1 引言

1.1 自动驾驶感知体系概览

车辆的感知系统是自动驾驶的“眼睛”和“耳朵”，负责理解外部环境，并为决策与控制提供数据支持。主流感知体系主要由三类核心传感器构成：摄像头、激光雷达和毫米波雷达。

1.1.1 摄像头

摄像头相当于人类的视觉系统，能够捕捉丰富的颜色、纹理与语义信息。它在车道线识别、交通标志识别以及目标分类上发挥核心作用。缺点是依赖光照条件，在夜间、逆光或雨雾环境下性能明显下降。

1.1.2 激光雷达

激光雷达提供高精度的三维点云，空间分辨率极高，可精确测量目标的形状和位置。其局限在于价格昂贵、抗干扰能力相对较弱，同时在雨雪、灰尘等环境下可能受到影响。

1.1.3 毫米波雷达

毫米波雷达通过发射和接收高频电磁波测量物体的距离、速度和角度。它具有成本低、结构紧凑、环境适应性强等特点，能够在雨雪、雾霾等恶劣条件下稳定工作，是自动驾驶系统中不可或缺的稳健感知手段。

1.2 毫米波雷达的角色

1.2.1 动态目标检测优势

毫米波雷达在多传感器系统中承担关键的补充角色。它不擅长识别目标类型，但在动态目标检测上具有天然优势，能准确测量车辆、行人、自行车等的相对速度和距离。

1.2.2 复杂环境下的稳定性

在雨雾、雪天、黑夜等复杂环境下，毫米波雷达仍能可靠工作，这使其成为自动驾驶系统中不可或缺的一环。

1.3 多传感器融合的意义

1.3.1 优势互补

多传感器融合并不是简单叠加不同传感器，而是让各自优势互补、弱点互相弥补。摄像头提供“那是什么”的语义信息，毫米波雷达给出“它的距离和速度”，激光雷达提供“空间形状”。

1.3.2 提升环境理解的鲁棒性

融合算法将不同维度的信息结合，让系统形成对环境更完整、更鲁棒的理解，减少单一传感器失效对自动驾驶安全的影响。

2 技术解析：如何“看”世界

2.1 波段选择与电磁特性

2.1.1 频段选择

毫米波雷达工作在30GHz至300GHz之间，常见车载雷达主要使用24GHz与77GHz两个频段。24GHz雷达成本低、技术成熟，但带宽受限、分辨率较低；77GHz雷达拥有更宽带宽与更高距离分辨率，可在更小体积中实现更精确探测。目前主流乘用车已转向77GHz，部分高端系统甚至探索79GHz以上的超宽带方案。

2.1.2 电磁特性

毫米波波长在毫米级，这使其既能穿透一定厚度的雨雾和尘土，又能对金属物体产生明显反射，成为车辆目标检测的理想频段。相比光学传感器，它几乎不受光照变化影响；相比超声波，它能提供更长的探测距离和速度信息。

可以看出，目前3D Radar探测效果为一个平面数据，只有速度v、距离d以及角度θ信息，缺少了高度h信息，而这个在后续的4D Radar中进行了优化，后续有机会再详细看看。

2.2 距离、速度、角度测量机制

2.2.1 FMCW

目前市面上毫米波雷达基于连续波调频 (FMCW)技术，因此下面我们将以FMCW雷达指代毫米波雷达。FMCW雷达通过反射信号的相位以及频率来定位、测速、测速等，这与激光雷达周期性发射短脉冲然后通过直接测量返回时间的原理不同。

FMCW雷达系统所用信号的频率随时间变化呈线性升高。这种类型的信号也称为线性调频脉冲。下图以幅度（振幅）相对时间的（A-t）函数，显示了线性调频脉冲信号表示。

以纵轴为频率，横轴为时间，则其（f-t）图像表示如下所示：

FMCW雷达基本框架如下所示：

可以看出，FMCW雷达由下述基础组件构成：

发送天线(Tx Antenna)&接收天线(Rx Antenna)
混频器(Mixer)
时钟源(晶振)
ADC & DSP

2.2.2 距离测量

2.2.2.1 雷达信号

毫米波雷达主要依靠调频连续波（FMCW）原理，通过测量发射信号与回波信号之间的频率差，计算目标距离。FMCW优点是连续发射信号、抗干扰能力强，并且测距与测速可以同步完成。

