自動駕駛傳感器配置中的毫米波雷達技術應用

幾個月前，筆者向一位同時做激光雷達和4D毫米波雷達的朋友提了一個問題：這兩類產品你們都做，那你們是如何看4D毫米波雷達“干掉低線數激光雷達”的可能性呢？??

這位朋友沒正面回答我，反而追加了一個問題：問題是，現在還能看到所謂的“低線數激光雷達”嗎？

筆者突然意識到一個問題：16線、32線甚至64線激光雷達的存在感確實越來越弱了。事實上，隨著激光雷達的線數越做越高，今后，96線、128線或將成為“低線數激光雷達”。

那么，干掉16線、32線激光雷達的究竟是96線、128線激光雷達，還是4D毫米波雷達呢？這是一個很有意思的話題。

九章智駕最近推出了《4D毫米波雷達報告》——

前言：

毫米波雷達，在自動駕駛傳感器配置中的地位，正在快速上升。

隨著自動駕駛能力的持續提升，自動駕駛系統在車輛行駛過程中的參與程度不斷上升，傳統毫米波雷越來越力不從心了。為滿足高級自動駕駛系統的感知模塊實現全目標、全工況、全天候覆蓋的需求，毫米波雷達必須朝“高清”方向走。

具備“高清”特質的毫米波雷達，被稱為成像雷達，或者4D毫米波雷達。

“4D”是指在原有距離、方位、速度的基礎上增加了對目標的高度維數據解析，能夠實現“3D+高度”四個維度的信息感知；而“成像”概念是指其具備超高的分辨率，可以有效解析目標的輪廓、類別、行為。

同樣面對前方障礙物，毫米波雷達只能接收到有限的返回信息點，僅能判斷出前方有障礙物，而4D毫米波雷達則可以接收數十倍的返回信息點，進化出像激光雷達一樣的高密度點云，能進一步探測出物體的形狀，甚至是結合算法識別出物體。

這意味著，相比于傳統的毫米波雷達，4D毫米波雷達系統可以適應更多復雜路況，包括識別較小的物體，被遮擋的部分物體以及靜止物體和橫向移動障礙物的檢測等。

而正是憑著這些特質，4D毫米波雷達的出現，瞬間拉升了毫米波雷達的“逼格”

4D毫米波雷達市場上的活躍玩家，既有大陸、采埃孚、安波福這樣的傳統Tier 1，有Waymo、Mobileye及華為這種科技巨頭，也有Arbe、傲酷、森思泰克、納瓦電子、幾何伙伴等諸多初創公司。

一．毫米波雷達正在爭取從配角上升為主角

2020年下半年以來，如果某款新發布的量產車型上即將搭載激光雷達，那車企在PR的時候一定會非常高調地把這個“加分項”濃墨重彩一番，尤其是，激光雷達的供應商名稱也一定會被“大書特書”。相比之下，陪伴汽車產業走過了幾十年的毫米波雷達，則未能享受這樣的殊榮。

因為，站在車企的角度，激光雷達這樣的“明星零部件”及供應商，能提升自己的品牌價值；相比之下，毫米波雷達“實在太普通了”，不過，這種情況正在發生變化。如在2021年3月，上汽R品牌發布新車SUV ES33時，就非常高調地說“將搭載采埃孚的4D毫米波雷達PREMIUM”。

而這一變化的背后是，與傳統的毫米波雷達相比，性能更強大的4D毫米波雷達正在爭取成為一種能“獨當一面”的傳感器，它被寄希望于能使毫米級雷達從配角轉向主角。

與攝像頭相比，傳統毫米波雷達具有很強的測距、測速能力，并且還不受天氣和能見度干擾，但由于分辨率不夠，在需要將前方障礙物（尤其是小目標物）及兩邊的樹木、路沿的輪廓清晰地勾勒出來的時候，傳統毫米波雷達常常表現得力不從心。

