一、4D毫米波雷达的必要性和先进性
使用4D毫米波雷达替代3D毫米波雷达，主要用于解决3D毫米波雷达的性能瓶颈，得到更优的感知结果，从而提升ADAS系统的精准度和舒适度。一般来说，3D毫米波雷达主要有以下几点性能瓶颈：
1.无法准确检测前方障碍物
由于3D雷达俯仰分辨能力弱，几乎不能区分高空目标和地面目标，容易产生虚警。通常3D雷达俯仰维分辨率超过10°，而4D雷达基本在1~2°，可以准确测量目标高度。
2.目标探测精度差
3D雷达使用3T4R的天线设计，总计12通道，一般角精度1~1.5°，横向偏差大，部分场景出现目标偏离车道情况，导致ADAS系统误判。
4D雷达通常为6T8R，甚至12T16R，角精度0.1~0.4°，横向偏差小，目标位置准确，ADAS系统效果优异。
3.无尺寸、航向信息
3D雷达点云稀疏，无法准确估计目标尺寸和航向，不能及时发现危险目标对自车的威胁，存在安全风险。
4D雷达点云分布尚可，通过算法处理可准确估计目标尺寸和航向。同时易与摄像头、激光等传感器融合，提供更精准的环境感知。
二、4D毫米波雷达应用的可行性
4D毫米波雷达没有广泛使用，并不是因为传感器本身的性能，而是以下几点原因：
1.算法不够成熟
2.BOM成本较高
3.更新换代动力弱
但随着技术的发展，算法必将成熟可靠，BOM成本也将大幅降低。对主机厂来说，用较高的价格获得更优的性能，将成为可选的方案。
三、传统算法的可行性
3D雷达已有成熟可靠的算法，沿用原来的算法方案，增加如尺度、类别等检测，难度不是太大。
常规的算法一般为下图所示的流程：
从标定、坐标转换到目标关联和跟踪滤波，所有的方法都和3D雷达类似，4D雷达点云数量和精度增加，可以得到更准确的目标位置和尺寸、类别信息。
虽然方法类似，但由于点云数量增加，部分方法需要做适应性修改，比如聚类算法，面对数倍的点云数量，需使用更高效的算法。
另外，3D雷达通常使用点目标跟踪，4D雷达可参考激光雷达，使用扩展目标跟踪算法，获得更好跟踪的效果。
四、深度学习算法的可行性
4D雷达点云数量和通道数（或分辨率）相关，典型的12T16R通常有2k~3k，单个目标的点云数量接近16线激光雷达，可参考激光雷达的点云处理方法，使用CNN等深度学习方式做目标检测。
另外使用叠帧的方式可以增加点云密度，用来获得更好的检测效果。
目前已有不少研究机构对从不同方面研究4D雷达点云的处理，已有一些成果，具体可参考这篇综述：
《Towards Deep Radar Perception for Autonomous Driving:Datasets, Methods, and Challenges》
其中提到的Pointpillars是最近几年效果较好的深度学习方法，其他分类和目标检测方法也提供了较好的思路。
从结果来看，使用深度学习的目标检测达到了预期的效果。
4D雷达和16线激光雷达对比，mAP的分数更高，数据来自《Automotive Radar Dataset for Deep Learning Based 3D Object Detection》
4D雷达和64线激光雷达对比，mAP的分数较低，但驾驶状态下使用叠帧处理和激光差距较小。
