第一讲：雷达基础与点云概念

各位同学好，我是你们这门课的主讲。在正式开始之前，我想先聊聊——为什么我们要从雷达基础讲起？

说实话，我见过太多人一上来就调聚类参数、跑目标识别。结果点云质量不好，怎么调都没用。嗯，这就是基础没打牢。

这一讲，我们就把毫米波雷达的底裤扒干净。从工作原理到点云格式，一步到位。

1.1 毫米波雷达工作原理

毫米波雷达，说白了就是「用电磁波测距测速」的传感器。它工作在毫米波频段，通常是24GHz、60GHz、77GHz这几个频段。

我个人习惯把雷达比作「蝙蝠的耳朵」。蝙蝠发出超声波，碰到物体反弹回来，它就知道前面有东西。雷达也一样，只不过用的是电磁波。

这里有个关键点：毫米波能穿透烟、雾、灰尘。我在做车载项目时，遇到过暴雨天摄像头完全失效的情况，但雷达数据依然稳定。这就是它的核心优势。

1.2 FMCW信号模型

FMCW，全称是调频连续波。你想想看，如果雷达只发一个固定频率的波，那只能测距离，测不了速度。怎么办？

FMCW的思路很巧妙：发射频率随时间线性变化的信号。就像你吹口哨，音调从低到高慢慢变。碰到物体反射回来，频率变化里就藏着距离和速度信息。

我记得第一次接触FMCW时，被那个「差频」概念绕晕了。其实很简单：

• 发射信号频率：f_tx = f0 + S × t
• 接收信号频率：f_rx = f0 + S × (t - τ)
• 差频：f_b = f_tx - f_rx = S × τ

这里的 S 是调频斜率，τ 是时间延迟。差频 f_b 直接对应目标距离。

1.3 点云数据格式

好了，雷达处理完信号，输出什么？就是点云。

点云，说白了就是一堆三维坐标点。每个点代表一个检测到的目标反射位置。但雷达点云和激光雷达点云不太一样——雷达点云更稀疏，而且每个点还带有多普勒速度信息。

常见的点云格式长这样：

// 一个典型的雷达点云数据包
struct RadarPoint {
    float x;          // 横向距离 (m)
    float y;          // 纵向距离 (m)  
    float z;          // 高度 (m)
    float doppler;    // 多普勒速度 (m/s)
    float snr;        // 信噪比 (dB)
    float rcs;        // 雷达散射截面积 (dBsm)
};

我在做自动驾驶项目时，经常遇到一个问题：点云里有很多「鬼点」。就是明明没有目标，雷达却报了一个点。这通常是多径反射或者噪声造成的。

1.4 坐标系与转换

雷达有自己的坐标系，通常是这样定义的：

轴	方向	说明
X轴	雷达正前方	纵向距离
Y轴	雷达左侧	横向距离
Z轴	垂直向上	高度

但实际应用中，雷达是装在车上的。车有自己的坐标系，世界也有自己的坐标系。所以坐标转换是家常便饭。

我建议你记住这个套路：

1. 雷达坐标系 → 车辆坐标系（平移+旋转）
2. 车辆坐标系 → 世界坐标系（根据GPS/IMU）

转换矩阵就是标准的欧拉角旋转加平移。代码实现很简单：

import numpy as np

def radar_to_vehicle(radar_points, offset_x, offset_y, yaw):
    """
    雷达坐标系转车辆坐标系
    radar_points: (N, 3) 的numpy数组
    offset_x, offset_y: 雷达安装位置偏移
    yaw: 雷达安装偏航角
    """
    cos_yaw = np.cos(yaw)
    sin_yaw = np.sin(yaw)
    
    # 旋转矩阵
    R = np.array([[cos_yaw, -sin_yaw, 0],
                  [sin_yaw,  cos_yaw, 0],
                  [0,        0,       1]])
    
    # 平移
    T = np.array([offset_x, offset_y, 0])
    
    # 转换
    vehicle_points = (R @ radar_points.T).T + T
    return vehicle_points

好了，这一讲的内容就到这里。下一讲我们会深入点云预处理——怎么滤除噪声、怎么做地面分割。这些都是我踩过坑之后总结出来的实战经验。

记住一句话：点云质量决定算法上限。基础打牢了，后面的聚类和识别才能玩得转。