4、样本采集硬件与传感器：摄像头、激光雷达、毫米波雷达、GPS/IMU在数据采集中的作用与配置
无人车模型迭代的质量上限，首先由样本采集硬件决定。算法工程师常关注模型结构，但若采集链路中某一传感器的标定参数漂移、时间同步偏差超过 10ms，或空间分辨率不足以覆盖关键场景，后续的重训与版本更新都将建立在“带病数据”之上。本章聚焦四类核心传感器——摄像头、激光雷达、毫米波雷达、GPS/IMU——在路况样本采集中的功能定位、配置原则与工程协同方式，帮助读者建立从物理世界到数据样本的完整映射。
4.1 摄像头：视觉语义的主要来源
核心原理：摄像头通过 CMOS/CCD 感光元件将环境光信号转换为数字图像，是无人车获取车道线、交通标志、行人姿态、红绿灯状态等语义信息的主要途径。在样本采集中，摄像头配置的核心指标包括分辨率、帧率、动态范围、快门方式和光学畸变参数。对于模型迭代而言，摄像头数据的价值不仅在于“看得清”，更在于“看得准”——即图像色彩还原真实、曝光一致、时间戳精确。
配置要点：
- 分辨率与帧率：建议前视摄像头不低于 1920×1080@30fps，环视摄像头可适当降低至 1280×720@20fps。高帧率有助于捕捉快速切入的车辆和行人，但会显著增加存储与算力开销。
- 动态范围：隧道出入口、逆光场景下，普通摄像头易过曝或欠曝。建议选用 HDR（高动态范围）模式，或采用多帧合成技术，确保暗部与亮部细节同时保留。
- 镜头与畸变：广角镜头（如 120°-190° FOV）用于环视，但边缘畸变严重，需在采集前完成内参标定，并在样本入库时附带畸变校正参数。
- 曝光与白平衡：固定曝光时间（如 1/100s）可减少运动模糊，但需配合自动增益控制（AGC）适应光照变化。白平衡应设为“晴天/阴天”固定模式，避免自动白平衡导致颜色漂移。
4.2 激光雷达：三维空间几何的骨干
核心原理：激光雷达通过发射激光束并测量反射时间差（ToF）或调频连续波（FMCW）来获取目标点的三维坐标与反射强度。在样本采集中，激光雷达提供的是稠密的 3D 点云，是目标检测（尤其是远距离小物体）、可行驶区域分割和地图构建的骨干数据源。与摄像头相比，激光雷达不受光照影响，但在雨雾天气下衰减明显。
配置要点：
- 线束与角分辨率：64 线或 128 线机械式雷达是主流选择。线束越高，垂直角分辨率越细（如 0.2°），对远处行人、锥桶的采样越充分。16 线雷达仅适合低速园区场景，不建议用于公开道路样本采集。
- 扫描频率：通常设为 10Hz，与摄像头帧率（30fps）形成 3:1 关系，便于时间同步插值。若车辆高速行驶（>80km/h），可提高至 20Hz 以减少运动畸变。
- 量程与盲区：前向主雷达量程应 ≥200m，盲区控制在 0.5m 以内。车顶安装时需考虑雷达的俯仰角，确保近场地面点云不丢失。
- 反射率校准：不同材质（如深色车辆、白色标线）的反射率差异较大，建议定期使用标准反射板进行强度校准，保证点云强度特征的一致性。
4.3 毫米波雷达：全天候测距测速的保障
核心原理：毫米波雷达工作在 24GHz 或 77GHz 频段，通过多普勒效应直接测量目标的径向速度与距离，对雨、雾、灰尘的穿透能力远强于激光雷达。在样本采集中，毫米波雷达主要用于补充摄像头和激光雷达在恶劣天气下的感知缺失，同时为数据标注提供速度真值参考。
配置要点：
- 安装位置与数量：典型配置为前向 1 颗长距雷达（探测距离 150-250m）+ 4 颗角雷达（覆盖车辆前后侧向 60°-90° 范围）。角雷达对十字路口横穿车辆、匝道汇入车辆的捕捉至关重要。
- 目标输出格式：毫米波雷达输出的是稀疏目标列表（含距离、速度、角度、RCS 反射截面积），而非稠密点云。在样本采集中，需同时记录原始雷达数据（ADC 级）和跟踪后的目标列表，以便后续算法研究。
- 与视觉的融合：雷达目标需与摄像头图像进行空间对齐（联合标定），生成带深度与速度的融合标注。若雷达安装位置偏移，会导致投影到图像上的目标框错位，影响标注质量。
4.4 GPS/IMU 组合导航：时空基准的锚点