以单个物体检测为例，使用时间对频率（f-t）图像对于 Tx、Rx 以及混频的 IF 信号的表示如FMCW测距原理信号图像所示：

可以看出混频信号IF是一个频率固定的正弦信号A \sin\big(2\pi f_0 t + \varphi_0\big)

2.2.2.2 距离计算

假设物体的距离为d，那么 Rx 与 Tx 之间的延时计算如下：

\tau = 2d/c

其中： d是距离，c是光速

注意： d是待测目标距离，而\tau是电磁波的飞行时间，由于飞行时间极短，因此如果直接对\tau使用硬件测量成本极高（参考激光雷达）。

所以：这里换一个方式，我们通过FFT反推信号的频率和相位，转换得到速度、距离等信息，推导过程如下：

高中三角函数学过，旋转角频率\omega和频率f之间关系如下：

\omega = 2 \pi f

那么对于 Rx 以及 Tx 混合得到 IF 信号的初始相位有：

\varphi_0 = w_c * \tau = 2\pi f_c \tau

其中：f_c是雷达的Tx信号的初始频率

由于：

\tau = 2d/c

因此:

\varphi_0 = 2\pi f_c 2d/c = 4\pi f_c d/c = 4\pi d/\lambda

其中，\lambda为初始信号波长(c = f_c \lambda)

其次，根据FMCW测距原理图像，可知混频 IF 信号其频率f_o为

f_o = 2Sd/c

其中：S为FMCW频率变化率，单位为Mhz/s

那么，IF 信号可以表示如下：

IF = A\sin(2\pi f_o t + \varphi_0)

其中：f_o = 2Sd/c , \varphi_0 = 4 \pi d / \lambda

到这里，我们便可以知道，对于一个反射物体，我们对 IF 信号做FFT，可以知道其频率f以及相位\varphi，那么其距离为：

d = f_o c / 2S = \varphi_0 c / 4\pi f_c

一般计算时选择频率计算即可。

变量	主要影响源	工程表现
f_{IF}	多普勒频移、采样限制	测距偏差、目标粘连
S	调频非线性、温漂	长距测距误差、全天候漂移
f_c	频段选择、频率稳定度	分辨率变化、相位抖动
\varphi_0	表面散射、多径	距离闪烁、相位不稳
c	环境折射率	轻微系统误差

2.2.2.3 多目标距离计算

对于多目标物体，IF混频信号则由多反射目标距离不同，那么反射回来图像则如下所示：

可以看出，多目标反射则对应多个Rx信号，其频率与相位均不相同。对IF信号做完FFT之后可以得到多个主干频率如下：

通过 d = fo_c / 2S 则可以分别计算出这三个物体的距离了。

2.2.2.4 距离分辨率计算

距离分辨率是辨别两个或更多物体的能力。当两个物体靠近到某个位置时，雷达系统将不再能够将二者区分开物体。傅里叶变换理论指出，通过延长 IF信号，可以提高分辨率。

但要延长 IF 信号，还必须按比例增加带宽。延长的IF 信号会产生一个有两个分离峰值的 IF 谱。

傅里叶变换理论还指出，观测窗口 (T) 可以分辨间隔超过 1/THz 的频率分量。这意味着只要频率差满足下面公式中给出的关系，就可以分辨两个 IF 单音信号。

\Delta f > 1 / T_c

其中T_c是观测时间长度，即做FFT信号时间长度。

而由于：

\Delta f = 2S\Delta d/c

则有：

\Delta d > c/2ST_c = c/2B (B = ST_c)

