以轉發朋友圈。歡迎關注備用號【跳頻連續波】。