高质量报告解析：汽车毫米波雷达架构演进

在2026年5月29日的EAC2026会议中，来自AUDI AG的技术专家Saad Nawaz带来了《汽车毫米波雷达架构演进》主题演讲，这是一个难得的高质量报告。

Saad Nawaz结合自动驾驶的升级路径，分析了车载雷达产品的需求升级和演进路径。其中包括：毫米波雷达的常见挑战场景、这些挑战场景的应对方案、前向雷达与环视雷达的架构升级路径，以及卫星雷达价值、AI算法应用和挑战等热点议题。

本文做一下内容提炼和解析，报告原文下载地址见置顶评论区，或者联系笔者获取（联系方式见文末或者私信）。

01、应用场景分析

1. 需求的演进

随着高级驾驶辅助与自动驾驶系统功能不断拓展、雷达处理能力与算力持续升级，雷达所承担的角色也在不断演变。

在L2级及以下驾驶辅助功能中（例如ACC、AEB等功能），毫米波雷达的主要作用是前向探测和纵向辅助，对于一些L2++级功能（例如城市NOA），需要应对路口通行场景，对弱势道路使用者（VRU）进行识别，实现更复杂的交互功能。

L3、L4级自动驾驶功能对毫米波雷达提出了更高的要求，其中包括检测距离、FOV、俯仰探测能力、角分辨率、复杂环境理解能力等多个方面。毫米波雷达需要能够满足拥堵/高速行驶、环境建模、切入行为的识别，需要进行全环境感知、全天候检测，以及为了满足功能安全需求，支持传感器冗余设计。

2. 常见挑战场景

在高阶自动驾驶中，毫米波雷达有8种常见的有挑战的应用场景。

1）后方高速驶来的摩托车

摩托车等小目标的RCS小、相对速度高、轨迹变化快，因此检测困难，目标稳定跟踪挑战较大。

2）桥下静止卡车

桥梁等道路基础设施会产生强反射，易引发多径效应并生成虚假目标，对于桥下的静止卡车容易漏检。

3）前方车辆外伸货物

目标轮廓超出车辆本体，雷达反射信号微弱，特征模糊，因此容易漏检。

4）静止车辆旁的弱势道路使用者

弱势道路使用者紧邻强反射物体，反射信号弱，容易被强反射物体淹没，因此很容易发生漏检。

5）可行驶区域内的小型障碍物

小型障碍物的RCS低，再加上周边物体易产生杂波干扰，因此导致漏检。

6）切入本车道的被遮挡行人（“鬼探头”）

由于存在遮挡和多径干扰，突然出现的行人检出时机往往过晚。

7）紧邻自车的行人

行人距离本车距离很近，导致目标回波相互反射，干扰信息多，从而导致漏检。

8）道路边缘/路沿识别

道路边缘/路沿高度较低，检测难度高，并且环境复杂导致杂波密集，容易发生检测不稳定。

02、从应用场景到雷达性能的要求

上述8种应用场景对于核心雷达性能要求如下：

场景序号	具体场景	难点	核心雷达性能
1	后方高速驶来的摩托车	远距离小雷达散射截面、相对速度高	速度分辨力
2	桥下静止卡车	强静态反射、易出现误检/漏检	俯仰角分辨率
3	前方车辆外伸货物	目标超出轮廓范围、雷达信号微弱	动态范围/探测灵敏度
4	静止车辆旁的弱势道路使用者	紧邻强反射物体、反射信号弱	水平角分辨率、动态范围/探测灵敏度
5	可行驶区域内的小型障碍物	低雷达散射截面、周边存在强反射物	俯仰角分辨率
6	切入本车道的被遮挡行人	反应时间短、周边存在强反射物	系统延迟
7	紧邻自车的行人	超近距离探测、信号干扰严重	近场性能
8	道路边缘/路沿识别	目标俯仰角度低、环境杂波强	俯仰角分辨率

总结下来，主要有探测灵敏度、角分辨率、动态范围、近场性能和系统延迟等几个方面。

1. 探测灵敏度

传统雷达的探测灵敏度设计以视场中心为核心，峰值性能全部集中在此区域。这是因为，其设计初衷主要服务于高速公路场景下的纵向控制功能，因此对处于视场边缘、存在部分遮挡的目标关注度不足，这也直接导致了雷达在视场边缘区域的探测可靠性普遍偏低。

