一文了解4D毫米波雷达的优势

4D毫米波雷达高度探测的优势—精确探测俯仰角度，获取目标真实高度信息

我这里放了一张图，是华域4D毫米波雷达l230实测的一张图这里面放的都是没有跟踪过的结果原始点云。左上角的摄像头是在车上装了一个摄像头，帮助大家去理解这个环境。左下角的原始点云是一个鸟瞰图，右边的我们稍微有点侧角可以帮助大家来看它是有一定的不同的高度的分布的。这个右边的框有个虚框，这个表示我们自车。

为了直接表示这个点云它的高度，我们把它显示的时候把它按不同的高度用不同的颜色做了区分，这里边红色的区域是表示超过3米的比较高的目标，然后下面这个白色的是表示它靠近地面的目标。从这里面可以看到它有很多原始点反射出来，每一个点都告诉我们说它是一个高处的障碍物，这就是我们跟传统的雷达它有一个非常直观的区别。

传统雷达的高度探测能力如何？

一般来说传统毫米波雷达的高度测试都是针对于静止目标，因为对于传统雷达来说，运动目标我们一般不假设它是一个在高处悬空的东西，或者是在地面的东西，一般认为它是一个正常的在道路上行驶的东西，这样的话也是合理的，也就是规避了对运动目标做精确的高度检测这么一件事情。

但是对于静止的障碍物的话，这个就很重要了，我们一定要能搞得清楚，前面雷达检测到的一个目标，它到底是地面上的一个可通行的目标，比如说像减速带或者施工的铁板，还是我们正前方的，比如是一辆禁止的车辆，还是高处的一个路牌或者是一个桥？

我们传统的雷达因为一定要应对这些场景，所以也是对于高度探测这块也做了很多的工作。比如我这边拿一个普通的三发四收的前雷达举例子的话，可能三个发射，我们还要把它再分成其中两个发射。比如说做远距离的探测，因为这时候这两个天线会做增益比较高，波速比较窄，然后第三个发射可能做近距离它波速比较宽。

4个接收的话，可能除了水平排布以外，可能还会有1个通道在俯仰位会有1个错开，当然这个不是绝对的，这个是一种比较典型的布阵。基于这个布阵的话，就可以看到大家知道我们雷达侧角的话，其实都是基于接收通道，或者说等效完以后的阵列中接收通道之间的相位差，利用这个相位差来解算我们的角度，我们可以看到图上俯仰位也有一个错开的基线，基于这个基线我们可以去结算俯仰的高度，也就是目标的高度。这也是为什么我们看到传统的雷达，它其实上面也会标这样的一个指标，比如说负向检测的角度的精度，甚至精度可能可以达到很高。

实际上来说的话，传统雷达都会去利用多帧的统计的信息去做一些判断。我这边举一个例子，我们还是利用俯仰角的信息，它虽然受多晶影响已经不准确了，比如说左边这个图是一个靠近路牌的时候，再自测到靠近路牌，然后测得的一个俯仰角，横轴是这个距离，可以看到在不同的距离下，它的测到的俯仰角的抖动是比较大的。

同样我们上面一张图右面这个图是假设我们前面是一个禁止的车辆，我们测得的俯仰角它的抖动也是有时候是正的角度，有时候测出来是负的角度，但是我可以看到它的均值差还是有一些特点，所以我们在传统雷达里，我们利用多帧统计到的信息，再结合一些其他的特征，像他们rcs的变化，其他一些特征来做这个高度探测，这样做带来的一个问题就是实际上他的致信度是比较低的。

传统雷达高度探测的缺点—对静止障碍物高度探测不准确，在融合系统中置信度低。

我们传统雷达因为对禁止障碍物高度探测不准确，在这个领域它在融合系统中置信度低，所以在很多事故里面也可以我们直接看到影响，比如说我这里边找了两个例子都是特斯拉的，就是说它都是车辆直接撞到了前面的一个大型的反射体。对于雷达来说的话，它前面是一个这么大的车辆，它是不可能没有反射信号的，应该说这个反射信号按照正常来说它是很强的。

但由于对障碍物的高度探测不准确，即便雷达检测到了有障碍物。但因为置信度的问题，如果视觉系统觉得没有障碍物那么系统依然会选择相信视觉而不是雷达，最终判断没有障碍物导致车辆直接撞了上去。

雷达作为一个传感器来说它最大的功能，就是要准确的描绘周围的环境，我们周围的环境的物体怎么把它分开，对于雷达来说的话，至少可以从三个维度，就是距离速度还有角度，这三个维度我们都可以去把周围的环境刻画的更精确。

关于距离

对于雷达来说的话我们距离的分辨率它是直接跟我们的带宽有关系的，那也就是说我们带宽越宽它的具体覆盖率就越高。所以说我们如果现在76~77或者70~79，我们有大概接近一个g或者接近三个g带宽的话，其实这个距离分辨率是相对来说已经是做到各个传感器里面很好的一个级别

关于速度

速度的精度和分辨率，其实它都跟我们发播的时间有关系，在每一帧里边我们发播发多长时间，现在我们基本上哪怕是传统的雷达精度和分辨率，大概也都能做到0.1毫米每秒这个量级，所以说这个也是一个毫米波雷达最大的优点。 

关于角度

这里重点分享一下角度 因为对于毫米波雷达来说跟其他传感器，尤其是激光雷达和视觉传感器相比，它最大的缺陷就在于它角度分辨率不足，因为角度分辨率不足，角度精度和角分辨率都受限的情况下的话，对于传统雷达来说，最复杂的一个场景就是所谓的大家经常讲的同距同速的场景，同距同速就是说两个目标或者多个目标，它距离也相同或者速度也相同，这两个同时条件满足的情况下，如果我们要准确的把这个场景还原的话，我们就需要从角度上把它们能分辨开。

4D毫米波雷达角度分辨率的话，基本上跟我们天线的口径等效完以后的口径有关系，然后加上算法的话，我们大概可以再继续提高2~3倍，这个口径的话基本上跟我们的通道数是密切相关的，这也是为什么说我们4d雷达的可以进一步的去提升这个角度的分辨率，而且就是因为雷达测到的距离和速度其实都是镜像的速度和距离，这个点和雷达的直接的连线，它的距离，它的速度，但是这是一个g坐标下的距离和速度，但是如果把它还原到真实的环境中，要变成一个直角坐标系的话，它都需要再去跟角度发生关系。

比如说镜像距离它可能要乘以一个它的夹角，才知道它到底x方向离我们车有多远，y方向离我们车有多远，但是因为角度的精度和分辨率都受限的话，其实这个也会导致我们现在距离和速度本身实际上不像是我们在理想条件下只能测到那么好。所以对于4d雷达来说，我们口径大了以后，我们提高了它的精度和分辨率。

从这个图上来看的话，在大概50米的地方站了两个人，这两个人他相距大概1.8米，也就是按照角度算下来的话，大概两度的分辨率的时候，可以一直稳定的把这两个行人的点把它区分开。这样的话就是说我给了我们一种可能性就是说实现这种复杂场景下的多目标跟踪，尤其是在低速的场景下，低速场景下，因为周围的目标也比较密集，很容易同距同速的情况。另外因为我们高分辨率，所以说实现这样的话就可以输出更多的点云。

更多的点云

我这边有一个图片，这个图跟前面的所有的相比的话，唯一区别是之前所有的视频都是前面装了一个4b雷达实现的，这图是在前角装了一对前脚雷达雷达实现的，希望基于这个能实现一个毫米波加环视，实现一个自动泊车和AVP，来把现在的 AVP的性能得到进一步的提升。