如何克服毫米波雷達點云稀疏問題？

[首發于智駕最前沿微信公眾號]在自動駕駛感知系統的傳感器中，毫米波雷達憑借其全天候探測能力、對運動目標的極高速度敏感度以及相對低廉的成本，始終占據著核心地位。

相較于激光雷達每秒產生的數百萬個、能夠細致描繪物體輪廓的致密點云，毫米波雷達輸出的數據就顯得比較“吝嗇”，通常每幀圖像只能提供幾十個離散的探測點。

這種點云稀疏化現象直接限制了毫米波雷達在物體識別、形態勾勒及環境建模中的應用，成為制約高階自動駕駛系統實現全場景感知的瓶頸之一。

電磁波交互機制與物理維度的制約

毫米波雷達點云稀疏的首要原因源于波動光學與電磁學的基礎物理法則。車載毫米波雷達主流工作頻段為77GHz至79GHz，對應的波長約為3.8mm到3.9mm。

根據電磁波反射理論，物體表面的相對粗糙度決定了回波的特性。當探測波長遠大于物體表面的起伏尺寸時，該表面在電磁波視角下便呈現為準鏡面，產生的反射遵循斯涅爾定律，即入射角等于反射角。

在城市道路場景中，汽車的金屬表面、建筑物的玻璃幕墻以及平整的瀝青路面，對于波長接近4mm的毫米波而言，幾乎都是“鏡面”。

這種鏡面反射導致大部分電磁能量沿著遠離毫米波雷達的方向散逸，只有極小部分能量通過物體邊緣的衍射、角反射器結構的二次反射或垂直入射產生的背向散射回傳至接收天線。

相比之下，激光雷達使用的波長在905nm或1550nm級別，比毫米波小了三個數量級，很多物體表面對激光而言都是粗糙的，能夠產生均勻的漫反射，從而保證了物體表面的各個部位都能反射回波點。

圖片源自：網絡

除了反射模式的差異，材料本身的介電常數與電導率也影響著點云的豐富度。金屬作為良導體，對毫米波具有極高的反射率，因此車輛、護欄等物體能形成相對穩定的探測點；而對于行人這類主要成分為水分的非金屬目標，其對毫米波的吸收與散射機制更為復雜。

雖然人體的含碳量使得其在毫米波段具有一定的反射性，但由于人體表面形狀極不規則且不具備大面積的平面或角反射結構，能量極易發生多向散射，導致回波強度劇烈波動。

就有研究對此做了實驗，使用碳涂層的人體模型能夠模擬行人的反射特征，但即便如此，當行人的肢體相對于雷達射線存在傾斜角度時，大量的射頻信號會發生偏轉而不是返回，這也解釋了為什么在毫米波雷達視圖中，行人的點云不僅稀疏且經常出現部位缺失的現象。

硬件孔徑與角分辨率的局限性進一步加劇了空間感知的離散化。毫米波雷達區分相鄰目標的能力受限于天線的角分辨率，而角分辨率在物理上由波長與天線等效孔徑的比值決定。

受限于車載安裝空間，毫米波雷達天線的物理尺寸無法無限擴大，這使得傳統毫米波雷達的水平角分辨率只能維持在5°到10°之間，且大多數不具備俯仰角的感知能力。

這意味著在一個較寬的波束范圍內，即便存在多個反射中心，毫米波雷達也可能由于分辨率不足而將其合并為一個點輸出。這種“空間采樣”層面的低效率，從源頭上限制了單位空間內能生成點云的數量，使得毫米波雷達無法像激光雷達那樣通過密集的激光束掃描來構建精細的三維模型。

信號處理鏈路中的信息提取與過濾機制

毫米波雷達點云的稀疏并不僅僅是物理法則的原因，在很大程度上也是毫米波雷達內部信號處理算法主動選擇與“過濾”后的產物。

毫米波雷達工作在極其嘈雜的電磁環境中，接收到的信號不僅包含真實目標的反射，還夾雜著地面雜波、建筑物多徑反射、電子熱噪聲以及來自其他車輛雷達的同頻干擾。

為了在保證低虛警率（防止誤報）的前提下提取出可靠的目標，恒虛警檢測（CFAR）算法成為了雷達處理鏈路的一種主要方式。

CFAR算法的工作原理是基于統計學模型，為每一個探測單元動態設定一個功率閾值。這一閾值是根據該單元周圍“背景噪聲”的平均功率或分布特征計算得出的，只有當信號強度顯著超過局部噪聲水平時，系統才會將其判定為有效目標并生成點云。

