三维感知技术之车载毫米波雷达

 

自动驾驶进入攻坚期，三维感知系统成为智能驾驶"感官中枢"。本期介绍毫米波三维感知：鬼探头解决方案。

 

鬼探头解决方案之毫米波三维感知

毫米波雷达采用调频连续波（FMCW）技术探测物体。在特定条件下可通过多径反射间接探测被部分遮挡的物体。传统毫米波雷达通常采用2发4收的天线配置，无法提供物体的高程信息，且分辨率相对较低，因此在早期自动驾驶系统中主要作为视觉感知的辅助传感器。

当前，先进的成像毫米波雷达正被越来越多地应用于自动驾驶系统。这类雷达通过增加发射和接收通道（如8发16收等配置），可获取更丰富的3D点云数据，显著提升角度分辨率和目标分离能力。其高精度的三维感知数据能够与摄像头、激光雷达等传感器进行前融合，有效提升系统的环境感知精度和鲁棒性。

 

01 常规毫米波雷达 Radar

 

1.1 常规雷达基础原理

雷达（Radio Detection and Ranging）通过发射77GHz电磁波并接收目标反射信号实现目标探测。其核心原理包括：

1）测距：采用调频连续波（FMCW）技术，通过发射信号与回波频率差计算目标距离（公式：R=c⋅Δf2BR=2Bc⋅Δf，其中BB为带宽）。制约探测距离的因素主要是ADC采样频率，主要受ADC硬件的限制。而测距分辨率仅与带宽有关，比如4GHz的调频波下，测距分辨率可达3.75cm。

2）测速：基于多普勒效应，通过回波频率偏移获取目标相对速度。最大可测速度取决于线性调频脉冲的时间，后者越小，前者越大。速度分辨率与波长成正比，与连续调频波时长成反比，与FFT的连续数成反比。

3）测角：利用相位差法，通过多天线阵列的相位差计算方位角（公式：θ=λ2πd⋅Δϕθ=2πdλ⋅Δϕ）。波长λ越小，角度分辨率越高。天线正前方的位置，θ越小时，其分辨率越高，越靠视场角外侧，θ越大时，分辨率越低。增大接收天线RX之间距离，增加采样的通道个数，增大接收器之间的距离，增大采样通道个数，可以提高升雷达角分辨率。

 

1.2 雷达系统结构

当前毫米波雷达集成化程度非常高，典型雷达系统由 1）雷达芯片和2）天线两部分构成。

1）芯片方案

以TI AWR2944为例，毫米波雷达的中射频电路，VCO，ADC 和 MCU，DSP 均集成在单颗芯片内。

 

 

2）天线方案

（1）微带天线：

• 结构：贴片天线（矩形/圆形）、缝隙天线、行波天线。

• 特点：77GHz下传输损耗高达0.7dB/10mm，随着传输线的增长，馈线损耗逐步增大，40mm馈线损耗达3dB，探测距离受限（约200米）。

（2）波导天线：

• 结构：采用Launch On Package（LoP）技术，通过PCB波导直接传输信号。

• 特点：损耗仅0.002dB/10mm，探测距离可达400米，信噪比提升11dB。

雷达角分辨率很大取决于天线方案和设计， 波导天线相对微带天线产品，距离分辨率和精度提升25% ；FOV提升；对弱小目标的探测能力提升30%以上；方位精 度提升50%以上；俯仰分辨率可提升25%；俯仰精度可提升100% 。

 

 

02 成像毫米波雷达 Image Radar

 

2.1 Image Radar的技术突破

1）核心定义

Image Radar（4D雷达）通过多输入多输出（MIMO）技术，在传统3D雷达（距离、速度、方位角）基础上增加高程维度，输出4D张量（距离×速度×方位×高度），实现高密度点云成像。也叫4D毫米波雷达。

 

