[首發(fā)于智駕最前沿微信公眾號]在自動駕駛感知系統(tǒng)的傳感器中，毫米波雷達(dá)憑借其全天候探測能力、對運(yùn)動目標(biāo)的極高速度敏感度以及相對低廉的成本，始終占據(jù)著核心地位。

相較于激光雷達(dá)每秒產(chǎn)生的數(shù)百萬個、能夠細(xì)致描繪物體輪廓的致密點(diǎn)云，毫米波雷達(dá)輸出的數(shù)據(jù)就顯得比較“吝嗇”，通常每幀圖像只能提供幾十個離散的探測點(diǎn)。

這種點(diǎn)云稀疏化現(xiàn)象直接限制了毫米波雷達(dá)在物體識別、形態(tài)勾勒及環(huán)境建模中的應(yīng)用，成為制約高階自動駕駛系統(tǒng)實(shí)現(xiàn)全場景感知的瓶頸之一。

電磁波交互機(jī)制與物理維度的制約

毫米波雷達(dá)點(diǎn)云稀疏的首要原因源于波動光學(xué)與電磁學(xué)的基礎(chǔ)物理法則。車載毫米波雷達(dá)主流工作頻段為77GHz至79GHz，對應(yīng)的波長約為3.8mm到3.9mm。

根據(jù)電磁波反射理論，物體表面的相對粗糙度決定了回波的特性。當(dāng)探測波長遠(yuǎn)大于物體表面的起伏尺寸時，該表面在電磁波視角下便呈現(xiàn)為準(zhǔn)鏡面，產(chǎn)生的反射遵循斯涅爾定律，即入射角等于反射角。

在城市道路場景中，汽車的金屬表面、建筑物的玻璃幕墻以及平整的瀝青路面，對于波長接近4mm的毫米波而言，幾乎都是“鏡面”。

這種鏡面反射導(dǎo)致大部分電磁能量沿著遠(yuǎn)離毫米波雷達(dá)的方向散逸，只有極小部分能量通過物體邊緣的衍射、角反射器結(jié)構(gòu)的二次反射或垂直入射產(chǎn)生的背向散射回傳至接收天線。

相比之下，激光雷達(dá)使用的波長在905nm或1550nm級別，比毫米波小了三個數(shù)量級，很多物體表面對激光而言都是粗糙的，能夠產(chǎn)生均勻的漫反射，從而保證了物體表面的各個部位都能反射回波點(diǎn)。

圖片源自：網(wǎng)絡(luò)

除了反射模式的差異，材料本身的介電常數(shù)與電導(dǎo)率也影響著點(diǎn)云的豐富度。金屬作為良導(dǎo)體，對毫米波具有極高的反射率，因此車輛、護(hù)欄等物體能形成相對穩(wěn)定的探測點(diǎn)；而對于行人這類主要成分為水分的非金屬目標(biāo)，其對毫米波的吸收與散射機(jī)制更為復(fù)雜。

雖然人體的含碳量使得其在毫米波段具有一定的反射性，但由于人體表面形狀極不規(guī)則且不具備大面積的平面或角反射結(jié)構(gòu)，能量極易發(fā)生多向散射，導(dǎo)致回波強(qiáng)度劇烈波動。

就有研究對此做了實(shí)驗(yàn)，使用碳涂層的人體模型能夠模擬行人的反射特征，但即便如此，當(dāng)行人的肢體相對于雷達(dá)射線存在傾斜角度時，大量的射頻信號會發(fā)生偏轉(zhuǎn)而不是返回，這也解釋了為什么在毫米波雷達(dá)視圖中，行人的點(diǎn)云不僅稀疏且經(jīng)常出現(xiàn)部位缺失的現(xiàn)象。

硬件孔徑與角分辨率的局限性進(jìn)一步加劇了空間感知的離散化。毫米波雷達(dá)區(qū)分相鄰目標(biāo)的能力受限于天線的角分辨率，而角分辨率在物理上由波長與天線等效孔徑的比值決定。

受限于車載安裝空間，毫米波雷達(dá)天線的物理尺寸無法無限擴(kuò)大，這使得傳統(tǒng)毫米波雷達(dá)的水平角分辨率只能維持在5°到10°之間，且大多數(shù)不具備俯仰角的感知能力。

這意味著在一個較寬的波束范圍內(nèi)，即便存在多個反射中心，毫米波雷達(dá)也可能由于分辨率不足而將其合并為一個點(diǎn)輸出。這種“空間采樣”層面的低效率，從源頭上限制了單位空間內(nèi)能生成點(diǎn)云的數(shù)量，使得毫米波雷達(dá)無法像激光雷達(dá)那樣通過密集的激光束掃描來構(gòu)建精細(xì)的三維模型。

