如何克服毫米波雷达点云稀疏问题？

[首发于智驾最前沿微信公众号]在自动驾驶感知系统的传感器中，毫米波雷达凭借其全天候探测能力、对运动目标的极高速度敏感度以及相对低廉的成本，始终占据着核心地位。

相较于激光雷达每秒产生的数百万个、能够细致描绘物体轮廓的致密点云，毫米波雷达输出的数据就显得比较“吝啬”，通常每帧图像只能提供几十个离散的探测点。

这种点云稀疏化现象直接限制了毫米波雷达在物体识别、形态勾勒及环境建模中的应用，成为制约高阶自动驾驶系统实现全场景感知的瓶颈之一。

电磁波交互机制与物理维度的制约

毫米波雷达点云稀疏的首要原因源于波动光学与电磁学的基础物理法则。车载毫米波雷达主流工作频段为77GHz至79GHz，对应的波长约为3.8mm到3.9mm。

根据电磁波反射理论，物体表面的相对粗糙度决定了回波的特性。当探测波长远大于物体表面的起伏尺寸时，该表面在电磁波视角下便呈现为准镜面，产生的反射遵循斯涅尔定律，即入射角等于反射角。

在城市道路场景中，汽车的金属表面、建筑物的玻璃幕墙以及平整的沥青路面，对于波长接近4mm的毫米波而言，几乎都是“镜面”。

这种镜面反射导致大部分电磁能量沿着远离毫米波雷达的方向散逸，只有极小部分能量通过物体边缘的衍射、角反射器结构的二次反射或垂直入射产生的背向散射回传至接收天线。

相比之下，激光雷达使用的波长在905nm或1550nm级别，比毫米波小了三个数量级，很多物体表面对激光而言都是粗糙的，能够产生均匀的漫反射，从而保证了物体表面的各个部位都能反射回波点。

图片源自：网络

除了反射模式的差异，材料本身的介电常数与电导率也影响着点云的丰富度。金属作为良导体，对毫米波具有极高的反射率，因此车辆、护栏等物体能形成相对稳定的探测点；而对于行人这类主要成分为水分的非金属目标，其对毫米波的吸收与散射机制更为复杂。

虽然人体的含碳量使得其在毫米波段具有一定的反射性，但由于人体表面形状极不规则且不具备大面积的平面或角反射结构，能量极易发生多向散射，导致回波强度剧烈波动。

就有研究对此做了实验，使用碳涂层的人体模型能够模拟行人的反射特征，但即便如此，当行人的肢体相对于雷达射线存在倾斜角度时，大量的射频信号会发生偏转而不是返回，这也解释了为什么在毫米波雷达视图中，行人的点云不仅稀疏且经常出现部位缺失的现象。

硬件孔径与角分辨率的局限性进一步加剧了空间感知的离散化。毫米波雷达区分相邻目标的能力受限于天线的角分辨率，而角分辨率在物理上由波长与天线等效孔径的比值决定。

受限于车载安装空间，毫米波雷达天线的物理尺寸无法无限扩大，这使得传统毫米波雷达的水平角分辨率只能维持在5°到10°之间，且大多数不具备俯仰角的感知能力。

这意味着在一个较宽的波束范围内，即便存在多个反射中心，毫米波雷达也可能由于分辨率不足而将其合并为一个点输出。这种“空间采样”层面的低效率，从源头上限制了单位空间内能生成点云的数量，使得毫米波雷达无法像激光雷达那样通过密集的激光束扫描来构建精细的三维模型。

信号处理链路中的信息提取与过滤机制

毫米波雷达点云的稀疏并不仅仅是物理法则的原因，在很大程度上也是毫米波雷达内部信号处理算法主动选择与“过滤”后的产物。

毫米波雷达工作在极其嘈杂的电磁环境中，接收到的信号不仅包含真实目标的反射，还夹杂着地面杂波、建筑物多径反射、电子热噪声以及来自其他车辆雷达的同频干扰。

为了在保证低虚警率（防止误报）的前提下提取出可靠的目标，恒虚警检测（CFAR）算法成为了雷达处理链路的一种主要方式。

CFAR算法的工作原理是基于统计学模型，为每一个探测单元动态设定一个功率阈值。这一阈值是根据该单元周围“背景噪声”的平均功率或分布特征计算得出的，只有当信号强度显著超过局部噪声水平时，系统才会将其判定为有效目标并生成点云。

