4D成像雷达通过引入俯仰角与MIMO级联、稀疏阵列技术实现毫米波雷达从“点探测”到“成像级感知”的跃迁具备高分辨率3D点云与目标识别能力弥补传统雷达短板。结合压缩感知算法有效抑制栅瓣提升精度。在自动驾驶中其全天候优势使其成为L3/L4安全核心在智慧交通领域凭借多目标跟踪、排队检测与事件预警能力成为车路协同的关键感知节点推动交通系统智能化升级。在自动驾驶的传感器套件中毫米波雷达一直被视为“配角”只负责测速和防撞。但随着4D 成像雷达的横空出世它正在挑战激光雷达LiDAR的主角地位。传统雷达只能看到“有个障碍物”4D 雷达能看到“这是一辆卡车旁边还站着一个人”。这种从点到面的进化核心在于MIMO 级联与稀疏阵列。12.1 4D 成像雷达在毫米波段重构世界1. 什么是 4D传统 3D 雷达距离 (RR)、速度 (vv)、方位角 (θazθaz​)。缺陷没有高度信息 (θelθel​)。它分不清前方的障碍物是路面上的静止车辆必须刹车还是横跨马路的龙门架/路牌可以直接开过去。这导致了大量 AEB 误刹车或漏检。4D 成像雷达增加了俯仰角 (Elevation, θelθel​)。有了高度雷达就能构建出真实的 3D 空间点云加上速度维共 4D。成像级分辨率角分辨率从 5∘5∘ 提升到 1∘1∘ 甚至更低。能看清物体的轮廓。2. MIMO 级联 (Cascading)把芯片串起来单颗雷达芯片如 TI AWR2243通常只有 3发4收 (3TX 4RX)虚拟孔径 12 个分辨率太低。为了获得高分辨率我们需要更大的孔径。级联原理将 2 颗或 4 颗雷达芯片通过LO (本振) 同步信号连接在一起让它们像一颗大芯片一样工作。4 片级联 (4-Chip Cascade)规模12 TX×16 RX12 TX×16 RX。虚拟孔径12×1619212×16192 个通道。效果这相当于拥有了一个 192 像素的“摄像头”。虽然比不上百万像素的视觉但在雷达领域已经是质的飞跃。3. 稀疏阵列优化用数学换硬件即使用了级联192 个通道如果排成均匀面阵14×1414×14孔径还是很小。为了获得更高的分辨率更窄的波束我们需要把天线拉得更开。稀疏布阵 (Sparse Array)故意不按 λ/2λ/2 的标准间距排布而是按随机或互质间距排布。优点孔径变大了分辨率提高了。副作用栅瓣Grating Lobes升高能量泄漏到错误的方向。算法修补利用压缩感知 (CS) 或深度学习算法在数学上消除栅瓣重构出干净的点云。总结4D 成像雷达是雷达技术向**“视觉化”迈进的关键一步。它保留了雷达全天候**不惧雨雪雾、不惧强光的优势又补齐了分辨率的短板。在 L3/L4 自动驾驶中它是最可靠的安全底座。交通雷达挂在红绿灯杆子上的那个盒子是智慧交通的眼睛。它不像车载雷达那样需要极高的分辨率但它面临着独特的挑战超多目标、超长跟踪、复杂逻辑。12.2 交通流检测上帝视角的车流管控1. 多车道多目标跟踪 (Multi-Lane Multi-Target Tracking)场景一个十字路口双向 8 车道可能有 50-100 辆车同时在动。挑战目标密集车辆排队时前后车距离很近雷达容易把它们看成一长条。遮挡大卡车会挡住旁边的小轿车。算法GNN (Global Nearest Neighbor)或JPDA (Joint Probabilistic Data Association)解决数据关联问题这个点迹到底属于哪辆车。车道约束 (Lane Constraints)利用地图先验信息。如果不确定车怎么走大概率它是顺着车道走的。这能极大提高跟踪稳定性。2. 排队长度检测 (Queue Length Estimation)痛点红灯时车辆是静止的。普通雷达MTI/MTD会滤除静止目标。技术FMCW 的直流分量保留零频附近的能量。轨迹记忆虽然车停了但雷达记得它“刚才开到了这里停下”。逻辑拼接检测到第一辆车停在停止线第二辆车停在它后面 5 米……以此类推计算出排队长度实时反馈给信号机调整红绿灯时长自适应信控。3. 事件检测 (Incident Detection)交通雷达不仅要数车还要报警。逆行检测利用多普勒速度的正负号。如果某条车道的速度方向与规定方向相反且持续一定时间立刻报警。异常停车在非路口区域如高速公路如果发现有目标速度突然降为 0 且不消失判定为事故或抛锚。行人横穿检测横向移动的低速小目标RCS 小。总结交通雷达是**“业务逻辑”最重的雷达。它的底层信号处理可能不如军用雷达复杂但上层的数据处理和事件逻辑却极其繁琐。它是构建车路协同 (V2X)** 的核心感知节点。