相比之下，4D毫米波雷達由于有更多的天線數，角度分辨率、速度分辨率及距離分辨率都更高，因此可以在沒有激光雷達參與的情況下就更有效地解析目標的輪廓、類別、行為，進而也更容易知道在什么情況下必須剎車，什么情況不必剎車。

比如，自動駕駛系統需要獲取在自車前方200米處的目標車輛行駛車道偏移位置信息進行決策，而傳統前雷達方位角精度約在0.3度，判斷此場景下目標車輛在哪個車道會產生較大位置誤差，相比之下，4D毫米波雷達方位角精度則能達到0.1度，相比傳統前雷達方位提升3倍，可以將200米處更加精確車輛車道偏移信息輸出到決策系統。

比如，對隱藏的車輛，傳統的毫米波雷達只有20%的幾率能探測到，而4D毫米波雷達ARS 540則據稱有80%的幾率能做到；再比如，采埃孚的長距離4D毫米波雷達，據稱能接收到來自行人10個左右的數據點，它甚至可以通過測量這些數據點的移動速度來解析單個肢體的運動軌跡，從而識別行人的行走方向。

通常，毫米波雷達探測目標需要依靠角度維、高度維、距離維和速度維共同發生作用，但在兩輛車同速同向行駛（離得特別近）的情況下，這兩輛車實際上處于“相對靜止”的狀態，因此，速度維便失效了。此時，如果毫米波雷達的分辨率不夠高，便很容易把這兩輛車視為“同一輛車”。

而4D毫米波雷達因為點云密度比較高，哪怕速度維和距離維都失效了，“猜對”目標的概率仍然是比較高的。

況且，不同于常見的算法識別準確率容易受制于目標物樣本庫的不完整，4D毫米波雷達通過提高點云密度來對目標物進行分類的效率更高——減少了花在計算環節的時間，即傳統毫米波雷達+算法可能需要掃好多幀才能識別出那個信號比較弱的障礙物，而4D毫米波雷達可能只需要掃1-2幀就搞定了。

還有一種常見的場景是“人車不分”：停放的車輛旁邊站著一個人。

攝像頭不具備穿透力，看不見；而用傳統毫米波雷達來探測，由于分辨率不夠，并且，車的能量密度和反射強度都比人高，因此，毫米波雷達掃在人身上的點云很容易被車給“吸走”，結果，人會被誤認為是“車的一部分”。類似的是，小車和大車離得很近的時候，也會被毫米波雷達誤以為是“大車的一部分”。

顯然，被“合并處理”的人或小車，實際上是被傳統毫米波雷達忽略不計了，這是極其危險的。但4D毫米波雷達具有“高動態的分辨率”，能分辨出在同一個場合中反射強度差別很大的多種障礙物，即大車是大車、小車是小車；車是車、人是人。在對目標解析得比較清楚的情況下，毫米波雷達便更有能力支持到決策系統。

在多傳感器融合方案下，4D毫米波雷達還可以將攝像頭和激光雷達“引導”到潛在風險區域，這將大大提高安全性能。?

再比如，對靜止目標物的檢測。由于沒有縱向天線，進而無法獲取高度維數據（博世、大陸的前向毫米波雷達可以輸出高度維信息，但精度不夠），傳統的毫米波雷達難以判斷前方靜止物體究竟是在地面還是在空中，進而容易將井蓋、減速帶、路邊金屬等低小的“障礙物”（無需剎車）及交通標識牌、龍門架、立交橋等很高的“空中障礙物”（無需剎車）與車輛等路面上的靜態障礙物（需要剎車）混淆。

鑒于此，如果將傳統的毫米波雷達作為主傳感器，便可能導致誤剎車頻發。為了避免誤剎車，AEB算法便決定對毫米波雷達的置信度權重下降（甚至是將靜態障礙物過濾掉），以視覺感知結果為主。這便是流傳很廣的“毫米波雷達無法識別靜態障礙物”這一說法的真相。