图片源自：网络

在实际的工程实践中，为了避免自动驾驶系统出现致命的误制动（如将路面的井盖误判为障碍物），检测阈值会设置得相对保守且偏高，这意味着很多能量微弱但真实存在的反射信号，在这一步就被作为噪声彻底抹除。

像是远距离的小目标或是表面反射率较低的物体，其回波可能仅比背景噪声高出几个分贝，在追求“绝对可靠”的算法逻辑下，这些信息会被视作不稳定的波动而被丢弃，从而导致输出的点云仅保留了极少数能量最强的特征点。

环境中目标的相互遮蔽与掩蔽效应也是造成点云丢失的重要因素。在多目标检测场景中，当一个强反射目标（如大型卡车）与一个弱反射目标（如自行车或行人）处于相近的距离单元时，强回波会剧烈拉高局部背景噪声的估算值。

在传统的单元平均（CA-CFAR）算法中，这会导致弱目标的信号由于无法超过被拉高的阈值而“沉没”在噪声基准线以下，这种现象被称为“掩蔽”。

虽然后续出现的有序统计（OS-CFAR）或最小选择（SO-CFAR）等改进算法试图通过更复杂的统计排序来解决多目标干扰问题，但其本质上仍是在有限的概率分布模型内做权衡，无法从根本上恢复那些已经趋于湮灭的信号。

此外，毫米波雷达的信号处理还涉及到一个被称为“点云合成”或“目标聚类”的过程。由于毫米波雷达波束具有一定的宽度，一个真实的物理目标会在距离、角度、多普勒图谱上占据多个相邻的格点。

为了降低后续计算平台的负载，毫米波雷达内部会将这些相关的点聚集成一个单一的探测点，并计算其质心位置。这一过程虽然简化了目标的表示，但也人为地抹去了物体可能存在的空间延伸信息和几何结构。

在传统毫米波雷达的障碍物探测逻辑中，将一辆车抽象为一个具有位置和速度的质点无疑是高效的，但在追求高阶自动驾驶的今天，这种做法不仅导致点云表现上非常稀疏，也使得系统失去了通过点云形态直接进行语义识别的可能性。

4D成像雷达，通过增加维度与通道数实现突破

针对传统毫米波雷达在物理分辨率与信息量上的先天缺陷，行业正在探索4D成像雷达技术。

所谓4D，是在传统的距离（Range）、速度（Doppler）、水平方位角（Azimuth）之外，引入了俯仰角（Elevation）的精确测量能力，从而使毫米波雷达具备了在垂直方向上区分高处物体（如立交桥、交通标志）与地面物体（如停止的车辆）的能力。

这一技术的提升，主要是通过大幅增加物理或虚拟的天线通道数量来实现的，能从根本上改变点云稀疏的现状。

实现4D成像的核心在于MIMO（多输入多输出）技术与虚拟孔径成像原理。在MIMO系统中，多个发射天线发送正交信号（通过时间、频率或编码方式区分），接收阵列对这些回波进行分离处理，这种方式可以等效出远超物理天线数量的虚拟接收通道。

说得更详细些，若雷达拥有M个发射阵元和N个接收阵元，通过相位中心的排布设计，可以合成一个拥有M×N个虚拟单元的大孔径阵列。

虚拟孔径的扩大直接带来了空间采样密度的提升。随着波束宽度的变窄，毫米波雷达能够在物体表面扫过更多的空间采样单元，原本由于分辨率不足而合并的点能够被分解为具有丰富细节的点云簇。

这种高分辨率成像不仅解决了“看得见”的问题，更解决了“看清楚”的问题。举个例子，在隧道入口场景中，4D毫米波雷达可以清晰地区分出上方的隧道顶部反射和下方的障碍物回波，从而避免了传统雷达常见的由于误判高度而导致的虚假制动。

图片源自：网络

目前4D毫米波雷达的硬件实现路径主要分为芯片级联方案与单芯片集成方案，前者通过多颗成熟雷达芯片（MMIC）的物理同步工作来快速提升通道数，后者则通过更高集成度的射频前端设计在更小的空间内集成更多天线，两者各有优劣，但目标均指向点云致密化。

