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《Whats 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。扩展阅读4D成像毫米波雷达一线专家交流上4D成像毫米波雷达一线专家交流下雪岭 · 域集中趋势下的感知架构演进——中央计算毫米波雷达方案、优劣势、案例和展望闭门会议纪要4D卫星架构毫米波雷达的市场、技术和生态30多位行业资深专家参与雪岭 · 毫米波雷达典型“误报漏报”场景分析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。