探测距离和角度精度，为什么必须实测而不是算？
参数表里的"最大探测距离 200m、角度精度 0.1°"，不是仿真出来就能信的，必须靠实测标定。因为天线、壳体、雷达罩、安装位置都会让真实性能和标称有偏差。测，是为了把"纸面指标"变成"可交付指标"。
不实测直接装车，往往出现前 10m 近距盲区偏大、侧向角度抖、远距掉点，这些只有上测试台才能暴露。
暗室解决什么问题？
外场测试充满不可控反射：地面、墙体、旁边车辆都会产生多径，让雷达"看到"不存在的目标。微波暗室用吸波材料把反射压到极低，给出一个干净的自由空间环境，让测到的就是雷达本身的能力。
暗室不是越贵越好，关键看静区尺寸和反射电平是否满足频段要求。76–81GHz 对吸波和转台精度要求更高。
雷达目标模拟器是什么角色？
目标模拟器在暗室里替代真实目标：它接收雷达发射，按设定延迟、多普勒、衰减把回波还回去，从而"造"出一个距离为 R、速度为 v、RCS 为 σ 的虚拟目标。这样就能在实验室复现 200m 外的车、横穿的行人，而不用真去马路上追车。
好的模拟器要支持多目标、可配置 RCS 与运动轨迹，才能覆盖复杂场景。它是距离/速度/角度标定的核心设备。
距离精度具体怎么测？
固定模拟器给出已知距离 R0，记录雷达上报距离 R，统计偏差与抖动。一般会在近、中、远多档距离各采一批样本，看均值偏移和标准差。下面是一份典型记录框架。
| 设定距离 | 样本量 | 均值偏差 | 允许上限 |
|---|---|---|---|
| 20m | ≥30 | 待填 | ≤0.3m |
| 80m | ≥30 | 待填 | ≤0.5m |
| 150m | ≥30 | 待填 | ≤1.0m |
具体阈值依车型与企标，上表为量级示意，以实测为准。
角度精度怎么标定？
把雷达固定在转台，目标模拟器放在固定方位，转台带动雷达旋转，记录每个转角的角度估计值，和真实转角比对得到角度误差。水平、俯仰分别扫，近距和远距也要分别扫，因为角度误差随距离变化。
这一步能暴露天线校准和阵列相位的问题，是 4D 雷达俯仰标定尤其重要的环节。
测速和多目标怎么验？
测速用模拟器给定径向速度，比对多普勒估计；多目标则同时放几个不同距离/速度/角度的目标，看雷达能否逐个分辨、轨迹是否稳定。多目标最能暴露通道一致性和算法的短板。
测试报告要看的不只是"能不能测到"，更是边界：最远、最快、最近、最密时还准不准。
一份靠谱的测试报告长什么样？
覆盖距离/角度/速度三维度，含样本量、边界工况、失效样本与复测结论，并且标注测试环境（暗室、模拟器型号）。样本量太小或只测理想点的报告，参考价值有限。
结论：探测距离与角度精度靠暗室加目标模拟器实测标定，暗室消除多径、模拟器造可控目标。距离看偏差与抖动、角度靠转台扫角、速度靠多普勒比对，且要在边界工况下采样。看懂报告重点看样本量与覆盖工况，而非只看峰值数字。
下线测试到底测哪几项？
每颗雷达出厂前至少要过通道一致性、相位误差、时延和本振泄漏这几关。它们直接决定多通道能否正确合成虚拟孔径，任何一项超差都会让测角系统性偏掉。
我们习惯把测试数据按批次归档，用统计过程控制看趋势，而不是只看单颗 PASS/FAIL。这样能在良率下滑前就发现产线漂移，比事后返工成本低得多。
测试工位本身的稳定性也要校准：探针、夹具、环境温度都会影响读数。把测试系统当成一个需要被测量的对象，良率数据才可信，否则测出来的“好”可能是假好。
测试的价值不在一次通过，而在形成可回归的基线，让每个版本都有量化可比的改进证据。
我们建议把现场遇到的怪现象抽象成用例沉淀下来，长期积累才是最值钱的测试资产。
整车场地测试怎么设计场景？
静态目标、 cyclist、行人、切入车辆这几类要分别覆盖，并且分天气、分速度、分距离档。单纯跑“能检测到”不够，要看检测概率随距离和信噪比的曲线，找到真正可用的边界。
还要做多径和遮挡场景：桥洞、收费站、前方大车尾板都会让雷达“看花眼”。把这些边缘场景做成固定用例库，每次软件迭代都回归一遍，才叫真测试。
我们建议给每个场景定义明确的通过判据（如漏检率、虚警率上限），而不是凭工程师主观感受。量化判据让不同版本之间能直接比较，也方便对外出具报告。
我们建议把现场遇到的怪现象抽象成用例沉淀下来，长期积累才是最值钱的测试资产。
没有覆盖边缘场景的测试等于没测，桥洞、收费站、大车尾板这些多径场景必须做成固定用例。
怎么用回波模拟器提高一致性？
射频目标模拟器能在实验室里复现特定距离、速度、RCS 的“假目标”，让算法在不受天气和场地限制的情况下反复跑同一用例。它的价值在于可重复，今天和三个月后的结果能直接对比。
模拟器也有局限：真实世界多径、杂波和环境噪声它模拟不全。所以我们把它用于回归与边界确认，外场实测用于验证真实可用性，两者互补。
用好模拟器的关键是场景库质量：把外场遇到的典型问题抽象成可参数化的用例，长期积累成资产，比单纯买设备值钱。
没有覆盖边缘场景的测试等于没测，桥洞、收费站、大车尾板这些多径场景必须做成固定用例。
测试系统和被测件一样需要被测量，探针、夹具、温漂都会污染读数，良率数据才可信。
测试数据怎么变成改进输入？
测出来的漏检、虚警、角偏不能只记个 bug 单就完事。我们按“场景—根因—参数”三层归类，回灌到波形、信号处理或融合策略里，再用同一用例验证是否收敛。
长期来看，测试资产比单次结果更值钱。一套覆盖充分的用例库加上自动化评测脚本，能让每一版固件都有量化可比的基线，避免“感觉变好了”这种主观判断。
我们也建议把测试结论反向写进规格书和设计约束，让下一轮硬件选型少踩坑，形成从测试到设计的闭环。
测试系统和被测件一样需要被测量，探针、夹具、温漂都会污染读数，良率数据才可信。
把测试结论反向写进规格书和设计约束，下一轮硬件选型就能少踩坑，形成闭环。
