4D成像雷达专栏 | 4D高分辨毫米波雷达概述

本文首发于公众号【调皮连续波】，其他平台为自动同步，内容若不全或乱码，请前往公众号阅读。保持关注调皮哥，和1.6W雷达er一起学习雷达技术！

【正文】

编辑|雷达小助理 审核|调皮哥

---

1、概述

4D高分辨毫米波雷达(4D High Resolution Radar)，也叫做4D成像毫米波雷达，简称4D成像雷达。不论是传统毫米波雷达(mmWave Radar)，还是4D成像雷达，或者是其他汽车上使用的雷达，都可以统称为汽车雷达。

4D指的是距离(Range)、速度(Velocity)、水平角度(Azimuth)和俯仰角度或高度(Elevation)四个维度的信息，但极少数雷达厂商为了吸引投资者眼球，在4D的基础上增加上雷达散射截面积(Radar Cross Section，RCS)、微多普勒（Micro-Doppler)或者其他维度信息，自称5D成像雷达。不过业内一般仅提4D成像雷达，把RCS、微多普勒等信息当作目标的特殊属性提取特征，并采用机器学习模型实现目标分类(Classification)。上述的每一个维度的信息获取，都是4D成像雷达的一个子课题或者关键技术，后续会慢慢提及这些关键技术。

虽然，在未来4D成像雷达将承担自动驾驶关键传感器的角色，如360°环视感知、行泊一体、全自动驾驶等，但目前(2023年5月)4D成像雷达还没有大规模使用，用于车载的雷达仍旧以低成本的传统前向雷达为主。

现代雷达是一个庞大且复杂的系统，涉及天线、射频、信号处理、数据处理等“软硬算测”等多方面的内容，而毫米波雷达麻雀虽小但五脏俱全，其复杂程度没有半点降低，且面对的场景更加复杂。对天的军事雷达工作环境背景比较干净，但其模式比较复杂（如搜索、跟踪、监视、导引）。

目前，车载4D成像雷达工作模式可以说比较单一，即使目前的车载前向雷达可以具备多模功能，可同时探测“远中近”的目标。但在城市道路十分复杂的环境背景，存在多径干扰和目标形态各异等原因，要做好一款4D成像雷达并不简单。可以说很多事情都是摸着石头过河，并不是光砸钱就能解决的，而未来汽车雷达也可能具备复杂的工作模式。

本文主要介绍4D成像雷达的一些实现技术和可以拓展的功能，毫米波雷达未来的发展趋势是：小体积、低功耗、高实时性(低算力)、低成本、多模式、高分辨、智能化、全方位感知。更进一步说，目前在硬件趋于同质化的情况下，如果没有新的技术从底层硬件材料或者信号处理算法上得到突破，那么未来的雷达将在智能化方面联合人工智能(AI)算法，增强雷达的数据处理以及目标识别与分类的能力。但前提是，底层信号处理链路提供的点云能够保质保量，正所谓：兵不在多，而在精。

2、高分辨点云

与传统毫米波雷达相比，4D成像雷达的优势就是高分辨，即让目标在距离维度和角度维上的分辨率更高，得到的散点簇(Cluster)数量是传统毫米波雷达的数十倍，根据目前雷达企业的产品指标一般每秒(15~20帧)数万个点。如此密集的散点簇组合后被称为点云(Point cloud)，点云能够在一定程度上体现目标的轮廓，达到“成像”的效果，这就是4D成像雷达4D Imaging Radar）的由来，但和激光雷达(Lidar)、合成孔径雷达（SAR）相比还远远不够。

前面提到，一味追求点云数量并非明智之选，还需要保证点云的质量。点云数量多实时性难以保证，冗余的点云信息其实没有用。也就是说需要在保证点云质量的基础上，提高点云的数量，即使数量少一些也要保证质量。

