第四章：毫米波雷达模型（Radar）

各位同学，今天我们来聊聊毫米波雷达。说实话，在自动驾驶的感知家族里，雷达就像那个沉默寡言但干活最靠谱的老大哥。激光雷达再炫酷，遇到雨雾天也得歇菜；摄像头再智能，晚上光线一差就抓瞎。但雷达不一样，它几乎不受天气影响，能直接测速度，这是它最硬核的本事。

我在做传感器融合的时候，经常遇到有人问：「雷达点云这么稀疏，到底有什么用？」我的回答是——你想想看，如果一辆车从侧面高速切入你的车道，摄像头可能要到它完全进入视野才能识别，但雷达在几十米外就能捕捉到它的径向速度变化。这就是雷达不可替代的价值。

4.1 毫米波雷达工作原理

毫米波雷达，说白了就是发射电磁波，然后接收回波。它工作在毫米波段（通常是24GHz、77GHz或79GHz），波长比微波短，比红外长。这个波段的好处是：既能穿透雨雾，又能保持较高的分辨率。

核心原理其实就三个字：测距、测速、测角。

• 测距：通过发射信号与回波的时间差来计算距离。FMCW（调频连续波）雷达会发射频率随时间线性变化的信号，回波与发射信号混频后得到差频信号，差频正比于距离。
• 测速：利用多普勒效应。目标运动会导致回波频率发生偏移，这个偏移量直接对应径向速度。
• 测角：通过天线阵列的相位差来估计目标方位角。天线越多，角度分辨率越高。

我记得刚接触雷达时，总觉得FMCW的数学推导很绕。后来我换了个角度理解：你扔一个石子到水里，波纹扩散出去。如果有个小船在漂，波纹碰到船会反射回来。你测量发射和接收的时间差，就知道船有多远；如果船在动，反射波的频率会变，你就能算出它的速度。就这么简单。

4.2 Apollo中的雷达模型配置

Apollo的雷达模型设计得很灵活。它把雷达抽象成几个核心模块：发射器、接收器、信号处理器、目标跟踪器。你可以在配置文件里调整几乎所有的物理参数。

配置文件通常放在 modules/calibration/data/ 目录下，以 radar_params.pb.txt 命名。我给大家看一个典型的配置片段：

# 雷达参数配置示例
radar_config {
  radar_type: CONTINENTAL_ARS408
  frequency: 77.0e9          # 77 GHz
  bandwidth: 600e6           # 600 MHz 带宽
  max_range: 200.0           # 最大探测距离 200m
  range_resolution: 0.39     # 距离分辨率 0.39m
  max_velocity: 50.0         # 最大可测速度 50 m/s
  velocity_resolution: 0.12  # 速度分辨率 0.12 m/s
  azimuth_fov: 60.0          # 水平视场角 ±30°
  elevation_fov: 14.0        # 俯仰视场角 ±7°
  num_tx_antennas: 2         # 发射天线数
  num_rx_antennas: 4         # 接收天线数
  update_rate: 13.0          # 更新频率 13 Hz
}

这里有个坑，我必须要提醒大家。我曾经在调试时发现雷达检测到的目标位置总是有固定偏差，查了半天才发现是 mounting_position 参数没配对。雷达安装位置和朝向的偏差，会直接影响融合后的目标坐标。所以，标定参数一定要和实际安装位置严格对应。

4.3 多普勒效应模拟

多普勒效应是雷达的灵魂。没有它，雷达就只能测距，没法测速。在Apollo的仿真模型中，多普勒效应的模拟是通过对回波信号进行频率调制来实现的。

具体来说，假设目标以径向速度 v_r 运动，发射信号频率为 f0，则回波频率偏移为：

f_d = 2 * v_r / λ

其中 λ 是波长。对于77GHz雷达，λ ≈ 3.9mm。这意味着一个很小的速度变化，就能产生可测量的频率偏移。

在Apollo的仿真代码中，多普勒模拟的核心逻辑是这样的：

// 伪代码：多普勒频移计算
double ComputeDopplerShift(double radial_velocity, double wavelength) {
  return 2.0 * radial_velocity / wavelength;
}

// 在生成回波信号时，将频移叠加到载波上
Signal GenerateEcho(const Signal& tx_signal, double doppler_shift) {
  Signal echo = tx_signal;
  echo.frequency += doppler_shift;  // 频率偏移
  echo.phase += 2 * M_PI * doppler_shift * time_delay; // 相位累积
  return echo;
}

嗯，这里要注意一点：多普勒频移只能测量径向速度。如果目标横向运动，雷达是测不出来的。这就是为什么雷达在检测「横穿马路」的行人时，速度信息会突然丢失或跳变。我在做行人保护功能时，就因为这个特性吃过亏——行人横穿时，雷达测到的径向速度接近零，系统误判为静止物体，差点没触发制动。

4.4 目标检测与点云生成

雷达的目标检测流程，和激光雷达有相似之处，但也有本质区别。激光雷达直接输出三维点云，而雷达输出的是「检测列表」——每个目标包含距离、速度、角度、RCS（雷达散射截面积）等信息。

Apollo中雷达点云的生成流程大致如下：

1. CFAR检测：恒虚警率检测，从噪声中提取有效目标。这一步会生成距离-多普勒图上的峰值点。
2. 角度估计：通过天线阵列的相位差，计算每个检测点的方位角和俯仰角。
3. 聚类与跟踪：将相邻的检测点聚合成目标，并建立时间上的关联。
4. 点云生成：将每个检测点映射到三维空间，形成稀疏的雷达点云。

我画了一张流程图，帮大家理清这个逻辑：

雷达点云和激光雷达点云最大的区别是什么？雷达点云自带速度标签。每个点除了 x、y、z 坐标，还包含径向速度 v_r。这个信息在做动态目标检测时非常有用。

我举个例子。在Apollo的感知模块中，雷达点云会先经过一个「速度一致性检查」：如果某个点云的速度与周围点云差异过大，它很可能是多径反射或噪声，会被过滤掉。这个技巧我在实际项目中屡试不爽，能有效降低虚警率。

最后说一句，雷达模型调试时，我最常遇到的问题是「目标跳变」——同一个目标在连续帧中位置突然变化很大。这通常是因为雷达的角度分辨率不够，或者目标RCS不稳定。解决办法是：在跟踪层增加运动模型约束，比如用恒定速度模型或恒定加速度模型来平滑轨迹。

好了，这一章的内容就到这里。雷达模型虽然看起来不如激光雷达「炫酷」，但它在实际工程中的重要性，怎么强调都不过分。希望大家能动手在Apollo里跑一跑雷达仿真，感受一下不同参数对检测效果的影响。