3、距离估计基础：坐标系定义、点云与图像数据、距离测量的基本数学方法（三角测距、TOF、相位差）
无人车避障决策的第一环，是回答“障碍物到底离我多远”。这个看似简单的问题，在真实道路环境中却充满挑战：目标可能是行人、车辆、路沿或低矮障碍物，材质、反光率、运动状态各不相同。距离估计的准确性直接决定风险等级划分和刹停策略的触发时机。本章从坐标系定义出发，厘清点云与图像两种数据形态的差异，再深入三种核心测距数学方法的原理、适用场景与工程权衡，为后续避障决策建立坚实的空间感知基础。
3.1 坐标系定义：空间对齐是距离估计的前提
无人车搭载的传感器各自拥有独立的坐标系。激光雷达以自身为原点定义三维点云坐标，摄像头以光心为原点定义像素坐标，毫米波雷达以天线阵列中心为原点定义径向距离和角度。如果这些坐标系没有统一到同一个参考框架下，距离估计就会产生系统性偏差——例如，一个在激光雷达坐标系中位于前方 5 米的障碍物，在摄像头图像中可能对应着完全不同的像素位置，融合后的距离值也会互相矛盾。
无人车系统通常定义三个层级的坐标系：车体坐标系（以车辆后轴中心或质心为原点，X 轴指向车头前方，Y 轴指向左侧，Z 轴垂直向上）、传感器坐标系（各传感器自身的局部坐标）和全局坐标系（用于地图定位和路径规划的参考）。距离估计的核心任务之一，就是通过外参标定将传感器坐标系下的测量值变换到车体坐标系下，再结合车辆位姿变换到全局坐标系。
坐标系定义直接影响距离估计的精度。例如，激光雷达安装在车顶时，其坐标系原点与车体坐标系原点之间存在固定的平移和旋转偏移。如果忽略这些偏移，在近距离（如 2 米以内）测距时，误差可能达到 10-20 厘米，足以影响低速避障的刹停决策。因此，工程实践中必须建立严格的标定流程，并定期校验外参是否因振动或温度漂移而发生变化。
3.2 点云与图像数据：两种数据形态的深度感知差异
距离估计的数据来源主要分为两类：点云数据和图像数据。点云由激光雷达或毫米波雷达产生，每个点包含三维坐标（x, y, z）和反射强度信息；图像数据由摄像头产生，每个像素包含颜色或灰度信息，但本身不直接携带深度值。两种数据形态在距离估计中的角色截然不同。
| 维度 | 点云数据（LiDAR/毫米波） | 图像数据（单目/双目） |
|---|---|---|
| 深度信息 | 直接测量，点坐标即距离 | 单目需间接估计，双目通过视差计算 |
| 空间分辨率 | 稀疏（线束数量限制），但角度精度高 | 稠密（百万像素），但深度精度受限于基线 |
| 环境适应性 | 受雨雾影响较大，但夜间可用 | 受光照影响大，夜间需补光或依赖红外 |
| 计算复杂度 | 点云配准和聚类较简单 | 深度估计需神经网络或立体匹配，计算量大 |
| 典型应用 | 障碍物检测、距离主测量 | 目标分类、语义分割、辅助测距 |
在无人车避障系统中，点云数据通常作为距离测量的“主力”，因为其深度信息直接且可靠。图像数据则用于补充语义信息——例如，通过图像识别出前方是一个行人还是一个纸箱，从而调整风险等级。但图像数据也可以通过双目视差或单目深度估计提供稠密深度图，在近距离（如 10 米以内）达到厘米级精度，弥补激光雷达点云稀疏的不足。
实际工程中，点云与图像数据的融合需要解决空间对齐和时间同步两个问题。空间对齐通过外参标定完成，时间同步则要求传感器数据在时间戳上对齐，避免因车辆运动导致同一目标在不同传感器中出现位置偏差。例如，车辆以 72 km/h（20 m/s）行驶时，若激光雷达和摄像头的时间戳相差 50 ms，目标位置偏差可达 1 米，足以造成避障误判。
3.3 距离测量的基本数学方法
距离测量的数学方法决定了传感器的测距原理和精度边界。无人车常用的三种方法为：三角测距、飞行时间法（TOF）和相位差测距。每种方法在精度、量程、响应速度和成本上各有取舍。
3.3.1 三角测距：几何相似与基线约束
三角测距利用已知基线和几何相似三角形原理计算距离。以双目摄像头为例，左右两个相机光心之间的距离为基线 B，目标点在左右图像中的像素坐标分别为 (uL, v) 和 (uR, v)，视差 d = uL - uR。根据相似三角形关系，目标深度 Z 满足：
Z = (f × B) / d其中 f 为相机焦距（像素单位）。视差 d 越大，目标越近；视差越小，目标越远。三角测距的精度与基线长度和视差分辨率直接相关：基线越长，相同距离下的视差越大，测距精度越高；但基线过长会导致相机视野重叠区域减小，近距离盲区增大。
三角测距的另一种形式是结构光测距，通过投射已知图案并观察其形变来计算距离。这种方案在室内短距离（如 0.1-5 米）精度极高，但受环境光干扰大，在户外无人车场景中应用较少。
3.3.2 TOF 飞行时间法：光速与脉冲计时
TOF 测距通过测量光脉冲从发射到接收的往返时间 Δt 来计算距离：