信號處理鏈路中的信息提取與過濾機(jī)制

毫米波雷達(dá)點(diǎn)云的稀疏并不僅僅是物理法則的原因，在很大程度上也是毫米波雷達(dá)內(nèi)部信號處理算法主動選擇與“過濾”后的產(chǎn)物。

毫米波雷達(dá)工作在極其嘈雜的電磁環(huán)境中，接收到的信號不僅包含真實(shí)目標(biāo)的反射，還夾雜著地面雜波、建筑物多徑反射、電子熱噪聲以及來自其他車輛雷達(dá)的同頻干擾。

為了在保證低虛警率（防止誤報）的前提下提取出可靠的目標(biāo)，恒虛警檢測（CFAR）算法成為了雷達(dá)處理鏈路的一種主要方式。

CFAR算法的工作原理是基于統(tǒng)計學(xué)模型，為每一個探測單元動態(tài)設(shè)定一個功率閾值。這一閾值是根據(jù)該單元周圍“背景噪聲”的平均功率或分布特征計算得出的，只有當(dāng)信號強(qiáng)度顯著超過局部噪聲水平時，系統(tǒng)才會將其判定為有效目標(biāo)并生成點(diǎn)云。

圖片源自：網(wǎng)絡(luò)

在實(shí)際的工程實(shí)踐中，為了避免自動駕駛系統(tǒng)出現(xiàn)致命的誤制動（如將路面的井蓋誤判為障礙物），檢測閾值會設(shè)置得相對保守且偏高，這意味著很多能量微弱但真實(shí)存在的反射信號，在這一步就被作為噪聲徹底抹除。

像是遠(yuǎn)距離的小目標(biāo)或是表面反射率較低的物體，其回波可能僅比背景噪聲高出幾個分貝，在追求“絕對可靠”的算法邏輯下，這些信息會被視作不穩(wěn)定的波動而被丟棄，從而導(dǎo)致輸出的點(diǎn)云僅保留了極少數(shù)能量最強(qiáng)的特征點(diǎn)。

環(huán)境中目標(biāo)的相互遮蔽與掩蔽效應(yīng)也是造成點(diǎn)云丟失的重要因素。在多目標(biāo)檢測場景中，當(dāng)一個強(qiáng)反射目標(biāo)（如大型卡車）與一個弱反射目標(biāo)（如自行車或行人）處于相近的距離單元時，強(qiáng)回波會劇烈拉高局部背景噪聲的估算值。

在傳統(tǒng)的單元平均（CA-CFAR）算法中，這會導(dǎo)致弱目標(biāo)的信號由于無法超過被拉高的閾值而“沉沒”在噪聲基準(zhǔn)線以下，這種現(xiàn)象被稱為“掩蔽”。

雖然后續(xù)出現(xiàn)的有序統(tǒng)計（OS-CFAR）或最小選擇（SO-CFAR）等改進(jìn)算法試圖通過更復(fù)雜的統(tǒng)計排序來解決多目標(biāo)干擾問題，但其本質(zhì)上仍是在有限的概率分布模型內(nèi)做權(quán)衡，無法從根本上恢復(fù)那些已經(jīng)趨于湮滅的信號。

此外，毫米波雷達(dá)的信號處理還涉及到一個被稱為“點(diǎn)云合成”或“目標(biāo)聚類”的過程。由于毫米波雷達(dá)波束具有一定的寬度，一個真實(shí)的物理目標(biāo)會在距離、角度、多普勒圖譜上占據(jù)多個相鄰的格點(diǎn)。

為了降低后續(xù)計算平臺的負(fù)載，毫米波雷達(dá)內(nèi)部會將這些相關(guān)的點(diǎn)聚集成一個單一的探測點(diǎn)，并計算其質(zhì)心位置。這一過程雖然簡化了目標(biāo)的表示，但也人為地抹去了物體可能存在的空間延伸信息和幾何結(jié)構(gòu)。

在傳統(tǒng)毫米波雷達(dá)的障礙物探測邏輯中，將一輛車抽象為一個具有位置和速度的質(zhì)點(diǎn)無疑是高效的，但在追求高階自動駕駛的今天，這種做法不僅導(dǎo)致點(diǎn)云表現(xiàn)上非常稀疏，也使得系統(tǒng)失去了通過點(diǎn)云形態(tài)直接進(jìn)行語義識別的可能性。