在硬件升级的同时，信号调制方式的革新也为提升点云质量提供了可能。传统调频连续波（FMCW）毫米波雷达在处理高速运动物体或密集多目标时，容易在多普勒轴上产生相位模糊。

新一代毫米波雷达正在探索多普勒分发多址（DDMA）等先进调制技术，通过在发射端引入特定的多普勒偏移，使不同发射天线的信号在频域内能够更清晰地分离，从而在保持高刷新率的同时进一步扩充虚拟通道的信噪比增益。

这种精细化的能量管控，使得毫米波雷达能够捕捉到更微弱的物体反射，从软件层面变相提高了可用探测点的数量。

深度学习驱动的原始数据挖掘与感知融合

面对毫米波雷达点云稀疏且伴随噪声的问题，仅仅依靠硬件和传统信号处理算法想实现可靠的自动驾驶，依然不足。近年来，深度学习技术的引入为解决这一难题开辟了全新的赛道。

深度学习技术核心逻辑在于改变“先过滤噪声、后感知物体”的传统流程，转而尝试从未经大幅压缩的雷达原始数据（如ADC数据或Range-Angle-Doppler张量）中直接学习环境特征，从而找回那些被传统算法丢弃的信息。

图片源自：网络

深度学习模型（如PointNet、PointNet++或Graph Neural Networks）展现出了强大的抗稀疏性能力。不同于传统算法依赖于硬性的阈值检测，神经网络可以通过端到端的训练，学习到特定目标（如行人、车辆）在雷达频谱图中的时空分布规律。

即使某些反射点的信号极其微弱，甚至已经处于噪声基准线以下，神经网络也能利用周围时空域的相关性，通过“上下文信息”来推断该处目标存在的概率，从而生成更加完整且具语义属性的点云。

像是RadarHD等前沿模型通过将低分辨率雷达输入与高线束激光雷达点云进行真值匹配训练，能够学会在极具挑战性的环境中还原出类似激光雷达的致密轮廓，其生成的点云在物体边界清晰度上较传统方法有数倍的提升。

此外，跨帧累积与运动补偿算法在深度学习的加持下也变得更加智能。传统的点云累积会导致运动物体的“拖尾”现象，这是因为不同时刻的点云被重叠在了同一空间坐标系下而没有考虑物体的位移。

基于循环神经网络（RNN）或自注意力机制（Transformer）的模型，能够自动预测动态目标的运动轨迹，并根据多普勒速度信息将不同时刻的回波点对齐到当前时刻。

这种“时域上的致密化”利用了物体随时间变换的各种反射姿态，极大地丰富了物体的视觉特征，使得单帧下稀疏的散点最终汇聚成一个具有辨识度的形态，显著提升了目标检测能力。

现阶段，传感器融合是克服单一毫米波雷达稀疏性的另一条路径。现如今，毫米波雷达会与摄像头或激光雷达深度绑定。通过“前融合”或“特征级融合”策略，摄像头捕捉到的丰富语义和几何边缘信息可以作为强有力的先验知识，引导毫米波雷达信号处理系统在特定区域降低检测阈值。

如当视觉系统识别出前方存在一辆黑色车辆，但由于该车吸收了较多电磁波导致雷达点云稀疏时，感知算法会动态调整该区域的雷达采样权重，主动搜索并激活微弱的回波点，从而实现“视觉引导下的点云补全”。

最后的话

毫米波雷达在自动驾驶中表现出的点云稀疏问题，绝不是单一维度的缺陷，而是物理世界本质特征与现有技术架构等多个因素导致的。从毫米波段镜面反射带来的能量损耗，到传统算法为降低误报而进行的“信息割舍”，每一个环节都导致了这种稀疏的特性。

随着4D成像技术的普及，我们正在见证毫米波雷达从“单点探测”向“阵列成像”的方向转变。通过MIMO技术的硬件扩张、4D高维数据的引入，以及深度学习在原始数据挖掘中的深度渗透，毫米波雷达正逐步克服其作为“二等传感器”的局限，向着实现全天候、高精度的三维环境重建迈进。