然而，視覺感知的挑戰在于，單目和三目攝像頭必須先對目標先識別（分類）才能探測到，但識別不僅需要光線良好，而且也高度依賴于目標模型庫，而模型庫又不可能窮舉所有類型，這意味著，很多靜態障礙物成了視覺感知的“漏網之魚”。因此，便經常出現明明前方有靜態障礙物，自動駕駛汽車卻依然撞了上去的結果。

一位曾在某傳統車企擔任過ADAS算法工程師的朋友告訴筆者，他在三年前做的項目，就被卡在“毫米波雷達無法識別靜態障礙物”上——在當時，受毫米波雷達物理性能的局限性，這個問題是無解的，但領導不懂啊，領導要求他“必須解決”。最終，這位工程師被迫辭職。

但如今，有了4D毫米波雷達，工程師因搞不定靜態障礙物識別問題而被迫離職的悲劇便可以避免，至少是，發生的概率會大幅度降低。因為，“標配”縱向天線（專門用來測高）的4D毫米波雷達能提供垂直分辨率的數據維度，前方障礙物的返回信號不再是粗暴地排列在二維地面上，而是呈現在立體的三維空間里。這便有助于各種高度的靜態障礙物被“區別對待”。

簡而言之，站在決策系統的角度看，與傳統的毫米波雷達相比，4D毫米波雷達的探測結果具有更高的置信度，因此，決策系統不必過多擔心參照4D毫米波雷達輸出的感知結果做路徑規劃會頻頻引發誤剎車。所以，4D毫米波雷達在很多功能中的權重是可以排在攝像頭之上的。

4D毫米波雷達的權重上升，會對行車安全帶來哪些影響呢？我們設想這樣一種場景：“前車的前車”已經剎車，而“前車”因為沒反應過來，未來得及剎車，“自車”將作何反應呢？

傳統毫米波雷達是可以穿透“前車”，探測到“前車的前車”發生了什么的，但遺憾的是，這個探測結果經常被決策系統“打入冷宮”；而作為傳感器的攝像頭，卻不具備穿透力，無法看清“前車的前車”究竟發生了什么。因此，在車速比較高的情況下，發生連環追尾是大概率事件。

但如果采用了4D毫米波雷達，就是另一種結果了：由于“靠譜率”比傳統毫米波雷達高，4D毫米波雷達的探測結果很容易引起決策系統的“高度重視” ，因此，在“前車”因來不及剎車而撞上“前車的前車”的情況下，“自車”卻因為決策系統提前就拿到并且相信了“前方有危險”的通知，會及時剎車。

在4D毫米波雷達的助力下，“自車”不僅得以避免了魯莽地撞向前車，而且，它的剎車舉動還會正面反饋給“后車”，避免了自己“被追尾”；甚至還拯救了“后車”及“后車的后車”。

這是連激光雷達也不具備的一項能力。（不過，某造車新勢力的研發工程師說：“這種方法理論上可行，是還未在量產項目中成為常規檢測方法。”）

法國市場研究機構Yole在去年發布的《2020年雷達產業態勢報告：廠商、應用與技術趨勢》指出，在應用場景變得更嚴苛之后，毫米波雷達正在朝著能更準確描述車輛前后方場景的4D毫米波雷達前進。

當前，有許多公司在探索用4D毫米波雷達替代低線數激光雷達的可能性。

此外，座艙內的DMS及生命體監測等，也正在成為4D毫米波雷達的重要應用場景。

特斯拉CEO馬斯克在2021年大力推動的“干掉毫米波雷達”運動一度令不少人對4D毫米波雷達在自動駕駛市場的應用充滿了質疑，但實際上，馬斯克在痛斥毫米波雷達的種種弊端時，針對的主要是傳統毫米波雷達，而對“高精度毫米波雷達”，他并不排斥。

早在2020年10月，馬斯克就提到了采用4D成像雷達的計劃；今年9月份，特斯拉被發現向FCC（美國聯邦通信委員會）提交的一款自研毫米波雷達認證申請已經通過。因保密令到今年12月才解禁，這塊毫米波雷達的具體參數和用途尚不清晰，但從已經公開的測試報告得知，這是一枚77Ghz雷達，在天線設置上采用了6收8發方案。

