毫米波雷达是在30-300 GHz频域工作的探测雷达，兼具微波雷达和光电雷达的一些优点，而汽车毫米波雷达是专门用于车辆高级驾驶辅助系统（ADAS）的雷达传感器，主要作用是辅助车辆完成障碍物规避功能，包括主动碰撞避免或预碰撞系统（CAS或PCS）、自动紧急制动系统（AEB）、自适应巡航系统（ACC）、盲点检测（BSD）、前防追尾预警（FCW）、车道改变辅助（LCA）/偏移报警系统（LDWS）、安全车距预警（TTC）、倒车侧方盲点监测（RCTA）等。

从毫米波雷达的应用历史看，传统3D雷达只有距离、速度、方位信息输出，信息冗余少、点迹稀疏，无法满足自动驾驶级别跃迁对于精准感知的需求，因此技术的更迭势在必行。但如果只是在传统3D雷达上增加俯仰角度测量，由于俯仰分辨率低会出现回波重叠，计算出来的高度信息精度并不高，测量误差较大；其输出点数基本没有增加，仍属于点迹雷达范畴。

真正具有优势的是近年来开发的4D毫米波成像雷达，其通道数是传统毫米波雷达的数十倍，输出的点云图像信息呈数量级增加；因角度分辨率大幅提升，俯仰角测量精度得以提高，可实现厘米级的高度定位；同时，在前端回波检测处理中应用幅度、频率、相位、能量分布、功率谱等多维度信息检测，可以形成目标与环境的点云图像。

周明宇介绍说，相比相机、激光雷达等传感器，雷达的独特优势在于基于多普勒效应测算速度，速度感知能力很强，是自动驾驶不可或缺的传感器。此外，通过对雷达回波时频的分析，还可以获得目标某些特定部位随时间变化的速度情况，并提取其运动周期等特征，如汽车和自行车的多普勒特征，从中不仅可以看到由车身平移引起的多普勒频移，还可以看到车轮转动在车身移动频率上下产生的多普勒扩展。雷达也可以通过人体回波多普勒特征看到人行走时肢体的摆动和躯干前后移动。

随着雷达技术的进步，4D毫米波成像雷达分辨率不断提升，提供的信息量不断增加，为雷达认知能力的提升奠定了基础；由于其全天时、全天候工作特性，在高级别自动驾驶中凸显出不可替代的作用。

美国自动机工程师学会（SAE）将自动驾驶定义L0到L5六个级别，分别对应无自动化、驾驶支持、部分自动化、有条件自动化、高度自动化和完全自动化。在这几个阶段，自动驾驶系统的使命不同，软硬件的任务也不同。

自动驾驶系统的智能化水平并不取决于人们的主观意愿，现实世界远远比我们想的复杂。自动驾驶必须要有真实数据的支撑，想要训练出高普适性的自动驾驶系统首先必须用更快速度收集到大量真实数据。这也是4D毫米波成像雷达进入认知时代的契机，让我们感觉到4D高分辨率毫米波成像雷达在自动驾驶时代确实是生逢其时。

4D毫米波成像雷达可以在获取高分辨距离、方位角、俯仰角以及速度信息后，对目标进行聚类跟踪，从点云数据中提取目标特征，最终基于提取的特征实现分类。例如，几何伙伴的4D毫米波成像雷达是通过其输出的信息对目标的高度、宽度及速度等信息进行测算，描绘目标轮廓并预测其运动轨迹，从空间点云中可清晰辨认出道路和各类交通工具，从大型卡车到非机动车都可准确辨别。实现包括目标跟踪定位、自动泊车、可行驶区域检测和环境感知在内的功能。

从信息论的角度看，信息的处理、传递层级越多，必然会使信息遗失和失真，从而导致信息出现逐层衰减。而实现认知是提升目标识别能力及准确性的关键，与雷达输出的信息量丰富程度息息相关。

那么，如何让4D毫米波成像雷达从感知逐渐向认知过渡呢？重要的是提供丰富的信息，支撑雷达认知，助力自动驾驶。最直接的方法是提升目标识别的准确性，即提升点云成像的密度和精度，这与雷达输出信息量的丰富程度息息相关。而提升信息量最直接的手段是增加分辨率。

雷达的分辨率包括距离分辨率、速度分辨率及角度分辨率，其中距离分辨率由雷达发射带宽决定，速度分辨率由雷达发射时宽决定，这两个分辨率已经面临提升瓶颈；角度分辨率由空间孔径决定，此外通过超分辨算法也可以提升测角精度。

