在自动驾驶的传感器中，毫米波雷达好像一直存在于摄像头和激光雷达的“光环”之下，很多时候，存在感并不强。甚至在最近一段时间以来，不少车型在逐渐减配毫米波雷达的数量，从5颗到3颗，再到1颗，甚至完全取消。

毫米波雷达之所以有这样的窘境，可能主要原因有2个：1）分辨率较低，2）误报和漏报较多。因此，在感知系统中，对毫米波雷达一直不敢赋予很高的置信度和权重。近年来，随着整车的降本压力增大，以及视觉感知技术的进步，导致不少车型毫米波雷达的配置数量逐渐减少。

随着不同方案4D成像技术的开发，毫米波雷达的分辨率已经得到了大幅提升，很多优秀产品的点云密度已经达到32线激光雷达，甚至接近64线激光雷达的水平。不过误报漏报较高的问题，还在不断困扰毫米波雷达的拓展应用。

在前面文章《毫米波雷达系列（二）：毫米波雷达的性能局限》，介绍了毫米波雷达常见的性能局限场景，不过内容较为简略。

由于毫米波雷达多径传输、外部干扰、分辨率不足等引起的误报漏报最为常见，本文针对这几部分内容，再进一步讨论其相关原理和应对方案，供各位老师参考。

01

多径效应

1. 现象

在环境较为复杂时，在真实目标的周围会出现多个虚假目标，如下图所示：

图片来源：The Radar Ghost Dataset – An Evaluation of Ghost Objects in Automotive Radar Data

2. 原因

在环境较为复杂时，毫米波雷达的电磁波在传输过程中，发生了多次反射，导致出现虚假目标，这类目标称为多径Ghost。

这类Ghost通常是发生了二次反射和三次反射。（由于电磁波每反射一次，信号能量就会减小，4次及以上反射导致虚假目标可以忽略）

正常路径（One-Bounce Path）：

正常路径是电磁波在目标上经过一次反射，回到毫米波雷达，这是正常的探测过程，此时不会Ghost。

Two-Bounce Paths：

有如下两种传播路径：

• Case1：雷达接收到来自反射面的一次反射信号，Ghost出现在反射面的另一侧。

• Case2：雷达接收到来自真实目标的反射信号，Ghost出现在与真实目标方向相同，不过距离更远的位置。

由于两个路径的长度相同，因此，两种Case产生的Ghost径向距离和速率是相同的。

Three-Bounce Path：

• Case1：从反射面上反射两次，产生相对于反射面对称的镜像Ghost。

• Case2：在自车和目标之间发生3次反射，出现一个是真实目标2倍距离、2倍相对速度的虚假目标。这种情况经常发生在两车较大，相距较近时。

3. 解决方案

1）通过识别环境（道路边界），滤除合理边界外的目标

识别环境道路边界（例如高速护栏，隧道边界，道路边界等等），然后将边界外符合某些特征的运动目标视作Ghost进行滤除。

图片来源：CSDN

2）基于规则的合理性校验，滤除异常目标

一般情况下，真实目标的速度和航向角方向应该是一致的（除非目标车辆处于极端非线性或者失稳状态）。如果发现有些目标的速度和航向角方向不一致，可以判断为虚假点进行滤除。

图片来源：Roos F  ,  Sadeghi M , Bechter J , et al. Ghost target identification by  analysis of the Doppler distribution in automotive scenarios[C]（18th International RadarSymposium (IRS). IEEE, 2017）

除了上述规则，还可以考虑其他合理性校验方法，例如出现时刻、持续时间、速度范围等等。

3）基于机器学习/深度学习，滤除虚假点

基于机器学习/深度学习的监督类学习算法普适性强，不仅适用于多径产生的虚假点，也适用于其他原因产生的虚假点，不过对于算力和数据量要求较高。例如：随机森林、CNN、PointNet++等等。

例如，Chamseddine M等人提出的DNN算法架构：

图片来源：Chamseddine M ,  Rambach J , O Wasenmüller, et al. GhostTarget  Detection in 3D Radar Data using Point Cloud based Deep Neural Network（International Conference on Pattern Recognition 2020）

