万字长文讲清楚4D毫米波雷达

交流群 | 进“传感器群/滑板底盘群”请加微信号：xsh041388

交流群 | 进“汽车基础软件群”请加微信号：Faye_chloe

备注信息：群名称 + 真实姓名、公司、岗位

几个月前，笔者向一位同时做激光雷达和4D毫米波雷达的朋友提了一个问题：这两类产品你们都做，那你们是如何看4D毫米波雷达“干掉低线数激光雷达”的可能性呢？  

这位朋友没正面回答我，反而追加了一个问题：问题是，现在还能看到所谓的“低线数激光雷达”吗？

笔者突然意识到一个问题：16线、32线甚至64线激光雷达的存在感确实越来越弱了。事实上，随着激光雷达的线数越做越高，今后，96线、128线或将成为“低线数激光雷达”。

那么，干掉16线、32线激光雷达的究竟是96线、128线激光雷达，还是4D毫米波雷达呢？这是一个很有意思的话题。

九章智驾最近推出了《4D毫米波雷达报告》——

前言：

毫米波雷达，在自动驾驶传感器配置中的地位，正在快速上升。

随着自动驾驶能力的持续提升，自动驾驶系统在车辆行驶过程中的参与程度不断上升，传统毫米波雷越来越力不从心了。为满足高级自动驾驶系统的感知模块实现全目标、全工况、全天候覆盖的需求，毫米波雷达必须朝“高清”方向走。

具备“高清”特质的毫米波雷达，被称为成像雷达，或者4D毫米波雷达。

“4D”是指在原有距离、方位、速度的基础上增加了对目标的高度维数据解析，能够实现“3D+高度”四个维度的信息感知；而“成像”概念是指其具备超高的分辨率，可以有效解析目标的轮廓、类别、行为。

同样面对前方障碍物，毫米波雷达只能接收到有限的返回信息点，仅能判断出前方有障碍物，而4D毫米波雷达则可以接收数十倍的返回信息点，进化出像激光雷达一样的高密度点云，能进一步探测出物体的形状，甚至是结合算法识别出物体。

这意味着，相比于传统的毫米波雷达，4D毫米波雷达系统可以适应更多复杂路况，包括识别较小的物体，被遮挡的部分物体以及静止物体和横向移动障碍物的检测等。

而正是凭着这些特质，4D毫米波雷达的出现，瞬间拉升了毫米波雷达的“逼格”

4D毫米波雷达市场上的活跃玩家，既有大陆、采埃孚、安波福这样的传统Tier 1，有Waymo、Mobileye及华为这种科技巨头，也有Arbe、傲酷、森思泰克、纳瓦电子、几何伙伴等诸多初创公司。

一．毫米波雷达正在争取从配角上升为主角

2020年下半年以来，如果某款新发布的量产车型上即将搭载激光雷达，那车企在PR的时候一定会非常高调地把这个“加分项”浓墨重彩一番，尤其是，激光雷达的供应商名称也一定会被“大书特书”。相比之下，陪伴汽车产业走过了几十年的毫米波雷达，则未能享受这样的殊荣。

因为，站在车企的角度，激光雷达这样的“明星零部件”及供应商，能提升自己的品牌价值；相比之下，毫米波雷达“实在太普通了”，不过，这种情况正在发生变化。如在2021年3月，上汽R品牌发布新车SUV ES33时，就非常高调地说“将搭载采埃孚的4D毫米波雷达PREMIUM”。

而这一变化的背后是，与传统的毫米波雷达相比，性能更强大的4D毫米波雷达正在争取成为一种能“独当一面”的传感器，它被寄希望于能使毫米级雷达从配角转向主角。

与摄像头相比，传统毫米波雷达具有很强的测距、测速能力，并且还不受天气和能见度干扰，但由于分辨率不够，在需要将前方障碍物（尤其是小目标物）及两边的树木、路沿的轮廓清晰地勾勒出来的时候，传统毫米波雷达常常表现得力不从心。