4D成像雷达最具优势的特点就是提供高质量的点云，高质量的点云却极大地扩展了毫米波的应用范围，传统毫米波雷达只能在ADAS(L2和L3级别的自动驾驶)中使用。而4D成像雷达的推出，为毫米波雷达家族(前向、后向、侧向、角雷达、舱内活体检测、360环视感知)进入高级无人驾驶提供入场券，可与摄像头、激光雷达、超声波雷达同分一杯羹了。

3、4D成像雷达功能

4D成像雷达下述的功能，使其更进一步获得与激光雷达和相机相提并论的资格。

（1）360环视场景感知

（2）自动泊车（APS）或行泊一体化

（3）可行驶区域检测（Freespace）

（4）目标分类（Classification）

（5）目标局部定位（Locallization）

（6）SLAM（landmark based SLAM）

目前国内的大部分雷达厂商都还不具备量产资格，即使从2018年开始研发4D成像雷达，如今（2023年）5年的时间过去了，也只有几家企业官宣量产上车。

国外雷达企业如大陆、博世、安波福、海拉、奥托立夫等玩法诸多，有多芯片级联方案、有特殊的天线结构、布阵形式等。METAWAVE的核心技术是利用超材料构建波束扫描收发阵列，采用基于Pencil Beam的窄波束扫描整个FoV，并在算法层面引入AI Engine，实现了一款高分辨智能雷达。另外，Cognitive、Arbe、Oculii、Uhnder、Vayyar、Lunewave、Echodyne、瑞萨等公司都在相继研发4D成像雷达。

4、4D成像雷达实现方案

总的来说，目前主要有以下四种方案，未来可能还会出现新的方案。

（1）软件虚拟孔径雷达方案

本方案强调“软件定义的雷达”，主要厂家有傲酷（Oculii）、Mobileye、Zadar等。软件虚拟孔径雷达（VAR），其核心在于通过软件模拟，增大毫米波雷达的孔径以提升角分辨率。角分辨率即为雷达的指向精度。比如雷达指向精度0.01rad（换算成角度就是0.6°），则自动驾驶车辆可以在100米的距离获得1米的分辨率。在雷达中，角分辨率的高低与波长与孔径大小有关（3dB波束宽度或半功率波束宽度），即波长越长，角分辨率越低，孔径越大，分辨率越高。

传统毫米波雷达大多为24GHz，波长较长且孔径小，其特性注定角度分辨率低。倘若扩展天线的尺寸或者增加天线的数量，可以提高雷达性能，但也会显著增加成本、尺寸和功耗。而

4D成像雷达可通过虚拟孔径成像软件算法和天线设计模拟数倍、甚至数十倍天线以提升角分辨率。4D成像雷达公司傲酷（美国）推出的商用4D成像雷达EAGLE，其搭载虚拟孔径成像软件可动态发送相位调制的自适应波形。该波形可跟随环境实时变化，并随时间编码数据，从而可雷达硬件的角分辨率最高提升达100倍。最终实现水平120°和纵向30°的宽视场中提供0.5°水平x1°纵向的角分辨率。傲酷的点云数量看似很多，但其牺牲了置信度换取更高的分辨率，实则点云的质量并不高，且国内反响并不明显。

（2）专用成像雷达芯片方案

本方案主要是如Arbe、Vayyar等。成像雷达芯片是整个系统的核心，包括多种功能电路，如低噪声放大器（LNA）、功率放大器（PA）、混频器、压控振荡器（VCO）、锁相环频率综合器（PLL）、本振链路（LO）、移相器（Phase shifter）、倍频器（Frequency multiplier）、分频器（Divider）、可编程增益放大器（PGA）、滤波器（Filter）、甚至收发天线等，需要具备射频损耗小、噪声低、频带宽、动态范围大、输出功率大、功率附加效率高、抗电磁辐射能力强、收发隔离度高等特点。

目前量产的76GHz~81GHz毫米波雷达芯片技术大都采用SiGe制程，接收通道、发射通道和本振(LO)通道分开实现。目前正在向成本更低、集成度更高的硅基CMOS技术演进，从65nm、40nm逐步向28nm、16nm工艺演进，同时集成度进一步提高，实现射频前端、ADC、MCU和存储器单片全集成，达到成本低、封装小、重量轻、功耗低的设计要求。