随着自动驾驶场景向复杂城市道路延伸，不仅要求雷达在全视场范围内实现均匀一致的探测性能，能够稳定识别视场边缘的小雷达散射截面目标，还要能在车流密集的城市环境中保持稳定工作，同时适配坡道、城市高低落差路段的复杂地形，在远距离、大俯仰角度下也能可靠识别弱反射目标。

为了满足上述需求，雷达设计需要从多个技术维度进行系统性优化：增大天线孔径、优化天线照射方式，在全角度区域采用先进波束成形技术，并降低旁瓣干扰，同时根据不同探测角度进行针对性增益补偿，实现一致的视场中心和边缘的动态感知能力。

2. 水平角分辨率与动态范围

高水平角分辨率与大动态范围，是密集路况下可靠感知的基础。

传统雷达的方位分辨力与动态范围设计，一般仅能满足高速公路低密度道路环境下的基础目标分离需求。其水平角分辨率约为7°~10°，动态范围约为35~40dB，性能指标主要围绕简单的高速行车场景设定，无法应对复杂路况下的精细化感知要求。

随着自动驾驶技术向城市复杂场景的演进，雷达不仅需要精准区分近距离的车辆、摩托车、弱势道路使用者等不同类型目标，清晰解析密集车流的城市路况，还要能可靠识别强反射物旁的弱目标（如卡车旁边的行人），同时具备优秀的抗干扰能力。具体指标上，要求100米距离内水平角分辨率小于0.5°，动态范围不低于70dB。

为了匹配上述性能要求，雷达需要从硬件架构到算法层面进行全方位升级：通过增大天线孔径确保高角分辨率，采用先进波束成形与多输入多输出（MIMO）技术大幅提升虚拟通道数量，同时优化动态范围信号处理链路，并借助人工智能与机器学习算法，从复杂的背景杂波中精准提取出微弱的目标信号。

3. 俯仰角分辨率

俯仰角分辨率可实现复杂环境下真正的三维空间感知。

传统雷达的俯仰感知能力存在根本性局限，垂直区分能力有限，俯仰角度估算精度低，高度分类能力也十分薄弱。其设计仅聚焦于高速公路场景下的障碍物检测，甚至没有明确的量化俯仰角分辨率指标，完全无法满足复杂场景下的三维空间感知需求。

更高阶的自动驾驶场景要求雷达具有更好的俯仰分辨力。雷达需要能够精准区分可行驶区域与高架、天桥等建筑物，有效识别路面上的低矮障碍物，在全视场范围内准确识别路沿，同时精准解析桥梁、坡道、隧道等特殊地形场景，可靠判断空旷可行驶区域。量化指标上，要求100米距离内俯仰角分辨率小于1°，并具备稳定可靠的高度分类能力。

为了达成上述性能目标，雷达需要通过增大垂直方向的天线孔径拓展垂直感知维度，采用先进波束成形与多输入多输出技术提升虚拟通道数量，同时引入高性能地面反射抑制技术消除地面杂波干扰。能够为摄像头、激光雷达提供准确的高度维度信息，支撑多传感器融合感知系统的稳定运行。

4. 近场感知

优异的近场感知性能，是密集车流中全域环境感知的必要条件。

传统雷达的近场性能设计仅服务于泊车、盲区监测等基础功能，对静态环境的感知需求极低，侧向覆盖范围也十分有限。其最小可靠探测距离约为1~2米，近距离不具备目标区分能力，前向视场角仅能达到30°~60°，难以支撑自动驾驶对车辆周边近距离环境的精细化感知要求。

随着自动驾驶低速城市工况的占比大幅提升，对雷达近场性能提出了更高需求。雷达需要能够精准识别紧邻自车的路沿、立柱等静态目标，稳定支持低速行车操作，在近距离可靠识别弱势道路使用者，同时实现360°无盲区的全域覆盖，并具备强大的抗多径干扰能力。量化指标上，要求将最小可靠探测距离缩短至0.1~0.2米，且在近距离范围内具备清晰的目标区分能力。

为了满足近场感知要求，雷达需要进行针对性优化近场专用天线波束，采用大视场搭配高测距精度与高水平角分辨率的设计方案，引入先进的杂波抑制与多径抵消技术，通过密集布放传感器实现视场重叠覆盖，最终实现雷达、超声波与摄像头的深度集成，构建完整可靠的近距离感知体系。

5. 系统延迟

更低的系统延迟，可直接提升自动驾驶系统的安全性、响应速度与驾乘体验。

传统雷达的系统延迟设计仅适配低速动态场景，设计初衷主要是应对突发紧急事件。其所有感知功能均在雷达电子控制单元本地执行，端到端延迟以传感器内部延迟为主，对应的刷新率约为5~10赫兹，整体延迟通常维持在200~300毫秒。