在國內，截止目前，已有幾款價格在25萬-40萬區間的車型計劃在前保險杠處搭載4D毫米波雷達。相信在時機成熟時，會有越來越多車企能深刻認識到4D毫米波雷達的價值，然后，他們在今后的新車發布會上也會急切地拿4D毫米波雷達來“說事兒”的。

二.4D毫米波雷達的主要玩家及技術路線

目前，4D毫米波雷達市場的玩家主要有如下幾類：大陸、采埃孚、博世、安波福等傳統Tier 1；Waymo、Mobileye、華為等自動駕駛方案公司；傲酷、Arbe、幾何伙伴、楚航科技、森思泰克等初創公司。

在通過增加天線數來提高分辨率的技術路線上，目前主要有“級聯”、級聯+虛擬孔徑成像及集成芯片三種方案。

1.?級聯

所謂級聯，是指將英飛凌、德州儀器、NXP等公司的77G和79G標準雷達芯片（MMIC芯片）通過二級聯/四級聯/八級聯增加實體天線MIMO（接收天線數量與發射天線數量相乘后得到的虛擬通道數）。

二級聯，就是將2個3T4R的芯片聯在一起，組成6T8R；四級聯，就是將4個3T4R芯片聯在一起，組成12T16R，形成192個虛擬接收通道，如大陸的ARS 540；納瓦電子的18T24R產品，就是6級聯。博世、采埃孚、Waymo、華為，均采用的是級聯的方式。

這種方案的優勢是前期開發難度低，因而上市周期比較短，但弊端在于體積大、成本高、功耗高（多芯片同時運算會提高功耗）、信噪比不夠（多個MMIC芯片之間存在串擾）、算法適配等問題。

此外，相比于傳統的毫米波雷達，多片級聯方案不僅天線布局更加復雜，而且，PCB板的層級結構也要復雜得多。比如，總共6層板的話，可能每層板的材質都不一樣，因而膨脹系數也不一樣，這會導致板面翹曲，因而會影響到能量利用率。

另外，九章智駕還了解到，多家采用級聯技術路線的4D毫米波雷達廠商均碰到了“中頻同步”的技術難題——以四極聯為例，4個芯片大概有20G的中頻信號要同步，而且兩塊板子壓在一起，良品率上不去。

因此，如果采用級聯方案，基于芯片廠商提供的參考設計及SDK做Demo比較容易，但實現量產的門檻很高，只有那些技術能力及工程能力都極強的公司才能做好。

2.級聯+虛擬孔徑成像技術

所謂級聯+虛擬孔徑成像技術，是指基于現有的芯片，在級聯的方式上再通過獨特的虛擬孔徑成像軟件算法和天線設計做成高倍數虛擬MIMO，以達到在原來物理天線數基礎上再虛擬出十倍、數十倍的天線數，成功地把角分辨率從10度直接提升到1度。

傳統雷達的波形是單頻、重復、非自適應的，產生多種波形的唯一方法是增加接收天線數量；而虛擬孔徑成像波形是自適應的相位調制（調頻+調相+調幅），每根接收天線在不同時間產生不同的相位響應，然后對數據進行插值和外推，創造一個“虛擬孔徑”，進而使角分辨率呈數量級地提升。

從公開資料看，采用這種級聯加虛擬孔徑成像技術的代表性廠商是傲酷。傲酷定位為Tier 2，提供的4D毫米波雷達的信號處理算法，不做硬件（硬件由海拉等合作伙伴提供）。2021年10月，傲酷自主研發的4D毫米波雷達AI 算法以及AD4D毫米波雷達技術被安霸收入囊中。

虛擬通道越多，接受的信號就更完整，探測結果就越清晰。傲酷市場部負責人郄建軍稱：“在采用虛擬孔徑成像技術后，在分辨率上，我們的單芯片就可以達到別的各公司四級聯產品的效果，二級聯可達到別的公司六級聯的效果。”

