传感器基础：雷达工作原理、点云数据格式与主要参数

在雷达与摄像头融合推理项目中，雷达（Radar）与摄像头各自扮演着不可替代的角色。摄像头提供丰富的纹理和色彩信息，但在强光、夜间或雨雾天气下性能骤降；而雷达凭借其主动发射电磁波的特性，能够在各种光照和气象条件下稳定测量目标的距离、速度和角度。本章将深入剖析雷达的核心工作原理、点云数据组织方式以及距离、速度、角度三大关键参数的计算逻辑，为后续融合推理打下坚实的物理与数据基础。

雷达工作原理：从电磁波发射到目标检测

车载雷达主要采用调频连续波（FMCW，Frequency Modulated Continuous Wave）体制。与脉冲雷达不同，FMCW雷达持续发射频率随时间线性变化的电磁波，通过比较发射信号与接收回波之间的频率差来解算目标信息。这种体制的优势在于：发射功率低、距离分辨率高、无距离盲区，且硬件成本相对可控，非常适合车载近距离感知场景。

FMCW雷达的核心工作流程可以概括为以下四个步骤：

1. 信号合成与发射：压控振荡器（VCO）在调制信号控制下产生频率随时间线性变化的调频连续波，典型频段为77GHz（毫米波）或24GHz。该信号一部分经功率放大器后由发射天线辐射出去，另一部分作为本地振荡信号送入混频器。
2. 回波接收与混频：目标反射的回波被接收天线阵列捕获后，与本地振荡信号在混频器中相乘，输出一个频率较低的差频信号（中频信号，IF）。由于电磁波传播需要时间，回波信号相对于发射信号存在时间延迟，导致两者频率不同，差频大小与目标距离直接相关。
3. 信号采样与变换：中频信号经低通滤波后由ADC进行复数采样（I/Q两路），得到离散数字信号。随后通过快速傅里叶变换（FFT）将时域信号转换到频域，在频谱上识别出峰值，每个峰值对应一个潜在目标。
4. 参数提取与点云生成：根据频谱峰值的位置、相位和幅度，分别解算出目标的距离、速度和角度信息，结合信噪比（SNR）阈值筛选有效目标，最终生成包含空间坐标和运动状态的点云数据。

点云数据格式：从原始信号到结构化输出

雷达点云与激光雷达点云在数据格式上有显著差异。激光雷达点云通常包含密集的三维空间坐标（x, y, z）和反射强度；而雷达点云则稀疏得多，但每个点携带更丰富的运动信息。标准化的雷达点云数据格式通常包含以下核心字段：

字段名	数据类型	物理含义	典型范围/单位
x, y, z	float32	目标在雷达坐标系下的三维位置	±75m（纵向），±20m（横向）
vx, vy	float32	目标的径向速度分量（多普勒速度）	±50 m/s
rcs	float32	雷达散射截面积，反映目标反射能力	-30 ~ +20 dBsm
snr	float32	信噪比，衡量检测可靠性	0 ~ 30 dB
azimuth, elevation	float32	目标相对于雷达的方位角和俯仰角	方位±60°，俯仰±15°

在工程实践中，点云数据通常以两种形式存在：一种是稀疏目标列表，每个目标包含上述完整字段，数量通常在几十到几百个之间；另一种是距离-多普勒-角度（RDA）热图，即经过FFT后的三维数据立方体，保留了更丰富的原始信息，但数据量较大，适合在算法开发阶段使用。融合推理项目通常直接消费目标列表格式，因为其数据量小、实时性高，且已经完成了目标级的信息提取。

核心参数解析：距离、速度、角度的物理与计算

距离、速度、角度是雷达感知的三大基本参数，它们的物理原理和计算方法各不相同，但都源于对中频信号不同维度的分析。

距离测量：基于差频频率

FMCW雷达发射信号的频率随时间线性变化，调频斜率记为S（Hz/s）。假设目标距离为R，电磁波往返时间为τ = 2R/c（c为光速），则发射信号与回波信号的频率差为f_IF = S·τ = 2S·R/c。因此，距离R可由下式计算：

R = c · f_IF / (2 · S)

距离分辨率ΔR取决于调频带宽B：ΔR = c / (2B)。例如，77GHz雷达若调频带宽为1GHz，则距离分辨率约为0.15m。这意味着两个相距小于0.15m的目标在距离维上无法被区分。

