随着自动驾驶的火热，激光雷达受到前所未有的追捧，因为其具有高精度、大信息量、不受可见光干扰的优势。但我们可以注意到，目前主流的自动驾驶方案并未完全抛弃毫米波雷达，这又是什么原因呢？
一、引子
首先要明确，这里要讲的雷达是发射电磁波的正经雷达，而不是发射机械波的倒车雷达。
二战军迷和历史研究者大概对雷达技术的渊源了如指掌：第一台实用雷达就是用于探测试图半夜从空中越过英吉利海峡的德农——坐着飘在天上的金属壳的德农。之后雷达既在太平洋夜战中碾压过岛国训练有素的战列舰观察兵的光荣时刻，也有过在贝卡谷地被犹太人的反辐射导弹炸成渣渣的惨痛历史。
雷达从战争机器转职交通行业的初期伴随着无数车主的血泪——雷达测速。而现在雷达成为了车主摆脱油门的助手——自适应巡航的主传感器，以及并线的保护神——盲点监测和并线辅助用传感器，还偶尔扮演避免追尾事故的最后一道防线——自动紧急制动用传感器。
二、构造和原理
目前车载雷达的频率主要分为24GHz频段和77GHz频段，其中77GHz频段代表着未来的趋势：这是国际电信联盟专门划分给车用雷达的频段。严格来说77GHz的雷达才属于毫米波雷达，但是实际上24GHz的雷达也被称为毫米波雷达。
在工程实践中，雷达天线具体实现的方法有很多种。目前车载雷达中比较常见的是平面天线阵列雷达，因为相比其他实现方式，平面雷达没有旋转机械部件，从而能保证更小的体积和更低的成本。下面以目前常见的平板天线雷达为例，介绍车载雷达的构造和原理。
先对车载雷达有个直观地认识：
来看内部结构：
其中这一片就是天线阵列，如下图所示：
其中从上至下分别是10条发射天线TX1，然后是2条发射天线TX2，最后是4条接收天线RX1至RX4。
两组发射天线分别负责探测近处和远处的目标，其覆盖范围如下图所示：
这里因为近处的视角（FOV）比较大，大概有90度，所以需要更多天线，而远处的视角小，大概只有20度，所以两根天线就够了。
雷达装在车上的样子如下图所示：
雷达通过天线发射和接收电磁波，所发射的电磁波并非各向均匀的球面波，而是以具有指向性的波束的形式发出，且在各个方向上具有不同的强度，如下图所示：
雷达主要测量目标的三个参数：位置、速度和方位角。下面简单说说这三个参数的测量原理。
位置和速度
这两个参数的测量原理在小学科普课本里就讲了：雷达波由发射天线发出、被目标反射后，由接收天线接收雷达回波。通过计算雷达波的飞行时间，乘以光速再除以2就可以得到雷达和目标之间的距离。
而根据多普勒效应，通过计算返回接收天线的雷达波的频率变化就可以得到目标相对于雷达的运动速度，简单地说就是相对速度正比于频率变化量。当目标和自车接近时，回波的频率相比发射频率有所升高，反之则频率降低。
实现位置和速度的测量的具体方法根据雷达采用的调制方式的不同而有所不同。雷达的调制简单来说就是为了实现雷达回波的识别和飞行时间的测量，需要在雷达发射的电磁波上加入标记和时间参考。在车载雷达中主要使用幅值调制和频率调制两种方式。
方位角
通过并列的接收天线收到同一目标反射的雷达波的相位差计算得到目标的方位角。原理如下图所示：
其中方位角αAZ可以通过两个接收天线RX1和RX2之间的几何距离d以及两天线收到雷达回波的相位差b通过简单的三角函数计算得到。
三、应用实例
毫米波雷达最常见的三种用途是：
ACC（自适应巡航）
BSD&LCA（盲点监测和变道辅助）
AEB（自动紧急制动，通常配合摄像头进行数据融合）
作为已经量产多年的技术，我想就不用再介绍以上功能的具体内容了。让我们来说点更有趣的事：