相比之下，4D毫米波雷达由于有更多的天线数，角度分辨率、速度分辨率及距离分辨率都更高，因此可以在没有激光雷达参与的情况下就更有效地解析目标的轮廓、类别、行为，进而也更容易知道在什么情况下必须刹车，什么情况不必刹车。

比如，自动驾驶系统需要获取在自车前方200米处的目标车辆行驶车道偏移位置信息进行决策，而传统前雷达方位角精度约在0.3度，判断此场景下目标车辆在哪个车道会产生较大位置误差，相比之下，4D毫米波雷达方位角精度则能达到0.1度，相比传统前雷达方位提升3倍，可以将200米处更加精确车辆车道偏移信息输出到决策系统。

比如，对隐藏的车辆，传统的毫米波雷达只有20%的几率能探测到，而4D毫米波雷达ARS 540则据称有80%的几率能做到；再比如，采埃孚的长距离4D毫米波雷达，据称能接收到来自行人10个左右的数据点，它甚至可以通过测量这些数据点的移动速度来解析单个肢体的运动轨迹，从而识别行人的行走方向。

通常，毫米波雷达探测目标需要依靠角度维、高度维、距离维和速度维共同发生作用，但在两辆车同速同向行驶（离得特别近）的情况下，这两辆车实际上处于“相对静止”的状态，因此，速度维便失效了。此时，如果毫米波雷达的分辨率不够高，便很容易把这两辆车视为“同一辆车”。

而4D毫米波雷达因为点云密度比较高，哪怕速度维和距离维都失效了，“猜对”目标的概率仍然是比较高的。

况且，不同于常见的算法识别准确率容易受制于目标物样本库的不完整，4D毫米波雷达通过提高点云密度来对目标物进行分类的效率更高——减少了花在计算环节的时间，即传统毫米波雷达+算法可能需要扫好多帧才能识别出那个信号比较弱的障碍物，而4D毫米波雷达可能只需要扫1-2帧就搞定了。

还有一种常见的场景是“人车不分”：停放的车辆旁边站着一个人。

摄像头不具备穿透力，看不见；而用传统毫米波雷达来探测，由于分辨率不够，并且，车的能量密度和反射强度都比人高，因此，毫米波雷达扫在人身上的点云很容易被车给“吸走”，结果，人会被误认为是“车的一部分”。类似的是，小车和大车离得很近的时候，也会被毫米波雷达误以为是“大车的一部分”。

显然，被“合并处理”的人或小车，实际上是被传统毫米波雷达忽略不计了，这是极其危险的。但4D毫米波雷达具有“高动态的分辨率”，能分辨出在同一个场合中反射强度差别很大的多种障碍物，即大车是大车、小车是小车；车是车、人是人。在对目标解析得比较清楚的情况下，毫米波雷达便更有能力支持到决策系统。

在多传感器融合方案下，4D毫米波雷达还可以将摄像头和激光雷达“引导”到潜在风险区域，这将大大提高安全性能。 

再比如，对静止目标物的检测。由于没有纵向天线，进而无法获取高度维数据（博世、大陆的前向毫米波雷达可以输出高度维信息，但精度不够），传统的毫米波雷达难以判断前方静止物体究竟是在地面还是在空中，进而容易将井盖、减速带、路边金属等低小的“障碍物”（无需刹车）及交通标识牌、龙门架、立交桥等很高的“空中障碍物”（无需刹车）与车辆等路面上的静态障碍物（需要刹车）混淆。

鉴于此，如果将传统的毫米波雷达作为主传感器，便可能导致误刹车频发。为了避免误刹车，AEB算法便决定对毫米波雷达的置信度权重下降（甚至是将静态障碍物过滤掉），以视觉感知结果为主。这便是流传很广的“毫米波雷达无法识别静态障碍物”这一说法的真相。

然而，视觉感知的挑战在于，单目和三目摄像头必须先对目标先识别（分类）才能探测到，但识别不仅需要光线良好，而且也高度依赖于目标模型库，而模型库又不可能穷举所有类型，这意味着，很多静态障碍物成了视觉感知的“漏网之鱼”。因此&#x