下线校准到底在"校"什么？
同一型号雷达用同一套设计，但每颗 MMIC 的增益、相位、时延都有微小差异，天线贴装也有偏差。这些离散叠加起来，会让有的雷达远距偏弱、有的角度偏。下线校准就是在产线末端给每颗雷达做一次"个性化补偿"，把离散压到设计容差内。
它不修硬件缺陷，只补偿可建模的系统性误差。坏通道该换还是得换。
校准一般包含哪几项？
最常见的四项是：通道增益平衡（让多通道幅度一致）、相位对齐（保证虚拟孔径相干）、时延修正（消除走线差异）、温偏初值（记录常温基准）。4D 多通道雷达这几项尤其关键，少一项角分辨就掉。
校准本质是把"设计值"替换成"这颗雷达的实际值"，后续算法用这颗的实际参数工作。
校准放在产线哪一步？
通常在总装完成、封盖之前。此时天线、板卡、壳体都已就位，测到的是最终形态。封盖后再校要拆机，成本陡增。也有厂把部分校准前移到板级，但整机的末端校准仍不可替代。
节拍是产线瓶颈之一：通道越多，校准越慢。6T8R 比 3T4R 的校准时间明显更长，量产要权衡。
校准数据存在哪里？
每颗雷达校准后的参数写入自身非易失存储（如 EEPROM/Flash），上电即加载。这样同一份固件能适配不同个体，无需在算法里写死。
这也带来追溯需求：校准参数要和序列号绑定，便于后期排查某批次表现异常。
不做校准会出什么问题？
| 后果 | 表现 |
|---|---|
| 远距掉点 | 个别通道弱，远距 SNR 不足 |
| 角度抖动 | 相位不齐，测角噪声大 |
| 左右不一致 | 同型号装不同车表现不同 |
| 温漂加剧 | 无温偏初值，温变后偏移大 |
上表为典型后果，具体视离散程度而定。
校准和环境温度有关吗？
有关。校准常在常温做基准，但雷达实际工作跨越 -40 到 85°C，温偏要靠温补模型。下线校准会给温补模型一个准确起点，否则温区两端偏差放大，测距测角都会飘。
所以校准不是一锤子买卖，它是温补链的"第一颗锚点"。
怎么判断校准做好了？
看校准后抽检：选若干颗跑距离/角度一致性测试，看离散是否收敛到容差内。更严的厂会做批次统计，超差整批复校。
结论：下线校准逐颗补偿通道增益、相位、时延与温偏，把器件和装配离散压进容差，保证整车雷达表现一致。它在总装封盖前完成、参数写入每颗雷达自身存储，是温补链的起点。不做校准会远距掉点、角度抖动、左右不一致。
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。
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。
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。
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。
