[首發于智駕最前沿微信公眾號]隨著自動駕駛技術的不斷成熟和推廣，越來越多傳感器被應用到自動駕駛車輛上。其中毫米波雷達（Millimeter-Wave Radar）以卓越的抗干擾能力、全天候測距性能和豐富的目標運動信息，成為自動駕駛感知系統中的核心組件之一。相較于激光雷達與攝像頭，毫米波雷達的關注度似乎并非那么高，但其作用卻無可替代。

毫米波雷達通過發射和接收頻率在30–300?GHz范圍內的電磁波，對前方或周圍環境進行連續掃描，借助電磁波的反射信號計算目標的距離、速度和角度信息。典型的77?GHz車規雷達采用脈沖調制或連續波調頻（FMCW）技術，利用發射信號與回波信號的頻率差（調頻斜率×時間延遲）精確測量距離，同時通過相位差或多天線布陣實現方位和俯仰角度分辨。在多輸入多輸出（MIMO）架構中，虛擬天線陣列的構建進一步提升了角度分辨率，使得毫米波雷達具備檢測多目標、區分高速行人與低速騎行者等復雜場景的能力。

在硬件層面，毫米波雷達的核心器件包括高線性度本振（LO）、功率放大器（PA）、低噪聲放大器（LNA）、混頻器和高速模數轉換器（ADC）。隨著半導體工藝的發展，SiGe BiCMOS以及90?nm以下CMOS制程已能夠滿足毫米波頻段的器件集成和低功耗需求。對于天線的使用，平面微帶陣列與波導稀疏陣列兩種主流方案各有優勢，前者結構扁平、易于封裝，適合批量化生產；后者在大帶寬下能夠維持更高的增益和更寬的掃描視野。射頻前端與數字后端的協同設計，以及射頻信號鏈的校準和溫漂補償，則保證了雷達在高速、高溫、強振動的車規環境下依舊保持穩定性能。

從信號處理角度來看，毫米波雷達輸出的是二維或三維的點云（range-Doppler map或angle-enhanced point cloud），需要經過多級算法處理才能實現對動態場景的精準感知。其常見流程包括窗函數加權、快速傅里葉變換（FFT）、恒虛警（CFAR）檢測、聚類與分割、目標跟蹤（Kalman濾波、多假設跟蹤MHT）等。近年來，深度學習技術開始被引入毫米波雷達點云分析，通過端到端神經網絡模型，將保留原始頻域或時域特征，用以目標分類和語義分割。與激光雷達相比，毫米波雷達在識別動態目標（特別是徑向運動）方面具有天然優勢，而結合多傳感器融合，可實現更魯棒的環境模型。

毫米波雷達對于自動駕駛的實現起到了不可或缺的作用。毫米波電磁波不受霧霾、雨雪、強逆光的影響，能夠在復雜氣象條件下穩定工作，為系統提供持續的安全冗余；在前向短距（30?m以內）和中遠距（100–200?m）毫米波雷達都具備良好探測能力，可與攝像頭、超聲波傳感器和激光雷達形成全覆蓋探測矩陣；利用多普勒效應，毫米波雷達還可在微小頻偏下準確估計目標速度，精度可達厘米/秒級，為自適應巡航和碰撞預警提供可靠依據；隨著大規模量產，毫米波雷達的單價更是逐年下降，使其在中高端車型乃至大眾級自動駕駛輔助系統（ADAS）中廣泛部署成為可能。

其實不難發現，大家在討論自動駕駛感知硬件時，激光雷達及攝像頭一定是主角，但毫米波雷達卻鮮有提及，這主要是因為毫米波雷達存在一定的局限性。首先，毫米波雷達角度分辨率相對激光雷達較低，難以實現高精度的三維成像；其次，毫米波雷達對于靜態小目標（如路緣石、低矮護欄）回波微弱，易被噪聲淹沒；再次，毫米波雷達的多徑反射和雜波抑制仍是難點，需要更復雜的信號處理；最后，毫米波頻段在不同國家和地區的監管頻譜存在差異，對設計和量產提出了合規要求。

未來，毫米波雷達或將沿著以下方向演進。一是更高頻段的探索，如150?GHz及以上E波段雷達，將帶來更細膩的角度和距離分辨能力；二是全數字波束形成（DBF）與軟件定義雷達（SDR）架構，將極大提升靈活性，支持動態波形調制與智能干擾抑制；三是與AI深度融合，通過自監督和遷移學習，在未知場景中實現對回波特征的自適應提取；四是傳感器融合層面的創新，將毫米波雷達與成像雷達、激光雷達、可見光/紅外攝像頭的原始信號級協同處理，把多源信息統一到智能中樞，提高感知精度與魯棒性；五是車內外協同，本地毫米波雷達可與V2X網絡、高清地圖和云端AI平臺分享實時感知數據，構建更大范圍的駕駛環境認知。

毫米波雷達以其全天候、抗干擾、速度測量精準等特點，成為自動駕駛感知系統中不可或缺的關鍵傳感器。伴隨半導體工藝、天線陣列設計、數字信號處理與人工智能技術的發展，毫米波雷達的探測精度、抗多徑能力和智能化水平都將得到顯著提升。未來，毫米波雷達不僅會在單車感知中繼續發揮核心作用，更將在多車協同、智慧交通系統中拓展新的應用場景，為實現更高等級的自動駕駛和智能交通提供堅實的技術支撐。自動駕駛時代已經開啟，毫米波雷達的不斷進步，將在不遠的將來見證真正的無人駕駛落地。