也有幾家4D毫米波雷達廠商的人士質疑這種技術在原理上“并不符合物理定律”。

如有人說：“通過調頻、調幅、調相增加天線數，雖然可在局部優化產品性能，但按常理，通過軟件的方式做優化，肯定是無法完全彌補硬件本身能力的不足。因為，在點頻（一秒鐘能發多少電磁波）既定的情況下，軟件調整能做到的無非是以怎樣的方式把這些電磁破‘撒出去’，但無論怎么調整，電磁波的總數并不會多啊，此處密了，彼處就稀疏了。”

不過，一位跟傲酷有過密切合作的Tier 1工程師說：從原理的角度，我也不相信傲酷說的是真的，但產品測試下來，角分辨率確實是挺高的，并且，對50米內的目標物測距精度可達到0.1米。

虛擬孔徑成像技術的壁壘，主要在天線的布局、波形等方面。其中，天線布局主要影響虛擬孔徑的大小，而波形主要影響通道數的多少。此外，天線數增多，對后續的數據處理能力也提出了更高的要求。

虛擬天線技術徹底解決了困擾車載毫米波雷達界幾十年來只能用增加實體天線數量提高角分辨率的難題，可使產品在角分辨率大幅度提升的同時成本被控制在合理水平。

3.集成芯片

所謂集成芯片方案，是指通過將多發多收天線集成在一顆芯片中，通過形成ASIC芯片來實現上述功能。目前，該技術的代表公司主要有Arbe、Uhnder、Vayaar、SteradianSemi、RFISee等。最典型的是Arbe公司開發的4D毫米波雷達RFIC芯片，集成了48個發射器和接收器，擁有超過2300個虛擬信道。 ?

集成芯片可將4D毫米波雷達的體積大大縮小，并可以市場上每通道最低的成本實現了最先進的射頻性能。但集成芯片方案的實現難度也要比級聯方案高出許多，主要挑戰在：

1. 如何在極小的密閉空間里布置那么多天線； ? 2. 如何克服天線之間的互相干擾問題； ? 3. 如何降低功耗、如何散熱； ? 4. 如何提升信噪比，信噪比如果上不去，有效探測距離就很短（Uhnder方面稱，他們的集成芯片是數字調頻芯片，具抗干擾能力）； ? 5. 芯片方案是ASIC，一旦流片，算法就固化了，此后，算法只能改針對特定場景的個別參數配置，但不能對功能做大幅度的調整。

前面幾個問題，尚可通過工程技術手段來克服，而最后一個問題，則是無解的。

某4D毫米波雷達廠商負責人稱，當前，4D毫米波雷達還是一個新產品，主機廠還沒有大規模使用，因此，4D毫米波雷達廠商們也無法判定主機廠最終更青睞于哪種參數的。“一旦毫米波雷達廠商將某個版本的集成芯片流片了，到后面，如果主機廠在測試中發現4D毫米波雷達的算法需要大改，則Arbe又要重新流片，這不僅增加成本，而且也影響上車的進度。”

上述人士認為，Arbe那種集成芯片方案最適合量產的時間點，也許是在4D毫米波雷達批量上車5年后，有20個主機廠的100個車型都在用，算法已經固化了，這時候，廠商們做集成芯片方案就很容易快速降低成本，也能建立起護城河。“我們未來也可能做集成芯片方案，但現在不會，因為，只要換個車型，產品可能就沒法用了。”

還有一種“超材料路線”，因目前超材料的研究仍處于實驗室階段，短期內仍難以實現商業化落地，我們在本文不做探討。

三．?軟硬一體與機器學習

產品再好，如果車企“不會用”，也會比較麻煩。

隨著傳統毫米波雷達升級至4D毫米波雷達成為趨勢，硬件的天花板突破了，系統對算法能力的要求就更高了。

與3D毫米波雷達相比，4D毫米波雷達的點云數量大幅度增加，因此，如何剔除虛警或者不必要的點云、如何挑選出需要用的點云再把它應用到功能層級當中，就是一個很大的挑戰了。