几何伙伴不断提升角度分辨率的技术路线是将多RF芯片级联与算法相结合。通过多RF芯片级联直接增加雷达的收发通道数量，改善雷达信噪比。阵面孔径的提升提高了角度分辨率，还可以提高点云质量，测得更准，看得更远。不过，受体积、成本、功耗、算力限制，实孔径不能无限扩展。

如果通过子空间分解类、空间平滑类、似然估计类等算法提升角度分辨率，计算量巨大。几何伙伴一方面探索轻量化超分辨计算，并结合实际需求使用；另一方面探索利用时间资源，结合阵列发射、接收信号的相位因子调制来实现孔径扩展，提高分辨率。在算法框架下，点云成像密度和精度决定着4D毫米波成像雷达输出的信息量丰富程度，即目标识别的准确性。

如果通过子空间分解类、空间平滑类、似然估计类等算法提升角度分辨率，计算量巨大。几何伙伴一方面探索轻量化超分辨计算，并结合实际需求使用；另一方面探索利用时间资源，结合阵列发射、接收信号的相位因子调制来实现孔径扩展，提高分辨率。在算法框架下，点云成像密度和精度决定着4D毫米波成像雷达输出的信息量丰富程度，即目标识别的准确性。

从4D成像雷达系统经典信号处理流程来看，雷达系统获取的原始ADC数据经信号预处理得到快时间、慢时间和天线维度信息。通过对这些信息进行距离-多普勒、CFAR检测、DOA估计和聚类跟踪等处理，最终得到点云信息。信号处理层级越多，信息损失就越多。信号通过CFAR和DOA后只剩下了点云和速度信息，大量有用的信息都没有了。

而在4D毫米波成像雷达经典算法框架基础上，通过释放信号级信息来提高4D成像雷达的信息量，将可以提高目标检测率并助力雷达认知。例如，直接将RD图、RA图等送到后端进行智能处理，结合点云获取更完整的信息；对多通道的距离-多普勒直接进行角度FFT后获取信息，也可以获取大量信号级信息。

经典信号处理流程在获得RD图后需要CFAR处理，但CFAR算法基于一定经验和统计信息，经此处理后极有可能丢失回波中包含的原始目标信息。因此可考虑直接利用CFAR前的RD图，以及多帧RD图之间的信息关联或信息变化等均蕴含着大量可用信息。

伴随着自动驾驶技术的发展和普及，4D毫米波成像雷达从感知智能进入认知是一个必经过程。自动驾驶的下一发展阶段将是从认知进入融合，多模态、多任务、混合策略等是未来自动驾驶感知发展的重要方向，多感融合、软硬兼施、深度集成融合的解决方案将逐渐成为主流。

多模态是指传感器种类，如4D毫米波成像雷达、视觉等；多任务是指利用相同主干网络实现不同类型的任务输出；混合策略是为了解决数据驱动的深度学习策略受限于数据覆盖面、泛化能力受限的问题，是未来中长期保证感知性能提升的重要手段。

为此，几何伙伴自研了多源信息融合技术，同时还在探索BEV（鸟瞰图）层面的信息融合技术，在BEV层面融合时序信息或来自视觉及毫米波雷达的特征，基于BEV特征实现检测及分割等感知任务。这方面的进展包括将雷达的点云、RD等多维信息与视觉像素信息进行前融合，提高目标的检测率和稳定性，后续将尝试应用于雷视融合产品的落地。

前面提到，毫米波雷达老了吗？答案显然是否定的。伴随科学技术的进步和自动驾驶功能的升级，毫米波雷达一直处于从感知走向认知，再由认知进入智能化的创新突破进程中，玩法愈来愈新，愈来愈强！

作为集软硬件于一体的自动驾驶融合感知与智能决策系统供应商，几何伙伴自主研发的以4D毫米波成像雷达为核心传感之一，结合相机、红外等多传感融合的感知系统以及处理算法和软件，正在加速低成本、全天候、高可靠、易量产解决方案的商用落地。

据介绍，目前几何伙伴的核心传感器之一Ares系列4D毫米波成像雷达已对主机厂小批量交付。该产品具备在各种场景下对目标4D成像的能力，通过对探测目标特征值的精准测算，可以提供高密度、高精度的点云数据，勾勒出探测目标的三维轮廓，能够有效识别路沿、行人、自行车以及窨井盖、排水渠等低矮障碍物目标，大幅提高智驾感知系统的冗余度。

时代变迁的历史长河凝聚了人类文明的发展成果。在自动驾驶时代，从感知进化到认知无疑将成为一种必然，谁能够引领行业发展，谁就将占得先机，打赢自动驾驶的下半场。