2、传感器基础：激光雷达、毫米波雷达、摄像头、超声波等传感器在距离测量中的原理与特点
无人车避障决策的第一步，是回答一个看似简单却极其关键的问题：障碍物到底离我多远？距离估计的准确性直接决定了风险等级划分的合理性，也决定了刹停策略是“平稳减速”还是“紧急制动”。在量产自动驾驶系统中，没有任何单一传感器能在所有工况下同时满足测距精度、更新频率、抗环境干扰和成本约束。因此，理解激光雷达、毫米波雷达、摄像头、超声波这四类主流传感器的测距原理与特性，是构建可靠避障决策链路的基石。本章将从物理原理出发，对比各传感器的适用边界，并结合典型场景给出选型与融合判断方法。
2.1 核心原理：四种物理测距机制
距离测量的本质是将物理量转化为时间或空间上的可计算差值。四类传感器分别基于不同的物理机制实现这一转化，理解这些机制是后续风险分级和刹停策略设计的前提。
| 传感器类型 | 测距原理 | 核心公式 | 输出数据类型 |
|---|---|---|---|
| 激光雷达 | 飞行时间法（TOF）或调频连续波（FMCW） | d = c × t / 2 | 3D点云（x, y, z, 反射强度） |
| 毫米波雷达 | FMCW，利用发射与回波信号的频率差 | d = c × Δf / (2 × S)，S为调频斜率 | 目标列表（距离、速度、方位角） |
| 摄像头（双目） | 三角测量法，利用左右目视差 | d = f × b / Δx | 深度图 / 像素级距离 |
| 超声波 | 声波脉冲回波时间 | d = v_sound × t / 2 | 单点距离值 |
激光雷达的TOF原理通过发射激光脉冲并测量反射光返回的时间差来计算距离，光速恒定使得测量精度极高。FMCW方式则通过发射频率线性调制的连续波，利用发射与回波之间的频率差同时解算距离和速度，抗干扰能力更强。毫米波雷达同样采用FMCW，但其波长在毫米级（通常为4mm或12.5mm），对烟雾、灰尘的穿透能力远优于激光。双目摄像头模拟人眼立体视觉，通过左右两个成像平面上的视差计算深度，其精度与基线长度和像素分辨率强相关。超声波传感器利用声波在空气中的传播速度（约340m/s）进行测距，结构简单但响应速度慢。
2.2 判断方法：各传感器的距离测量特性与适用边界
在实际工程中，选择哪种传感器用于距离估计，需要从精度、量程、更新率、环境鲁棒性、成本和数据维度六个维度进行综合评估。下表给出了四类传感器的关键参数对比，这些参数直接决定了它们在避障决策中的角色定位。
| 特性维度 | 激光雷达 | 毫米波雷达 | 摄像头 | 超声波 |
|---|---|---|---|---|
| 测距量程 | 0.1m ~ 200m+ | 0.5m ~ 250m | 0.3m ~ 50m（双目） | 0.2m ~ 5m |
| 距离精度 | ±2cm（TOF） | ±0.1m（距离） | 深度误差随距离平方增长 | ±1cm（近距离） |
| 速度测量 | 需帧间差分 | 直接输出多普勒速度 | 需帧间光流计算 | 不支持 |
| 更新频率 | 10~20Hz | 20~50Hz | 30~60Hz | 10~20Hz |
| 雨雾天气 | 衰减严重 | 几乎不受影响 | 能见度下降 | 受风噪干扰 |
| 夜间工作 | 完全不受影响 | 完全不受影响 | 依赖补光或红外 | 不受影响 |
| 角分辨率 | 0.1°~0.4° | 1°~3° | 像素级（极高） | 无（单点） |
| 成本范围 | 高（数千至数万元） | 中（数百至数千元） | 低（数百元） | 极低（数十元） |
从避障决策的角度看，量程和精度的匹配是第一优先级。高速行驶时（如80km/h），车辆每秒前进约22米，若传感器量程不足，留给决策系统的时间窗口会急剧缩短。例如，超声波传感器在5米量程内虽然精度高，但在高速场景下仅能提供约0.2秒的预警时间，远不足以完成安全刹停。因此，超声波通常只用于低速泊车或近距离盲区补盲。