毫米波雷达根据点云密度由低至高可分为24GHz、77GHz、79GHz三种，以前24GHz为市场主流，目前77GHz及79GHz初入量产阶段，逐渐替代24GHz。点云密度低意味着自动驾驶车辆在行驶中无法对周围行人、车辆、桩桶点云成像，使得仅搭载毫米波雷达的车辆无法在复杂路段行驶。而目前4D成像雷达普遍为77GHz及以上频段，车辆可在行驶中达到类似激光点云的成像方式。

但存在问题是，Arbe的超高通道方案目前行业整体反馈并不好，Vayyar则被TI拆解后发现造假。

（3）多芯片级联方案

本方案主要目的是以增加天线数量，提高角度分辨率，比如大陆、博世、采埃孚(ZF)、森思泰克、楚航科技、行易道等一众公司。

毫米波雷达天线的主流方案是微带阵列，利用较小的高频印刷电路板（PCB）空间产生足够的天线辐射强度，并实现与芯片的互连。基于多芯片级联的79GHz MIMO毫米波成像雷达是未来产业化方向，采用多芯片级联和微型化PCB板载天线阵列，加上雷达信号处理，可以实现面向高精度多维成像的79GHz MIMO虚拟阵列雷达，将识别精度进一步提升到微米级别，支持距离、速度、角度、高度测量和多视角可调多工作模式，实现全天候下的多维毫米波成像。

芯片级联可分为双级联、四级联、六级联和八级联4种方式，通过3发4收的芯片联为一体组成6发8收、12发16收、18发24收、24发32收芯片。然而，此种传统提高角分辨率的方式，只是简单堆砌更多芯片、更多天线。例如提高角分辨率到1度角，必须通过多个芯片级联、增加天线孔径，但缺点是雷达硬件受成本、尺寸、功耗的限制较大，部分四级联成像雷达功耗都达到25W。

（4）超材料方案

采用超材料研发新型雷达架构，代表厂家有Metawave等。通过在超材料表面上嵌入显微结构，该结构可结合电磁波传播技术，以此创建出比传统电路要小很多的电路。此类技术为代表的公司是Metawave，其SPEKTRA雷达通过模拟波束并不断转向波束，可对350米以上的车辆和200米以上的行人进行检测和分类。

Metawave采用的方法是把电磁波束紧紧地聚拢起来，让其能量集中在一处，要实现这样的效果，在数字空间（Digital Space）是办不到的，只有在模拟空间（AnalogSpace）里才能做到。实际上，WARLORD可以说是一款模拟波束雷达产品（Analog Beam Forming Radar）。WARLORD的技术特性如下所示：

（1）Metawave采用的是单天线，而非天线阵列，同时接收也是单线的。这种天线由复合超材料结构而成，每一个超材料单元（Unit Cell）都有活跃组件能够参与波束成形，还能调整波束角度，这相较于如今大部分雷达用的多天线结构有很大的优势。

（2）Metawave采用了英飞凌、NXP和TI等Tier2的芯片将天线和芯片组进行了整合。

（3）采用优越的微控制技术，比如要控制天线探测前方的物体，追踪其距离、角度、速度以及运动的方式，同时还要判断这些物体的类别，最后还要把这些经过处理的信息传送给（自动驾驶汽车）的传感器融合单元。

5、4D成像雷达算法

雷达算法分为信号处理和数据处理两个部分，信号处理偏底层，是雷达算法的关键基础技术，雷达信号处理（Radar Signal Processing，RSP），主要要包含如下几个方面：

(1)阵列天线设计

阵列天线布局设计与优化，涉及到均匀线阵(ULA)、非均匀线阵(NLA)、最小冗余阵(MRA)、嵌套阵(NA)、互质阵(CPA)，4D成像雷达的方位角分辨率和俯仰角度分辨率需要达到1°以内。