2）关键技术实现

（1）MIMO虚拟孔径：发射天线与接收阵列协同工作，在垂直方向形成虚拟孔径，实现高程测量。

（2）软件增强：

• 虚拟孔径成像：通过算法扩展有效天线间距，提升角分辨率。
• 超分辨率算法：优化FFT流程，突破奈奎斯特采样限制（如ADC采样频率决定探测距离上限）。

（3）数据格式创新：

• 4D Tensor：保留原始信号相位、幅度信息，相比稀疏点云更利于算法处理。
• SLAM方案：如DICP算法利用多普勒速度约束，结合IMU实现非结构化场景定位。

 

2.2 Image Radar芯片方案对比

要增加雷达的发射和接收通道，必然要采用天线集成能力和数据处理能力更强的芯片。当前成像雷达的芯片方案包含1）级联和2）单芯片两种。

1）级联方案（Cascading）

（1）方案：将2个集成到1个板子实现多发多收，如Tesla 3T4R（3发射通道×4接收通道）。

（2）优势：

• 通过多芯片堆叠直接提升分辨率（如距离分辨率达3.75cm@4GHz带宽）。
• 成熟技术，适配现有FMCW信号处理流程。

（3）挑战：

• 体积与功耗线性增长（每增加1片芯片，功耗提升约20%）。
• 成本高（需多片MMIC芯片+复杂PCB设计）。

2）单芯片方案（Monolithic）

（1）方案：使用一颗芯片实现多发多收。如牧野8T8R（8发射×8接收通道集成单芯片）。

（2）优势：

• 高度集成：天线、射频前端、数字处理全集成，体积缩小50%以上。
• 成本优化：减少PCB层数与连接器数量，良率提升至95%+。

（3）技术难点：

• 天线间互耦（Coupling）导致增益下降（需通过电磁仿真优化布局）。
• 射频隔离度要求高（需>30dB隔离设计）。

（4）未来趋势

• 混合架构：级联方案向"2级级联+单芯片"过渡，平衡性能与成本。
• 材料创新：采用聚碳酸酯基板（损耗角正切<0.001）替代传统PTFE，降低天线损耗。
• 封装突破：塑料金属化波导天线（成本降低40%）+ LoP技术，推动波导方案量产。

 

03 三维感知技术小结

 

3.1 各传感器对比

重点

1）双目相机提供丰富的环境信息： 这是其核心优势，为自动驾驶系统理解场景（识别物体、理解语义）提供了不可替代的基础数据。但其三维感知的有效性高度依赖良好的光照和天气条件。

2）激光雷达适应暗光和强光环境： 作为主动传感器，激光雷达不依赖环境光，能在夜间、隧道、强逆光等双目相机失效的场景下提供高精度的三维点云，极大地提升了感知系统的鲁棒性。成本是其广泛部署的主要障碍。

3）成像毫米波雷达可以探测到被遮挡的物体： 得益于毫米波的一定穿透能力和先进的信号处理技术（尤其是4D成像雷达），它能够探测到部分被前方车辆、高架桥墩等遮挡的物体轮廓和速度。结合其精准的测速能力和全天候工作特性，使其成为应对“鬼探头”等极端危险场景的关键传感器，潜力巨大。其信息丰富度（语义、细节）仍是短板。

 

3.2 总结

没有单一的传感器能完美解决自动驾驶的所有三维感知需求。实际应用中，这三种传感器（以及单目相机、传统毫米波雷达、超声波雷达）是互补和融合使用的：

• 双目相机提供基础的视觉语义理解。
• 激光雷达提供精确、可靠、光照鲁棒的三维几何信息。
• 成像毫米波雷达提供全天候条件下的精准速度信息和对部分遮挡目标的探测能力，是提升系统安全冗余的关键。

通过传感器融合技术，结合各自的优势，弥补各自的劣势，才能构建出在复杂多变环境下稳定、可靠、安全的自动驾驶三维感知系统。任何单一传感器的系统，必然有其短板。根据墨菲定律，这些短板最终会带来交通事故。