在虚幻引擎中仿真车载毫米波雷达：挑战与实现取向

如果说相机仿真最容易让人想到的是“把画面渲出来”，那么毫米波雷达完全是另一种思路。它关心的不是眼前长什么样，而是哪些回波会回来、回来得有多晚、又是从什么方向回来的。也正因为如此，雷达仿真不能只看几何位置，还得看金属、玻璃、路面和保险杠对电波会产生什么影响。

IADataSDG 在 UE5.7 中把这件事拆成了两段来做。前半段用硬件光追去近似电波在场景里的传播和反射，尽量让回波的来源说得通；后半段再把这些结果整理成接近真实雷达处理链会使用的表示。当前默认、也最适合作为对照基线的做法，是让光追负责前半段，让 CPU 负责后半段。把整条后端都搬到 GPU，或者再叠加更复杂的绕射模型，系统里也有实验路径，但默认并不打开，因为它们更像是“继续探索的方向”，而不是已经可以对外当成标准答案的结果。

背景：车载毫米波雷达与 4D 数据

路上常见车载雷达工作在77 GHz附近（波长毫米量级）。系统发射调频连续波，接收反射后经 FFT 等步骤得到距离与相对速度，并结合天线阵列得到方位与俯仰。业内所称4D 雷达通常指同时提供距离、速度、水平角、俯仰角等维度的数据立方体。合成数据若用于训练或标定，宜输出语义维度与实机相近、物理上可解释的结果，而非简单「绘制」点云。

问题：仿真难度高于可见光成像的原因

• 物理耦合更复杂：需考虑反射、粗糙面散射、保险杠与玻璃等薄层的穿透与干涉，难以仅用几何光学一笔带过。
• 工程语言需对齐：仿真端计算的是回到天线的能量分布；车载团队常用 chirp、beat、距离–多普勒图、检测门限等概念。管线需将物理结果组织为文献中常见的四维结构（距离 × 速度 × 方位 × 俯仰），再经经典检测得到与雷达论文叙事一致的输出形态。

技术方案概述

这条路线背后的想法其实很朴素：不要为雷达再造一个和场景脱节的“影子世界”。系统直接从雷达位置向外追踪大量射线，让它们在真实场景几何里反弹、衰减，再把能回到接收方向的贡献收拢起来。这样做的好处，是雷达看到的东西和相机、分割、检测看到的是同一个世界，而不是另一套单独维护的近似模型。

材质在这里也不能只被当成“贴图外观”。对雷达来说，金属、玻璃、塑料、沥青这些材料会直接影响回波怎样返回。IADataSDG 因此内置了一组面向 77 GHz 的典型材料参数，并尽量给出公开文献来源，目的是让这套近似至少有清楚的来路，而不是一组无法解释的经验常数。

至于默认路径和实验路径的区别，可以简单理解成一句话：先把结果做稳，再去追更快。现在默认做法是，前面的物理回波部分交给 GPU 光追，后面的信号处理仍放在 CPU 上。这样更适合作为准确度基线。把整条后端搬去 GPU，或者再把 UTD 这类更细的绕射模型打开，系统当然也支持，但它们目前更像是研究选项。现阶段更稳妥的说法是“这些能力已经能跑起来，也值得继续验证”，而不是“它们已经可以全面取代基线”。

已有的回归结果证明，这条 GPU 光追主路径在运行时是稳定的: 在受控场景里，它可以连续输出多帧检测结果，不会出现空帧或明显数值异常。但这类回归说明的是“整条链路能稳定工作”，并不意味着它已经和某款真实雷达或某个闭源系统逐项对齐。

为什么默认不是“全 GPU 一把梭”

对毫米波雷达这类模态，更快不等于更可信。GPU 版信号链和 UTD 的确能带来更大的实验空间，但如果没有和 CPU 基线、甚至和真实外场数据做过定量对照，默认切过去只会把“工程上的加速”误写成“物理上的进步”。