通常布阵后续的MIMO信号处理和超分辨DOA估计是联合在一起的，需要系统考虑。

(2)MIMO信号处理

MIMO信号处理主要是通道分离，主要涉及到波形设计技术，如TDMA、BPMA、DDMA、CDMA、TDMA+DDMA-MIMO等波形，另外还有采用PMCW波形。

(3) 目标检测与参数估计

雷达链路预算、CFAR、测距、测速、测角，比如FFT+插值细化。

(4) 超分辨DOA估计

FFT、DBF、Capon等算法分辨率不够，无法提供角度高分辨，因此需要采用超分辨算法，比如ROMP、IAA、DML、CS、神经网络DOA估计等。DOA算法大概有20多种，传统的毫米波雷达采用的算法还是ULA+FFT，但对于4D成像雷达还不够，一般为了满足实时性要求，在工程上大多数方案喜欢ULA(稀疏阵)+FFT粗搜+超分辨细搜方案。

(5)通道校准(Calibration)

天线通道校准是必须的，校准方面如通道幅相误差、频率误差、阵列互耦误差、阵元位置误差、方向图一致性误差、有限采样误差(Finite Samping Error)、安装误差(Mount Error)等。

(6)点云聚类算法

聚类算法并不是必须的，有时候无须聚类也行。常用的聚类算法是DBSCAN，但对于实际场景中如何区分汽车和汽车旁边的行人，并不会引起同簇分裂和异簇合并，却没有那么简单。一些新的聚类算法被提出用于提高算法执行效率或者改善聚类效果，比如多帧联合聚类(ICP)、分阶段二次聚类，或者基于Kd-tree的加速聚类算法。

(7)目标跟踪算法

目标跟踪算法主要涉及航迹起始、跟踪滤波和数据关联三大核心技术。航迹起始有逻辑法(滑窗法)、直观法、Hough变换法。跟踪滤波采用卡尔曼滤波，卡尔曼滤波有很多种，如KF、EKF、UKF、CKF。关联算法有单目标采用NN、PDA，多目标采用JPDA、匈牙利匹配。

(8)目标分类与识别算法

目标识别技术可以对被检测物体进行区分和分类，识别完成之后，就有可以针对特定类型的目标优化信号处理算法，例如，针对客车和行人可以采用不同的跟踪和滤波算法，这样可以提高雷达的检测效果，这种就有点类似于自适应动态调整。

常见的机器学习算法有KNN、SVM、随机森林、决策树等等。

(9)多传感器融合

雷雷融合、雷视融合等。

（10）可行驶区域检测

可行驶区域检测可以帮助自动驾驶汽车规划行驶路线。

上述技术的具体实现方法，本文不做详细论文，留待后续的文章中详细解析。

6、4D成像雷达效果展示

(1)ARS548

点云数量并不多，但质量是真的高。

(2)Arbe

(3)华为

（4）特斯拉

（5）傲酷

从本文开始，博主将做一个4D成像雷达专栏，主要分析当下的4D成像雷达前沿技术和工程应用技术，帮助读者认识4D成像雷达。当然，其他种类的雷达也可以借鉴4D成像雷达技术，因为大多数内容是相通的。所有文章的Word版会陆续放在了年度会员文章库中，会员可直接下载阅读。

【本期结束】

---

2023年度会员内容更新公告（05.20）

序号	类别	内容	文件路径
1	雷达文章	本文内容Wrod版	根目录雷达文章库

【点击以下链接可直达各个业务模块】

加入雷达技术交流群	加入年度会员（专属VIP群）
雷达项目交流与合作	付费咨询
商业推广合作	文章投稿指南

---

本文是空闲时个人的心得体会，仅供参考。目前我还有很多内容需要学习，如果还有没有说到或者不全面的地方，还请指正，感谢大家。喜欢本文，可以转发朋友圈。欢迎关注备用号【跳频连续波】。

---

审核编辑黄宇