《Computers and Electrical Engineering》：Research progress of four-dimensional radar for target detection
编辑推荐：
本文系统综述了4D雷达目标检测的技术挑战、改进方法及未来方向，重点分析MIMO天线设计、自适应波束形成和多传感器融合对检测性能的提升作用，探讨其在自动驾驶、气象监测等场景的应用潜力，并指出边缘AI集成与算法标准化为未来研究重点。
杨国清|李英杰|姚万祥|陈琼|高永康|张勤晓
天津城建大学控制与机械工程学院，中国天津300384
摘要
四维（4D）雷达能够同时实现目标检测和空间结构重建，使其成为一种具有强大感知能力的有前景的传感方式。尽管近期取得了进展，现有的3D和4D雷达系统仍然存在点云稀疏、仰角分辨率有限以及在动态或恶劣天气条件下对噪声敏感度高的问题。本文回顾了天线设计、信号处理和多传感器融合方面的最新进展，这些进展旨在提高4D雷达的目标检测性能。文章系统地总结了多输入多输出（MIMO）雷达、自适应波束成形、多维检测和集成系统设计等核心原理和关键技术。从单传感器处理和多模态融合的角度讨论了目标检测方法，并介绍了性能提升策略和典型应用场景。最后，概述了未来的研究方向，强调了四维雷达在恶劣天气条件和动态目标场景下的感知优势。
引言
随着智能交通系统和自动驾驶技术的快速发展，对先进环境传感技术的需求显著增加。作为能够提供距离、方位角、高度和速度信息的传感器[1]，4D雷达是实现这些技术的关键组成部分。通过发射和接收毫米波信号，4D雷达生成包含空间位置、径向速度和反射强度等多维信息的点云数据[2]。这些丰富的信息使得周围物体（如行人、车辆和障碍物）的识别和分类更加准确，从而增强了环境感知能力。近年来，4D雷达目标检测的研究受到了越来越多的关注。许多公司在4D雷达的研究开发和应用中发挥着重要作用，推动了相关技术的进步和产业的发展。
在4D雷达出现之前，也使用了多种传统的雷达进行目标检测。最早的雷达研究由Skolnik提出[3]。自从合成孔径雷达（SAR）出现后，许多研究人员加入了雷达研究。其中，Wang等人[4]提出了一种将在线街景图像与卫星SAR图像融合的方法，用于重建4D城市模型。同时，Tomei等人[5]提出了基于压缩感知的逆SAR技术。Lombardini等人[6]引入了SAR层析成像技术，以从复杂观测场景中提取丰富信息。在此基础上，Fornaro等人[7]通过多维成像技术处理SAR数据。此外，Zhang等人[8]证明环向SAR可以捕捉更全面的目标散射特性，从而提高目标识别和分类的准确性，同时减少雷达盲区。除了SAR之外，数字编码调制（DCM）波形雷达[9]、幽灵成像雷达[10]、高清晰度雷达[11]和4D地面穿透雷达[12]也提高了目标检测的准确性。Schwarz等人[13]比较了SAR和4D成像雷达的成像性能，并指出了4D成像雷达在成像性能上的优势。以下部分将更详细地讨论4D雷达。
4D雷达因其小型化、低成本、全天候操作和高分辨率[14]而受到广泛关注。传统的3D雷达系统已经能够提供目标的空间信息，但4D雷达通过集成多普勒速度测量进一步增强了跟踪动态目标的能力。Pan等人[15]提出了一种基于4D成像雷达点云的移动物体检测和跟踪的创新解决方案。同时，Palmer等人[16]研究了概率相关算法的改进方法以提高跟踪性能。与传统3D雷达相比，4D雷达不仅提供了物体的距离和速度信息，还通过高分辨率成像捕捉了物体的形状和细节。此外，4D雷达的高穿透能力使其即使在雾、雨和雪等恶劣天气条件下也能正常工作，这对于安全驾驶的目标检测尤为重要[[17],[18],[19]]。
近年来，研究人员提出了多种基于4D雷达的目标检测算法。例如，深度学习算法被应用于雷达数据处理[[20],[21],[22]]，卷积神经网络被用于语义分割和多模态融合[[23],[24],[25]]。此外，基于学习的深度估计算法被用来将单帧成像雷达测量数据外推为深度图[26]。结合图像处理算法，实现了实时目标检测和跟踪[15,27]。这些算法不仅提高了检测精度，而且在复杂环境中表现出色，有效应对了动态场景中的挑战。然而，在目标检测算法中，4D雷达产生的原始信号数据量远大于传统雷达，但这也带来了原始信号数据庞大且无法及时处理的问题。此外，4D雷达的点云比LiDAR更稀疏、噪声更大，这严重限制了检测分辨率和精度的提高。为了提高4D雷达在目标检测中的分辨率和精度，我们回顾了大量的数据处理和精度提升方法。
尽管4D雷达在智能感知和自动驾驶领域展现出巨大潜力，但现有的综述主要集中在特定方面，如雷达-相机融合，而没有提供系统级性能的统一定量分析。此外，关于这些技术如何共同提高不同应用中的检测精度、速度和鲁棒性的讨论仍然不足。