在高阶自动驾驶系统中，雷达需要应对城市道路、弱势道路使用者带来的快速变化场景，极短的反应时间成为刚需，系统延迟也因此上升为影响感知性能的关键指标。同时，多传感器融合需要各传感器数据严格时间同步，延迟的高低将直接影响行车安全与驾乘舒适性。具体指标上，要求刷新率提升至20~40赫兹，端到端延迟目标控制在50毫秒以内。

为了达成上述低延迟目标，雷达需要采用硬件加速器、图形处理器、数字信号处理器等高吞吐计算单元，搭建并行处理流水线提升运算效率，通过软硬件协同设计进一步压缩延迟，同时提前提取特征并开展早期融合以最大限度减少处理耗时，最终依托高速数据传输互联架构实现低延迟的数据交互。

03、前向雷达架构演进

1. 驱动因素

自动驾驶应用场景的感知复杂度不断提升，成为推动前向雷达持续迭代的核心动因。

传统前向雷达主要围绕自适应巡航（ACC）、自动紧急制动（AEB）功能开发，以高速跟车为核心应用场景。

产品普遍采用窄视场设计，功能侧重测距、测速能力，水平角分辨率指标偏低。同时，感知运算与功能模块均集成在雷达本体，一般采用雷达本地处理模式。

新型前向雷达的设计导向聚焦三大核心方向：

拓展探测覆盖范围：采用大视场设计，可同时适配高速道路与城市复杂行车场景；

强化空间感知能力：对水平角分辨率、俯仰角分辨率、动态范围、近场性能提出更高要求；

优化实时响应能力：实现低延迟、高刷新率，并支持高速数据传输。

2. 前向雷达发展路线

行业内前向雷达的发展趋势，已从单纯的测距感知，逐步转向全域空间环境感知。

分为五代产品形态：

1）传统前向雷达：最大虚拟通道数量为 16 路，主流规格为 3T4R、4T4R。

该类雷达成本与性能配比均衡，适合大规模量产部署，但俯仰探测能力存在本质短板，产品设计优先保障水平方位测量，弱化垂直维度感知性能。

2）早期远程雷达：最大虚拟通道数量为 64 路，主流规格包含 6T6R、4T8R、8T8R。

其定位为雷达架构规模化迭代的过渡产品，通道性能仍无法支撑可靠的俯仰感知。若成本优势可覆盖性能短板，该方案仍具备落地价值。

3）第一代成像雷达：最大虚拟通道数量为 256 路，主流规格为 8T16R、12T16R、16T16R。

产品空间环境感知能力大幅提升，虚拟通道数量的增长可直接转化为感知性能增益，高密度雷达点云能够满足各类场景解析需求。

4）下一代成像雷达：最大虚拟通道数量为 1024 路，主流规格为 24T24R、24T32R。

该产品是现阶段高性能前向雷达的优选方案，雷达点云丰富度进一步提升，在此通道规格下，性能升级仍具备投入价值。

5）超大阵列（ULA）成像雷达：虚拟通道数量可达数千路，主流规格为 40T40R、48T48R、60T60R。

依托超大阵列与低旁瓣技术，产品可实现超高空间保真度。但同时面临功耗、算力、同步、标定等系统性难题，且硬件成本增速远超性能提升幅度。

3. 通道数量并非唯一考量

虚拟通道数量并非决定雷达性能的唯一指标，现代雷达性能提升更依赖全系统的均衡优化。除通道数量外，还需综合考量六大设计维度：

其中：

射频与信号设计：涵盖调制策略、纯多输入多输出（MIMO）运行模式、通道分离能力、测距精度；

天线设计：包含天线布局（稀疏阵列 / 密集阵列）、视场赋形、水平与垂直维度拓展；

整车集成与封装：考量雷达罩、保险杠带来的性能影响，以及天线孔径、安装空间、传感器布局对视场的作用；

系统约束：包括功耗、散热、抗干扰能力、标定可扩展性；

频率带宽：涉及带宽拓展、高频小型化、多频段兼容设计；

感知架构：包含独立感知、高密度点云、端到端人工智能感知、可扩展融合架构、算力分配机制。

4. 分布式雷达

分布式雷达具备前所未有的性能与覆盖潜力，但规模化落地需攻克一系列系统难题。

潜在优势包括：

可扩展性：采用模块化雷达探头设计，支持传感器架构灵活拓展；

虚拟孔径：可利用车辆前部形成超大虚拟孔径，有效提升空间分辨能力；

集成灵活性：传感器布局方式灵活，可适配不同整车设计要求。

