在激光雷达的量产元年，各大造车新势力公司逐步上线自研视觉感知算法，特斯拉宣布彻底抛弃毫米波雷达之际，毫米波雷达在自动驾驶中应何去何从，是最近一直在思考的一个问题，利用这篇文章记录下一些观点与相关从业者分享，也希望更多的人投身到自动驾驶毫米波雷达相关技术的研发中。
前言
在激光雷达的量产元年，各大造车新势力公司逐步上线自研视觉感知算法，特斯拉宣布彻底抛弃毫米波雷达之际，毫米波雷达在自动驾驶中应何去何从，是最近一直在思考的一个问题，利用这篇文章记录下一些观点与相关从业者分享，也希望更多的人投身到自动驾驶毫米波雷达相关技术的研发中。
目前自动驾驶使用的主要传感器是摄像头、毫米波雷达和激光雷达。目前多数主打自动驾驶特性的新车上都同时配备了上述三种传感器，期望通过融合实现最优的性能。上述三种传感器各有优劣势，也经历了不同的发展过程。在融合之外，也不免面临很多竞争。例如特斯拉老板Elon Mask主推纯视觉方案，鄙夷激光雷达，到后来连毫米波雷达也放弃。另外，随着激光雷达成本降低，性能符合量产车规要求，也在逐步蚕食传统毫米波雷达在自动驾驶中的作用空间。本文将主要探索毫米波雷达在自动驾驶中的作用和后续的发展方向。
自动驾驶中的各个传感器发展
毫米波雷达
毫米波雷达可以说是最早应用于量产自动驾驶的传感器，在1999年，奔驰220系列S级轿车上搭载的Distronic（DTR）雷达控制系统，可以在时速40~160km的范围内控制本车和前车的距离，实现了基本的ACC功能。目前各大国际主流毫米波厂商，例如博世、大陆、安波福，其前装量产毫米波雷达已经发展到了第5代，基本保持2~3年一代的更新速度。同时国内的毫米波雷达厂商也已经有了5年左右的发展，头部公司的量产产品已经接近国际先进水平。虽然在精度和探测距离上有了很大的提升。但总体而言，其发展阶段尚未实现本质的突破。
对毫米波雷达，目前的量产毫米波雷达都只能称为3D（距离-方位角-多普勒）雷达或准4D雷达，基本上缺失或有很弱的俯仰测角/测高能力，这就导致雷达无法单独作为传感器识别前方的静止障碍物，因为其无法区分前方的车辆（真实障碍）和前方的桥梁/井盖（虚假障碍）。在不频繁触发误报的前提上，这会大大降低了障碍物感知的召回率。为了解决上述问题，目前已经有4D雷达问世，可以实现较高精度的二维角度测量，如大陆的ARS548，但其在量产中的应用效果尚缺乏验证。同时目前的4D雷达成本也较高。预计在2年左右的时间里，其可以达到量产前装的要求。
视觉
对视觉，早期的视觉方案以智能摄像头方案为主，即只有1个前向的摄像头，但可以在内部实现感知算法，直接输出目标级的障碍物信息和车道线信息。因此可以用来做1R1V的融合或5R1V的融合。大大降低了主机厂的开发难度。目前的L2级自动驾驶大多还是这个路线。而像特斯拉的HW1.0–基于Mobileye芯片的第一代驾驶辅助硬件。它使用了单个EQ3系列摄像头，单个毫米波雷达和12个中程超声波传感器，毫米波雷达是由博世提供，摄像头布置于后视镜附近，硬件选型都是基于市场上成熟的供应商产品，在HW1.0阶段特斯拉的主要工作也是多传感器融合+应用层软件开发。特斯拉在2016年发布了基于自主研发视觉算法的自动驾驶系统，这样促使很多主机厂意识到多个图像传感器+深度学习感知计算平台的方案实现远超过单个智能摄像头的优势：车身360度的感知覆盖、核心算法掌握在自己手里、可以通过数据驱动不断升级迭代同时OTA。国内最早发布自研视觉感知方案的是在2020年上市的小鹏P7上的XPilot 3.0系统。目前国内多数新势力造车也会选用这一自研路线。
特斯拉传感器布局
对激光雷达，其机械扫描的版本很早就应用到各种无人车中，但由于量产车对品质和价格的要求更高，因此直到2021年，国内才开始发布搭载激光雷达的量产车，如小鹏P5搭载了两颗 Livox览沃科技提供的HAP激光雷达，单个横向视角120°，针对低反射物体探测距离可达150米，角分辨率高达0.16°*0.2°，点云密度等效于144线激光雷达。其他领头羊如速腾聚创和禾赛科技都发布了车规级固态激光雷达。应用于量产车的固态激光雷达满足了车规级的质量标准，将成本从几万元下降到了数千元的量级，但也损失了360度的探测能力。另外，目前的高性能计算平台也促进了激光雷达的数据处理和目标检测性能提升，已经从传统基于规则的点云处理策略全面转向基于深度学习的点云处理策略。
速腾聚创固态激光雷达
总体而言，毫米波雷达的发展最早，但赢来突破的时间点却最晚，以国内为例，视觉方案2016年实现了全向感知的突破，激光方案在2021年会实现固态量产突破，而毫米波雷达预计会在2023年实现4D雷达量产的突破，在2024或2025年上线基于4D雷达的感知方案。