核心原理：GPS（全球定位系统）提供位置，但更新率低（通常 10Hz）且在城市峡谷、隧道中易丢失信号；IMU（惯性测量单元）以 100-200Hz 的频率输出加速度与角速度，短时精度高但存在积分漂移。组合导航系统通过卡尔曼滤波融合两者，输出高频、低延迟、厘米级精度的车辆位姿（位置、速度、姿态角），是所有传感器数据空间对齐和时间同步的基准。
配置要点：
- RTK 定位：必须采用 RTK（实时动态差分）模式，通过基站或网络 RTK 服务将定位精度提升至 2-5cm。无 RTK 时，GPS 误差可达数米，无法满足车道级样本标注需求。
- IMU 等级：光纤陀螺仪（FOG）或高精度 MEMS 陀螺仪，零偏稳定性应优于 1°/h。低端 MEMS IMU 在长时间隧道行驶后航向漂移严重，导致点云拼接错位。
- 时间同步：GPS 接收机输出 PPS（秒脉冲）信号，作为整个采集系统的时间基准。所有传感器（摄像头、激光雷达、毫米波雷达）的时钟必须与 PPS 对齐，同步误差应控制在 1ms 以内。
- 安装位置：GPS 天线应安装在车顶最高点，避免被车身遮挡；IMU 应固定在车辆后轴中心附近，减少车辆振动和旋转带来的测量误差。
| 传感器 | 主要数据 | 典型频率 | 空间参考 | 时间同步方式 |
|---|---|---|---|---|
| 摄像头 | RGB 图像 | 20-30 fps | 像素坐标系 | PTP / 硬件触发 |
| 激光雷达 | 3D 点云 (x,y,z,intensity) | 10-20 Hz | 雷达坐标系 | PTP / GPS 时间戳 |
| 毫米波雷达 | 目标列表 (距离/速度/角度) | 20-50 Hz | 雷达坐标系 | CAN 总线时间戳 |
| GPS/IMU | 位姿 (x,y,z,roll,pitch,yaw) | 100-200 Hz | UTM / 局部笛卡尔系 | PPS 主时钟 |
4.5 多传感器协同与数据采集流程
操作流程：一次完整的样本采集任务，需遵循“标定→同步→采集→质检→入库”五个步骤。
- 联合标定：在采集前，使用标定间或标定场地完成摄像头内参、激光雷达到摄像头的外参、毫米波雷达到车体的外参、IMU 到车体的外参标定。标定结果需存档并随样本数据一同发布。
- 时间同步验证：启动采集系统后，通过旋转标定板或闪烁 LED 灯验证各传感器时间戳是否对齐。若偏差超过 2ms，需检查 PTP 网络配置或硬件触发线路。
- 多圈采集：同一路段建议采集 3-5 遍，覆盖不同车道、不同时段（早晚高峰、平峰、夜间）、不同天气（晴天、阴天、小雨）。每圈采集前需记录 GPS 状态、卫星数量、RTK 固定解状态。
- 数据质检：采集完成后，自动检查每帧数据的完整性（图像是否丢帧、点云是否缺行、IMU 是否有野值）。异常数据段需标记或剔除。
- 版本化入库：将原始数据、标定参数、采集日志、车辆信息打包为数据集版本，上传至数据管理平台。每个版本需附带数据字典和采集环境描述。
4.6 常见误区与总结复盘
常见误区：
- 误区一：认为“传感器越多越好”。实际上，未标定的额外传感器只会增加数据噪声和存储压力。每增加一种传感器，必须配套相应的标定、同步和质检流程。
- 误区二：忽视时间同步精度。部分团队仅依赖软件时间戳，未使用 PPS 硬件同步，导致高速场景下激光雷达点云与图像错位 10-20cm，模型训练时无法有效融合特征。
- 误区三：GPS/IMU 数据不参与模型训练。许多团队仅将位姿用于标注，而忽略了位姿本身可作为模型输入（如预测车辆自身轨迹）。高精度位姿对轨迹预测模型有显著增益。
- 误区四：采集数据不记录环境元信息。未记录光照强度、天气、路面材质、交通密度等标签，导致后续数据筛选和场景分类困难。
总结复盘：样本采集硬件配置的核心原则是“精度匹配、冗余互补、同步一致”。摄像头负责语义，激光雷达负责几何，毫米波雷达负责全天候测速，GPS/IMU 负责时空基准。四者缺一不可，但更重要的是它们之间的协同质量。在模型迭代过程中，每一次版本更新前都应回顾采集硬件的状态：标定是否过期？时间同步是否漂移？传感器是否有性能衰减？只有保证采集链路的健康，模型迭代才能建立在可靠的数据地基之上。