第一，我们加了一次大阵列高分辨，那么提升角分辨率实际上有很多种方法，软件是有方法的，但是软件的方法是在受限于一部分场景可用，我们认为更普世更可靠的方式是增加天线阵列、天线口径，实现能力的跨越式的提升。华为4d成像雷达采用了12个发射通道，24个接收通道，它比常规的雷达的3发4收的配置实际上整整提升了24倍，比业界典型的成像雷达也增加了50％的接收通道。

基于这样的话是一个非常超强的配置，那么基本上均是业界最大配置、可以商用的成效雷达的产品。那么它的水平角分辨能力从传统的3～4度提升到了一度，它的垂直分辨能力也从没有到有，然后达到了2度，而且这是需要说明的，它是一个10口径。刚才提到的软件的优化能力还是可以继续生效的，那么可以有进一步的优化空间。同时它的测量精度也从传统的0．2度提升到了0．1度，对于低速场景会非常有用。

第二是大视场无模糊，传感器的覆盖要求，一方面驱动来自于自动驾驶的要求，另外一方面是传感器的一个配套关系，比如说摄像头它采用了30度加120度的配置的时候，它可以实现远距±15度的三五百米以上的检测，那么近距它可以实现±60度的200米的检测，如果跟摄像头的去配合，毫米波的，雷达覆盖能力也需要去提升。

那么对于毫米波雷达来说，它是通过一个大阵列设计，一个4d成像雷达去支持远近的两种波形，那么兼顾远距覆盖和近距的广角的要求。那么举个例子就是长波形会支持±9度超过300米的覆盖，短波型它是支持±60度内的150米的覆盖，很好的去满足城区的十字路口它们的要求，基本达到了跟摄像头的对齐的目标。

特别还要说明的是无模糊的能力设计，那么传统雷达的角度测量实际上是有模糊性的或者说多异性的，他意思是说看到一个目标对目标具体的角度方向在信号数据计算的时候是有几种可能性，那么需要后端的算法去从里面挑一个相对合适的方案角度出来。

那么对于华为的4D成像雷达，我们通过天线的一个摆置关系以及信号算法的优化，可以实现角度的无模糊，这样的话就不会把模糊的结果和真实的目标混到一起造成虚景，那么对于十字路口的目标的场景会非常有用。同时也就这样减少了需求以后，可以形成一个高置信度的点云实际上是，便于后端的点云处理的算法优化。

第三点云，速度，距离、水平角度和垂直高度。那么相对于传统雷达的功能它带来革命性变化，比如用MD大数据资源，可以引入I的方法，用于毫米波雷达的后端的处理，那么也可以基于点云实现分米精度的构图与定位，那么需要说明的是什么？毫米波因为物理的原因对于天气、光线实际上是不敏感的，那么基于毫米罗波雷达的构图或者定位，这样就变成一个环境非常友好，环境非常鲁棒的一种方案，有他自己的独特价值。

那么有点云处理，就一定要有点云的采集，以及一定的软件配套环境这方面有非常好的合作能力，为什么呢？因为华为的4雷达的开发主体在中国，那么面向中国场景的数据分析数据采集华为做得可以更充分。同时在跟OEM的这种融合与控制软件的对接中，也会形成更高效的开发。

最后对于4D雷达组网，我们实际上支持三种方式对接小算力的预控，雷达可以直接输出目标，对接大算力的预控，我们可以输出点云，所以后端的跟踪的处理是在预控上实现，最后也可以去做一个混合模式，就是既输出目标也输出点云。

高速场景，可以看到前方的车辆是可以清晰的多个点来分辨出来的，同时两边是红色或者蓝色的是护栏，它可以轻易的识别，基本能到150米到200米的护栏可以分辨出来。还有这是一个下闸道的场景，中间红框标志的是下闸道的分流岛，旁边的尖角护栏，可以清晰的刻画出来。

然后这是整个的一下闸道的过程里面可以看到两边的一个大弯度的护栏是通过点云的形式可以清晰的扫描出来一个形状。这是城区的场景，城区场景近端的是两轮车，横穿的是一个对象的卡车，可以把卡车的一个l型的边缘很清晰的勾勒出来。

这是人车的一个混行的情况，可以看到公共车、两轮车，它通过点云的形式，可能没有激光那么多的点，但是这些点基本上都是我们认为是有效的像素点，那么基于这个点去做目标的跟踪与识别，相对来说它的置信度可以大幅的提升。

这是大小波的场景，实际公交车旁边有一个两轮车，这是一个毫米波的独有价值。前面有三辆车，实际上是后面两辆是被前面混凝土搅拌车是遮挡的，但是毫米波雷达能够一下识别出三辆车的，有一个透视能力出来。

这是一个静止车的检测，碰巧也是一个混凝土搅拌车，它是停在了灌木丛中，那么毫米毫米波雷达也可以清晰的分辨。这是对边界的识别可以刻画出来一个，比如说施工区路路，道路有收窄，它通过道路边界是可以清晰的刻画出来。

