當雷達探測到一個目標物體卻報告存在多個相同目標時，該如何判斷哪個才是真實目標？這一雷達信號模糊問題長期困擾著自動駕駛系統，而解決方案在于通過密集采樣從源頭消除虛假信號。

虛假目標問題

當雷達傳感器探測到一個目標，卻在其視野范圍內報告多個功率水平相近的目標時，就會出現雷達信號模糊。想象一下，在雷達前方放置一個物體，系統可能不僅會顯示一個清晰的目標，還會顯示多個相同的虛假目標以及較弱的虛影。此時，雷達根本無法分辨哪個目標才是真實的。

這種傳感器可靠性下降會引發兩類問題：多普勒模糊以及方位角和俯仰角模糊。多普勒模糊會影響對移動目標的速度測量，但可通過多次測量解決問題（不過會增加100-150毫秒的延遲）。而方位角和俯仰角模糊則會影響角度方向，這對自動駕駛系統而言是無法解決的難題。

安全影響問題

當無法確信雷達顯示的是真實障礙物還是虛影時，自動駕駛的安全基礎便會崩塌。方位角和俯仰角模糊會為所有物體生成虛幻目標，但安全故障的表現形式各有不同。對于靜止物體，核心問題在于區分相關障礙物與無關背景：

目標混淆：當路面上的備胎和附近的圍欄都顯示為分散的虛假目標時，系統將無法判斷哪個才是真正的道路危險。

隧道盲區：墻壁、天花板和停放的車輛都會產生虛假目標，導致系統無法區分隧道結構與實際阻擋路徑的障礙物。

交通模糊：車道上靜止的車輛和路邊護欄都會產生多個虛假信號，雷達無法確定哪些目標代表阻擋車道的危險。

對于移動物體，虛假目標則會帶來不同的計算挑戰：一輛真實車輛會顯示為多個分散在不同位置的相同目標。系統必須同時追蹤所有這些虛假目標的軌跡，并使用復雜算法確定哪條路徑可行——這不僅增加了危險延遲，還消耗了大量處理能力。

根本原因在于采樣不足

雷達信號模糊源于一個基本原理：奈奎斯特采樣定理。就像用幀率過低的攝像機拍攝旋轉的螺旋槳會使其看起來反向旋轉一樣，天線通道稀疏分布的雷達也無法準確確定入射信號的方向。

增加采樣密度可以解決問題，但這需要巨大的處理能力和能耗——傳統車載系統難以在成本可控的前提下滿足這些要求。這構成了經典的工程權衡：采用大量天線通道（性能優良但成本高昂）與采用較少通道（成本低廉但存在信號模糊）之間的矛盾。

行業解決方案與Arbe的技術突破

在認識到導致信號模糊的雷達采樣限制后，汽車行業探索了多種方法，但均未找到“萬能解決方案”。傳統方法主要圍繞信號模糊問題展開，包括基于人工智能的濾波技術、采用攝像頭和激光雷達等替代傳感器技術，或僅接受以基本車載雷達（主要針對移動目標設計）實現有限功能。

Arbe通過兩項關鍵創新直接解決了奈奎斯特采樣定理的根本問題：通過大幅提高天線通道密度實現了消除信號模糊所需的密集采樣，同時設計了能夠處理海量數據的處理器架構。

Arbe的高清雷達技術采用48個發射通道和48個接收通道——遠超傳統雷達配置——提供了確定信號到達方向所需的密集空間采樣。這種高通道數直接消除了稀疏天線陣列面臨的信號模糊問題，但也帶來了巨大的處理挑戰：每秒30GB的原始射頻數據會壓垮傳統雷達處理器。我們的定制芯片組架構通過將數據壓縮為100MB的點云輸出解決了這一問題，實現了每幀數千個虛擬通道和數萬個檢測點，且不會產生影響安全關鍵應用的延遲。

行業解決雷達信號模糊的方法對比

未來發展方向

實現L3級自動駕駛的關鍵在于解決信號模糊問題。Arbe通過大幅提高天線通道密度，同時設計能夠處理海量數據的處理架構，直接消除了導致信號模糊的根本采樣限制，為自動駕駛提供了可靠的感知基礎。

審核編輯 黃宇