自动驾驶作为当下最具颠覆性的技术之一，对环境感知精度与鲁棒性的要求异常严苛。长期以来，毫米波雷达凭借其对恶劣天气的天然适应性与对金属目标的高灵敏度，成为自动驾驶感知系统中的重要传感器。但传统的三维（3D）毫米波雷达仅能提供目标的径向距离、方位角和速度信息，却在俯仰方向上缺少分辨力，形成了所谓的“平面盲区”。
在这一盲区中，横跨车道的高架桥、悬挂横幅、细长电线杆与路面小障碍物往往难以区分，漠视高度差的雷达视角令车辆在关键时刻无法做出正确判断。正因如此，激光雷达的不可替代性尤为明显，但就在近几年，因自动驾驶商用化落地加速，激光雷达的高成本让众多车企寻找可行的替代方案，正是在这样的背景下，4D毫米波雷达应运而生。
什么是4D毫米波雷达？
要理解4D毫米波雷达的工作机理，需先了解二维到三维雷达的演进。过去的毫米波雷达主要依赖单发单收或相控阵列，借助脉冲压缩、快速傅里叶变换（FFT）等信号处理方法，能够分辨目标的距离与速度，并通过水平相控阵获取方位角。然则，当回波信号在垂直方向没有天线分布时，雷达系统便失去了对俯仰角（Elevation）的感知能力。
而4D毫米波雷达，顾名思义，就是在传统三维（距离、方位、速度）毫米波雷达基础上，增加了对目标高度信息的探测能力。4D毫米波雷达并非凭空出现的“黑科技”，而是利用多天线阵列（MIMO）和数字波束形成（DBF）技术，通过对回波信号的相位差和时延差进行精确计算，来估算目标在垂直方向上的角度，从而获得高度维度的数据。相比传统雷达，4D毫米波雷达能够在同一次扫描中同时输出目标的距离、方位、径向速度以及高度信息，为复杂场景下的目标感知提供了更丰富的几何特征。
激光雷达VS4D毫米波雷达，孰优孰劣？
在自动驾驶系统中，引入高度分辨能力，能够有效区分不同高度但轮廓相似的物体。如传统雷达在探测可乐瓶和细长电线杆时，由于它们的径向截面相近，往往会被误判为同一类障碍；而4D雷达则可通过高度差异将二者区分开来，从而在算法层面减少对有害干扰的误过滤，并提升对低矮障碍物和空中物体（如悬挂横幅、跨桥等）的识别能力。
与激光雷达（LiDAR）相比，4D毫米波雷达在穿透雨、雾和尘埃等恶劣环境时具备天然优势。毫米波在77GHz频段工作，其波长和散射特点使得它对小颗粒物的衰减相对较小，即使在能见度极低的条件下，4D雷达仍能维持较稳定的探测性能；而光学LiDAR在雨雾天气中常常出现信号衰减或多重散射，影响测距精度和点云完整性。
在数据处理方面，4D雷达输出的四维点云具有较高的数据密度，但与LiDAR生成的点云相比，其角度分辨率和点数仍有差距。毫米波雷达受限于天线阵列尺寸和信号带宽，垂直分辨能力往往在1°~2°之间，远逊于激光雷达亚度级的垂直分辨；同时，雷达点云缺乏连续曲面信息，在目标形状重构和精细语义分割方面依旧不够充分。
4D雷达的多天线设计和高维信号处理，也对硬件成本、功耗和算法复杂度提出了更高要求。为了实现精确的高度估计，需要配备更多的发射与接收天线单元，以及高性能的数字信号处理器；在算法端，还需结合稀疏信号恢复、恒虚警率检测（CFAR）等技术，才能在高噪声环境中保持可靠性。这些都让4D雷达系统的开发和量产比传统雷达更具挑战。
毫米波雷达的干扰问题也不容忽视。随着车联网（V2X）和车载雷达的普及，不同车辆间、车辆与基础设施之间的频谱共用导致互相干扰的风险加大。虽然通过时分多址（TDMA）、频分多址（FDMA）或编码分集等手段可以缓解，但在复杂交通场景中，要始终保持高度测量的稳定性仍然需要进一步的标准化和协同技术。
在实际应用中，多家自动驾驶厂商已有所动作，Waymo在其第五代自动驾驶套件中布局了4D毫米波雷达以提升全天候感知能力；Mobileye的创始人AmnonShashua也曾公开承认了4D毫米波雷达的优势；而特斯拉在2021年被社区发现其Autopilot算法接口中新增了雷达设备接口，这都说明行业对4D雷达的重视已超越概念阶段。不过，不同厂商的技术路线尚未完全统一，如何在视觉、雷达、激光多传感器融合中找到最佳配比，仍是自动驾驶感知层的核心课题。
最后的话
总的来说，4D毫米波雷达在高度分辨、全天候稳定性和成本效益上具有明显优势，为弥补传统雷达短板提供了切实可行的方案。但其在分辨率、点云质量、干扰抗性及系统复杂度方面的不足，也意味着它难以完全取代LiDAR，而更可能成为与摄像头、激光雷达协同的关键一环。未来的自动驾驶系统，更可能是在多源传感融合与算法优化的共同推动下，将4D雷达的优势充分发挥，而不是单一依赖某一种传感器。
-- END --
原文标题 : 4D毫米波雷达能取代激光雷达吗？
