毫米波雷达数据处理_如何做好一款4D高分辨毫米波雷达？
毫米波雷达的发展趋势是智能+高分辨
做好一款毫米波雷达本身是一个庞大的系统工程，所以我不可能会像标题那样面面俱到讲毫米波雷达的方方面面，我也没那本事
，好吧，这篇文章主要和大家聊聊如何从算法及功能层面做好4D 高分辨毫米波雷达(4D High Resolution Radar,以下简称4D Radar)，咱们开始。
啥是4D Radar
首先4D指的是(range, velocity, azimuth,elevation)，有时候有的厂家为了唬人，加上RCS这个维度，就成了5D radar，那么4D Radar相较于传统毫米波雷达主要强势在这一个方面：
cluster数目是传统雷达的数十倍(一般为数万cluster/秒)，如此致密的cluster也就换了一个更洋气的名字，点云(point cloud),隔壁激光雷达可能会投来鄙视的目光。。。
需要指出的是，做毫米波雷达不会一味追求点云数量，一味追求点云计算量上去了不说，也产生了许多冗余信息，没必要。所以，这里的点云是指有效点云，也就是说，我们不仅要看点云的量，更要看点云的质。那如何提高点云数量及质量我们待会再聊。如此致密的点云使得4D雷达有时候又被称为4D成像雷达(4D Imaging Radar)。
4D radar 能干啥
说白了，4D毫米波雷达最强势的点就是提供高质量的点云，而高质量的点云却极大得扩展了毫米波的应用范围。过去啊，毫米波雷达最多在ADAS混出个样，也就是在L2，L3级别的自动驾驶刷刷存在感。再往上走，也就是高级别无人驾驶(L4,L5)就惨啦，低声下气，一直要看激光雷达的眼色，甚至还比不过摄像头。即是好说歹说配备了毫米波雷达，往往也是做陪衬(数据融合，实际中对毫米波雷达的输出往往置信度较低)。怎么办，想出人头地就得猥琐发育，卧薪尝胆。如今，4D Radar的推出无疑为毫米波雷达家族进入高级无人驾驶铺平道路，提供了更多可能性！主要是4D雷达太能干了，不信请看：
环向毫米波雷达感知
Freespace
自动泊车(APS)
目标分类(Classification)
局部定位(Localization)
landmark based SLAM
以上功能都是过去毫米波雷达薄弱的点，也就是激光雷达鄙视毫米波雷达的底气。往后我会逐一介绍每个功能应用的实现细节等。
4D radar 目前什么水平
目前国内外知名雷达厂商都在积极布局4D Radar，因为它确实代表未来的感知技术方向。国内玩家主要是先搞个样机，展现一下强大的研发实力，估计也可以解决部分融资需求，但离量产还有距离。图1 是国内森斯泰克点云雷达实测效果图，可以看到点云及其致密，为丰富应用提供基础。
图1 Sensor Technologies 4D Radar
如图2所示，木牛科技于2019年也发布了一款点云雷达样机，点云致密并且提供了高度(elevation)信息。
图2 木牛科技4D radar效果图
国外玩家更多，玩法也多种多样，以后有空细聊，这里简单介绍几家有特色的。METAWAVE是当中戏比较多的，核心技术是利用超材料构建收发阵列，基于pencil beam的窄波束覆盖整个FoV，并在算法层面引入AI Engine，实现一款高分辨智能雷达。
图3 METAWAVE 点云雷达效果图
此外，Cognitive，Arbe，Oculii，Uhnder，Vayyar，Lunewave，Echodyne等公司都在相继研发4D Radar.