毫米波雷达的独特优势在于直接测量径向速度。FMCW雷达通过多普勒频移可以同时输出目标的距离和相对速度，这对于判断“前方车辆是否在急减速”至关重要。在避障决策中，速度信息比单纯的距离信息更能提前预判碰撞风险。例如，当前方50米处有车辆以-5m/s²的减速度制动时，毫米波雷达能立即捕捉到速度变化趋势，而激光雷达需要连续两帧点云差分才能估算出速度，存在至少100ms的延迟。
摄像头的距离估计则更依赖场景结构和先验知识。单目摄像头通过目标在图像中的尺寸和已知物体高度来估算距离，误差通常在10%~20%之间；双目摄像头通过视差计算深度，在10米内精度可达5%以内，但超过30米后误差迅速增大。在避障决策中，摄像头更适合作为“语义验证器”——确认前方障碍物的类型（行人、车辆、锥桶），而不是作为精确距离的唯一来源。
2.3 案例拆解：低速园区无人车的传感器配置与距离估计策略
以某园区低速无人配送车为例，其设计时速为15km/h（约4.2m/s），最大制动减速度为3m/s²。根据制动距离公式 d = v²/(2a)，从检测到障碍物到完全停止需要约2.9米。考虑到系统延迟（传感器处理+决策计算+执行器响应）约300ms，车辆还会额外滑行1.3米。因此，系统至少需要在4.5米外检测到障碍物才能保证安全刹停。
该车型的传感器配置如下：
- 前向主雷达：1× 16线激光雷达，量程30m，10Hz，用于中远距离障碍物检测和地图构建
- 前向辅助：1× 77GHz毫米波雷达，量程60m，20Hz，用于全天候测距和速度估计
- 近距补盲：4× 超声波传感器，布置于前后保险杠，量程3m，用于低速泊车和近距防撞
- 视觉感知：1× 双目摄像头，基线12cm，用于行人识别和交通标志语义理解
在实际运行中，系统采用分层距离估计策略：
- 远距离层（>15m）：以激光雷达点云为主，毫米波雷达目标列表为辅。激光雷达提供高精度横向位置信息，毫米波雷达提供径向速度。当两者对同一目标的距离输出偏差超过1.5m时，触发一致性校验，优先信任毫米波雷达的距离值（因为其受天气影响小）。
- 中距离层（5m~15m）：融合激光雷达和双目摄像头。双目摄像头提供障碍物类别信息（行人/车辆/自行车），激光雷达提供精确距离。若双目摄像头检测到行人但激光雷达未发现对应点云，则降低该目标的置信度，并触发毫米波雷达复核。
- 近距离层（<5m）：超声波传感器接管主导权。超声波在3米内的测距精度可达±1cm，且不受光照影响。当超声波检测到距离小于1.5m且车辆仍在移动时，直接触发紧急刹停，不等待其他传感器确认。
这套策略在真实运营中取得了显著效果：在为期三个月的测试中，共记录到127次避障事件，其中仅3次发生误刹停（均为激光雷达雨雾噪点导致），且无一次漏检。误刹停事件通过增加毫米波雷达交叉验证逻辑后完全消除。
2.4 常见误区与总结复盘
在距离估计的工程实践中，以下四个误区最为常见，需要特别注意规避。
| 误区描述 | 潜在风险 | 正确做法 |
|---|---|---|
| 认为激光雷达精度高就完全信任其距离值 | 雨雾天气噪点导致误判，灰尘遮挡导致漏检 | 与毫米波雷达交叉验证，设置置信度评分机制 |
| 忽略毫米波雷达的角分辨率限制 | 两个并排目标被合并为一个目标，距离取平均值 | 结合激光雷达点云进行目标分离，或使用高分辨率4D毫米波雷达 |
| 将摄像头深度图直接用于紧急制动 | 深度估计误差在远距离可达20%以上，可能造成碰撞或误刹 | 摄像头仅用于语义验证，距离真值必须来自主动传感器 |
| 超声波传感器安装位置不当 | 探测角度过窄，无法覆盖保险杠两侧盲区 | 采用多探头阵列，相邻探头交叉覆盖，减少探测盲区 |
总结而言，距离估计是避障决策的“感知基石”，没有任何单一传感器能够完美应对所有工况。激光雷达提供了高精度的空间点云，毫米波雷达贡献了全天候的测距测速能力，摄像头补充了语义理解，超声波填补了近距盲区。在构建避障决策系统时，应当根据车辆的最高车速、制动性能、运行环境和成本预算，合理配置传感器组合，并设计分区信任的融合策略。下一层级的风险等级划分，将直接依赖于本章所建立的距离估计框架——只有获得了可靠的距离和速度信息，才能准确判断当前风险等级，进而决定是预警、减速还是紧急刹停。