毫米波雷达（mmWave Radar）角度超分辨重构算法优化可突破物理孔径限制，实现高精度测角。本文针对自动驾驶（AD）密集目标分辨需求，设计分层快速超分辨算法，结合多维降噪升级抗噪鲁棒性，解决复杂路况下角度混叠与伪检痛点，提升环境感知精度。
1. 传统毫米波雷达测角算法短板与超分辨技术瓶颈
1.1 常规波束形成算法的物理分辨率限制
常规毫米波雷达采用线性阵列布局。传统傅里叶波束形成算法（BF）的角度分辨率由阵列孔径与工作波长决定，物理上限固定。面对近距离相邻车辆、并排行人等密集目标场景，极易出现角度混叠、目标漏检与角度偏移，无法满足高阶自动驾驶的精细化感知需求。
1.2 传统子空间超分辨算法的抗噪与实时性缺陷
多重信号分类（MUSIC）与旋转子空间不变技术（ESPRIT）等子空间算法可突破物理分辨率限制。但在实际车载场景中，路面杂波与多径反射会导致协方差矩阵估计失真，引发信号与噪声子空间划分错乱。同时，传统算法迭代运算量大，难以适配自动驾驶毫秒级感知更新需求，低信噪比（SNR）场景下鲁棒性不足。
2. 毫米波雷达角度超分辨重构算法优化设计
2.1 协方差矩阵平滑修正与信号子空间优化
为解决精度低与密集目标失效问题，引入协方差矩阵（Covariance Matrix）平滑修正机制。对雷达阵列回波采样数据进行空域与时域联合平滑，抑制多径杂波与随机噪声带来的矩阵畸变。此举可优化信号子空间提取精度，提升弱目标与密集目标的角度分辨能力，从底层改善重构准确性。
2.2 分层谱峰搜索策略与密集目标角度解耦
改进谱峰搜索机制，采用粗定位与精细化分层搜索策略。先通过快速波束形成完成目标角度粗范围定位，再在局部区间开展高精度谱峰迭代搜索，降低运算量。针对近距离密集重叠目标，优化角度解耦算法，突破相邻目标角度混叠瓶颈，实现多目标精准拆分与高精度求解。
3. 复杂车载场景下抗噪鲁棒性升级核心手段
3.1 前置信号降噪预处理与自适应阈值调控
建立多层级抗噪体系。前置信号降噪采用自适应维纳滤波与小波降噪融合算法，剥离高斯噪声、脉冲噪声与路面杂波，保留有效回波特征。自适应阈值调控根据实时环境噪声基底动态调整提取阈值，高噪场景提升阈值过滤杂波，纯净场景降低阈值保障弱目标检测。
3.2 时域平滑约束与多维度特征融合抗噪
利用连续帧雷达角度、速度、距离信息的时序关联性进行时域平滑约束，修正单帧突变角度数据，抑制噪声引发的角度跳变与抖动。结合距离、速度、能量维度特征辅助角度重构，避免单一角度维度受噪声干扰失效，提升复杂场景下的算法鲁棒性与目标轨迹稳定性。
4. 算法性能验证与嵌入式部署场景适配
4.1 仿真与实车测试下的测角精度与实时性验证
仿真与实车测试表明，优化后算法相较于传统波束形成算法，角度分辨率提升，可精准分辨近距离相邻密集目标。相较于传统超分辨算法，运算耗时降低，实时性满足自动驾驶高频感知迭代需求。在低信噪比与强杂波场景下，测角误差减小，无伪目标生成。
4.2 差异化场景参数微调与低成本嵌入式部署
针对城市道路、高速路况、拥堵路段及雨雪恶劣天气等差异化场景，微调算法参数与降噪权重，实现多场景自适应适配。优化算法嵌入式部署方案，简化运算逻辑并降低硬件算力开销。该方案可低成本落地于车载毫米波雷达终端，具备工程实用性。
5. 毫米波雷达超分辨测角技术常见问题解答
5.1 毫米波雷达超分辨算法如何突破物理孔径限制？
核心在于利用信号子空间与噪声子空间的正交特性。通过构建接收数据的协方差矩阵并进行特征值分解，提取包含目标方向信息的信号子空间。结合多重信号分类（MUSIC）等空间谱估计算法，在物理孔径之外构建虚拟阵列或进行高分辨率谱峰搜索，从而实现超越瑞利限的角度分辨。
5.2 复杂车载环境下如何提升雷达测角抗噪鲁棒性？
主要依赖多维联合处理。前端采用自适应维纳滤波与小波降噪融合剥离杂波；中端引入协方差矩阵平滑修正抑制矩阵畸变；后端利用连续帧时序信息进行平滑约束，并融合距离、速度、能量等多维度特征。这种从信号预处理到特征级融合的全链路降噪策略，可有效抑制噪声引发的角度跳变与伪检。
