随着自动驾驶技术从封闭测试场走向开放道路，环境感知系统面临的最大挑战之一并非来自繁华都市的密集车流，而是来自雨、雪、雾等复杂天气的干扰。在恶劣天气条件下，摄像头与激光雷达的感知能力显著下降，这促使行业将更多关注投向车载毫米波雷达。毫米波雷达凭借其较长的波长和穿透性，被普遍认为是对复杂天气最具耐受性的车载传感器。然而，这一认知在工程实践中正面临更为细致的审视：毫米波雷达在复杂天气下的感知鲁棒性并非与生俱来，而是依赖于从天线设计、波形选择到信号处理算法的系统性技术支撑。理解毫米波雷达在不同天气环境中的实际表现，对于构建真正全天候的自动驾驶感知系统具有基础性意义。
雨、雪、雾等天气现象对毫米波雷达的干扰机制存在差异，但共同指向信号衰减与虚假回波两大核心问题。降雨过程中，雨滴对雷达电磁波产生吸收和散射作用，其中吸收效应导致信号能量衰减，降低目标回波的信噪比，而散射效应则在雷达接收端产生体杂波，形成类似噪声的背景干扰。降雪的影响更为复杂，干雪与湿雪的介电特性不同，湿雪因含水量较高，对毫米波的衰减作用甚至超过同等降雨率的雨水。雾气由大量微小水滴悬浮构成，虽然单个体积微小，但高密度雾区的累积衰减不可忽视，尤其是在长距离探测场景中。这些天气因素共同作用于雷达回波，使得真实目标的检测概率下降，同时可能将雨雪回波误判为障碍物，导致虚警率上升。毫米波雷达在晴朗天气下的高性能表现，并不能直接外推至雨雾场景，这正是鲁棒性研究需要回答的核心工程问题。
从电磁波传播理论来看，不同频段的毫米波雷达在复杂天气下的表现存在显著差异。当前车载毫米波雷达主要工作在二十四吉赫兹、七十七吉赫兹和七十九吉赫兹三个频段。二十四吉赫兹频段波长较长，对雨雾的穿透能力相对更强，衰减系数较低，但其天线尺寸和角度分辨率的限制使其难以满足高精度感知需求。七十七吉赫兹和七十九吉赫兹频段能够提供更宽的带宽和更高的距离分辨率，但代价是大气衰减明显增加。在暴雨条件下，七十七吉赫兹雷达的探测距离可能下降百分之三十至百分之五十，而二十四吉赫兹雷达的衰减幅度相对较小。这一特性决定了单一频段难以同时满足远距离探测与高分辨率成像的需求。因此，部分研究开始关注多频段融合的技术路径，利用低频段的强穿透性保障基本探测距离，同时借助高频段的高分辨率完成目标识别与分类，在复杂天气下实现性能互补。信号处理算法对提升毫米波雷达在复杂天气下的感知鲁棒性具有决定性作用。原始回波中包含来自雨雪粒子的杂波，这些杂波的频谱特性与真实目标存在可区分的特征。雨杂波通常呈现较为均匀的分布和较低的径向速度，而车辆等移动目标的回波具有明确的多普勒频移。通过时频分析和多普勒滤波技术，可以在速度维度上分离静止杂波与运动目标。然而，在暴雨或暴雪场景下，雨雪粒子的下落速度可能达到每秒两米至八米，其产生的多普勒频移与慢速行驶的车辆或行人目标重叠，导致传统滤波器难以有效区分。针对这一难题，基于深度学习的杂波抑制方法被引入毫米波雷达信号处理链路。卷积神经网络能够从距离-多普勒谱中学习雨雪杂波与真实目标的细微差异，通过训练大量标注数据，网络可以自适应地提取判别特征，在保持目标检测率的同时降低虚警率。这一方法已在实测数据中验证了有效性，在降雨强度为每小时二十毫米的条件下，目标检测的准确率提升幅度超过百分之十五。
雷达波形设计同样是提升感知鲁棒性的重要技术维度。传统毫米波雷达多采用调频连续波波形，其优点在于结构简单、功耗较低，但在复杂天气条件下存在固有局限。调频连续波雷达对强杂波场景的适应性不足，当雨雪回波能量较强时，接收链路可能进入饱和状态，导致目标淹没在噪声中。随机跳频波形和相位编码波形作为替代方案，能够通过改变发射信号的时间-频率结构，使真实目标回波保持相干性而杂波呈现非相干特性，进而在信号处理阶段实现杂波抑制。调频连续波与脉冲多普勒波形的混合设计也受到关注，前者负责中短距离的高分辨率探测，后者用于长距离低衰减的目标搜索，两种模式根据天气条件动态切换。在雨雾天气下，系统自动增加脉冲多普勒模式的工作周期，以衰减换取探测距离的稳定性。这种自适应的波形调度策略，使得毫米波雷达能够在不同天气条件下维持相对一致的感知性能。
多传感器融合架构为弥补毫米波雷达在复杂天气下的性能波动提供了更高层级的解决方案。摄像头在雨雾天气中受镜头遮挡和能见度下降的影响严重，激光雷达在降雪场景中因雪花散射产生大量噪声点云，而毫米波雷达恰好在这类场景中保持相对稳定的探测能力。反过来，在晴朗天气或雨势较小时，摄像头提供的目标类别信息和激光雷达提供的精细轮廓信息可以补充毫米波雷达在角度分辨率和目标分类上的不足。融合系统的关键在于建立基于天气条件的置信度评估模型，动态调整各传感器在融合计算中的权重。当雨水传感器检测到降雨强度超过某一阈值时，系统自动降低摄像头检测结果的置信系数，同时提高毫米波雷达的权重。更进一步的融合策略将天气模型引入贝叶斯估计框架，使得融合算法能够根据降雨、降雪或雾霾的不同类型，自适应地选择卡尔曼滤波的参数配置。这种基于环境上下文的融合方法，使得整体感知系统的鲁棒性超越了单一传感器的性能上限。
车载毫米波雷达在复杂天气下的感知鲁棒性是一项从硬件到算法、从单节点到多系统的综合性工程课题。电磁波频段的选择决定了抗衰减的基本能力，波形设计影响对杂波的区分度，信号处理算法负责从干扰中提取有效信息，而多传感器融合则从系统层面实现鲁棒性的跃升。当前产业界已逐步认识到，简单宣称毫米波雷达具备全天候感知能力是一种过度简化。实际道路测试表明，在特大暴雨或暴雪天气下，即使是性能领先的七十七吉赫兹雷达，其有效探测距离和角度精度也会出现不可忽视的下降。这种下降并非毫米波雷达自身的缺陷，而是电磁波物理规律在极端条件下的必然体现。因此，工程实践的合理路径并非追求绝对鲁棒，而是通过多频段协同、智能信号处理与自适应融合架构，在可接受的硬件成本范围内，将毫米波雷达在复杂天气下的性能衰减控制在自动驾驶系统能够安全应对的范围内。这一方向的研究成果正在逐步从实验室走向量产车型，为自动驾驶系统在雨夜高速、雪地乡村道路等高风险场景中提供不可或缺的感知支撑。