之前，反正硬件不具備對小障礙物的探測能力，因此，算法解決問題的方式通常是“猜測”，現在，硬件能力提升了，算法能力也必須從“猜測”升級至“分析”，否則就會“辜負”硬件。

比如，如何把相近的目標物分離開來、如何找到失效場景、怎么過濾干擾、如何合理設置信噪比的閾值（閾值太高，小目標容易被漏檢；閾值太低，則容易有誤檢）等，都需要強大的軟件算法能力。

但現狀是，當前，大多數車企并不具備毫米波雷達的算法能力。

某毫米波雷達廠商項目經理說：“在2022年~2023年量產的項目，用的基本都是毫米波雷達做完數據處理之后的結果，大部分車廠還沒有能力將毫米波雷達的點云真正用起來。”

長期以來，毫米波雷達廠商們提供的往往是軟硬一體化的方案，即算法已被集成到硬件中了。對車企來說，毫米波雷達直接輸出感知結果，他們只需將這個結果與其他傳感器的識別結果做融合就行了。

當前，雖然車企們都喊著要“軟硬件解耦”，希望能自己做算法，但實際上，毫米波雷達算法的壁壘極高，只有極少數車企才能搞定，因此，對大多數車企而言，廠商們提供的軟硬一體化方案仍是首選。

從九章智駕調研的結果來看，當前，4D毫米波雷達數據處理部分的算法，比如ACC、AEB、BSD、LCA這些，基本上都是由雷達廠商來做。“也有一些主機廠在做毫米波雷達算法開發的工作，但從目前行業整體發展來看，真正讓主機廠把從點云到目標再到功能做出來還是比較困難的。”

然而，令車企們尷尬的是，4D毫米波雷達的算法比傳統毫米波雷達復雜得多，廠商們自己也很很難搞定算法，有一些廠商只能交付硬件。據稱，在某國際主機廠跟某德系Tier 1的合作案例中，該主機廠就不得不親自上陣做自己并不擅長的算法。

那么，為什么連已經在傳統毫米波雷達的算法方面已經有了幾十年積累的頭部Tier 1也很難搞定4D雷達的算法呢？

一個很大的區別是：傳統毫米波雷達對目標的定義是“點目標”，而4D毫米波對目標的定義是“擴展目標”。因此，兩者的信號處理、點云處理架構就不一樣。

此外，某4D毫米波雷達廠商技術負責人說，傳統毫米被雷達的算法，只需做一些簡單的數據聚類處理，而4D毫米波雷達的算法要做目標分類，需要圍繞著AVP、HWP、TJA做功能，這些功能通常是由算法公司或算法很強的硬件科技公司來做。

據了解，在和一些國外公司競標國內某主機廠的項目時，某國內毫米波雷達廠商之所以能快速勝出，除點云的數量和質量更高外，能同時提供4D毫米波雷達的算法，也是一個關鍵原因。

4D毫米波雷達算法難寫這一痛點，恰好成了BlueSpace.ai公司的機會——該公司專門提供4D雷達、激光雷達等傳感器的預測感知軟件技術方案。

毫米波雷達廠商們當然并不甘心把“靈魂”交給合作伙伴。事實上，已有多家4D毫米波雷達產業鏈上的公司計劃，今后，算法能力將被其作為核心競爭力來打造。而引入機器學習算法，則是這一系列行動的最大亮點之一。

在《高工智能汽車》此前的報道中，一位行業人士表示：“過去因為雷達分辨率很低，你根本無法做任何與機器學習相關的后期處理。現在由于4D毫米波雷達可以產生類似激光雷達點云數據，機器學習可以被用來訓練雷達感知系統識別物體，尤其是幫助解決傳統雷達無法克服的邊緣檢測難題。”

