1. 课程导入
在智能驾驶、无人系统与工业感知快速演进的今天，毫米波雷达凭借全天候、低成本、测速直接等优势，成为环境感知系统中不可替代的传感器。传统车载毫米波雷达主要输出距离、方位角与径向速度，缺乏高度维信息，难以区分高架桥与前方车辆、井盖与行人。4D毫米波雷达在距离、方位角、速度之外引入俯仰角维度，形成距离—方位—俯仰—多普勒四维点云，使雷达从"平面感知"走向"立体成像"，为后续目标检测与跟踪提供了更丰富的几何与运动信息。
一、4D毫米波雷达的定义与核心特征
4D毫米波雷达通常指具备俯仰角测量能力、可输出四维点云（x, y, z, v）的毫米波雷达系统。其"4D"并非简单增加一个角度通道，而是通过多输入多输出（MIMO）天线阵列、宽带调频连续波（FMCW）波形与高分辨率角度估计算法协同实现。核心特征包括：
- 四维信息输出：距离、方位角、俯仰角、径向速度，形成三维空间点云并附带多普勒速度。
- 高角度分辨率：依靠大规模MIMO虚拟孔径，方位与俯仰分辨率可达1°~2°量级。
- 密集点云：单帧点云数量从传统雷达的数十点提升至数千甚至上万点。
- 全天候鲁棒性：在雨、雪、雾、夜间等条件下仍保持稳定探测能力。
二、发展历程：从测距到成像
毫米波雷达的发展可大致划分为四个阶段。第一阶段为24GHz与77GHz单通道雷达，主要实现测距与测速，用于自适应巡航。第二阶段引入多通道MIMO与数字波束形成，获得方位角测量能力，支撑盲区监测与变道辅助。第三阶段采用级联雷达芯片与高分辨率算法，点云密度显著提升，开始出现"成像雷达"概念。第四阶段即当前4D成像雷达阶段，通过俯仰维虚拟孔径、超分辨率算法与深度学习处理，输出稠密四维点云，并逐步与视觉、激光雷达融合。
三、目标检测与跟踪的工程意义
4D点云只是原始观测，真正支撑下游决策的是稳定、连续、可关联的目标航迹。目标检测负责从点云中提取候选目标并估计其位置、尺寸与速度；目标跟踪则在时间维度上关联检测结果，维持目标身份、预测运动状态并抑制虚警。工程意义体现在三个层面：
- 安全层面：稳定航迹是AEB、ACC、变道辅助等功能触发的前提，漏检与误跟踪会直接导致误刹或漏刹。
- 融合层面：雷达航迹需与视觉、激光雷达目标在时空上对齐，检测与跟踪质量决定融合置信度。
- 算力层面：嵌入式平台算力有限，检测与跟踪算法必须在精度与实时性之间取得平衡。
四、课程整体框架与学习路径
本课程共30章，围绕"信号—点云—检测—跟踪—评估—部署"主线展开。前段建立雷达信号处理与点云生成基础，中段深入目标检测、聚类、特征提取与多目标跟踪算法，后段覆盖数据标注、评测指标、嵌入式部署与典型场景调优。学习路径建议按以下阶段推进：
| 阶段 | 核心内容 | 关键产出 |
|---|---|---|
| 基础篇（第1~8章） | FMCW波形、MIMO、距离/多普勒/角度估计、点云生成 | 理解4D点云来源与误差来源 |
| 检测篇（第9~16章） | CFAR、聚类、特征提取、深度学习检测 | 实现稳定目标检测与虚警抑制 |
| 跟踪篇（第17~24章） | 卡尔曼滤波、数据关联、航迹管理、多目标跟踪 | 输出连续稳定航迹 |
| 工程篇（第25~30章） | 标注、评测、嵌入式部署、场景调优 | 完成可落地的工程闭环 |
五、典型场景与工程复盘
以城市快速路跟车场景为例：前方车辆、相邻车道车辆、高架桥墩与路面井盖同时进入雷达视场。传统3D雷达因缺乏俯仰维，容易将桥墩与前方车辆混为同一目标，或将井盖误判为障碍物。4D雷达通过俯仰角区分高度，配合多普勒速度筛选静止杂波，再经聚类与跟踪形成稳定航迹。工程复盘时需重点关注：
- 点云是否在俯仰维出现明显分层，地面点与目标点是否可分离；
- 多普勒速度是否存在模糊，静止目标与运动目标是否被正确区分；
- 跟踪航迹是否存在身份跳变，关联门限与航迹管理参数是否合理。
# 典型4D雷达点云单帧字段示例
point_id, x(m), y(m), z(m), v(m/s), snr(dB), azimuth(deg), elevation(deg)
1, 12.4, -1.8, 0.35, -8.2, 21.5, -8.3, 1.6
2, 12.6, -1.7, 0.42, -8.1, 20.8, -7.9, 1.9
3, 25.1, 3.2, 0.08, 0.0, 15.2, 7.3, 0.2