最近有读者提出一个颇具代表性的问题：在大雾弥漫的深夜，当激光雷达和摄像头因环境限制而“失明”时，4D毫米波雷达是否还能支撑智能驾驶系统正常运行？进一步追问，在这种极端条件下，引入原理不同的传感器是否就是当前最可靠的应对策略？事实上，这类低能见度、弱光照的场景正是自动驾驶技术落地过程中必须跨越的“边缘难题”，而4D毫米波雷达在此类情境中的角色，值得深入探讨。
为何4D毫米波雷达能在雾夜中脱颖而出？
在“浓雾+黑夜+低照度+能见度骤降”的复合恶劣环境下，依赖可见光成像的摄像头往往难以获取清晰画面，图像模糊、对比度差、关键细节丢失；而激光雷达虽精度高，却极易受雾气、雨滴、雪花甚至空气中悬浮微粒的散射与吸收影响，导致点云稀疏或失真。相比之下，毫米波雷达因其波长较长，对雨、雾、尘等介质具备更强穿透力，几乎不受光照条件制约。尤其是升级版的4D毫米波雷达，不仅能测距、测速、测方位角，还新增了仰角（高度）维度，实现了真正意义上的四维感知——这使其成为少数能在全天候、全时段稳定工作的传感器之一。
相较于传统毫米波雷达，4D版本通过更高密度的天线阵列和先进信号处理算法，显著提升了空间分辨率与目标分辨能力。它虽不能像摄像头那样识别颜色或纹理，也无法如激光雷达般生成精细轮廓，但在视觉与激光失效的极端场景下，它仍能持续提供车辆周围物体的距离、速度、方位及大致高度信息，为系统维持基本环境认知提供关键支撑。
既然优势明显，为何4D毫米波雷达尚未大规模普及？
首先，其点云依然稀疏，分辨率远低于高端激光雷达。在多车密集并道、小型障碍物（如交通锥、儿童、电动车）混杂的复杂路况中，4D雷达可能仅返回零星几个反射点，难以准确判断目标类别、边界或几何形态。其次，尽管具备高度感知能力，但在识别低矮物体、半遮挡行人或静止异形障碍物时，其语义理解能力仍显不足。再者，毫米波易受地面反射、金属结构、湿滑路面甚至大气湿度干扰，产生虚假回波或漏检，尤其对黑色、透明或低反射率物体敏感度较低。最后，单一依赖4D雷达存在容错风险——一旦遭遇强遮挡或多径干扰，系统可能误判，这对L4/L5级自动驾驶而言是不可接受的安全隐患。
正因如此，行业共识逐渐聚焦于“多传感器融合”路径。没有哪一种传感器能独当一面，唯有将摄像头的语义丰富性、激光雷达的空间精度与4D毫米波雷达的全天候鲁棒性有机结合，才能构建真正可靠的感知体系。在晴朗白天，系统可倚重视觉与激光；而在雾夜等极端条件下，则由毫米波雷达接管主感知职责，其他传感器作为辅助或校验源。通过动态评估各模态数据的置信度，系统可智能切换主导传感器，实现无缝冗余。
然而，融合并非简单堆砌硬件。它对算力、算法、标定精度和实时同步提出极高要求。不同传感器的数据需在时空上精准对齐，融合策略需具备异常检测与权重自适应能力。即便如此，面对飞溅水雾、强侧风扰动、金属桥梁反射或高速移动的小型障碍物，系统仍可能面临感知盲区。此外，多传感器方案也带来成本、功耗与维护复杂度的上升，车企不得不在性能与量产可行性之间权衡，推出差异化配置以覆盖不同市场。
归根结底，在大雾深夜这样的极限场景中，4D毫米波雷达应被定位为感知系统的“安全底座”——它确保系统不至于完全“失明”，但无法独自支撑高级别决策。真正的解决方案，是在硬件层面构建互补冗余，在软件层面建立基于置信度的动态融合机制，并配套完善的故障降级与ODD（运行设计域）管理策略。唯有如此，智能驾驶才能在看得见的同时，真正走得稳、行得安。