因此距离分辨率有：

因此，对于带宽为 Ghz 的FMCW雷达，大概为cm级别的分辨率，例如带宽B = 4Ghz线性调频脉冲带宽的的雷达距离分辨率为3.75cm：

\Delta d_{\text{res}} = c/2B = 0.0375m

2.2.3 速度测量

利用多普勒效应，雷达可测量目标相对速度。通过分析回波频率偏移，可计算出目标与自车之间的相对速度。

2.2.3.1 Radar测速信号

为了测量速度， FMCW 雷达会发射两个间隔 T_c 的线性调频脉冲。每个反射的线性调频脉冲通过 FFT加以处理，以便检测物体的距离，这个FFT称之为距离FFT。对应于每个线性调频脉冲的距离 FFT 将在同一位置出现峰值，但相位不同。该测得的相位差对应于速度为 vT_c 的物体的移动。

通过相位差公式 \varphi_0 = 4 \pi a d / \lambda我们可知：

\Delta\varphi = 4\pi \Delta d / \lambda = 4\pi v T_c / \lambda

可得:

v = \Delta\varphi / (4\pi T_c)

由于速度测量基于相位差，因为相位存在周期性为(-\pi, \pi)，因此会存在模糊性或者周期性。这种测量仅在|\Delta\varphi| < \pi时具有非模糊性。

故可知当|\Delta\varphi| = \pi雷达最大可测量的速度为：

v_{\text{max}} = \lambda / (4T_c)

2.2.3.2 同一位置不同物体速度测算

如果速度不同的多个移动物体在测量时与雷达的距离相同，则双线性调频脉冲速度测量方法不起作用。这些物体由于与雷达的距离相同，因而会生成IF 频率完全相同的反射线性调频脉冲。因此，距离FFT 会产生单个峰值，该峰值表示来自所有这些距离相同的物体的合并信号。简单的相位比较技术将不起作用。

在这种情况下，为了测量速度，雷达系统必须发射两个以上的线性调频脉冲。它发射一组 N 个等间隔线性调频脉冲。这组线性调频脉冲称为线性调频脉冲帧。

下图显示了一个线性调频脉冲帧随时间变化的频率：

距离 FFT 处理反射的一组线性调频脉冲，从而产生一组 N 个位置完全相同的峰值，但每个峰值都有一个不同的相位，包含来自这两个物体的相位成分（来自各个物体的单独相位成分由下图中的红色和蓝色相量表示）。

这个里 v1 和 v2 通过多普勒FFT则可以获取，即对n组信号的每个信号单独做FFT，具体可以参考下图：

通过多普勒FFT，便可以区分出两个不同速度物体：

其中 \omega 1 和 \omega 2 对应于各个物体连续线性调频脉冲之间的相位差，则两个物体的速度可以得到如下：

v_1 = w_1\lambda/4\pi T_c\ v_2 = w_2\lambda/4\pi T_c

2.2.3.3 速度分辨率

离散傅里叶变换的理论指出，两个离散频率 \omega 1 和 \omega 2 在 \Delta \omega = \omega 2 - \omega 1 > 2 \pi / N 个弧度/样本时，是可以分辨的。

由于 \Delta \omega 是由 \Delta \varphi = 4 \pi v T_c / \lambda 定义的，因而当帧周期为 Tf = NT_c 时，可通过数学方法推导出速度分辨率：

v > v_{\text{res}} = \lambda / 2 T_f

可知，雷达的速度分辨率与帧时间 T_f 成反比。

2.2.4 角度测量

为了获取目标的角度信息，现代雷达采用MIMO（多输入多输出）天线阵列技术。通过空间布置多个发射与接收天线，系统可虚拟出更多“合成孔径”，形成高分辨率二维角度估计能力，使雷达能判断物体的方向。