现存挑战：

系统实现难度很高，载波级相位同步工程实现挑战巨大，布线、标定、验证工作难度显著增加；

稀疏阵列的布局形式会制约性能上限收益；

雷达性能易受安装偏差、设备老化变形等因素影响。

04、环视雷达架构演进

1. 驱动因素

现代环视雷达的定位已从独立功能传感器，转变为协同感知网络中的核心节点。

传统角雷达功能集中在盲区监测、后方碰撞预警、后方横穿车辆告警，以短距离探测为主。同时，各雷达独立工作，传感器之间无协同能力。

现代环视雷达可以实现：

全域感知：实现 360° 持续感知，可适配城市行车、弱势道路交互、密集车流等复杂场景；

协同感知：支持车辆周边目标持续追踪，实现雷达间轨迹接续与雷达级数据融合；

协同探测：利用视场重叠设计缩减感知盲区，同时形成传感器冗余。

多雷达协同工作可构建全新的环境感知能力，具体体现在三方面：

感知能力：实现多视角观测，形成统一的环境理解；

追踪稳定性：支持 360° 全域稳定追踪，可完成跨雷达目标交叉验证，并根据场景实现轨迹交接；

系统响应：缩短响应时长，提升目标检测可靠性。

2. 动态虚拟雷达分组技术

动态虚拟雷达分组技术可充分释放环视雷达的协同探测能力。

行车场景处于动态变化状态，感知优先级随之调整。算力资源依据感知需求动态分配，协同探测模式可随场景自适应切换，系统支持同时运行多个虚拟雷达分组。

采用集中式架构统筹分布式雷达资源，物理传感器的边界在感知层面被弱化。系统可实现统一环境感知与协同追踪，并动态调整波形与探测优先级。

不过，由于同时工作的雷达数量多，且各雷达视场存在大面积重叠，干扰问题挑战会更大。

干扰会催生虚假目标、造成测量数据失真，导致雷达探测鲁棒性下降、动态感知性能劣化，同时挤占外部干扰的抑制余量。

现阶段主要依靠集中式统筹管理，采用时分复用、频分复用、智能波形调度、全局干扰感知等方式处理干扰。

未来，将进一步落地场景自适应雷达工作模式、动态波形管理、人工智能辅助干扰检测与抑制等优化方案。

05、集中式雷达架构（卫星雷达）

1. 雷达架构方案

卫星雷达已经有多家量产的报道，最近会有更多车型陆续推出。雷达系统正在从 “传感器独立智能” 模式，逐步向 “集中式全域环境感知” 模式演进。尤其在高阶自动驾驶系统中，这个趋势越来越明显。

不同处理架构的区别如下：

其中：

“分布式处理架构”：每台雷达配备独立电子控制单元，感知功能独立运行，雷达间交互极少，直接输出面向执行机构的各类数据；

“过渡型处理架构”：由雷达端完成目标提取，数据汇总至中央电子控制单元，实现目标级融合，雷达协同性逐步提升，整体采用混合处理模式；

“集中式处理架构”：雷达仅负责原始数据采集，所有数据汇总至中央单元，实现早期数据融合与全域环境统一感知，同时完成雷达间轨迹协同、算力共享与系统级调度。

雷达输出的不同层级如下所示，由上层至下层逐步趋向原始数据形态。更原始的数据，意味着更丰富的雷达数据表征，因此能够挖掘更多环境和目标的细节信息：

“分布式架构”主要使用执行信号和追踪后的目标：

1）执行信号：包含人机交互（HMI）信号、加速信号、制动信号；

2）追踪后的目标：以目标列表形式呈现，包含轨迹、分类信息，带宽占用低，感知灵活性有限，仅支持后融合模式；

“过渡型处理架构”使用点云数据：包含逐点距离、多普勒、角度特征，带宽占用中等，支持前融合模式；

“集中式处理架构”使用原始雷达数据：为模数转换（ADC）、快速傅里叶变换（FFT）层级的信号，以稀疏四维张量形式存在；带宽需求高，感知灵活性最强，支持原生人工智能雷达处理，具备完整二次重处理能力。

2. 集中式处理的核心价值

集中式处理可将多台雷达整合为一套统一的环境感知系统。

核心作用有六点：

协同雷达运行：统一调制策略，完成跨雷达同步与系统级感知调度。传统分布式雷达独立发射波形、各自运行，易出现自干扰、时序不同步问题；集中式架构统一管控所有雷达的发射参数与工作时序，从系统层面规避干扰，保障感知一致性。

