随着自动驾驶技术从辅助驾驶向高阶自动驾驶演进，环境感知系统的可靠性与精度要求显著提升。高阶自动驾驶意味着车辆需要在更多场景下独立完成感知、决策与控制，人类驾驶员的接管频率大幅降低。这一转变对环境感知传感器提出了更高要求：必须在各类天气与光照条件下持续提供稳定、准确的周边环境信息。在目前主流的感知方案中，摄像头、激光雷达与毫米波雷达构成了三大核心传感器。摄像头在目标分类方面具有天然优势，但在强光、逆光、雨雾等条件下性能下降明显。激光雷达能够提供高精度的三维点云信息，但其成本仍然较高，且在雨雪、雾霾天气中的穿透能力有限。毫米波雷达则凭借其独特的物理特性，包括全天候工作能力、直接测量速度的能力以及较远的探测距离，正在成为高阶自动驾驶系统中不可或缺的核心感知传感器。其技术原理、信号处理架构以及性能优化方法，直接决定了自动驾驶系统在复杂交通环境中的安全边界。
毫米波雷达的技术原理决定了其在高阶自动驾驶中的独特价值。毫米波雷达通过发射调频连续波信号并接收目标反射的回波，测量目标的距离、速度与角度三个维度的信息。与可见光或红外传感器不同，毫米波波长较长，能够穿透雨雾、灰尘、烟雾等视觉障碍物，同时不受光照强度变化的影响。这一特性使得毫米波雷达在夜间、雨雪天气、隧道出入口等摄像头容易失效的场景中，依然能够稳定工作。更为关键的是，毫米波雷达利用多普勒效应直接测量目标的径向速度，这一能力在动态交通环境中极为重要。当自动驾驶车辆需要判断前方车辆是否在减速、侧方车辆是否在切入本车道时，速度信息的实时性与准确性直接影响决策的正确性。相比之下，摄像头与激光雷达需要通过多帧之间的位置差分来推算速度，不仅存在延迟，在目标被遮挡或距离较远时误差也会增大。毫米波雷达的速度测量是瞬时的、直接的，能够为预测模块提供更可靠的输入。此外，毫米波雷达的探测距离通常可达两百米以上，远距离检测能力为高速公路场景下的紧急制动与巡航控制提供了充足的反应时间。这些技术特性共同构成了毫米波雷达作为核心感知传感器的物理基础。
毫米波雷达的信号处理架构决定了其输出信息的质量与可靠性。从原始的回波信号到最终的目标列表，需要经过多个信号处理环节。第一环节是距离维的快速傅里叶变换，将时域信号转换为频域信号，从中提取不同距离对应的频率成分。第二环节是多普勒维的快速傅里叶变换，在距离维处理的基础上进一步分析速度信息。这一系列变换完成后，得到的是距离-多普勒谱图，图中每个峰值对应一个潜在的反射点。随后进行恒虚警率检测，该算法根据局部噪声水平动态调整检测阈值，从背景噪声中提取有效目标。恒虚警率检测的性能直接影响雷达的检测概率与虚警率，阈值设置过低会导致大量虚假目标输出，增加后续数据处理负担；阈值设置过高则会漏检真实目标，造成安全隐患。检测到的目标点经过角度估计环节，利用多个接收天线之间的相位差计算目标的方位角与俯仰角。角度分辨率由天线孔径决定，更多数量的收发通道能够获得更精细的角度分辨能力。最后，通过聚类算法将属于同一物理目标的多个反射点合并为一个目标，并输出该目标的距离、速度、角度以及反射强度等信息。这一信号处理链条的每一个环节都存在优化的空间，整体性能取决于各环节的协同设计而非单一环节的先进程度。