2.2.4.1 角度测量条件

FMCW 雷达系统可以使用水平面估算反射信号的角度，该角度也称为到达角 (AoA)，如下图所示：

需要注意的是雷达估算角度至少需要两个 Rx 天线，如下图所示：

2.2.4.2 角度测量推导

我们知道，对于同一个物体，两个接受天线接受的相位差为：

\Delta\varphi = w\Delta t

其中，w = 2\pi f_{c'} \Delta t = d\sin(\theta)/c

因此：

\Delta\varphi = 2\pi f_c d\sin(\theta)/c = 2\pi d\sin(\theta)/\lambda

因此，角度可以通反三角函数得到：

\theta = \sin^{-1}(\Delta\varphi\lambda/(2\pi d))

注意\Delta\varphi取决于\sin (\theta)，这被称为非线性依赖关系。

\sin (\theta)仅在\theta的值很小时，才是线性函数的近似值：\sin (\theta) = \theta。因此，估算准确度取决于 AoA，且在\theta的值很小时更准确，如下图所示：

与速度获取计算方式相似，想计算物体的角度偏差，需要计算不同接受天线之间的相位差，好了第三个角度 FFT 来了，还是参考图像如下：

2.2.4.3 最大视场角

雷达的最大角视场由雷达可以估算的最大 AoA 来界定，如下：

由于角度的精准测量受制于|\Delta \omega| < 180^\circ，对应关系有

2\pi d\sin(\theta)/\lambda < \pi

因此，角度最大为：

\theta_{max} = \sin^{-1}(\lambda/(2d))

可知：两个天线之间的间隔d = \lambda /2 会导致 ±90°的最大角视场。

2.2.5 信号处理流程

实际系统中，雷达信号处理一般包括：

距离FFT（快速傅里叶变换）提取目标距离分量；
速度FFT计算多普勒频移；
角度FFT或MUSIC算法用于方向估计；
通过CFAR（恒虚警率检测）进行目标筛选。

2.3 输出数据类型与处理流程

2.3.1 输出数据类型

2.3.1.1 目标级（Object-level）

直接输出目标的距离、速度、角度等物理属性，适用于传统ADAS场景，如ACC、AEB。

2.3.1.2 点云级（Point-level）

输出更细粒度的回波点云信息，可用于场景重建与目标分类，是“成像雷达”的核心特征。

2.3.2 信号处理流程

信号处理通常分为三层：

前端信号采集层：负责波形调制与ADC采样；
中间处理层：完成FFT、目标检测、聚类；
高层感知层：融合历史帧数据进行目标跟踪、分类与预测。

随着硬件算力提升和算法进步，毫米波雷达正从简单的“物理测量仪器”向“空间感知传感器”转型，输出数据的维度和语义都在显著提升。

3 工业视角：毫米波雷达的优势

3.1 环境适应性

3.1.1 全天候性能

毫米波雷达工作在电磁波谱的毫米波段，能穿透雨、雾、尘土等光学不透明介质。在光照不足、逆光、夜晚甚至浓雾天气下，雷达仍能稳定输出距离与速度信息，这使其在恶劣天气中成为自动驾驶系统的重要保障。

3.1.2 抗强干扰能力

毫米波雷达对强光和电磁干扰的抵抗力远优于摄像头和激光雷达。在车辆密集的城市环境中，通过码分、多普勒区分及跳频技术，多个雷达可以有效避免相互干扰，提高系统整体鲁棒性。

3.2 速度测量精度

3.2.1 多普勒效应测量优势

毫米波雷达基于多普勒效应，能够直接测量目标的径向速度，无需通过图像帧差等间接方法。测量精度通常可达±0.1 m/s，响应时间仅需毫秒级，这对ACC（自适应巡航控制）和AEB（自动紧急制动）等纵向控制功能至关重要。