这是把前雷达和角雷达的点域融合到一起，形成一个点融合后点域的效果，但不这是一个大路口环境很复杂，那么路边的边缘的刻画，包括一些停止车辆的刻画，都有一个比较直观的呈现，这是来呈现了一个后方超车连续跟踪过程，这里边是一个蓝色的后方轿车，它可以快速超过本车，然后切到本车的车道里面，整个点云是一个连续点云。

我们把成像雷达再增加的价值总结为6点。

第一高速巡航的超前感知，对高速来说最重要的要求是看得清看得远，保持一个行车体验，那么避免急刹。那么典型的几个情况是什么？前方拥堵的时候，本车如果是130公里的时速，怎么做到舒适性的刹停，而不会出现一个很急速的一个减速，那么这是保障体验的一个非常重要的要求。

那么这个要求对于传感器翻译成传感器的技术体系要求变成了200米外要识别出来一个车是在本车道，或者是在邻车道。那么4G成像雷达只是一度的水平分辨能力以及300米的目标检测，实际上200米外的两辆车，它即便是同速同距的，属于相邻车道，也可以完全用角度的方式去分辨出来。

第二是安全，无论自动驾驶还是辅助驾驶，安全都是首要因素，它对传感器的要求对突出的诉求是禁止障碍物的检测，这是传统毫米波的短板。4D成像雷达点云增加10倍，是大幅提升了静止目标的检测执行度的，小障碍物的检测有非常好的表现，比如说110米以外的锥筒，我们是可以有效的分辨。

同时支持静态物检测以后带来了一个隐身的问题，就是必须有效的区别是地面的静止物，还是半空的悬空物，如果把一个悬空物当做一个地面静止物，基本上就是一脚急刹就出来了。所以说成像雷达通过两度的垂直分辨，可以极限程度上可以做到220米的龙门架和它下面的一个静止车可以完全区分出来，这样不会产生误报。

第二，对于城区巡航，最大的挑战是大量的横穿运动以及人车混行的多目标的复杂状况，刚才提到的大视场无模糊能力是非常好匹配这个场景要求的。除这个以外，另外两个优点是非常重要的，一个是测角精度，成像雷达的测角精度从0．2度到0．1度。举个例子，50米的时候横向检测的误差就缩小到了9厘米，100米的横向检测误差缩小到了只有17厘米，这个对于低速场景狭窄区域的通行，对于可通行的判断是非常好的。

另外一个就是高动态，刚才咱们视频看到的一个公交车实际上大目标，大的强反射目标，一个两轮车是一个弱的目标，这两个目标不会搞混，不会淹没到一起去，这是需要很好的高通带能力的。第三是是成像雷达或者毫米波雷达的独有能力，它的独有能力就是前前车的检测，它实际上的原理是什么？电磁波是可以从车的底盘下面穿过去，探测前方被遮挡的车辆的。

那么成像雷达多径处理能力更强，它的前前车探测能力实际上相对会提升一倍以上，跟前面视频看到的一样，成像雷达可以有效地检测出来，前车和前前车甚至可以看到前前前车的大致底盘轮廓。这有什么价值，实际上是通过去探测到前前车的一些信息，比如说它有一个急减速，那么就可以提前预判前车是不是会变道，还是也会减速，那么本车的一些动作可以提前去实施，就可以减少连环追尾的风险。

那么后面两个价值实际上是指的是典型的应用，第一个是环境刻画，我们从三方面向大家去做一个环境刻画。第一护栏的检测，刚才提到了可以支持150米的护栏检测，这样的话可以有效地确定道路两个边界，同时它的大的垂直fov±15度，加上精确的一个测高能力，度，可以有效的区别地面上的比如井盖，地上的目标和空中的目标。这样的话可以把道路的3D的结构是有可能可以呈现出来。最后它是通过人、车、障碍物的检测以后，可以生成10厘米精度的一个可通行区域，形成一个完全匹敌激光摄像头的一个环境刻画能力。

最后一个应用是4D点云的一个实际上是和其他雷达协同的应用，就是全车的多雷达的点云集中在一起处理，实现了目标级融合到检测级的融合，那么融合后的点云最大的价值就是对于车身形成360度的感知，那么如果有后车的超车场景，那么从迫近到整个超越整个点云是一个完整的过程连续的过程，在跟踪的实现、目标的检测不会出现跳变。那么这样还有一个好处是对其他车辆的意图的判断，比如说他有cut－in，他有超车可以提前进行，像有助于解决这些配置。

最后我们把华为毫米波雷达的价值总结为三大能力，六大价值。三大能力是大阵列高分辨，大视角无模糊，4D高密点云，这些能力在高速场景对于体验的提升，对安全的防护都有非常大的好处。我们认为车辆雷达会成为下一阶段自动驾驶的一个必备武器，和激光和摄像头一起支持高级自动驾驶。