圖片源自：網絡

在實際的工程實踐中，為了避免自動駕駛系統出現致命的誤制動（如將路面的井蓋誤判為障礙物），檢測閾值會設置得相對保守且偏高，這意味著很多能量微弱但真實存在的反射信號，在這一步就被作為噪聲徹底抹除。

像是遠距離的小目標或是表面反射率較低的物體，其回波可能僅比背景噪聲高出幾個分貝，在追求“絕對可靠”的算法邏輯下，這些信息會被視作不穩定的波動而被丟棄，從而導致輸出的點云僅保留了極少數能量最強的特征點。

環境中目標的相互遮蔽與掩蔽效應也是造成點云丟失的重要因素。在多目標檢測場景中，當一個強反射目標（如大型卡車）與一個弱反射目標（如自行車或行人）處于相近的距離單元時，強回波會劇烈拉高局部背景噪聲的估算值。

在傳統的單元平均（CA-CFAR）算法中，這會導致弱目標的信號由于無法超過被拉高的閾值而“沉沒”在噪聲基準線以下，這種現象被稱為“掩蔽”。

雖然后續出現的有序統計（OS-CFAR）或最小選擇（SO-CFAR）等改進算法試圖通過更復雜的統計排序來解決多目標干擾問題，但其本質上仍是在有限的概率分布模型內做權衡，無法從根本上恢復那些已經趨于湮滅的信號。

此外，毫米波雷達的信號處理還涉及到一個被稱為“點云合成”或“目標聚類”的過程。由于毫米波雷達波束具有一定的寬度，一個真實的物理目標會在距離、角度、多普勒圖譜上占據多個相鄰的格點。

為了降低后續計算平臺的負載，毫米波雷達內部會將這些相關的點聚集成一個單一的探測點，并計算其質心位置。這一過程雖然簡化了目標的表示，但也人為地抹去了物體可能存在的空間延伸信息和幾何結構。

在傳統毫米波雷達的障礙物探測邏輯中，將一輛車抽象為一個具有位置和速度的質點無疑是高效的，但在追求高階自動駕駛的今天，這種做法不僅導致點云表現上非常稀疏，也使得系統失去了通過點云形態直接進行語義識別的可能性。

4D成像雷達，通過增加維度與通道數實現突破

針對傳統毫米波雷達在物理分辨率與信息量上的先天缺陷，行業正在探索4D成像雷達技術。

所謂4D，是在傳統的距離（Range）、速度（Doppler）、水平方位角（Azimuth）之外，引入了俯仰角（Elevation）的精確測量能力，從而使毫米波雷達具備了在垂直方向上區分高處物體（如立交橋、交通標志）與地面物體（如停止的車輛）的能力。

這一技術的提升，主要是通過大幅增加物理或虛擬的天線通道數量來實現的，能從根本上改變點云稀疏的現狀。

實現4D成像的核心在于MIMO（多輸入多輸出）技術與虛擬孔徑成像原理。在MIMO系統中，多個發射天線發送正交信號（通過時間、頻率或編碼方式區分），接收陣列對這些回波進行分離處理，這種方式可以等效出遠超物理天線數量的虛擬接收通道。

說得更詳細些，若雷達擁有M個發射陣元和N個接收陣元，通過相位中心的排布設計，可以合成一個擁有M×N個虛擬單元的大孔徑陣列。

虛擬孔徑的擴大直接帶來了空間采樣密度的提升。隨著波束寬度的變窄，毫米波雷達能夠在物體表面掃過更多的空間采樣單元，原本由于分辨率不足而合并的點能夠被分解為具有豐富細節的點云簇。

這種高分辨率成像不僅解決了“看得見”的問題，更解決了“看清楚”的問題。舉個例子，在隧道入口場景中，4D毫米波雷達可以清晰地區分出上方的隧道頂部反射和下方的障礙物回波，從而避免了傳統雷達常見的由于誤判高度而導致的虛假制動。

圖片源自：網絡

目前4D毫米波雷達的硬件實現路徑主要分為芯片級聯方案與單芯片集成方案，前者通過多顆成熟雷達芯片（MMIC）的物理同步工作來快速提升通道數，后者則通過更高集成度的射頻前端設計在更小的空間內集成更多天線，兩者各有優劣，但目標均指向點云致密化。