a） 雷达的数据处理流程
实现ACC等功能的核心技术是目标识别与跟踪。在接收天线收到雷达回波并解调后，控制器对模拟信号进行数字采样并做相应的滤波。接下来用FFT手段将信号变换至频域。接下来寻找信号中特定的特征，例如频域的能量峰值。在这一步还不能得到我们需要的目标，获取的仅仅是雷达波的反射点的信息。
并且，对于很多高性能雷达来说，此时获得的多个反射点可能来自一个物体，例如一辆货车可能形成5-10个反射点。所以首先还要将很可能属于同一物体的反射点匹配到同一个反射点集群中。接下来通过跟踪各个反射点集群，形成对物体的分布的猜测。
在下一个测量循环中，例如通过卡曼滤波，基于上一次的物体分布，预测本测量循环中可能的物体分布，然后尝试将当前得到的反射点集群与预测结果进行匹配，例如通过比较物体的位置和速度等参数。当反射点集群与上一测量循环得到的物体信息匹配成功时，就得到了该物体的“轨迹”，同时该物体的可信度增加，反之则可信度下降。只有当一个物体的可信度超过一定门限时，该物体才会成为我们关心的目标而进入所谓的目标列表。
b） 关于雷达的两个小问题
雷达到底能不能探测到静止目标？
很多早期的ACC系统不会对静止物体作出反应，也就是说，如果前方有静止物体，例如在进入探测范围之前就停在前方的车辆，ACC并不会将该车作为目标，不会发出减速请求。所以有人以为雷达无法探测静止物体，这其实是一个误解。
通过之前的叙述，我们可以看到，雷达探测能力只和物体的雷达波反射特性有关，不涉及其任何运动特性，所以只要物体的雷达反射截面足够大，该物体不存在无法探测的问题。早期ACC不对静止物体作出反应主要是由于目标分类的缘故。由于早期的雷达的角分辨率较低，导致高度方向和横向的分辨率较低，无法很好的区分可以越过的物体，例如井盖，或者可以从下方穿过的物体，例如路牌。
所以为了避免ACC误动作，比如在高速公路上由于路牌而制动，设计成不对从探测到开始就保持的静止物体进行反应，因为无法判断该物体是基础设施还是交通参与者。另一方面，即使是早期的ACC系统，由于雷达保存了该目标的历史信息，如果已经探测到的车辆从行驶中制动到停止，系统仍然能够将该物体划分为交通参与者，从而进行制动。
相比激光雷达的优势？
随着自动驾驶的火热，激光雷达受到前所未有的追捧，因为其具有高精度、大信息量、不受可见光干扰的优势。但我们可以注意到，目前主流的自动驾驶方案并未完全抛弃毫米波雷达，这又是什么原因呢？
首先就是大家都知道的天气原因。激光的波长远小于毫米波雷达（nm vs mm），所以雾霾导致激光雷达失效并不是段子。同样的原因，毫米波雷达的探测距离可以轻松超过200米，而激光雷达目前的性能一般不超过150米，所以对于高速公路跟车这样的情景，毫米波雷达能够做的更好。
其次，毫米波雷达便宜啊，作为成熟产品，毫米波雷达目前的价格大概在1.5千左右，而激光雷达的价格目前仍然是以万作为单位计算的。并且由于激光雷达获取的数据量远超毫米波雷达，所以需要更高性能的处理器处理数据，更高性能的处理器同时也意味着更高的价格。所以对于工程师而言，在简单场景中，毫米波雷达仍然是最优选择。
技术专区
- TIDA-01421用于无传感器位置测量的脉冲计数器参考设计
- 传特斯拉明年11月生产ModelY_与Model3同一平台
- TLE9842-2QX主要特性_PCB设计图
- CMU机器人研究所_无人驾驶上路测试牌照Gatik.AI
- DRV10983-Q1主要特性_功能框图
