最近有一位小伙伴留言：假設(shè)一個智駕場景，大霧的夜晚，在激光雷達和攝像頭的成像效果被削弱的情況下，依靠4D毫米波雷達的數(shù)據(jù)反饋還能維持智駕嗎？在這種情況下增加不同原理的傳感器是目前最優(yōu)解決方案嗎？其實這個場景是自動駕駛在現(xiàn)實環(huán)境中非常典型，也是非常棘手的邊緣場景。對于4D毫米波雷達來說，這個場景的應(yīng)用到底會如何？

為什么4D毫米波雷達在霧夜環(huán)境下表現(xiàn)會更好？

在“霧+夜+光線差+能見度低”的環(huán)境下，攝像頭依賴光線，在夜里+霧中圖像可能模糊、對比差、細節(jié)缺失；激光雷達(尤其某些類型)也可能受到霧、雨、雪、水滴、雪花、粉塵等散射、反射、吸收的影響，導(dǎo)致點云質(zhì)量下降，因此傳統(tǒng)以視覺(攝像頭)+激光雷達為主的感知方案表現(xiàn)反而不會很好。

相比之下，毫米波雷達的波長更長，對雨、霧、灰塵、水滴等的穿透性較強，不容易受到光照和能見度的影響。尤其是4D毫米波雷達，即便在霧、夜等低能見度條件下，仍能有效探測周圍物體，因此被視為一種“全天候/全時段”的感知傳感器。

毫米波雷達系統(tǒng)原理，圖片源自：網(wǎng)絡(luò)

相較于傳統(tǒng)毫米波雷達，4D毫米波雷達還具有顯著的功能提升。它不僅能夠測量距離、速度和方位角，還能獲取仰角（即高度/俯仰角）信息。這意味著其探測能力不再局限于平面內(nèi)的粗略感知，而是具備了立體（3D+高度）感知、較好的分辨率以及一定的成像能力。

因此，在霧夜等低能見度場景下，僅靠攝像頭與激光雷達（LiDAR）的組合難以實現(xiàn)可靠感知。而加入4D毫米波雷達，則能有效彌補上述傳感器的不足，進而將自動駕駛系統(tǒng)的感知能力延伸至對各類目標(biāo)的探測、檢測、持續(xù)跟蹤、精確測速與測距，形成關(guān)鍵的能力互補。

為什么4D毫米波雷達沒有普及？

4D毫米波雷達的確可以完善自動駕駛的感知能力，但為什么現(xiàn)在提到自動駕駛時，更多人想到的感知硬件還是攝像頭或者激光雷達？為什么4D毫米波雷達提出來了那么多年，還沒有得到大面積的應(yīng)用？更沒有成為主要的感知硬件？

1）點云稀疏&分辨率/細節(jié)有限

即便是4D毫米波雷達，其點云數(shù)量/密度/分辨率與高線束、高分辨率的激光雷達相比，仍然有一定差距。像是在多車并道、小車距離很近、障礙物形態(tài)復(fù)雜(欄桿、路緣、交通錐、行人、小型電動車…)等復(fù)雜場景，4D毫米波雷達可能只能檢測到一個“點”或很少幾個反射點，難以準(zhǔn)確判斷物體的形狀、邊界、尺寸、類別(是車、人、欄桿還是樹?)。如果只是這些信息將無法滿足規(guī)劃/決策的要求。

2）高度/形狀/類別判斷仍弱

雖然4D毫米波雷達可以獲得測仰角信息，從而提高對“高度”的分辨能力。但對于某些場景(如行人、騎車人、兒童、小動物、低矮障礙物、半遮擋物…)的識別和分類，還是不如激光雷達+攝像頭那樣清晰、語義豐富。尤其是對于靜止但形態(tài)復(fù)雜(例如擋在路邊半邊陰影/半擋住)的障礙物，4D毫米波雷達可以探測到距離/速度/角度信息，但無法明確判斷類別和具體邊界。

3）點云“噪聲+稀疏+不確定性”問題

雷達波反射可能因為地面、濕度、水滴、霧滴、建筑反射、地面鋪裝、其他車輛金屬結(jié)構(gòu)、雨雪、環(huán)境雜散波干擾等產(chǎn)生噪聲，而4D毫米波雷達點云本來就比激光雷達稀疏，當(dāng)遇到復(fù)雜/靜態(tài)/低反射目標(biāo)(比如黑色物體、空氣中輕微霧滴、透明物體…)時可能根本沒有回波或回波太弱。這樣的不確定性使得僅靠4D毫米波雷達判斷路況顯得不夠可靠。

4）單一傳感器的冗余/容錯能力有限

自動駕駛要求非常高的安全性與可靠性。4D毫米波雷達如果作為唯一定感知來源，一旦它的波束被遮擋(比如前方有大型障礙物、復(fù)雜結(jié)構(gòu)反射、地形起伏、相鄰金屬結(jié)構(gòu))、或者反射異常(濕滑地面、水/雪/霧/雨/霰/泥/塵)、或多輛車/多目標(biāo)密集…那么即便有回波，也可能誤判、漏判、定位誤差。對于L4/L5級別的自動駕駛來說，這種不確定性風(fēng)險太大，僅靠4D毫米波雷達是遠遠不夠的。