這個趨勢，也已經被越來越多的企業所驗證。比如，NXP已經推出一款車規級的AI工具包，除了應用于傳統的視覺領域，4D毫米波雷達也將使用神經網絡根據其點云圖像對道路使用者及障礙物進行分類。

根據恩智浦及德州儀器等雷達芯片廠商們的計劃，4D毫米波雷達的下一步就是提升類似攝像頭算法的機器學習能力。

Arbe公司從一開始就思考如何將信號處理和人工智能置于現成的射頻芯片組和數字信號處理器 DSP之上，實現實時聚類、跟蹤、自定位、假目標濾波、基于雷達和基于雷達+攝像頭的目標分類。

這套人工智能算法可以識別被檢測到的對象是否是人，而不是樹，并且計算出它將在一秒內的位置，還與攝像頭和套件中的其他傳感器融合，以對多個傳感器中的探測對象進行分類和匹配。

據《高工智能汽車》的報道，安波福公司此前也給出了4D毫米波雷達結合機器學習能力的一系列數據。

比如，針對道路上的小物體或碎片，機器學習可以將探測距離再提高50%以上，并能跟蹤200米范圍內的小物體；與經典的雷達信號處理相比，機器學習減少了70%的漏檢；機器學習還可以將位置誤差和目標航向誤差降低50%以上，這意味著該車輛能夠更好地識別停在其他車道上的車輛，以及靜止或緩慢移動的物體。

再比如，隧道對于傳統毫米波雷達是一個具有挑戰性的環境——隧道墻壁是一個巨大的反射面，可能導致非常多的返回點，甚至可能超過雷達處理目標的能力。但安波福認為，機器學習可以幫助車輛了解何時進入隧道，能夠以比經典方法更高的精度過濾掉檢測中的噪聲；同時，還可以更好地解釋隧道和其他封閉環境中的雷達回波，對扇形等目標進行分類。

此外，高通公司本身不生產毫米波雷達，但他們聲稱，可以通過在雷達上進行深度學習來擴大雷達的性能。例如，通過使用高通內部開發的“雷達深度神經網絡”，通過使用增強的雷達獲得更高的分辨率和3D掃描。

據此，一款4D毫米波雷達的競爭力如何，將在很大程度上受到廠商們及合作伙伴們深度學習算法能力的助力或制約。

四．道阻且長：4D量產應用中的難題

小鵬在2020年底宣布將在P5上采用激光雷達后，其他主機廠（既包括新勢力，也包括傳統主機廠）紛紛跟進，可以說，激光雷達已引發了車企之間的一輪軍備競賽；然而，4D毫米波雷達市場上，無論是寶馬跟大陸的合作，還是上汽R品牌跟采埃孚的合作，似乎都未能對其他主機廠的決策產生多大的影響。

據九章智駕調研，只有個別幾家車企會在接下來一兩年推出的新車型上采用4D毫米波雷達。

為什么大多數主機廠仍對4D毫米波持觀望態度呢？4D毫米波雷達的量產落地究竟還面臨著哪些障礙？(產品開發層面的困難，本文第二小節已有所介紹，這里重點寫其在應用中會遇到的難題)

1.技術及工程層面的難題

（1）需要多個指標同時滿足條件

有主機廠的感知工程師說，有不少4D毫米波雷達廠商側重強調其產品在測距分辨率、角度分辨率、速度分辨率等單一指標上的優勢，但單一指標的強大對最終成像的意義不大，“實際上，需要同時提高距離分辨率、角度分辨率、速度分辨率，才能達到一個比較好的成像效果，出來的結果置信度才會更高”。

（2）前融合很難做

要想將4D毫米波雷達的技術優勢都充分發揮出來，就需要將它跟攝像頭做前融合——后融合還存在置信度的問題，即雙方都看到了目標，或單一傳感器看到了目標，該相信誰呢？因此，前融合是必要的。不過，前融合并不是一件容易的事情。其原因如下——