虚假点去除效果：

图片来源：Chamseddine M ,  Rambach J , O Wasenmüller, et al. GhostTarget  Detection in 3D Radar Data using Point Cloud based Deep Neural Network（International Conference on Pattern Recognition 2020）

02

外部干扰

1. 现象

当雷达受到外部电磁波干扰时，出现漏检或者误检。在自动驾驶场景，外部电磁波干扰通常是来自于道路上其他车载雷达的电磁辐射。

下图是FMCW雷达，在没有干扰和有干扰时的频谱对比：

图片参考：Jeroen等，Uncorrelated Interference in 79 GHz FMCW and PMCW Automotive Radar，后处理：雪岭飞花

2. 原因

1. 噪底提升（导致漏检）；

2. 形成虚假点（导致误检）；

情况1：

当外部干扰的电磁波频段落入雷达的扫频范围，但是频率变化和雷达不同步，此时雷达本体的噪底会被抬升，由于SNR变差，从而导致RCS较小的目标消失（漏检）。

图片来源：Sefa Tanis（ADI）

情况2：

如果干扰信号扫描是同步的，此时会产生虚假目标（误检）。

不过，这种干扰通常出现在电子战干扰机中（有意设计），在汽车中发生这种刚好对齐的概率非常小，往往是来自于多径效应（干扰信号是雷达自己发出的）。

图片来源：Sefa Tanis（ADI）

3. 解决方案

1）ADI

ADI提出通过设置特殊编码的Chirp波形，来降低干扰，例如设置独特的Chirp斜率、起始和停止频率。

例如下面图片中，蓝色曲线是未经过编码的回波处理结果，橙色曲线为经过编码的回波处理结果。可以看到编码之后，干扰目标被有效滤除。

图片来源：Sefa Tanis（ADI）

2）TI

TI提出了随机化、抖动、频率规划的定位干扰以及缓解技术。请参考《Application Note：Interference Mitigation on the AWR294x Transceiver》

图片来源：TI，《Application Note：Interference Mitigation on the AWR294x Transceiver》

3）加特兰

加特兰提出四种抗干扰方案：frequency hopping模式、chirp shifting模式、phase scrambling模式以及interference mitigation模式，其思想和上述编码方式类似。

图片来源：https://www.zhihu.com/question/468198654/answer/2703203307

4）Uhnder/Mobileye

Uhnder/Mobileye提出采用PMCW技术进行干扰抑制，PMCW技术是采用编码调相，当接收到编码方式不同的干扰信号时，会稍微抬升一点底噪，不会在频谱上产生峰值，因此可以一定程度上抑制误报和漏报。

PMCW雷达对于干扰信号的响应：

PMCW-to-PMCW with different interference configurations: (d) different  code  families  [APAS(3868),  ZCZ(4096)],  (e)  different  code  length  [APAS(3868),APAS(3864)], and (f) different bit rates [APAS(3868), APAS(1308)]

03

距离分辨率不足

1. 现象

如下图所示，对于前后相距较近的橙色和浅蓝色目标无法区分，毫米波雷达会输出一个大的深蓝色目标。

图片参考：Uhnder，后处理：雪岭飞花

2. 原因

对于FMCW雷达，距离分辨率dRes = c/2B，其中c是光速，B是扫频带宽。

例如，如果是600MHz带宽，分辨率dRes = 300000000/1200000000=0.25米。

当两个距离小于距离分辨率dRes时，会变得很难区分：

图片参考：网络，后处理：雪岭飞花

3. 解决方案

1）提升带宽B

对于FMCW雷达来说，主要是通过提升带宽B实现。

但是提升带宽会带来数据量的增大，因此需要更大算力的处理器平台。对于NXP、TI、IFX等传统毫米波雷达处理器芯片，一般算力有限，因此需要采用专用的大算力处理器平台，或者将毫米波雷达算法放在域控中运行。

2）PMCW雷达

另一种方案是采用PMCW雷达。PMCW雷达采用匹配滤波器进行距离维的计算，匹配滤波器的主瓣宽度很窄，因此具有更高的对比度分辨率（HCR），更容易区分相距较近的强弱目标。

