1. 课程导入
欢迎进入《4D毫米波雷达点云感知工程》课程。4D毫米波雷达是在传统毫米波雷达基础上，额外提供高度维（俯仰角）测量能力，从而输出包含距离、方位角、俯仰角、径向速度的“四维”点云信息。相比只测距离、方位和速度的3D雷达，4D雷达能够分辨目标的高度轮廓，对桥梁、路牌、井盖、行人、车辆等具有更精细的空间刻画能力。本课程的目标，是帮助学习者建立从雷达原始信号到可用点云、再到感知任务的完整工程链路认知，并具备实际调参、诊断与优化的能力。
学习目标：完成本课程后，你应当能够理解4D毫米波雷达点云的生成机理，掌握点云数据格式与坐标系定义，能够完成点云预处理、聚类、跟踪与目标属性估计，并能针对典型场景进行参数调优与问题排查。
一、核心概念：从电磁波到四维点云
4D毫米波雷达的核心在于“测角”。雷达发射调频连续波（FMCW），接收目标反射回波，通过混频得到中频信号。中频信号的频率对应目标距离，相位差对应目标角度，多普勒频移对应径向速度。为了测量俯仰角，4D雷达通常采用二维天线阵列，在水平与垂直方向同时形成虚拟孔径。经过距离FFT、多普勒FFT和角度FFT后，雷达在距离-方位-俯仰-速度四维空间中检测峰值，输出点云。
每个点云点通常包含以下字段：
- 距离（Range）：目标到雷达的径向距离，单位米。
- 方位角（Azimuth）：目标在水平面内相对雷达视轴的角度。
- 俯仰角（Elevation）：目标在垂直面内相对雷达视轴的角度，是4D雷达的关键增量。
- 径向速度（Doppler）：目标沿雷达视线方向的速度分量，靠近为负、远离为正。
- 信噪比（SNR）：反映回波强度与噪声水平，常用于点云过滤。
需要特别强调的是，雷达点云与激光雷达点云有本质差异：雷达点云更稀疏、更“散”，但具备直接测速能力，且对雨雾、烟尘、黑暗环境具有更强的鲁棒性。理解这种差异，是后续算法选型的基础。
二、整体知识框架：一条从信号到决策的链路
本课程的知识框架可以概括为“信号链—点云链—感知链—工程链”四层。信号链关注波形、天线、采样与FFT；点云链关注点云生成、坐标变换、去噪与配准；感知链关注聚类、跟踪、分类与自由空间估计；工程链关注数据标注、评测指标、部署优化与故障诊断。下图展示了这一整体关系。
三、方法流程：点云感知的典型处理步骤
从雷达输出点云到形成可用的目标列表，通常需要经过以下步骤。每一步都有明确的输入、输出与关键参数。
- 点云读取与解析：解析雷达SDK输出的数据包，提取每个点的距离、方位角、俯仰角、速度、SNR等字段。
- 坐标变换：将球坐标转换为车辆坐标系下的笛卡尔坐标，便于与相机、激光雷达融合。
- 点云过滤：根据SNR、距离范围、高度范围剔除噪声点与地面点。
- 聚类分割：常用DBSCAN或欧氏聚类，将点云划分为不同目标簇。
- 目标跟踪：使用卡尔曼滤波或扩展卡尔曼滤波，对目标位置与速度进行时序关联与平滑。
- 属性估计：估计目标尺寸、朝向、类别，输出给下游规划控制模块。
下面是一段典型的点云解析与坐标变换伪代码，展示了工程实现中的关键参数：
# 输入：radar_packet 包含 range, azimuth, elevation, doppler, snr
# 输出：points_xyz 车辆坐标系点云
for det in radar_packet.detections:
r = det.range # 米
az = deg2rad(det.azimuth) # 方位角
el = deg2rad(det.elevation) # 俯仰角
x = r * cos(el) * cos(az) # 前向
y = r * cos(el) * sin(az) # 左向
z = r * sin(el) # 高度
if det.snr < SNR_MIN: # 例如 10 dB
continue
if r < RANGE_MIN or r > RANGE_MAX:
continue
points_xyz.append([x, y, z, det.doppler, det.snr])
四、案例与场景：4D雷达点云能做什么
以高速公路前向感知为例，4D雷达可以稳定输出前方车辆的距离、速度与高度信息。由于具备俯仰角测量能力，它能够区分高架桥与桥下车辆，减少传统雷达常见的“桥下虚警”问题。在城市路口场景中，4D雷达可以检测行人、骑行者与路沿，配合聚类算法形成目标簇，为AEB（自动紧急制动）提供更可靠的目标输入。
在路侧智慧交通场景中，4D雷达安装于灯杆或龙门架，可同时覆盖多条车道，输出车辆轨迹与排队长度。其优势在于不受光照影响，且测速直接、成本可控。下表对比了4D毫米波雷达与激光雷达、摄像头的典型特性，帮助理解不同传感器的定位。
| 对比维度 | 4D毫米波雷达 | 激光雷达 | 摄像头 |
|---|---|---|---|
| 距离测量 | 直接测距，精度厘米级 | 直接测距，精度厘米级 | 间接估计，精度受限 |
| 速度测量 | 直接多普勒测速 | 需多帧关联估计 | 需多帧关联估计 |
| 高度测量 | 具备俯仰角，可测高度 | 具备三维高度 | 依赖语义与标定 |
| 恶劣天气 | 雨雾烟尘鲁棒性强 | 受雨雾影响明显 | 受光照与天气影响大 |
| 点云密度 | 稀疏 | 密集 | 无点云，为像素 |
| 成本 | 较低 | 较高 | 低 |
五、常见误区与学习建议
误区一：把4D雷达点云当作激光雷达点云使用。雷达点云稀疏且存在多径、旁瓣等效应，直接套用激光雷达的聚类参数往往效果不佳。需要针对雷达点云特性调整邻域半径、最小点数等参数。
误区二：忽视坐标系与标定。方位角、俯仰角的定义方向、雷达安装角、车辆坐标系朝向，任何一处不一致都会导致点云“错位”。工程中应先完成标定，再谈算法。
误区三：只看单帧效果。雷达点云在单帧上可能不稳定，但时序跟踪后目标轨迹会明显改善。评估时应关注多帧连续性与跟踪指标，而非单帧聚类数量。
学习建议：建议边学边动手，准备一套雷达点云数据（rosbag或CSV），按照“解析—变换—过滤—聚类—跟踪”的顺序逐步实现。每完成一步，都用可视化工具观察点云变化，建立直觉。遇到问题时，优先检查坐标系、单位与参数范围，这三者是最常见的错误来源。
本课程后续将围绕上述知识框架逐层展开，从信号链的波形与天线，到点云链的生成与处理，再到感知链的聚类跟踪与工程链的部署优化。希望你在学习过程中，始终把“点云从哪里来、到哪里去、中间经过了什么变换”作为主线，这样就能把零散的知识点串成完整的工程能力。