4D成像雷達(dá)，通過增加維度與通道數(shù)實(shí)現(xiàn)突破

針對傳統(tǒng)毫米波雷達(dá)在物理分辨率與信息量上的先天缺陷，行業(yè)正在探索4D成像雷達(dá)技術(shù)。

所謂4D，是在傳統(tǒng)的距離（Range）、速度（Doppler）、水平方位角（Azimuth）之外，引入了俯仰角（Elevation）的精確測量能力，從而使毫米波雷達(dá)具備了在垂直方向上區(qū)分高處物體（如立交橋、交通標(biāo)志）與地面物體（如停止的車輛）的能力。

這一技術(shù)的提升，主要是通過大幅增加物理或虛擬的天線通道數(shù)量來實(shí)現(xiàn)的，能從根本上改變點(diǎn)云稀疏的現(xiàn)狀。

實(shí)現(xiàn)4D成像的核心在于MIMO（多輸入多輸出）技術(shù)與虛擬孔徑成像原理。在MIMO系統(tǒng)中，多個發(fā)射天線發(fā)送正交信號（通過時間、頻率或編碼方式區(qū)分），接收陣列對這些回波進(jìn)行分離處理，這種方式可以等效出遠(yuǎn)超物理天線數(shù)量的虛擬接收通道。

說得更詳細(xì)些，若雷達(dá)擁有M個發(fā)射陣元和N個接收陣元，通過相位中心的排布設(shè)計，可以合成一個擁有M×N個虛擬單元的大孔徑陣列。

虛擬孔徑的擴(kuò)大直接帶來了空間采樣密度的提升。隨著波束寬度的變窄，毫米波雷達(dá)能夠在物體表面掃過更多的空間采樣單元，原本由于分辨率不足而合并的點(diǎn)能夠被分解為具有豐富細(xì)節(jié)的點(diǎn)云簇。

這種高分辨率成像不僅解決了“看得見”的問題，更解決了“看清楚”的問題。舉個例子，在隧道入口場景中，4D毫米波雷達(dá)可以清晰地區(qū)分出上方的隧道頂部反射和下方的障礙物回波，從而避免了傳統(tǒng)雷達(dá)常見的由于誤判高度而導(dǎo)致的虛假制動。

圖片源自：網(wǎng)絡(luò)

目前4D毫米波雷達(dá)的硬件實(shí)現(xiàn)路徑主要分為芯片級聯(lián)方案與單芯片集成方案，前者通過多顆成熟雷達(dá)芯片（MMIC）的物理同步工作來快速提升通道數(shù)，后者則通過更高集成度的射頻前端設(shè)計在更小的空間內(nèi)集成更多天線，兩者各有優(yōu)劣，但目標(biāo)均指向點(diǎn)云致密化。

在硬件升級的同時，信號調(diào)制方式的革新也為提升點(diǎn)云質(zhì)量提供了可能。傳統(tǒng)調(diào)頻連續(xù)波（FMCW）毫米波雷達(dá)在處理高速運(yùn)動物體或密集多目標(biāo)時，容易在多普勒軸上產(chǎn)生相位模糊。

新一代毫米波雷達(dá)正在探索多普勒分發(fā)多址（DDMA）等先進(jìn)調(diào)制技術(shù)，通過在發(fā)射端引入特定的多普勒偏移，使不同發(fā)射天線的信號在頻域內(nèi)能夠更清晰地分離，從而在保持高刷新率的同時進(jìn)一步擴(kuò)充虛擬通道的信噪比增益。

這種精細(xì)化的能量管控，使得毫米波雷達(dá)能夠捕捉到更微弱的物體反射，從軟件層面變相提高了可用探測點(diǎn)的數(shù)量。

深度學(xué)習(xí)驅(qū)動的原始數(shù)據(jù)挖掘與感知融合

面對毫米波雷達(dá)點(diǎn)云稀疏且伴隨噪聲的問題，僅僅依靠硬件和傳統(tǒng)信號處理算法想實(shí)現(xiàn)可靠的自動駕駛，依然不足。近年來，深度學(xué)習(xí)技術(shù)的引入為解決這一難題開辟了全新的賽道。

深度學(xué)習(xí)技術(shù)核心邏輯在于改變“先過濾噪聲、后感知物體”的傳統(tǒng)流程，轉(zhuǎn)而嘗試從未經(jīng)大幅壓縮的雷達(dá)原始數(shù)據(jù)（如ADC數(shù)據(jù)或Range-Angle-Doppler張量）中直接學(xué)習(xí)環(huán)境特征，從而找回那些被傳統(tǒng)算法丟棄的信息。