图片来源：CSDN

04

角分辨率不足

1. 现象

Case1：当雷达两侧有大面积的强反射目标时，例如两侧有大型卡车时，在中间有可能产生虚假目标，而旁边的真实目标不能检出。

Case2：当一个反射强度低的目标（例如小车、自行车等），和一个反射强度高的目标（例如大卡车或者较大的金属护栏）距离较近时，反射强度低的目标容易被漏检。

Case3：行人站在车辆或者金属护栏旁边时，行人目标无法被检测。

Case4：当目标车行驶在强反射物体之间时，例如在一辆大卡车和墙壁之间，目标的横向位置出现偏离或者抖动等失真情况。

2. 原因

主要原因是雷达的角分辨率低，动态范围小，小目标的反射波强度低，导致无法被检测或者检测结果抖动。

雷达的角分辨率决定于接收通道数量：

图片来源：TI

当雷达的角分辨率较小时，无法区分距离较近的目标：

图片来源：网络

3. 解决方案

通过增加收发通道的物理数量，或者通过超分辨算法，提升角分辨率。

接收通道的数量越多，角分辨率越高：

图片来源：TI

角分辨率提升之后，可以区分相距较近的目标：

图片来源：网络

05

结语

对于感知结果，常见的错误有如下几种（借用FMEA失效场景类比）：

对于毫米波雷达来说，最受关注的是漏报和误报，尽量压缩下图中红色区域的数量是我们的优化目标。

1. 4D成像技术。增加通道数量，可以提升测距和测角分辨率，尤其是采用4D成像专用芯片组和专用软件，通过更加灵活的调制方式，更好的控制误报和漏报。

2. FMCW编码调频技术。通过Chrip参数一定程度的编码，提高对干扰的抑制作用。

3. PMCW编码调相技术。通过距离维的匹配滤波器，可以良好的屏蔽距离维来自于外部源头干扰信号。

4. 超分辨率算法。通过软件方法，提升分辨率，减少由于分辨率不足导致的误报漏报问题。

5. 波导天线。波导天线可以在X-Y-Z三个方向进行布局，天线的损耗更低，能够实现更高增益的天线设计，通过更高效率的馈电网络，进一步提升雷达测距和测角分辨率性能。

6. 机器学习和深度学习算法。将雷达信号处理算法放在域控，借助更高的处理器算力，通过性能更好的AI算法，实现对Ghost更准确的识别。同时，由于在域控能够更方便做多传感器前融合，因此可以进一步提升整体感知性能。

   
   

本文内容仅代表个人观点，和真实情况有可能有偏差，仅供参考。如需要相关内容更详细的技术信息，欢迎添加“雪岭飞花”微信（maxhnnl）进一步交流，感谢。

参考资料（如需原始文献，请加微信maxhnnl）

1. Sefa Tanis，汽车雷达传感器和拥挤不堪的无线电频谱：城市电子战场？
   

2. 调皮连续波，https://www.zhihu.com/question/468198654/answer/2703203307

3. 调皮连续波，https://zhuanlan.zhihu.com/p/487977364

4. 叶融茶归，https://zhuanlan.zhihu.com/p/396784175

5. Uncorrelated Interference in 79 GHz FMCW and PMCW Automotive Radar

6. Sriram Murali, Karthik Subburaj, Brian Ginsburg and Karthik Ramasubramanian, Interference Detection in FMCW Radar Using A Complex Baseband Oversampled Receiver, https://ieeexplore.ieee.org/document/8378800

我是雪岭飞花，汽车行业24年开发经验，自动驾驶行业发展的见证者和参与者，自动驾驶感知和控制系统资深专家。

做有深度、高质量的技术分享，如果文章对您有帮助，欢迎关注、点赞和转发。如有疏漏或者错误，请批评指正。

如需加入自动驾驶专家微信群，和自动驾驶CEO/CTO、研发/产品总监、资深开发专家探讨交流，请联系“雪岭飞花”微信（maxhnnl），备注所在公司和从业方向。感谢~