再加上 UE 的 DXR 环境本身也有不少现实边界，这件事就更不能靠一句“全上 GPU”来概括。对外更准确的表述应该是：DXR 已经承担了雷达仿真里最关键的传播主路径，而 CPU 后端仍是当前最适合作为默认基线的部分；更激进的 GPU 后端与绕射模型是可选实验项。

关键术语说明

在 AI 模型训练中的价值

• 4D 雷达目标检测：RPFA-Net、SMURF、RadarPillar 等 4D 雷达检测模型需要距离–速度–角度维度的标注数据；真实 4D 雷达数据集（如 View-of-Delft、K-Radar）规模有限且标注昂贵。仿真可生成带精确 3D 框与速度标签的雷达检测输出，批量扩充训练集。
• 雷达–相机融合：CRN、RCBEVDet、RadarXFormer 等融合模型依赖雷达与相机在空间和时间上严格对齐的配对数据；仿真中二者共享同一场景状态与时间戳，天然保证多模态对齐，无需处理真实场景中雷达与相机的标定误差与时间偏移。
• 雷达预训练与基础模型：GRT（Generalizable Radar Transformer）等雷达基础模型需要大规模多场景雷达数据做预训练；真实采集受限于车辆、路线与天气，而仿真可在任意场景、天气和交通密度下批量生成，显著扩大预训练数据的多样性。
• 信号处理算法研发：CFAR 替代方案（CFARNet）、学习型检测器（See Further Than CFAR）等以距离–多普勒谱为输入的模型，需要大量带真值的频域数据；仿真的 FMCW 信号链输出可直接用于此类训练。
• 雷达–LiDAR 跨模态学习：RadarDistill 等知识蒸馏方法以 LiDAR 点云为教师、雷达为学生；仿真可同帧输出两种传感器的精确数据，构建完整的教师–学生训练对。

延伸阅读与参考文献

下列文献便于引用与核对：

[1] H. Ling, R. Chou, S.W. Lee, "Shooting and bouncing rays: calculating the RCS of an arbitrarily shaped cavity,"IEEE Trans. Antennas Propag., vol. 37, no. 2, pp. 194-205, Feb. 1989.

[2] M. Bozza, M. Pastorino, "An approach to microwave imaging using a multiresolution analysis,"Proc. IEEE AP-S, 2007.

[3] M. Born, E. Wolf,Principles of Optics, 7th ed., Cambridge Univ. Press, 1999.

[4] P. Beckmann, A. Spizzichino,The Scattering of Electromagnetic Waves from Rough Surfaces, Artech House, 1987.

[5] J.D. Jackson,Classical Electrodynamics, 3rd ed., Wiley, 1999.

[6] R.G. Kouyoumjian, P.H. Pathak, "A uniform geometrical theory of diffraction for an edge in a perfectly conducting surface,"Proc. IEEE, vol. 62, no. 11, pp. 1448-1461, Nov. 1974.

[7] D.A. McNamara, C.W.I. Pistorius, J.A.G. Malherbe,Introduction to the Uniform Geometrical Theory of Diffraction, Artech House, 1990.

[8] M.I. Skolnik,Radar Handbook, 3rd ed., McGraw-Hill, 2008.

[9] S. Rao, "Introduction to mmwave sensing: FMCW radars," Texas Instruments Application Note SWRA553, 2017.

[10] C.A. Balanis,Advanced Engineering Electromagnetics, 2nd ed., Wiley, 2012.

[11] J. Hasch et al., "Millimeter-wave technology for automotive radar sensors in the 77 GHz frequency band,"IEEE Trans. Microw. Theory Tech., vol. 60, no. 3, pp. 845-860, Mar. 2012.

[12] Remcom Inc., "EM simulation of automotive radar mounted in vehicle bumper," Application Note, 2020.

[13] NIST, "Electromagnetic properties of concrete," Technical Note 1699, 2011.

[14] ITU-R, "Effects of building materials and structures on radiowave propagation above about 100 MHz," Recommendation P.2040-2, 2021.

[15] S. Gabriel, R.W. Lau, C. Gabriel, "The dielectric properties of biological tissues,"Phys. Med. Biol., vol. 41, no. 11, pp. 2231-2249, 1996.

