雷达目标分类与置信度：算法边界在哪

雷达不只是测距，还要判断"那是什么"。本文讲解车载毫米波雷达对行人、自行车、车辆等目标分类的依据与置信度机制，分析误判边界与提升可靠性的方法。

1. 分类依据

毫米波雷达缺乏视觉纹理，主要依靠目标的微多普勒特征、尺寸、运动模式与反射分布来区分类型。行人 limbs 的摆动、自行车的不规则微动、车辆的稳定刚体回波，各有可区分的特征。但这些特征在噪声与遮挡下会变模糊，分类并非绝对。

2. 置信度机制

分类结果通常附带置信度，表示算法对该判定的把握。置信度低于阈值时，系统应保守处理而非强行归类，例如把不确定目标标记为"未知"交由融合层判断。合理的置信度门限能减少误触发，但过低会漏掉真实危险。

3. 误判边界

误判多发生在特征重叠场景：静止自行车近似金属杆、路牌近似静止车、并行车道目标易被合并。极端天气与强反射路面也会污染特征。理解这些边界，有助于在系统层面用摄像头与地图辅助纠偏，而不是单靠雷达硬分。

4. 提升方法

提升分类可靠性的途径包括更高角分辨的 4D 雷达获取更多结构信息、更优的微多普勒提取算法、与视觉的跨模态融合，以及用大量真实场景数据持续训练。工程上建议明确各类目标的验收准确率，并针对高频误判场景专项优化。

5. 与融合的分工

雷达分类擅长运动与距离，视觉擅长外观与语义。把两者在域控层融合，往往比单传感器硬分更稳。需约定融合策略与失效降级：当视觉不可用，雷达分类应回到保守模式，避免激进误判。

6. 验收中的分类指标

评估分类能力应给出量化验收：在既定场景下对行人、自行车、车辆的识别准确率与误判率，并注明测试条件。单纯"支持分类"无意义，关键是边界场景的表现。建议把高频误判场景列为回归用例，随算法迭代持续监控。

7. 与摄像头融合的分工

雷达分类强在运动与距离，视觉强在语义。融合层应明确分工：雷达提供稳定运动线索，视觉提供类型确认，疑议时按置信度仲裁。清晰分工能减少重复与冲突，提升整体可靠性，这也是分类能力落地的主要路径。

8. 提升分类的实操路径

提升分类可靠性没有银弹，要靠多条路径叠加：更高角分辨的硬件获取更多结构信息，更优的微多普勒提取算法区分运动模式，与视觉的跨模态融合补足语义，以及用大量真实场景数据持续训练。工程上建议先明确各类目标的验收准确率，再针对高频误判场景专项优化，而不是泛泛追求"支持分类"。把指标量化到场景，分类能力才可被验证与改进。

9. 边界场景的处理原则

分类不可能百分百准确，关键是边界场景如何处理。当置信度低或跨类模糊，应保守标记为"未知"并交由融合层，而非强行归类引发误触发。这种保守策略牺牲一点响应速度，却显著提升安全。系统层面还应定义降级逻辑：当雷达分类不可信时，退回到更依赖视觉或更保守的制动策略，确保失效不演变为事故。

10. 输出消息中的分类标注

分类结果后要落到雷达输出消息的字段设计上：除距离速度方位，应有目标类型标签与置信度，并约定未知类型的默认处理。下游融合据此决定信任程度，避免把不确定目标当作确定类别驱动制动。字段定义应在接口协议中写清，并随算法版本维护，确保整车端解析一致。把分类以结构化方式交付，是能力落地的后一环，也便于后续功能迭代时保持兼容性，减少因消息格式变更引发的集成返工，值得在需求阶段就明确约定。

分类能力的量化验收

评估分类能力应给出量化验收：在既定场景下对行人、自行车、车辆的识别准确率与误判率，并注明测试条件。单纯支持分类无意义，关键是边界场景的表现。建议把高频误判场景列为回归用例，随算法迭代持续监控，并把雷达与摄像头融合的分工写清，用置信度仲裁减少冲突。