3.2.2 动态目标识别

雷达的高速度敏感性使其能够实时区分静止目标与动态目标。在复杂路况中，可快速识别潜在威胁，例如突入车道的行人、自行车或迎面车辆。

3.3 探测距离与覆盖范围

3.3.1 长距离探测

在合理天线设计与功率管理下，毫米波雷达探测距离可达250米以上。相比超声波传感器的数米探测范围，雷达更适合高速场景。

3.3.2 前中短距组合覆盖

现代车辆通常采用前向远距雷达（LRR）与中短距雷达（MRR/SRR）组合，实现前方高速探测与周边近距监控的全覆盖。

3.3.3 高分辨率目标区分

77GHz雷达可通过增加带宽提升距离分辨率，使相邻目标在高密度交通场景中被有效区分，这对于自动变道、汇入、跟车等场景下的安全感知至关重要。

3.4 成本、集成度与产业成熟度

3.4.1 成本与芯片集成度

随着CMOS工艺与雷达芯片集成度提升，77GHz雷达芯片可将天线、射频、基带、信号处理单元集成在单芯片（SoC）上，实现体积小、功耗低、安装灵活的特性，从而支持大规模量产与整车部署。

3.4.2 产业链成熟度

从TI、NXP、Infineon等芯片厂商，到博世、大陆、华为、禾赛、速腾聚创等整机厂，车载雷达的国产化与功能拓展正在推进。毫米波雷达正从辅助驾驶传感器，逐步演变为自动驾驶感知的核心部件之一。

4 深度分析：毫米波雷达的局限性与挑战

4.1 角度分辨率与三维成像限制

4.1.1 角度分辨率受限

毫米波雷达的角度分辨率受天线阵列规模和波长限制。典型77GHz雷达波长约为3.9毫米。若要实现与摄像头相当的分辨率，理论上需要更多的天线单元，这在车载硬件尺寸与成本上几乎不可行。

MIMO（多输入多输出）技术通过虚拟阵列扩展提升分辨率，但仍受限于天线排布、信号相干性以及计算复杂度。相比激光雷达的厘米级空间分辨率，毫米波雷达在横向目标识别上存在明显短板。

4.1.2 三维重建的困难

毫米波雷达的点云密度低，回波稀疏且噪声大。尽管有基于深度学习的雷达成像与伪点云重建研究，但结果依然受物理信号特性限制，无法完全替代激光雷达的三维结构信息。

4.2 多目标干扰与虚假回波

4.2.1 多目标干扰

在复杂交通场景中，雷达可能同时接收到多个目标的反射信号。当目标距离、速度或角度接近时，回波信号会发生重叠或多径干扰（Multipath Interference），导致目标混叠或虚假目标。

4.2.2 虚假回波（Ghost Targets）

金属护栏、水面甚至地面反射可能生成“鬼影”，这些假目标可能导致误判，例如错误识别不存在的障碍物或漏检真实目标。行业通常通过CFAR（恒虚警率检测）、多帧跟踪以及AI分类模型抑制干扰，但在复杂环境下仍无法完全避免。

4.2.3 漏检与遮挡问题

毫米波雷达波束相对较窄，且反射信号依赖目标表面形状与材质。非金属物体（如布料、塑料、自行车轮胎）反射系数低，易导致探测概率下降。行人、自行车等低反射、动态目标尤其容易漏检。

4.3 对低反射目标的识别难题

4.3.1 行人和骑行者目标特性

行人与骑行者的雷达RCS（雷达截面积）通常在-10至5 dBsm之间，远低于汽车（约10~20 dBsm）。在远距离或低速场景下，这种差异导致检测信噪比不足，雷达系统可能无法稳定锁定目标。

4.3.2 微多普勒特征提取方法

一些雷达厂商通过“微多普勒特征提取”提升对人体动作的识别能力，例如识别行走周期或手臂摆动。但此类方法对算法算力与模型训练要求极高，难以普及至量产。

4.4 频谱、法规与产业制约

4.4.1 频谱与法规限制

毫米波雷达工作频段（24GHz、77GHz、79GHz）受各国法规严格管控。24GHz窄带雷达已逐步淘汰，77GHz段在不同地区存在带宽与功率限制。未来的79GHz超宽带雷达虽具备更高分辨率，但天线、封装与成本仍需优化。