速度测量：基于多普勒频移

当目标相对于雷达有径向运动时，回波信号会产生多普勒频移f_doppler = 2v/λ，其中λ为电磁波波长。在FMCW体制中，多普勒频移会叠加在差频信号上，导致上升沿和下降沿的差频不同。通过分别处理上升沿和下降沿的FFT结果，可以解算出目标的距离和速度。速度计算公式为：

v = λ · f_doppler / 2

速度分辨率Δv与FFT的观测时间T相关：Δv = λ / (2T)。观测时间越长，速度分辨率越高。但需要注意，多普勒测速存在最大不模糊速度v_max = λ / (4T_chirp)，当目标速度超过该值时会出现速度模糊，需要采用多脉冲重复频率或相位解模糊算法。

角度测量：基于相位差

角度测量利用的是多个接收天线之间的相位差。假设相邻天线间距为d，目标到达角为θ，则相邻天线接收到的回波相位差为Δφ = 2π·d·sin(θ)/λ。通过测量相位差，可以反推出到达角：

θ = arcsin(Δφ · λ / (2π · d))

角度分辨率取决于天线阵列的有效孔径长度D：Δθ ≈ λ/D。例如，一个虚拟孔径为10cm的77GHz雷达，其角度分辨率约为2.2°。角度测量范围受天线间距限制，为避免栅瓣，通常要求d ≤ λ/2，此时最大不模糊角度为±90°。

实战场景：高速公路前向碰撞预警中的雷达参数应用

为了更好地理解上述参数在真实项目中的表现，我们以一个典型的高速公路前向碰撞预警（FCW）场景为例进行拆解。

场景背景：某自动驾驶测试车辆以100km/h（约27.8m/s）行驶在高速公路上，搭载了一款77GHz前向雷达，调频带宽B=1GHz，调频周期T_chirp=40μs，调频斜率S=25MHz/μs，天线阵列为3发4收MIMO配置，虚拟孔径D=12cm。

初始目标：前方200m处有一辆静止的事故车辆，雷达需要准确检测其距离、速度并判断是否触发FCW。

参数计算过程：

1. 距离计算：目标距离R=200m，往返时间τ=2×200/(3×10⁸)≈1.33μs。差频频率f_IF = S×τ = 25×10¹²×1.33×10⁻⁶ ≈ 33.3kHz。该频率落在ADC采样带宽内，FFT后可在对应频点检测到峰值。
2. 速度计算：由于目标静止，多普勒频移为0，但自车运动导致相对径向速度为27.8m/s。实际上雷达测量的是相对速度，因此检测到的多普勒频移f_doppler = 2×27.8/(0.0039) ≈ 14.3kHz（λ=3.9mm）。通过上升沿和下降沿的差频配对，可以解算出相对速度。
3. 角度计算：目标位于正前方，方位角θ≈0°，各天线接收到的相位差接近0，角度估计值在0°附近。若目标位于左侧车道，θ≈5°，则相邻天线相位差Δφ = 2π×0.03×sin(5°)/0.0039 ≈ 0.42rad，通过相位比较即可解算。

结果与验证：雷达输出点云中，该目标被表示为(x=200m, y≈0m, vx=-27.8m/s, snr=18dB)。融合系统将该目标与摄像头检测到的车辆边界框进行关联，确认目标类型为静止车辆，触发FCW预警。整个检测-跟踪-融合链路耗时约50ms，满足AEB（自动紧急制动）系统对100ms以内的响应时间要求。

复盘与经验：该场景中，距离和速度的测量精度较高（距离误差±0.5m，速度误差±0.1m/s），但角度测量在远距离时精度下降。当目标距离超过150m时，角度误差可能达到±1.5°，导致横向位置偏差约5m。因此，在融合推理中，远距离目标应以雷达的纵向距离和速度为主，横向位置更多依赖摄像头或激光雷达的观测。

常见误区与总结复盘

在雷达数据处理和融合推理项目中，初学者常犯以下几类错误，需要特别警惕：

• 混淆径向速度与真实速度：雷达测得的vx是目标相对于雷达的径向速度（多普勒速度），并非目标的绝对速度。当目标横向运动时，径向速度会小于实际速度。在融合推理中，需要结合自车运动状态和角度信息，将径向速度投影到全局坐标系。
• 忽略距离-速度耦合：在FMCW雷达中，距离和速度的测量是耦合的。如果只使用单斜率调频，无法同时解算出准确的距离和速度。必须使用三角波或锯齿波调制，并配对上升沿和下降沿的峰值，才能解耦。
• 角度测量精度被高估：很多初学者认为雷达的角度分辨率等同于角度测量精度。实际上，分辨率是区分两个目标的能力，而精度是单目标测量的稳定度。在低信噪比条件下，角度测量精度会显著下降，甚至出现跳变。
• 点云稀疏性处理不当：雷达点云每帧可能只有几十个点，且存在漏检和虚警。在融合推理中，不能简单地将雷达点云与摄像头检测框进行一对一匹配，而应采用基于全局最近邻或联合概率数据关联的方法，并保留跟踪状态以平滑噪声。