动态资源分配：基于场景划分感知优先级，实现自适应雷达协同与灵活的感知策略。系统可根据实时行车场景动态调配算力与探测资源，最大化算力利用率。

360° 全域感知：实现目标持续感知与跨雷达轨迹接续，减少感知碎片化问题。可解决分布式架构下目标跨雷达视场时轨迹断裂、丢失的缺陷，完成目标无缝交接，消除感知盲区。

原生 AI 感知：搭载雷达点云人工智能算法，采用基于占用网格的感知方式，运用可学习的雷达特征完成分析。AI 模型部署于中央单元，直接处理雷达原始点云数据，提升弱势道路使用者识别、可行驶区域检测的精度。

早期雷达融合：共享空间与多普勒上下文，实现跨雷达感知，精准区分近距离目标。区别于传统目标级融合，该模式在数据层完成融合，可有效识别强反射物周边的弱目标，降低漏检、误检概率。

全局环境模型：协同利用重叠视场，形成丰富的环境表征与统一场景理解。依托全域数据构建环境模型，避免不同雷达输出信息冲突，为自动驾驶决策、控制模块提供稳定输入。

3. AI雷达处理链路

其中，AI是集中式雷达架构最具吸引力的技术方向。

传统雷达处理链路是：快速傅里叶变换处理 → 目标检测 → 预处理 → 点云生成 → 聚类 → 目标追踪 → 目标分类（区分车辆、行人、骑行者）；

AI雷达的处理链路是：智能信号处理（FFTRadNet、ADCNet）→ 三维检测（RadDet）→ 三维点检测（PointPillars）→ 场景理解（PointTransformer、PointNet++）→ 时序建模与目标追踪（ConvLSTM、R-CNN）。

借助于集中式雷达架构的部署，传统雷达处理模块正在被神经网络架构所替代。

原生 AI 端到端处理架构依托智能处理模型，可实现多传感器早期融合，让感知结果更稳健、精准，同时提升算法泛化能力。

4. 集中式架构的挑战

集中式架构也有不少挑战，主要有下面3个方面：

其中：

资源与系统约束：传感器数据带宽大，车载以太网主干网络扩展性不足；算力扩容、散热、功耗均存在限制，系统延迟要求严苛，多传感器同步难度高；

功能安全与冗余：涉及汽车安全完整性等级（ASIL）拆分、故障降级、故障可运行架构、冗余感知链路、失效兜底等设计，整体验证复杂度较高；

成本与平台适配：需兼顾高低配车型的差异化部署，优化物料成本，实现功能区分、平台架构与跨车型软件复用，并在算力分配上做到成本高效，即在满足性能的前提下优化调度、降低硬件成本与功耗。

06、结语

现代雷达可实现多类感知功能，包含目标检测、场景理解、时序追踪、车队追踪、道路曲率估算、道路结构识别、基础设施分类、微多普勒解析、动态目标语义、场景态势、三维占用网格、自由空间识别、自车运动估算、静态目标识别、地标建图等，最终形成全域环境统一感知。

展望未来：

雷达应用价值持续提升：适配的行车功能不断增加，感知可靠性、可用性要求同步提高，单车搭载雷达的数量逐步增长；

性能指标全面升级：水平角分辨率、俯仰角分辨率、探测距离、视场角均迎来升级，多普勒信息得到深度运用，高密度点云支撑精细化场景解析；

系统架构走向融合：各雷达共用高性能算力平台，设备间实现数据互通，传感器融合程度加深。技术路线从原始数据处理，升级为原生 AI 架构与全域四维感知。雷达行业的演进不再由单传感器性能单独驱动，整车架构下的可扩展性，已成为核心考量因素。

说明：文中图片均来自《What's Driving the Evolution of Automotive Radar Architectures? System-Level Drivers for ADAS and Automated Driving Saad Nawaz | Shanghai | May 29, 2026》，部分图片为了提升可视化，做了适当调整。原文报告中有些观点可能覆盖并不完整，其他补充信息见下面扩展阅读。

 

个人观点，未必准确，欢迎讨论。

我是雪岭，研究感知、控制和人工智能的技术、产品和应用，欢迎交流。联系雪岭和全集索引请参考：https://dcn7get8fskg.feishu.cn/wiki/CCMpwjC0EiBIw2kFr7uc84qHneb