d = (c × Δt) / 2其中 c 为光速（约 3×108 m/s）。激光雷达是 TOF 测距的典型代表。以 905 nm 波长的脉冲激光雷达为例，发射器发出纳秒级光脉冲，接收器记录回波到达时间，即可计算出目标距离。TOF 测距的精度主要取决于时间测量分辨率：1 纳秒的时间误差对应约 15 厘米的距离误差。
TOF 测距的优势在于量程大（可达 200 米以上）、响应快（单点测量微秒级）、精度不受目标纹理影响。但 TOF 对时间测量电路要求极高，且多台激光雷达同时工作时可能产生相互干扰。此外，TOF 测距在目标反射率极低（如黑色车身）或极高（如镜面）时，回波信号强度不足或产生多路径效应，导致测距误差增大。
3.3.3 相位差测距：调制波与相位偏移
相位差测距（又称连续波调频测距）通过发射连续调制波并测量回波与发射波之间的相位差来计算距离。设调制波频率为 fm，波长 λ = c / fm，相位差为 Δφ（弧度），则距离为：
d = (λ × Δφ) / (4π)相位差测距的精度远高于 TOF，因为相位测量可以达到很高的分辨率（如 0.1° 对应亚毫米级精度）。但相位差存在模糊度问题：当距离超过半个波长时，相位差会周期性重复，无法唯一确定距离。解决方法是使用多个调制频率，通过“粗测+精测”组合解算模糊度。
毫米波雷达是相位差测距的典型应用。以 77 GHz 毫米波雷达为例，其波长约 3.9 mm，通过调频连续波（FMCW）方式同时测量距离和速度。FMCW 雷达发射频率随时间线性变化的信号，回波与发射信号混频后产生中频信号，中频频率与距离成正比，从而解算出距离。
| 方法 | 精度范围 | 典型量程 | 响应速度 | 主要局限 |
|---|---|---|---|---|
| 三角测距 | 1-3%（近距离） | 0.1-30 m | 毫秒级 | 基线限制，远距离精度差 |
| TOF | ±2-5 cm | 0.5-200 m | 微秒级 | 时间测量电路复杂，多路径干扰 |
| 相位差 | ±0.1-1 cm | 0.1-100 m | 毫秒级 | 模糊度问题，需多频解算 |
3.4 实战场景：多传感器融合的距离估计案例
某无人配送车在园区道路上行驶，前方 8 米处出现一个行人。车辆搭载 16 线激光雷达（TOF 测距）、双目摄像头（三角测距）和 77 GHz 毫米波雷达（相位差测距）。三种传感器同时检测到目标，但给出的距离值存在差异：激光雷达报 8.2 米，双目摄像头报 7.9 米，毫米波雷达报 8.05 米。
分析判断过程：首先检查坐标系对齐状态。激光雷达安装在车顶前方 0.3 米处，双目摄像头安装在前挡风玻璃后 0.5 米处，毫米波雷达安装在前保险杠中央。若不进行坐标变换，直接使用原始测量值，三者之间的偏差可达 0.2-0.5 米。经过外参标定后，将三个测量值统一到车体坐标系，得到：激光雷达 8.15 米，双目 8.05 米，毫米波 8.02 米。
数据融合策略：采用加权平均法，权重根据各传感器在 8 米距离下的置信度分配。激光雷达在 8 米处精度为 ±3 cm，权重 0.5；毫米波雷达精度为 ±5 cm，权重 0.3；双目摄像头精度为 ±8 cm，权重 0.2。融合后的距离为：
d_fused = 8.15×0.5 + 8.02×0.3 + 8.05×0.2 = 8.091 米结果对比：融合后的距离 8.09 米与真实值（通过高精度 RTK 测量为 8.06 米）偏差仅 3 厘米，优于任何单一传感器。若仅依赖双目摄像头，8 米处的误差可能达到 15 厘米，在高速避障场景下可能导致刹停距离不足。
风险与代价：融合策略增加了计算复杂度和传感器依赖。若激光雷达因雨雾失效，系统需自动降级为“双目+毫米波”融合模式，此时精度下降至 ±10 厘米，避障策略需相应调整——例如将安全距离从 1.5 米增加到 2.0 米。
3.5 常见误区与总结复盘
误区一：忽略坐标系偏移。许多初学者直接使用传感器原始距离值，忽略了传感器安装位置与车体中心的偏移。在近距离（5 米以内）时，这种偏移可能造成 10% 以上的距离误差，直接导致刹停策略误触发或漏触发。
误区二：盲目追求高精度。相位差测距精度虽高，但模糊度解算复杂，且对目标运动敏感。在动态避障场景中，TOF 测距的快速响应往往比亚厘米级精度更重要。工程上应根据场景需求选择合适的方法，而非一味追求最高精度。
误区三：忽视时间同步。多传感器融合时，若时间戳未对齐，车辆运动会导致同一目标在不同传感器中出现位置偏差。高速行驶时，即使 20 ms 的时间差也会造成 0.4 米的距离误差。
总结复盘：距离估计是无人车避障决策的基石。坐标系定义保证了空间一致性，点云与图像数据提供了互补的深度信息，三角测距、TOF 和相位差三种方法各有适用边界。实际系统中，通常采用“激光雷达主测距 + 毫米波雷达冗余 + 摄像头语义辅助”的融合架构，通过加权融合和置信度评估获得稳健的距离估计。下一层级的风险等级划分和刹停策略，将直接依赖本章建立的距离基础——距离估计的每一个厘米误差，都可能转化为避障决策中的安全余量或误判风险。