在汽车智能化浪潮中，环境感知系统如同车辆的感官，是决策与控制的基石。传统感知方案，无论是基于摄像机的视觉感知，还是基于超声波、激光或传统毫米波雷达的探测，都存在各自的局限性。视觉系统易受光照、天气影响，缺乏精确测距能力；激光雷达虽精度高，但成本昂贵，且在雨雪雾霾等恶劣天气下性能严重衰退；传统毫米波雷达虽有出色的测速测距能力和全天候工作特性，但其角分辨率低，难以形成可用于物体识别与分类的精细点云图像。在此背景下，一种能够融合传统毫米波雷达优势并大幅提升分辨能力的技术应运而生，这就是4D成像毫米波雷达。它不仅仅是雷达技术的渐进式改进，更是一次旨在重塑汽车视觉体系的跃迁，其核心在于提供一种全天候、高分辨率、具备“成像级”感知能力的传感器模态。
要理解4D成像毫米波雷达的突破，首先需审视传统毫米波雷达的瓶颈。传统车载毫米波雷达，主要工作在24 GHz和77 GHz频段，通过发射调频连续波并处理回波信号，可以精确获取目标相对于雷达的径向距离和径向速度（多普勒速度）。然而，在水平方位角和垂直俯仰角这两个空间维度上，其分辨率长期以来处于较低水平。这主要是受限于物理天线孔径尺寸。根据阵列天线理论，天线的角分辨率与天线孔径成反比，与波长成正比。毫米波波长相对较短，但受限于成本和车载空间，传统雷达的天线阵元数量有限，导致其形成的波束较宽，无法精确区分空间中角度相近的多个目标。例如，一辆车前方有多位行人并排站立，传统雷达可能只能识别为一个“大目标”，而无法分辨个体。这种低角分辨率使得雷达点云非常稀疏且轮廓模糊，难以用于精确勾勒物体轮廓，更无法支持基于点云形状的物体分类（如区分行人、自行车、汽车）。因此，传统雷达主要扮演辅助角色，用于目标的存在性检测、测距测速，以及作为自适应巡航控制、紧急制动等功能的触发传感器，其“视觉”能力是有限的。
4D成像毫米波雷达正是为了突破这一分辨率瓶颈而生。所谓“4D”，是指在传统雷达提供的距离、速度两个维度的信息基础上，增加了高分辨率的水平方位角和垂直俯仰角信息，从而构成了一个完整的四维数据空间。实现这一目标的关键技术路径在于大规模扩展天线阵列的规模。通过采用多发多收的天线架构，并利用虚拟孔径原理，可以在不显著增加物理天线尺寸的前提下，合成一个具有等效数百甚至数千个虚拟阵元的大规模天线阵列。例如，一个拥有12个发射通道和16个接收通道的芯片级系统，理论上可以形成192个虚拟通道。结合先进的数字波束形成算法，这些虚拟通道可以对空间进行精细化扫描，生成高密度的点云图像。高密度点云意味着雷达能够探测到目标表面更多的反射点，从而勾勒出更接近真实物体几何形状的轮廓。这使得雷达的输出不再是几个孤立的点，而是能够呈现出类似于低线数激光雷达所生成的、具有一定“图像”特征的密集点云。这就是“成像级”感知的物理基础。
这种成像能力的提升带来了感知性能质的飞跃。首先是探测精度与分辨率的革命性进步。高分辨率角度测量使得系统能够精确分离横向和纵向空间上紧密相邻的目标。在高速公路上，它可以清晰分辨出同车道内的前车和相邻车道上的车辆，甚至能区分出大型车辆的多个部件。在城市复杂路口，它可以有效区分路缘、交通标志杆、静止的车辆和行人，显著降低误报率。其次是目标分类与辨识能力的根本性增强。密集点云蕴含了目标的形状、尺寸、表面结构等丰富信息。通过将这些点云特征输入经过训练的机器学习模型，系统可以实现对常见交通参与者乃至部分静态物体的可靠分类，甚至能进一步识别出行人的姿态或车辆的朝向。这一能力部分弥补了传统雷达无法识别物体类型的短板，使得雷达成为一个可提供语义信息的感知源。再者，是高度信息的有效获取。传统雷达基本不提供可靠的垂直高度信息，而4D成像雷达通过垂直方向的高分辨率，可以测量目标的高度，从而准确判断前方障碍物是路面的减速带还是上方的桥梁或交通标志，这对于自动驾驶路径规划至关重要。
4D成像毫米波雷达的工作流程集成了射频、信号处理和人工智能等多个前沿领域。其射频前端通常采用高度集化的芯片，负责在77-81 GHz频段内生成和发射宽带信号，并接收微弱的反射回波。宽带信号是实现高距离分辨率的前提。接收到的模拟信号经过下变频和模数转换后，进入数字信号处理域。这里首先进行距离-多普勒处理，为每个分辨单元计算其信号强度。随后，核心的DBF算法开始工作，对每个距离-速度单元的信号，利用所有虚拟通道的相位信息，在方位和俯仰两个维度上进行空间谱估计或波束扫描，计算出该单元内信号在空间中的具体角度，最终形成包含距离、速度、方位角、俯仰角和反射强度的四维点云数据。由于数据量巨大且包含噪声和杂波，后续需要经过密集的点云聚类、跟踪和滤波处理，以形成稳定、连续的目标轨迹。最终，分类算法基于点云簇的几何特征（如尺寸、形状、速度分布、雷达散射截面积变化模式）进行物体类型判别。整个处理链路对计算平台的算力提出了很高要求，尤其是实时DBF和神经网络推理，需要专用的高性能处理器或片上系统支持。
从系统融合的角度看，4D成像毫米波雷达正在重塑多传感器融合的范式。在传统的“摄像头主导，雷达辅助”的融合方案中，雷达主要提供冗余的距离和速度验证，并弥补摄像头在恶劣天气下的性能短板。而4D成像雷达提供的密集点云和分类信息，使其能够与摄像头和激光雷达进行更深层次、更前端的融合。例如，在特征级融合中，雷达点云特征可以与摄像头提取的图像特征进行关联和互补，提升障碍物检测的置信度，特别是在光线不足或摄像头被强光致盲的情况下。在目标级融合中，雷达自行生成带有分类标签和精确运动状态的物体列表，可以与视觉感知结果进行决策级融合，形成更鲁棒的环境模型。对于采用激光雷达的系统，4D成像毫米波雷达可以作为一种极具成本效益和可靠性的补充，在雨雾天气下提供比激光雷达更稳定的性能，并在远距离探测上展现出成本优势。它甚至在某些对成本敏感的应用中，被视为实现部分激光雷达功能（如构建环境轮廓）的潜在替代方案，尽管在绝对点云密度和精度上仍存在差距。
4D成像毫米波雷达的应用价值已开始在高级驾驶辅助系统和自动驾驶系统中显现。在高速公路驾驶场景，它能够实现更远距离、更精准的车辆和障碍物探测，支持更平顺、更安全的自动变道和导航辅助驾驶功能。在城市复杂环境，其强大的静止物体检测和分类能力，有助于系统准确识别路边停放的车辆、行人、骑行者和各种道路设施，显著提升城市自动驾驶的可行性和安全性。在泊车场景，高分辨率点云能够精确构建车辆周围三维空间地图，实现更精准的自动泊车和遥控泊车。此外，其对高度信息的感知能力，使得车辆能够更好地理解道路拓扑结构，例如识别匝道、隧道入口等。由于其全天候工作的特性，4D成像毫米波雷达在提升ADAS系统功能安全等级、确保其在各种气候条件下的可用性方面，具有不可替代的作用。