在硬件升級的同時，信號調制方式的革新也為提升點云質量提供了可能。傳統調頻連續波（FMCW）毫米波雷達在處理高速運動物體或密集多目標時，容易在多普勒軸上產生相位模糊。

新一代毫米波雷達正在探索多普勒分發多址（DDMA）等先進調制技術，通過在發射端引入特定的多普勒偏移，使不同發射天線的信號在頻域內能夠更清晰地分離，從而在保持高刷新率的同時進一步擴充虛擬通道的信噪比增益。

這種精細化的能量管控，使得毫米波雷達能夠捕捉到更微弱的物體反射，從軟件層面變相提高了可用探測點的數量。

深度學習驅動的原始數據挖掘與感知融合

面對毫米波雷達點云稀疏且伴隨噪聲的問題，僅僅依靠硬件和傳統信號處理算法想實現可靠的自動駕駛，依然不足。近年來，深度學習技術的引入為解決這一難題開辟了全新的賽道。

深度學習技術核心邏輯在于改變“先過濾噪聲、后感知物體”的傳統流程，轉而嘗試從未經大幅壓縮的雷達原始數據（如ADC數據或Range-Angle-Doppler張量）中直接學習環境特征，從而找回那些被傳統算法丟棄的信息。

圖片源自：網絡

深度學習模型（如PointNet、PointNet++或Graph Neural Networks）展現出了強大的抗稀疏性能力。不同于傳統算法依賴于硬性的閾值檢測，神經網絡可以通過端到端的訓練，學習到特定目標（如行人、車輛）在雷達頻譜圖中的時空分布規律。

即使某些反射點的信號極其微弱，甚至已經處于噪聲基準線以下，神經網絡也能利用周圍時空域的相關性，通過“上下文信息”來推斷該處目標存在的概率，從而生成更加完整且具語義屬性的點云。

像是RadarHD等前沿模型通過將低分辨率雷達輸入與高線束激光雷達點云進行真值匹配訓練，能夠學會在極具挑戰性的環境中還原出類似激光雷達的致密輪廓，其生成的點云在物體邊界清晰度上較傳統方法有數倍的提升。

此外，跨幀累積與運動補償算法在深度學習的加持下也變得更加智能。傳統的點云累積會導致運動物體的“拖尾”現象，這是因為不同時刻的點云被重疊在了同一空間坐標系下而沒有考慮物體的位移。

基于循環神經網絡（RNN）或自注意力機制（Transformer）的模型，能夠自動預測動態目標的運動軌跡，并根據多普勒速度信息將不同時刻的回波點對齊到當前時刻。

這種“時域上的致密化”利用了物體隨時間變換的各種反射姿態，極大地豐富了物體的視覺特征，使得單幀下稀疏的散點最終匯聚成一個具有辨識度的形態，顯著提升了目標檢測能力。

現階段，傳感器融合是克服單一毫米波雷達稀疏性的另一條路徑。現如今，毫米波雷達會與攝像頭或激光雷達深度綁定。通過“前融合”或“特征級融合”策略，攝像頭捕捉到的豐富語義和幾何邊緣信息可以作為強有力的先驗知識，引導毫米波雷達信號處理系統在特定區域降低檢測閾值。

如當視覺系統識別出前方存在一輛黑色車輛，但由于該車吸收了較多電磁波導致雷達點云稀疏時，感知算法會動態調整該區域的雷達采樣權重，主動搜索并激活微弱的回波點，從而實現“視覺引導下的點云補全”。

最后的話

毫米波雷達在自動駕駛中表現出的點云稀疏問題，絕不是單一維度的缺陷，而是物理世界本質特征與現有技術架構等多個因素導致的。從毫米波段鏡面反射帶來的能量損耗，到傳統算法為降低誤報而進行的“信息割舍”，每一個環節都導致了這種稀疏的特性。

隨著4D成像技術的普及，我們正在見證毫米波雷達從“單點探測”向“陣列成像”的方向轉變。通過MIMO技術的硬件擴張、4D高維數據的引入，以及深度學習在原始數據挖掘中的深度滲透，毫米波雷達正逐步克服其作為“二等傳感器”的局限，向著實現全天候、高精度的三維環境重建邁進。