4D radar 算法怎么做
涉及雷达算法，我们暂且分为数据处理及信号处理，信号处理偏底层，更重要更基础。我们会把重心放在这。
雷达信号处理(Radar Signal Processing，RSP)，主要要包含如下几个方面
RSP
- Antenna Array Design (Azimuth/Elevation)(ULA/NLA/MRA)
- MIMO Signal Processing(Channel Separation)
- Frequecy Estimation for Range & Doppler
- DoA(FFT/MUSIC/SSP)
- Calibration
Antenna Array设计依赖功能需求，就4D Radar而言，给出的天线设计需要满足无模糊方位角及俯仰角检测条件外，对方位角的分辨率及精度提出高要求，往往分辨率要低于2度。
MIMO Signal Processing核心问题是如何实现接收端发射通道分离，方法有很多，诸如BPM, TDM，CDM等等，但是各有各的问题，如何实现适合4D雷达的通道分离方案很重要。
Frequecy Estimation for Range & Doppler，对距离和速度的估计主要采用FFT+插值细化，对传统毫米波雷达是够了，而4D Radar还有上升空间。
DoA，可以说是RSP最重要的一块，没有之一，DoA方法太多了，但是结合天线设计，给出一种高效，高分辨的DoA方法是具有相当挑战性的，主流还是ULA+FFT，4D雷达为了高分辨，这种配置是不够的。
Calibration，校准对于多通道是必须的，校准对象，校准方法很多。比如
Channel Error |
Coupling Error |
Position Error |
Mount Error |
Finite sampling errors |
声明：本文内容及图片由BC-AUTO转载至网络，信息来源于公众号毫米波雷达技术杂货铺。
| # | BC-AUTO 在售报告列表 |
|---|---|
| 1 | 全球及中国数十家汽车工程技术服务企业研究报告 |
| 2 | 全球及中国电液制动系统EHB产业研究报告 |
| 3 | 全球及中国汽车基础软件企业研究报告 |
| 4 | 全球及中国车机系统产业研究报告 |
| 5 | 全球及中国前向ACC、AEB产业技术研究报告 |
| 6 | 全球及中国车载ESP产业研究报告 |
| 7 | 全球及中国车载EPS产业研究报告 |
| 8 | 国际汽车半导体企业研究报告 |
| 9 | 中国汽车半导体企业研究报告 |
| 10 | 全球及中国汽车半导体产业研究报告 |
| 11 | Euro-NCAP、C-NCAP主动安全规划及技术方案研究 |
| 12 | 全球及中国车联网产业研究报告 |
| 13 | 全球及中国整车OTA应用产业研究报告 |
| 14 | 全球及中国车企、主流Tier1出行业务研究 |
| 15 | 全球及中国汽车大数据应用研究报告 |
| 16 | 全球及中国商用车自动驾驶产业研究报告 |
| 17 | 全球及中国驾驶员监测系统产业研究报告 |
| 18 | 全球及中国车载5G智能终端产业研究报告 |
| 19 | 智能汽车操作系统产业研究报告 |
| 20 | 中国智能汽车行业主流Tier1研究报告 |
| 21 | 全球智能汽车网络安全及信息安全产业研究报告 |
| 22 | 全球及中国车载网关产业研究报告 |
| 23 | 全球及中国车载超声波雷达产业研究报告 |
| 24 | 全球及中国环视ADAS产业研究报告 |
| 25 | 国际主流前向双目视觉ADAS产业研究报告 |
| 26 | 国际主流前向单目视觉ADAS产业研究报告 |
| 27 | 全球及中国泊车辅助&自主泊车研究报告 |
| 28 | 特斯拉整车OTA汇总分析研究报告 |
| 29 | 国际主流Tier1自动驾驶业务分析报告 |
| 30 | 全球及中国车载毫米波雷达产业研究报告 |
| 31 | 全球及中国车载激光雷达产业研究报告 |
| 32 | 全球及中国车载高精度地图产业研究报告 |
| 33 | 全球及中国自动驾驶算法集成企业研究报告 |
| 34 | 全球及中国主流车企自动驾驶进展研究报告 |
| 35 | 智能网联汽车Tier2转型为Tier1供应商研究报告 |
| 36 | 全球及中国自动驾驶域控制器产业研究报告 |
| 37 | 全球及中国车载T-box产业研究报告 |
| 38 | 全球及中国数十项ADAS功能研究报告 |
| 39 | 面向智能网联电动汽车的高速公路设计研究报告 |
| 40 | 全球及中国软件定义汽车产业研究报告 |
| 41 | 全球及中国数十家汽车仿真企业及产品研究报告 |
| 42 | 全球及中国车身域控制器产业研究报告 |
| 43 | 全球及中国汽车仪表系统产业研究报告 |
| 44 | 全球及中国智能座舱产业研究报告 |
<<最专业的智能汽车社群，值得你的加入