A.?長期以來，在毫米波雷達廠商只提供軟硬一體的黑盒子的模式下，絕大多數主機廠都沒有“見過”毫米波雷達的原始數據，根本就不怎么了解這些數據的特性（毫米波雷達?數據格式就跟攝像頭不一樣），因而，真正熟悉毫米波雷達點云屬性的人才太少。

如今，多數公司是從頭開始學習毫米波雷達（比學習激光雷達要晚5-6年），連寫毫米波雷達算法都覺得很難，更別提將4D毫米波雷達跟攝像頭做前融合了。更何況，目前，市場上4D毫米波雷達的樣品也不多，下游客戶也沒有多少學習的機會。

B.?4D毫米波雷達的通道數多、數據量比較大，與視覺做前融合對算力的要求比較高，傳感器端的算力是不夠用的——毫米波雷達芯片的內存有限，而且處理器需要處理FFT變換、CFAR、濾波等，無法處理太多的點云，因此，如果點云密度比較高，前融合就需要放在域控制器里做。

目前，傲酷的新一代4D毫米波雷達就是按照算法+中央域控的技術路線來走，據稱單個雷達能夠做到0.1°*0.1°的角分辨率和每秒幾十萬點的點云。

但如果將主控芯片放在域控制器中，不僅4D毫米波雷達的高數據速率和數據壓縮會給集中式架構帶來挑戰，而且天線和處理器之間信號傳輸的帶寬和速率也會影響到探測精度。這意味著，數據運算在域控制器中進行的思路也很難行通的。

要解決上述矛盾，4D毫米波雷達廠商需要對中央域控制器有足夠深刻的理解，或者是跟一家域控制器廠商或芯片廠商深度綁定。而傲酷能將4D毫米波雷達的算法放在中央域控制器中，跟它們被安霸收購有很大關系——安霸的域控芯片CV3，會拿出一小塊出來做毫米波雷達的所有信號處理（可以應對6個雷達）。

C.?前融合需要4D毫米波雷達跟攝像頭做聯合標定，但聯合標定很難——4D毫米波雷達對于語義信息的理解不夠準確、對目標分類也不準確；此外，4D毫米波雷達有距離信息，而攝像頭則沒有。那么在兩者聯合標定時，如何將置信度、可靠性在視覺和4D毫米波雷達點云層級就做好，在什么情況下哪個傳感器的準確度更高，就是個很大的問題。

（3）EMC很難通過

4D毫米波雷達的電子兼容性即EMC很難通過，關鍵是需要考慮如何避免對外界的干擾，以及如何對抗來自外界的干擾。其中，對外界的干擾包括干擾車外的物體以及車內的車載收音機等，這跟電磁波的發射頻率（包括EMI和EMF）有關。EMC的問題一般在前期模擬中很難被發現，而是需要在實驗過程中才能發現。

（4）測試設備還不成熟

通常，車企或Tier 1在路測之前要在實驗室里通過雷達模擬器去測試硬性的條件，3D毫米波雷達已經成熟測試設備也成熟，但4D毫米波雷達目前僅有施瓦茨一家發布了4D雷達模擬器，雖然設計的時候按照指標設計，但沒有設備去做驗證。

（5）測試標準還不清晰

原來3D毫米波雷達做測試只需要測水平方向的檢測能力就可以，而4D毫米波雷達有了高度信息后，就需要增加高維的測試，而高度測試的標準和方法還需要摸索。

（6）不容易安裝

4D毫米波雷達尺寸普遍比傳統毫米波雷達大，造型也有所不同，因此，安裝位置并不太好設計。

2.政策層面的難題：缺乏國家標準

現階段，4D毫米波雷達缺少國標，很多主機廠擔心上大規模安裝后卻無法使用。

比如，在距天文臺一公里以內的路段等敏感區域，77G毫米波雷達是不被允許開啟的，但如果4D毫米波雷達在多數時候是開著的，到了這些敏感區域怎么關掉，也是個問題。

3.商業層面的難題：性價比還不夠高