4、雷达工作原理：毫米波雷达原理、多普勒效应、点云生成机制、雷达数据特性
好，咱们进入雷达的部分。说实话，在传感器融合这个领域，雷达是个很有意思的角色。它不像摄像头那样能给你丰富的颜色和纹理，但它有自己不可替代的优势——全天候、全天时，而且能直接测速。我在做第一个量产项目时，就吃过摄像头的亏：大雾天，视觉算法直接罢工，全靠雷达撑着。从那以后，我对雷达就多了一份敬畏。
4.1 毫米波雷达原理
毫米波雷达，说白了就是发射毫米波段的电磁波，然后接收回波。为什么用毫米波？因为它的波长在1到10毫米之间，这个波段有几个好处：天线尺寸可以做得很小，分辨率够用，而且在大气中传播时衰减适中。
我习惯把毫米波雷达的工作流程拆成三步：
- 发射：雷达发射调频连续波（FMCW），频率随时间线性变化
- 反射：波遇到目标后反射回来
- 混频：发射信号与回波信号混频，得到中频信号
这里有个关键点——中频信号的频率正比于目标的距离。为什么？因为发射信号和回波信号之间存在时间差，这个时间差导致频率差。频率差越大，距离越远。嗯，就是这么简单粗暴。
核心公式：距离 d = (c × Δf) / (2 × S)
其中 c 是光速，Δf 是中频频率，S 是调频斜率
4.2 多普勒效应
多普勒效应，你肯定在中学物理里听过。火车朝你开过来，汽笛声变尖；离你远去，声音变低沉。雷达里的多普勒效应原理一模一样，只不过用的是电磁波。
但这里有个坑——我刚开始做雷达时，一直以为多普勒频移和距离测量是分开的。后来才发现，在FMCW雷达里，这两个信息是耦合在一起的。中频信号里既有距离信息，又有速度信息。怎么解耦？靠发射多个chirp（啁啾信号），然后做二维FFT。
具体来说：
- 第一个维度（快时间FFT）得到距离
- 第二个维度（慢时间FFT）得到速度
多普勒频移的计算公式：
fd = 2 × v × cos(θ) / λ其中 v 是目标速度，θ 是目标与雷达的夹角，λ 是波长。注意这个 cos(θ)——如果目标横着飞，多普勒频移为零。我曾经在测试时遇到过这种情况，一辆车从侧面横穿，雷达居然没测出速度，当时我还以为是算法写错了。
个人经验：多普勒效应在低速目标上容易出问题。比如行人以0.5m/s的速度走，多普勒频移只有几十赫兹。这时候需要提高频率分辨率，也就是增加慢时间维度的采样点数。我一般会保证至少64个chirp做一次速度估计。
4.3 点云生成机制
点云生成，是雷达从原始信号到可用数据的关键一步。整个过程我习惯分成四个阶段：
| 阶段 | 输入 | 输出 | 关键操作 |
|---|---|---|---|
| 1. 距离-速度估计 | 原始ADC数据 | 距离-速度图 | 二维FFT |
| 2. 恒虚警检测 | 距离-速度图 | 候选目标 | CFAR算法 |
| 3. 角度估计 | 多天线数据 | 方位角/俯仰角 | 波束成形/MUSIC |
| 4. 点云输出 | 距离+速度+角度 | 点云列表 | 聚类/过滤 |
这里我想重点说说CFAR（恒虚警检测）。你想想看，雷达接收到的信号里，噪声水平是变化的——下雨天噪声大，晴天噪声小。如果用一个固定的阈值，要么漏检，要么虚警太多。CFAR的做法是：对每个待检测单元，用周围单元估计噪声水平，然后动态调整阈值。
我常用的CFAR实现：
// 一维CA-CFAR伪代码
for each 待检测单元 x[i]:
// 取左右保护单元（防止目标自干扰）
left_noise = mean(x[i-L-Guard : i-Guard])
right_noise = mean(x[i+Guard : i+Guard+L])
noise_level = (left_noise + right_noise) / 2
threshold = noise_level * alpha // alpha是缩放因子
if x[i] > threshold:
标记为目标避坑指南：我曾经在密集目标场景下吃过亏。两辆车并排行驶，CFAR的保护单元设置太小，导致一个目标被另一个目标的旁瓣淹没。后来我把保护单元从2个增加到4个，情况就好多了。记住：保护单元的大小取决于雷达的距离分辨率。
4.4 雷达数据特性
做融合算法，不了解传感器特性就是瞎搞。雷达数据有几个关键特性，我一个个说。
4.4.1 稀疏性
雷达点云有多稀疏？举个例子，一个中端激光雷达每秒能出几十万甚至上百万个点，而毫米波雷达通常只有几十到几百个点。为什么这么少？因为雷达的角分辨率有限，而且只有检测到目标才会生成点。
这种稀疏性带来的问题很明显：
- 目标形状信息几乎为零——你只能看到一个点，不知道它是轿车还是卡车
- 目标遮挡判断困难——稀疏点云里，前后目标可能混在一起
- 跟踪初始化慢——需要多帧才能确认目标存在
我个人的处理习惯是：不要试图从雷达点云里提取形状特征，那是摄像头该干的事。雷达的核心价值在于距离、速度和角度，用好这三个维度就够了。
4.4.2 噪声模型
雷达噪声不是白噪声，它有明显的统计特性。我总结了几种常见噪声：
| 噪声类型 | 来源 | 特性 | 处理方法 |
|---|---|---|---|
| 热噪声 | 接收电路 | 高斯分布，均匀 | 滤波、多帧平均 |
| 多径噪声 | 地面/建筑物反射 | 产生虚假目标 | 高度滤波、一致性检查 |
| 闪烁噪声 | 目标RCS变化 | 点云位置抖动 | 卡尔曼滤波平滑 |
| 旁瓣噪声 | 天线旁瓣 | 强目标产生虚假弱目标 | 窗函数、旁瓣抑制 |
这里我想特别说一下多径噪声。你想想看，雷达波打到地面再反射到目标，路径长度比直达波长，雷达会误以为目标更远。我在高速公路上遇到过这种情况：护栏反射导致雷达在车道外侧检测到虚假目标，差点让AEB误触发。后来我加了一个地面回波滤波器，专门处理这类问题。
经验之谈：雷达噪声的方差与距离的平方成正比。也就是说，远距离的目标，距离测量误差更大。在做融合时，我通常会给近距离目标更高的权重。具体做法是在卡尔曼滤波的观测噪声协方差矩阵里，把R矩阵设为距离的函数。
嗯，雷达这部分内容不少，但核心就这些。记住：雷达是可靠的测距测速传感器，但别指望它给你精细的轮廓信息。在融合算法里，雷达和摄像头是互补的——雷达提供稳定的距离和速度，摄像头提供丰富的语义信息。下一章我会讲如何把这两者结合起来，敬请期待。