毫米波雷达在高阶自动驾驶中的核心挑战在于分辨率与点云密度的提升。传统车载毫米波雷达普遍采用三发四收的天线配置，角度分辨率较低，输出的目标点较为稀疏。这种稀疏点云在简单场景中足以支持自适应巡航或自动紧急制动等功能，但在城市交叉路口、拥堵路段等复杂场景中，稀疏的点云难以区分相邻的多个目标。例如，当本车前方有一辆摩托车与一辆轿车并行行驶时，低分辨率雷达可能将两者合并为一个目标，导致感知系统无法准确判断摩托车的运动状态。为了解决这一问题，高阶自动驾驶系统开始采用成像毫米波雷达。成像雷达通过大幅增加收发通道的数量，例如采用十二发十六收的配置，将角度分辨率提升到可分辨相邻行人的水平。更多的通道意味着雷达能够输出数百甚至上千个点云，其密度接近低线束激光雷达的水平。这些点云不仅包含位置与速度信息，还包含目标的雷达散射截面积信息，不同类型的物体具有不同的雷达散射截面积特性，为目标的分类提供了额外依据。成像毫米波雷达的出现，使得雷达从单纯的测距测速传感器演变为具备目标轮廓感知能力的传感器，缩小了与激光雷达在环境建模能力上的差距。
毫米波雷达在实际应用中面临的主要技术问题包括多径反射、旁瓣干扰与稀疏点云的稳定跟踪。多径反射是指雷达信号经过地面、护栏或其他大型物体的二次反射后到达目标，再反射回雷达的情况。多径反射产生的虚假目标通常位于真实目标附近的特定位置，其运动速度与真实目标存在关联性。通过分析目标的运动轨迹与反射强度的变化规律，可以有效识别并滤除多径造成的虚假目标。旁瓣干扰源于天线阵列的方向图特性，强目标通过旁瓣进入接收通道时会产生角度估计错误的虚假目标。采用窗函数加权或自适应波束形成技术可以抑制旁瓣电平，降低旁瓣干扰的影响。目标跟踪是毫米波雷达数据处理的核心环节，由于雷达检测到的目标点存在漏检与虚警，且目标点与物理目标之间的对应关系不确定，需要使用跟踪滤波器对目标状态进行估计与预测。常用的跟踪框架包括联合概率数据关联与多假设跟踪等算法。联合概率数据关联计算每个检测点与每个已有目标之间的关联概率，适用于目标数量较少且相对分散的场景。多假设跟踪维护多个可能的关联假设，并在接收到新的检测点后更新各假设的概率，剪除低概率假设以控制计算量，适用于目标密集的复杂场景。跟踪滤波器的设计需要在跟踪精度与计算复杂度之间取得平衡，同时需要处理目标的出现、分裂、合并与消失等生命周期事件。
毫米波雷达与其他感知传感器的融合是发挥其核心作用的关键环节。单一传感器无论性能如何优越，都存在固有的局限性。毫米波雷达在金属物体检测方面具有优势，但对行人、自行车等雷达散射截面积较小的目标，检测距离与可靠性均有所下降。摄像头在目标分类与车道线识别方面表现优异，但在恶劣天气与强逆光条件下性能受限。激光雷达提供高精度的距离信息，但在雨雪天气中可能产生噪点。高阶自动驾驶系统采用前融合或后融合的方式，将多个传感器的输出进行综合处理。后融合是指各传感器独立完成目标检测后，在目标层级进行关联与融合。这种方式的优点在于各传感器保持独立，系统架构清晰，缺点是当一个传感器漏检时，融合结果也会受到影响。前融合是指在原始信号或特征层级进行融合，例如将雷达的距离-多普勒谱图与摄像头的图像特征进行空间对齐后联合处理，能够在更早的阶段利用多模态信息。前融合对时间同步与空间标定的要求更高，但理论上能够获得更好的感知性能。在实际工程中，毫米波雷达提供的速度信息常被用作融合系统的关键参考，用于判断其他传感器检测到的目标是静止还是运动，以及估算目标的未来运动轨迹。通过多传感器融合，毫米波雷达的全天候测速能力与摄像头的高分辨率分类能力形成互补，共同构建出覆盖各种工况的环境感知解决方案。这种互补关系使得毫米波雷达在高阶自动驾驶感知架构中占据了不可替代的核心位置。