[16] G.R. Huggett, "Dielectric constants of some common rubbers,"Nature, vol. 170, p. 848, 1952.

[17] COST 235, "Radiowave propagation effects on next generation fixed-service terrestrial telecommunication systems," Final Report, 1996.

[18] P. Debye,Polar Molecules, Chemical Catalog Company, 1929.

[19] RadarSimPy, "Radar simulation tool for Python,"https://radarsimx.github.io/radarsimpy/(BSD License).

[20] NVIDIA, "Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling,"https://github.com/nvlabs/sionna-rt(MIT License).

[21] Cosys-Lab, "SonoTraceUE: UE5 Plugin for Acoustic Simulation using Hardware RT,"https://github.com/Cosys-Lab/SonoTraceUE(MIT License).

[22] Microsoft, "DirectX Raytracing (DXR) Functional Spec,"https://microsoft.github.io/DirectX-Specs/d3d/Raytracing.html

[23] M.A. Richards,Fundamentals of Radar Signal Processing, 2nd ed., McGraw-Hill Education, 2014.

[24] J. Hasch et al., "Millimeter-wave technology for automotive radar sensors in the 77 GHz frequency band,"IEEE Trans. Microw. Theory Tech., vol. 60, no. 3, pp. 845-860, Mar. 2012.

[25] V. Winkler, "Range Doppler detection for automotive FMCW radars,"Proc. European Radar Conf., pp. 166-169, Oct. 2007.

[26] H. Rohling, "Radar CFAR thresholding in clutter and multiple target situations,"IEEE Trans. Aerosp. Electron. Syst., vol. AES-19, no. 4, pp. 608-621, Jul. 1983.

[27] M.A. Richards, J.A. Scheer, W.A. Holm,Principles of Modern Radar: Basic Principles, SciTech Publishing, 2010.

[28] F. Engels et al., "Automotive radar signal processing: research directions and practical challenges,"IEEE J. Sel. Topics Signal Process., vol. 15, no. 4, pp. 865-878, Jun. 2021.

[29] M. Rafidashti et al., "NeuRadar: Neural Radiance Fields for Automotive Radar Point Clouds,"CVPR Workshop on Autonomous Driving (WAD), 2025. arXiv:2504.00859

[30] L. Zheng et al., "RadarGen: Automotive Radar Point Cloud Generation from Cameras," arXiv:2512.17897, 2025.

[31] "RadarSim: Simulating Single-Chip Radar via Multimodal Neural Fields,"OpenReview, 2026.

[32] T. Guo et al., "Differentiable Radio Frequency Ray Tracing for Millimeter-Wave Sensing," arXiv:2311.13182, 2023.

[33] "Sim2Radar: Toward Bridging the Radar Sim-to-Real Gap with VLM-Guided Scene Reconstruction," arXiv:2602.13314, 2026.

[34] R. Das, "Building Differentiable Simulators for mmWave Radar Signals," University of Pennsylvania, 2024.https://seas.upenn.edu/~richeek/blog/2024/mmwave-material-extraction/

[35] A. Palffy et al., "See Further Than CFAR: a Data-Driven Radar Detector Trained by Lidar,"IEEE Robotics and Automation Letters, 2024. arXiv:2402.12970

[36] "RADE-Net: Attention-Based Network for 4D Range-Azimuth-Doppler-Elevation Tensor Processing," Infineon / Graz University, 2025.

[37] "4DR P2T: 4D Radar Tensor Synthesis with Point Clouds," arXiv:2502.05550, 2025.

[38] "CFARNet: CNN-Based Framework Replacing CFAR for mmWave OFDM Radar," arXiv:2505.10150, 2025.

[39] J. Huang et al., "Towards Foundational Models for Single-Chip Radar,"ICCV, 2025. (GRT — Generalizable Radar Transformer)

[40] "RadarXFormer: Robust Object Detection via Cross-Dimension Fusion of 4D Radar Spectra and Images," arXiv:2603.14822, 2026.

本文为面向研究者与工程决策者的能力介绍，不构成对任何第三方产品数值行为的一致性保证。