4.4.2 产业与标准化制约

芯片工艺、封装一致性、测试验证标准尚未完全统一。不同厂商的雷达输出格式、坐标定义、时钟同步方案缺乏标准化，增加了多传感器融合系统的工程复杂度。

5 典型应用与传感器融合策略

5.1 纵向控制场景：ACC与AEB核心

5.1.1 ACC功能原理

毫米波雷达在自适应巡航控制（ACC）中，通过连续测量前方车辆的距离与相对速度，动态调整自车油门与制动，保持安全车距。核心算法基于相对速度闭环控制，对速度差Δv和距离差Δd实时计算目标加速度指令。雷达输出的速度分辨率通常可达到±0.1 m/s，远优于摄像头的视觉估计。

5.1.2 AEB功能原理

自动紧急制动（AEB）系统更强调反应速度。当雷达检测到相对速度突变且预计碰撞时间（TTC）小于安全界限时，会触发预警与制动逻辑。毫米波雷达在雨雾等复杂环境中仍能稳定工作，使其在AEB中不可替代。

5.1.3 多目标场景与跟踪机制

在多车并行或切入场景下，雷达通过多目标跟踪算法（MTT）区分各反射体，常用扩展卡尔曼滤波（EKF）或联合概率数据关联（JPDA）实现目标路径稳定识别。结合摄像头的语义信息，可提升AEB可靠性，例如动态调整TTC阈值，实现智能触发策略。

5.2 雷摄融合：互补与增强

毫米波雷达与摄像头的融合不仅是数据叠加，而是感知层的互补强化。雷达提供动态物理量，摄像头提供语义识别，两者融合可显著提高检测准确率与场景理解能力。

5.2.1 前融合（Early Fusion）

在特征提取前融合雷达点云与图像像素，实现多模态输入。计算量大，但潜力高，适合深度感知研究。

5.2.2 中融合（Mid Fusion）

分别提取各传感器特征后，在神经网络中间层融合。常用于目标检测与自由空间识别，兼顾精度与实时性。

5.2.3 后融合（Late Fusion）

各传感器独立检测后再融合结果，算法简单、可维护性强，是当前量产车普遍采用的架构。

通过多层融合，毫米波雷达弥补了视觉系统在夜间、逆光和恶劣天气下的盲区，而摄像头提供雷达无法识别的目标类别信息。

5.3 雷达与激光雷达融合

在高阶自动驾驶（L3+）系统中，毫米波雷达与激光雷达的融合成为新趋势。两者在距离测量上虽都具备高精度，但信号特性互补：

5.3.1 激光雷达特点

提供高密度点云，具备厘米级空间精度。

5.3.2 毫米波雷达特点

能穿透部分遮挡，对动态物体更敏感。

5.3.3 融合优势

融合后系统可通过AI模型在时序维度进行目标置信度重估。例如当激光雷达因雨滴或灰尘导致点云稀疏时，毫米波雷达仍可维持稳定目标追踪。

5.3.4 融合架构示例

雷达辅助激光雷达跟踪：激光雷达负责空间几何识别，雷达补充速度信息。
多雷达成像+激光点云融合：用于感知盲区补偿与置信度校正。

随着算力平台与高速通信总线（如以太网TSN）成熟，这类多模态融合系统将逐步成为中高端车型标配。

6 Bad Case & Corner Case 实例

6.1 虚假目标（False Target）

Case 1：双侧强反射物体导致的虚假检测

现象：当雷达两侧存在大型卡车等强反射物体时，中间区域可能出现虚假目标，而真实目标反而无法被检测。
原因：雷达角分辨率不足，多个强反射体的能量在波束内混叠，导致信号算法误判中间方向存在目标。

Case 2：单侧强反射体的“Grating Ghost”

现象：当雷达一侧存在大型反射体（如货车车体）时，其旁侧会出现虚假目标。
原因：雷达天线副瓣接收了强反射信号的能量，形成相位相反的虚假峰值，这类虚假目标被称为“Grating Ghost”。
Grating Ghost原理：当发射阵列间距接近波长整数倍时，副瓣方向产生空间混叠，导致信号在特定角度被虚假检测。