因此，本文旨在解决以下研究问题：
(1)当前4D雷达系统在目标检测方面面临的主要技术挑战和限制是什么？
(2)天线配置、自适应波束成形和多传感器融合的最新进展如何定量提高检测性能？
(3)4D雷达发展的新兴应用趋势和未来研究机会是什么？
为了回答这些问题，本文系统地回顾了4D雷达目标检测技术的最新进展。文章结构如图1所示：第二节描述了4D雷达的基本原理和关键技术。第三节介绍了两种4D雷达的检测方法。第四节讨论了提高4D雷达目标检测分辨率和精度的相关研究。第五节描述了基于4D雷达的目标检测应用领域。第六节对本文进行了总结。最后，讨论了4D雷达的发展前景。
为了确保对4D雷达最新进展的系统和全面覆盖，进行了结构化的文献搜索。数据来源包括IEEE Xplore、ScienceDirect、SpringerLink和Web of Science等主要科学数据库。回顾了2014年至2025年的出版物，以捕捉学术和工业领域的最新发展。搜索关键词包括：“4D雷达”、“MIMO雷达”、“自适应波束成形”、“雷达目标检测”、“传感器融合”、“自动驾驶雷达”、“毫米波雷达成像”。选择过程遵循了PRISMA启发的工作流程，如图2所示。最初通过关键词搜索确定了567篇论文。去除重复论文和非英文或非同行评审的论文后，剩余422篇。然后，根据标题和摘要筛选，排除了低频雷达和军事监控等不相关主题，最终剩下222篇符合纳入标准的论文——直接与4D雷达目标检测、融合方法或性能提升相关的论文。
回顾工作的分类基于技术焦点、应用领域和方法论方法，如下所示：
•技术焦点：MIMO阵列、波束成形、点云增强、算法优化。
•应用领域：自动驾驶、人类安全、水面感知、建筑施工。
•方法论：单agent雷达检测、多传感器融合。
基本原理
4D雷达通过发射高频电磁波（通常在毫米波段）来感知周围环境。当这些波遇到目标时，它们会被反射，雷达系统接收回波以获取目标信息。这些反射信号在时域和频域进行分析，并通过数据融合处理以提取目标的位置和速度信息。尽管4D雷达的工作原理与3D雷达类似
检测方法
近年来，4D雷达在目标检测领域得到了广泛应用，因为它们在各种天气条件下都能提供可靠的数据。许多研究人员[49,50]基于4D雷达数据开发了创新方法和算法，以提高目标检测的性能和效率。接下来，本节将介绍两种检测方法：一种仅依赖4D雷达数据的单agent检测方法，以及结合其他传感器的多模态融合检测方法
性能提升方法
4D雷达在目标检测方面具有出色的准确性，尤其是在多维信息、恶劣天气适应性和动态目标检测方面。然而，其点云的稀疏性限制了小目标的检测能力，但通过天线阵列优化、稀疏点云优化和算法优化，4D雷达的检测性能仍有很大的提升空间。最近的研究发现表明，某些4D雷达系统定量比较和趋势分析
为了定量了解所回顾的方法，表6中的比较分析总结了包括MIMO雷达、单agent检测、基于融合的检测和算法优化在内的代表性方法的性能。结果表明，算法优化方法实现了最高的检测精度。此外，随着算法复杂性的增加，成本和实现难度也随之增加。
如表6所示，算法优化和
4D雷达的应用领域
凭借其全天候工作和高分辨率点云数据，4D雷达在自动驾驶、水面感知、人类安全和建筑施工等多个领域展现出巨大潜力。表7总结了4D雷达的应用领域。讨论
一些综述论文已经总结了雷达感知系统的发展。例如，Fan等人[159]回顾了自动驾驶中的雷达-相机融合，而Han等人[160]回顾了4D毫米波雷达在自动驾驶感知和SLAM算法中的应用。最近，Srivastav等人[162]简要概述了4D雷达架构，但缺乏定量性能比较和趋势分析。与这些研究不同，本文
结论
4D雷达通过毫米波感知提供了丰富的距离、方位角、高度和速度信息，在目标检测方面展示了强大的潜力。凭借这些能力，它已成为复杂环境（特别是在自动驾驶场景中）中一种有前景的感知技术。包括多输入多输出雷达、自适应波束成形、多维检测和集成系统设计在内的关键使能技术的发展
未来研究展望
在本文中，我们总结了雷达感知的最新进展。然而，仍有一些未探索的研究课题或基本问题需要解决。作为一项先进的传感技术，4D雷达在目标检测领域展现了巨大的潜力和应用前景。在本节中，我们提出了4D雷达的具体和前瞻性研究方向：(1)将4D雷达与边缘设备上的AI模型集成，实现低延迟的智能感知。
(2)标准化
CRediT作者贡献声明
杨国清：撰写——审稿与编辑，监督。李英杰：撰写——初稿，方法论，调查。姚万祥：撰写——审稿与编辑，监督。陈琼：撰写——审稿与编辑。高永康：方法论，概念化。张勤晓：方法论。
杨国清于2013年在中国天津大学获得控制理论与控制工程硕士学位。他目前就职于天津城建大学。他的研究兴趣包括图像处理、深度学习和计算机视觉。他曾参与多个与计算机视觉相关的项目。