感知冗余才是最優(yōu)解？

沒有一種感知傳感器是萬能的，想真正做到在各種環(huán)境(晴/雨/霧/夜/隧道/混合光照/復(fù)雜交通)都安全可靠，最佳方案只有多傳感器組合+融合。這也是為什么現(xiàn)在很多自動駕駛/智能駕駛系統(tǒng)會同時裝攝像頭、激光雷達、毫米波雷達(特別是4D雷達)的原因。

甚至在某些設(shè)計中，系統(tǒng)會對不同傳感器結(jié)果進行可信度評估+模式切換/融合判斷，當(dāng)視覺或激光雷達受損時，毫米波雷達占主導(dǎo)；當(dāng)天氣好、光照佳、視線清晰時，攝像頭+激光雷達將提供高精度識別與細節(jié)。所有傳感器的數(shù)據(jù)融合后將可以給出更穩(wěn)健、冗余、高可信度的環(huán)境模型。

對于小伙伴一開始提到的霧夜這種感知困難環(huán)境里，增加不同原理的傳感器+做融合，確實是目前最現(xiàn)實、最可靠、最優(yōu)的解決方案。

融合就是最優(yōu)了嗎？

盡管多傳感器融合方案在當(dāng)前階段為自動駕駛提供了不可或缺的感知保障，但我們?nèi)孕枨逍颜J識到，融合是提升系統(tǒng)可靠性的必要手段，但并非充分條件。融合不是將多個感知硬件數(shù)據(jù)進行簡單的堆疊，而是要做到1+1＞2的效果，否則會面臨非常多的問題。

1）算力+數(shù)據(jù)融合復(fù)雜性大

想將來自不同傳感器的數(shù)據(jù)進行有效融合，不僅需要強大的計算能力，融合算法也必須非常成熟，這其中會涉及非常多的關(guān)鍵環(huán)節(jié)。其中包括多源數(shù)據(jù)的時空同步、傳感器標(biāo)定、坐標(biāo)系統(tǒng)一、數(shù)據(jù)對齊，以及異質(zhì)信息（如點云、圖像、雷達回波）的深度融合、各源數(shù)據(jù)可信度評估與異常處理等。對于需要實時響應(yīng)的自動駕駛系統(tǒng)而言，這無疑對算力與軟件設(shè)計提供了非常高的要求。

2）融合后的校準(zhǔn)/同步/冗余管理

想讓多傳感器融合發(fā)揮作用，各傳感器之間的空間關(guān)系(位置/姿態(tài)/標(biāo)定/校準(zhǔn))、時間同步(不同采樣頻率/延遲/時延補償)、數(shù)據(jù)融合策略(權(quán)重/優(yōu)先級/置信度/冗余切換)等都需要非常嚴謹?shù)脑O(shè)計，并做好長期測試和維護。

3）邊緣場景并非不存在

多傳感器融合后，的確可以增加感知的準(zhǔn)確性，但依舊會有諸如大霧、大雨、強側(cè)風(fēng)、水霧、飛濺、反射、復(fù)雜地形、金屬結(jié)構(gòu)、多目標(biāo)混雜、強反射、遮擋、小物體(如跌落物、輪胎碎片、塑料袋、行人小動作)等邊緣場景，即使是多傳感器融合，也會存在感知盲區(qū)、誤檢測、漏檢測或延遲等反應(yīng)。在某些情況下，感知硬件還會被干擾，導(dǎo)致感知失效，無法達到自動駕駛系統(tǒng)的要求。這也是現(xiàn)階段L3級及以上自動駕駛難以落地的原因。

4）成本/產(chǎn)業(yè)化/量產(chǎn)問題

加裝多個感知傳感器，將不可避免地帶來成本、系統(tǒng)復(fù)雜度、功耗及維護需求的提升。對于追求量產(chǎn)與商業(yè)落地的車企而言，這將對其整車的成本控制、長期可靠性、售后維護體系乃至產(chǎn)品壽命周期等提出更多的要求。也正因如此，現(xiàn)在很多車企對針對不同的市場人群，提供了不同的感知方案，以滿足更多消費者的需求。

因此，即便“多傳感器+融合”是目前最優(yōu)方案，也需要時間、技術(shù)、產(chǎn)業(yè)鏈、工程實踐來不斷優(yōu)化、驗證和完善。

最后的話

在大霧夜間，4D毫米波雷達應(yīng)被視為感知的底座，它能在光學(xué)傳感失效時維持對距離、速度和大致高度的穩(wěn)定感知，但它本身無法提供足夠的語義與邊界精度來支持高級決策；因此正確的做法是把它作為冗余且必需的一環(huán)，與激光雷達、攝像頭形成互補，同時在軟件層面要建立基于置信度的模態(tài)權(quán)重與退化策略、實時健康監(jiān)測與自動重標(biāo)定機制，以及清晰的ODD（可操作域）和故障降級流程。只有把硬件互補性、融合算法、實時置信度管理和運營級的安全邊界四者同時做足，自動駕駛系統(tǒng)才能在霧夜這類極端情形下既“看得見”又“走得穩(wěn)”。

-- END --

       原文標(biāo)題 : 自動駕駛中4D毫米波雷達在雨霧中更具優(yōu)勢嗎？