圖片源自：網(wǎng)絡(luò)

深度學(xué)習(xí)模型（如PointNet、PointNet++或Graph Neural Networks）展現(xiàn)出了強(qiáng)大的抗稀疏性能力。不同于傳統(tǒng)算法依賴于硬性的閾值檢測，神經(jīng)網(wǎng)絡(luò)可以通過端到端的訓(xùn)練，學(xué)習(xí)到特定目標(biāo)（如行人、車輛）在雷達(dá)頻譜圖中的時空分布規(guī)律。

即使某些反射點(diǎn)的信號極其微弱，甚至已經(jīng)處于噪聲基準(zhǔn)線以下，神經(jīng)網(wǎng)絡(luò)也能利用周圍時空域的相關(guān)性，通過“上下文信息”來推斷該處目標(biāo)存在的概率，從而生成更加完整且具語義屬性的點(diǎn)云。

像是RadarHD等前沿模型通過將低分辨率雷達(dá)輸入與高線束激光雷達(dá)點(diǎn)云進(jìn)行真值匹配訓(xùn)練，能夠?qū)W會在極具挑戰(zhàn)性的環(huán)境中還原出類似激光雷達(dá)的致密輪廓，其生成的點(diǎn)云在物體邊界清晰度上較傳統(tǒng)方法有數(shù)倍的提升。

此外，跨幀累積與運(yùn)動補(bǔ)償算法在深度學(xué)習(xí)的加持下也變得更加智能。傳統(tǒng)的點(diǎn)云累積會導(dǎo)致運(yùn)動物體的“拖尾”現(xiàn)象，這是因?yàn)椴煌瑫r刻的點(diǎn)云被重疊在了同一空間坐標(biāo)系下而沒有考慮物體的位移。

基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）或自注意力機(jī)制（Transformer）的模型，能夠自動預(yù)測動態(tài)目標(biāo)的運(yùn)動軌跡，并根據(jù)多普勒速度信息將不同時刻的回波點(diǎn)對齊到當(dāng)前時刻。

這種“時域上的致密化”利用了物體隨時間變換的各種反射姿態(tài)，極大地豐富了物體的視覺特征，使得單幀下稀疏的散點(diǎn)最終匯聚成一個具有辨識度的形態(tài)，顯著提升了目標(biāo)檢測能力。

現(xiàn)階段，傳感器融合是克服單一毫米波雷達(dá)稀疏性的另一條路徑?，F(xiàn)如今，毫米波雷達(dá)會與攝像頭或激光雷達(dá)深度綁定。通過“前融合”或“特征級融合”策略，攝像頭捕捉到的豐富語義和幾何邊緣信息可以作為強(qiáng)有力的先驗(yàn)知識，引導(dǎo)毫米波雷達(dá)信號處理系統(tǒng)在特定區(qū)域降低檢測閾值。

如當(dāng)視覺系統(tǒng)識別出前方存在一輛黑色車輛，但由于該車吸收了較多電磁波導(dǎo)致雷達(dá)點(diǎn)云稀疏時，感知算法會動態(tài)調(diào)整該區(qū)域的雷達(dá)采樣權(quán)重，主動搜索并激活微弱的回波點(diǎn)，從而實(shí)現(xiàn)“視覺引導(dǎo)下的點(diǎn)云補(bǔ)全”。

最后的話

毫米波雷達(dá)在自動駕駛中表現(xiàn)出的點(diǎn)云稀疏問題，絕不是單一維度的缺陷，而是物理世界本質(zhì)特征與現(xiàn)有技術(shù)架構(gòu)等多個因素導(dǎo)致的。從毫米波段鏡面反射帶來的能量損耗，到傳統(tǒng)算法為降低誤報而進(jìn)行的“信息割舍”，每一個環(huán)節(jié)都導(dǎo)致了這種稀疏的特性。

隨著4D成像技術(shù)的普及，我們正在見證毫米波雷達(dá)從“單點(diǎn)探測”向“陣列成像”的方向轉(zhuǎn)變。通過MIMO技術(shù)的硬件擴(kuò)張、4D高維數(shù)據(jù)的引入，以及深度學(xué)習(xí)在原始數(shù)據(jù)挖掘中的深度滲透，毫米波雷達(dá)正逐步克服其作為“二等傳感器”的局限，向著實(shí)現(xiàn)全天候、高精度的三維環(huán)境重建邁進(jìn)。

審核編輯 黃宇