不同传感器的发展曲线
毫米波雷达面临问题
对毫米波雷达而言，其感知召回率很高，但最大的问题是误检，包括各类杂波、多径反射、无法判别高度的目标等。引起这些问题的除了硬件自身的原因，软件上也存在很大问题。毫米波雷达目前的数据处理都是在雷达内部实现，依赖算力较低的MCU+传统基于规则和认识的策略进行数据处理，自然无法实现目前深度学习可以达到的感知性能。
传统毫米波雷达组成
作为最早量产的自动驾驶传感器，毫米波雷达却被摄像头和激光雷达甩在了身后，个人觉得大部分原因可以用“门槛”二字来概括。毫米波雷达无论是硬件还是算法，其门槛都相对较高。硬件设计依赖极高的射频基础，加工工艺相对复杂，需要多年的技术经验积累。因此目前主要硬件技术还是掌握在国外老牌芯片供应商和汽车零部件供应商手里，国内的毫米波雷达创业公司也大多需具有相关高校、研究所的背景。而算法方面，雷达数据的回波强度信息、多普勒信息较视觉的图像和激光的3D点云复杂的多，其回波点的特性解读和分析也依赖大量经验积累和物理知识。目前国内自动驾驶领域的行业人才多来自计算机、自动化和机械相关专业，多数没有诸如信号与系统和射频技术的理论基础。与其面对晦涩难懂不容易出效果的毫米波雷达数据，不如直接上手直观容易理解的激光雷达和视觉感知。工业界如此，学术界也是如此。每年计算机、机器人领域国际会议上有关毫米波雷达感知的文章寥寥无几，但与视觉、激光雷达感知相关的文章则是层出不穷，很多方案都不需要自己进行过多开发，网上开源的SOTA唾手可得。
在当下深度学习迅猛发展（天时）+集中式处理的系统方案（地利）+低门槛（人和）的加持下，视觉感知+激光感知迅猛发展，但毫米波雷达的感知却是慢了半拍。
依旧不可替代的毫米波雷达
在目前的激烈的竞争下，毫米波雷达相较视觉测速、测距准确的优势已经逐渐不明显，而且激光雷达同样也可以实现较高精度的测速和测距。但在量产激光雷达上车覆盖360度依旧成本相对较高，且仅有特斯拉可以实现超强的视觉感知方案的现状下，毫米波雷达较高的测距、测速精度仍是多传感器融合不可或缺的信息来源。
对激光和毫米波雷达，在体制上都逐渐趋同化，向着高精度、远距离、抗干扰的路线发展。但有一点是不能改变的，那就是波的频段。毫米波的频段决定了其无法完全从回波层面解决一些多径的影响，但也具有光学（摄像、激光）传感器无法比你的优点：对恶劣天气，如沙尘、浓雾、雨天的适应性。当然这些路况还不是目前自动驾驶落地需要考虑的主要问题，但其将作为自动驾驶技术的“长尾问题”和自动驾驶领域的“增量市场”，在未来必定得到更多的关注。
另外，虽然毫米波雷达电磁波的多次反射有时候会引起虚假目标，但其同样也带来了一个优势：不容易被完全遮挡。在密集的场景中，通常只有毫米波雷达能看到本车道前方甚至前前方的车辆、行人。但光信号则会完全被遮挡。
毫米波雷达及其感知应用的未来发展
车载毫米波雷达目前的一个重要发展方向是4D雷达，其依赖更复杂的硬件系统实现更高的性能，但也伴随着成本的增加。个人认为，毫米波雷达的另一个方向是低成本和轻量化，其最终可以逐渐取代超声波雷达，并利用诸如测速、测角能力，实现更多的人车交互功能，例如DOW、后备箱开启等。
从整个自动驾驶的角度看，目前的方向是通过堆传感器和堆算力，提升自动驾驶能力，从而逐步实现更高级别的自动驾驶。但对于很多低成本的车型，上述能力还是不可接受的，而低成本车型的市场量也是巨大的。在这些车型上，1V1R将作为长期的有效方案。走农村包围城市的路线，依赖下沉市场取得成功，在拼多多的事例里已经得到了很好的验证。
从算法问题看，毫米波雷达感知处理要解决的问题可以从三个角度描述：检测、状态估计、属性估计。在检测上，要实现高的召回率的同时降低误检，比如目前常见的多次反射目标和可穿越目标；在状态估计上，要实现更高的位置和速度估计精度；在属性估计上，提供更加准确和丰富的属性，例如可信度、类别、尺寸等。多维度处理和数据驱动是实现上述目标的关键。深度学习的方法很可能是毫米波雷达感知技术的突破点，巫婆塔里的工程师：毫米波雷达：感知算法 黄浴：应用于雷达信号的深度学习方法 这两篇文章都给出了一些很好的深度学习在毫米波雷达感知处理上的应用案例。
从数据处理的角度看，其实毫米波雷达的回波强度信息也蕴含了一定的目标语义。包括多普勒速度。可以说，毫米波雷达最终的数据形态是5D维度的：斜距、方位角、俯仰角、多普勒速度、强度。当点云密度和激光雷达、视觉不能比拟的时候，充分利用挖掘上述信息，也可以为毫米波雷达带来新的亮点。
最后，还是想说，毫米波雷达很强大，也并没有想象中神秘。我们需要更多的行业参与者，需要行业里的弄潮儿，把上下游打通，把雷达应用推向一个新的高度。
